Este temario corresponde en exclusiva a la especialidad de Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (código 590/512) — una de las aproximadamente 50 especialidades oficiales de este cuerpo. No cubre ninguna otra especialidad de Secundaria (Lengua Castellana y Literatura, Geografía e Historia, Física y Química, Biología y Geología, Inglés, Filosofía, Tecnología, Dibujo, Música...) ni los cuerpos de Maestros o de Profesores Técnicos de Formación Profesional, que tienen temarios propios y distintos, todavía no publicados en OpositaGratis. El cuestionario específico (Parte A) que se reproduce aquí es el fijado con carácter estatal por el entonces Ministerio de Educación y Ciencia, y sigue siendo, más de tres décadas después, el temario base que las distintas Administraciones educativas —las 17 comunidades autónomas más Ceuta y Melilla, cada una competente para convocar su propia oposición— citan y desarrollan en sus resoluciones de convocatoria anual, al no existir una versión posterior que lo haya derogado o sustituido con carácter general para esta especialidad. Cada convocatoria autonómica concreta puede añadir particularidades propias (requisitos lingüísticos en comunidades con lengua cooficial, la prueba de programación y unidad didáctica, u otras variaciones menores de redacción), que no están reflejadas en este índice.
Este tema traslada el tratamiento de las variables aleatorias discretas desarrollado en el tema 65 al caso de variables aleatorias continuas, que pueden tomar cualquier valor dentro de un intervalo real, exigiendo el paso de sumatorios a integrales y la introducción del concepto de función de densidad. Su contenido central es la distribución normal o de Gauss, el modelo probabilístico continuo de mayor relevancia teórica y aplicada de toda la estadística, cuya importancia queda consagrada por el teorema central del límite, verdadero eje que conecta la estadística descriptiva, el cálculo de probabilidades y la inferencia estadística que se desarrollará en el tema 67. Es, junto con el tema 65, uno de los temas de mayor densidad de cálculo y de mayor peso conceptual de todo el bloque.
Una variable aleatoria continua X es aquella que puede tomar, en principio, cualquier valor real dentro de un intervalo (finito o infinito), a diferencia de la variable discreta, que solo toma valores aislados y numerables; son ejemplos característicos el tiempo de espera en una cola, la estatura de un individuo, el peso exacto de un producto o la vida útil de un componente electrónico. Una consecuencia matemática fundamental, y a menudo contraintuitiva para el alumnado, de trabajar con variables continuas es que la probabilidad de que la variable tome exactamente un valor puntual concreto es siempre igual a cero, P(X=x)=0 para cualquier valor real x, ya que existen infinitos valores posibles dentro de cualquier intervalo, por pequeño que sea, y ningún valor puntual concreto puede acumular una probabilidad positiva sin que la suma (en este caso, integral) de todas las probabilidades supere el valor 1. Esta propiedad obliga a trabajar siempre con probabilidades de intervalos, P(a≤X≤b), en lugar de con probabilidades de valores puntuales, y tiene como consecuencia práctica relevante que, para una variable continua, resulta indiferente en términos de probabilidad incluir o excluir los extremos de un intervalo: P(a≤X≤b) = P(a<X<b) = P(a≤X<b) = P(a<X≤b), a diferencia de lo que ocurre necesariamente en el caso discreto.
Función de densidad de probabilidad
La función de densidad de probabilidad f(x) de una variable aleatoria continua X es el análogo continuo de la función de probabilidad o masa de probabilidad de una variable discreta, con una diferencia conceptual esencial: mientras que en el caso discreto f(x) representaba directamente una probabilidad, en el caso continuo f(x) no es una probabilidad en sí misma (de hecho, puede tomar valores superiores a 1), sino una densidad, cuya integral sobre un intervalo es la que proporciona la probabilidad de que la variable tome un valor dentro de dicho intervalo: P(a≤X≤b) = ∫ₐᵇ f(x)dx. Geométricamente, esta probabilidad se interpreta como el área bajo la curva que representa la función de densidad, comprendida entre las rectas verticales x=a y x=b, lo que explica el papel central que desempeña la representación gráfica de f(x) en la comprensión intuitiva del cálculo de probabilidades continuas. Para que una función pueda considerarse legítimamente una función de densidad de probabilidad debe cumplir dos condiciones: ser no negativa en todo su dominio, f(x)≥0 para todo x (aunque, a diferencia del caso discreto, puede superar el valor 1, ya que lo que debe integrar 1 no es f(x) en un punto sino el área bajo toda la curva), y que el área total bajo la curva, extendida a todo el dominio de la variable, sea exactamente igual a uno.
Función de distribución de una variable continua
La función de distribución F(x) de una variable aleatoria continua X se define, exactamente igual que en el caso discreto, como la probabilidad acumulada de que la variable tome un valor menor o igual que x, F(x)=P(X≤x), pero en el caso continuo esta función se obtiene integrando la función de densidad desde el extremo inferior del dominio de la variable hasta el valor x considerado, F(x) = ∫₋∞ˣ f(t)dt, en lugar de sumar probabilidades puntuales discretas como en el caso anterior. A diferencia de la función de distribución de una variable discreta, que es escalonada y presenta saltos discontinuos, la función de distribución de una variable continua es, precisamente por ser la integral de una función, una función continua en todo su dominio (sin saltos discontinuos), y además derivable en aquellos puntos en que la función de densidad es continua, cumpliéndose la relación fundamental F'(x)=f(x), que muestra que la función de densidad es, en sentido estricto, la derivada de la función de distribución, del mismo modo que la función de distribución es la primitiva (integral) de la función de densidad. Esta relación de reciprocidad mediante derivación e integración es la herramienta de cálculo fundamental para pasar de una función a la otra en el tratamiento matemático de las variables aleatorias continuas.
Área bajo la función de densidad igual a 1
La condición de normalización de toda función de densidad de probabilidad, análoga a la condición Σpᵢ=1 del caso discreto, exige que el área total comprendida entre la curva que representa f(x) y el eje horizontal, extendida a la totalidad del dominio en que la variable puede tomar valores, sea exactamente igual a uno: ∫₋∞^∞ f(x)dx = 1, reflejando la certeza absoluta de que la variable aleatoria ha de tomar necesariamente algún valor dentro de su dominio de definición al realizarse el experimento aleatorio correspondiente. Esta condición constituye, en la práctica, un requisito de verificación imprescindible al proponer o comprobar cualquier candidata a función de densidad de probabilidad, y es también la herramienta habitual para determinar el valor de una constante desconocida que pueda aparecer en la expresión algebraica de una función de densidad propuesta en un ejercicio, despejando dicha constante precisamente de la condición de que la integral completa de la función sobre su dominio sea igual a la unidad. Geométricamente, esta condición equivale a afirmar que toda la superficie comprendida bajo la curva de densidad, sea cual sea su forma concreta (rectangular en la distribución uniforme, decreciente en la exponencial, acampanada en la normal), representa exactamente el 100 % de la probabilidad total asociada a la variable aleatoria estudiada.
Esperanza y varianza mediante integrales
La esperanza matemática y la varianza de una variable aleatoria continua se definen mediante expresiones formalmente análogas a las del caso discreto, sustituyendo el sumatorio por la integral y la función de probabilidad puntual por la función de densidad: la esperanza matemática es E(X) = ∫₋∞^∞ x·f(x)dx, y la varianza, aplicando el mismo desarrollo algebraico de tipo König que en el caso discreto, Var(X) = E(X²)-[E(X)]², donde E(X²) = ∫₋∞^∞ x²·f(x)dx. Estas integrales, en el caso general de una función de densidad arbitraria, pueden requerir técnicas de cálculo integral relativamente sofisticadas para su resolución explícita, razón por la que, en el nivel de Secundaria y Bachillerato, el cálculo de estas magnitudes se limita habitualmente a las distribuciones continuas de referencia (uniforme, exponencial, normal) para las que existen fórmulas cerradas y ya deducidas de E(X) y Var(X) en función exclusivamente de los parámetros propios de cada distribución, evitando así al alumnado la necesidad de resolver directamente integrales complejas en cada supuesto práctico concreto. Las propiedades algebraicas de la esperanza y la varianza (linealidad de la primera, comportamiento ante traslaciones y cambios de escala de la segunda) se mantienen exactamente igual que en el caso discreto, al ser propiedades generales válidas para cualquier tipo de variable aleatoria, discreta o continua.
Distribución uniforme continua
La distribución uniforme continua en un intervalo [a,b], denotada X ~ U(a,b), modeliza una variable aleatoria que puede tomar, con idéntica densidad de probabilidad, cualquier valor dentro de dicho intervalo, sin que ningún subintervalo resulte privilegiado frente a otro de la misma longitud, siendo el modelo continuo de referencia para representar la ausencia total de información previa sobre qué zona del intervalo es más o menos probable. Su función de densidad es constante dentro del intervalo, f(x) = 1/(b-a) para a≤x≤b, y nula fuera de él, cumpliéndose la condición de normalización, ya que el área del rectángulo resultante, de base (b-a) y altura 1/(b-a), es exactamente igual a 1. Su esperanza matemática es E(X) = (a+b)/2, coincidiendo con el punto medio del intervalo, resultado intuitivamente esperable dada la simetría perfecta de la distribución respecto a dicho punto medio, y su varianza es Var(X) = (b-a)²/12. Ejemplos típicos de fenómenos modelizados mediante esta distribución son el tiempo de espera de un pasajero hasta la llegada del siguiente autobús de una línea con frecuencia de paso regular y conocida, o el punto exacto de rotura de un objeto sometido a un esfuerzo uniforme a lo largo de toda su longitud.
Distribución exponencial y su relación con la Poisson
La distribución exponencial, de parámetro λ, modeliza el tiempo (o, más generalmente, cualquier magnitud continua no negativa) que transcurre hasta que se produce un determinado suceso aleatorio, cuando dicho suceso ocurre siguiendo un proceso de Poisson, es decir, con una tasa media constante λ de ocurrencias por unidad de tiempo, exactamente el mismo parámetro que caracteriza a la distribución de Poisson estudiada en el tema 65, con la que la exponencial guarda una relación estrecha y complementaria: si el número de sucesos que ocurren en un intervalo de tiempo fijo sigue una distribución de Poisson de parámetro λ, el tiempo transcurrido entre dos sucesos consecutivos de ese mismo proceso sigue una distribución exponencial del mismo parámetro λ. Su función de densidad es f(x) = λ·e⁻λˣ para x≥0 (y nula para valores negativos, ya que la variable representa un tiempo de espera, magnitud que no puede ser negativa), siendo su esperanza matemática E(X) = 1/λ y su varianza Var(X) = 1/λ². Una propiedad matemática notable y de gran interés conceptual de la distribución exponencial es la llamada propiedad de falta de memoria: la probabilidad de esperar un tiempo adicional t, condicionada a que ya se haya esperado un tiempo s sin que el suceso se haya producido, es exactamente igual a la probabilidad de esperar dicho tiempo t desde el origen, como si el tiempo ya transcurrido no aportara ninguna información relevante sobre el tiempo restante.
Distribución normal: parámetros μ y σ
La distribución normal, o distribución de Gauss, es el modelo probabilístico continuo más importante y de mayor aplicación práctica de toda la estadística, tanto por su capacidad para describir con notable precisión un enorme número de fenómenos naturales y sociales de origen muy diverso (caracteres antropométricos, errores de medición experimental, puntuaciones en tests psicométricos) como, sobre todo, por su papel central en la inferencia estadística, garantizado matemáticamente por el teorema central del límite. Queda completamente determinada por dos únicos parámetros: la media μ, que representa simultáneamente el centro de simetría de la distribución, su valor esperado y su valor más probable (coincidiendo, en la normal, media, mediana y moda en un mismo valor); y la desviación típica σ, que determina el grado de dispersión o de "apuntamiento" de la campana característica de la distribución en torno a dicho centro, siendo tanto más ancha y aplanada la curva cuanto mayor es σ, y tanto más estrecha y apuntada cuanto menor es. Se denota habitualmente X ~ N(μ,σ), y para cada pareja distinta de valores de estos dos parámetros existe una distribución normal concreta y distinta, todas ellas compartiendo la misma forma general característica de campana simétrica, pero con distinta posición central y distinta anchura.
Función de densidad de la campana de Gauss
La función de densidad de la distribución normal de parámetros μ y σ tiene la expresión algebraica f(x) = [1/(σ·√(2π))]·e^(-(x-μ)²/(2σ²)), una fórmula de apariencia compleja pero cuya estructura puede desglosarse en elementos con significado matemático propio: el término e^(-(x-μ)²/(2σ²)) es una función exponencial decreciente en el cuadrado de la distancia (x-μ) respecto a la media, lo que produce el máximo de la función precisamente en x=μ y una disminución simétrica y suave a ambos lados de dicho máximo, generando la característica forma acampanada de la curva; el factor constante 1/(σ·√(2π)) que multiplica a la exponencial es precisamente el factor de normalización necesario para que el área total bajo la curva resulte exactamente igual a 1, cumpliendo la condición general exigida a toda función de densidad. Esta función se denomina también, en honor a su descubridor original, campana de Gauss, y su gráfica presenta un máximo absoluto en x=μ, es simétrica respecto a la recta vertical x=μ, y se aproxima asintóticamente al eje horizontal a medida que x se aleja indefinidamente de μ en cualquiera de las dos direcciones, sin llegar nunca a tocarlo, lo que refleja matemáticamente que, aunque muy improbables, valores extremadamente alejados de la media no son estrictamente imposibles según este modelo teórico.
Simetría y puntos de inflexión de la curva normal
La curva de densidad de la distribución normal presenta una simetría axial perfecta respecto a la recta vertical x=μ, propiedad que se traduce en que la probabilidad de que la variable tome un valor situado a una distancia k por encima de la media es exactamente igual a la probabilidad de que tome un valor situado a esa misma distancia k por debajo de ella, P(X≥μ+k) = P(X≤μ-k) para cualquier valor de k, resultado que se emplea de forma constante y muy práctica en el manejo de las tablas de la distribución normal estándar. Además de su máximo absoluto en x=μ, la curva normal presenta exactamente dos puntos de inflexión, situados simétricamente en x=μ-σ y x=μ+σ, es decir, a exactamente una desviación típica por debajo y por encima de la media respectivamente; en estos dos puntos, la curvatura de la función cambia de sentido, pasando de cóncava hacia abajo en la zona central comprendida entre ambos puntos de inflexión a cóncava hacia arriba en las dos colas exteriores de la distribución, lo que se traduce visualmente en el característico cambio de la curva de una forma redondeada y compacta cerca del máximo a una forma progresivamente más aplanada y extendida hacia los extremos. La localización de estos puntos de inflexión exactamente a una desviación típica de la media proporciona, además, un método visual e intuitivo para estimar aproximadamente el valor de σ a partir de la simple observación de la gráfica de una curva normal.
Distribución normal estándar N(0,1) y tipificación
La distribución normal estándar, denotada N(0,1), es el caso particular de distribución normal con media μ=0 y desviación típica σ=1, y desempeña un papel de referencia universal dentro del tratamiento práctico de todas las distribuciones normales, ya que sus probabilidades se encuentran tabuladas y disponibles de forma inmediata, evitando la necesidad de resolver directamente, para cada problema concreto, la integral de la función de densidad normal general, que carece de una expresión algebraica cerrada calculable mediante las funciones elementales habituales. Cualquier variable aleatoria X que siga una distribución normal general N(μ,σ) puede transformarse en una variable con distribución normal estándar mediante la misma operación de tipificación estudiada en el tema 61, Z = (X-μ)/σ, transformación que puede demostrarse rigurosamente que preserva la forma normal de la distribución (una transformación lineal de una variable normal es también normal), reduciendo la media a 0 y la desviación típica a 1, exactamente los parámetros de la N(0,1). Esta propiedad convierte a la tipificación en el paso metodológico imprescindible y universal para calcular, mediante las tablas de la N(0,1), cualquier probabilidad asociada a cualquier distribución normal particular, sea cual sea el valor concreto de sus propios parámetros μ y σ, reduciendo así el estudio de infinitas distribuciones normales distintas al manejo de una única tabla de referencia.
Uso de tablas de la normal estándar
Las tablas de la distribución normal estándar N(0,1), de uso obligado y constante en la resolución de ejercicios de este bloque, proporcionan habitualmente el valor de la función de distribución acumulada Φ(z) = P(Z≤z) para distintos valores tipificados z, permitiendo calcular a partir de ellas cualquier probabilidad de interés mediante manipulaciones algebraicas sencillas basadas en las propiedades de simetría de la curva normal: la probabilidad de que Z sea menor que un valor z se lee directamente de la tabla; la probabilidad de que Z sea mayor que z se obtiene como el complementario, P(Z>z) = 1-Φ(z); la probabilidad de que Z sea negativa, para z<0, no siempre tabulada directamente en las versiones más simplificadas de la tabla, se obtiene aplicando la propiedad de simetría Φ(-z) = 1-Φ(z); y la probabilidad de un intervalo, P(a≤Z≤b), se obtiene restando las probabilidades acumuladas de ambos extremos, Φ(b)-Φ(a). El manejo diestro de estas cuatro operaciones básicas sobre la tabla —lectura directa, complementario, simetría y resta de acumuladas—, junto con la previa tipificación correcta de la variable original mediante la fórmula z=(x-μ)/σ, constituye el procedimiento estándar y sistemático para la resolución de prácticamente cualquier ejercicio de cálculo de probabilidades con la distribución normal en el nivel de Secundaria y Bachillerato.
Regla empírica 68-95-99.7
La regla empírica del 68-95-99,7 %, ya introducida en el tema 61 como término de comparación con la desigualdad de Chebyshev, adquiere en este tema su fundamentación matemática precisa a partir de la función de densidad normal: para cualquier distribución exactamente normal N(μ,σ), la probabilidad de que la variable tome un valor dentro de una desviación típica de la media, P(μ-σ≤X≤μ+σ), es exactamente 0,6827 (aproximadamente el 68 %); la probabilidad de que se sitúe dentro de dos desviaciones típicas, P(μ-2σ≤X≤μ+2σ), es exactamente 0,9545 (aproximadamente el 95 %); y la probabilidad de que se sitúe dentro de tres desviaciones típicas, P(μ-3σ≤X≤μ+3σ), es exactamente 0,9973 (aproximadamente el 99,7 %). Estos tres valores, calculables de forma exacta consultando la tabla de la N(0,1) para z=1, z=2 y z=3 respectivamente y aplicando la propiedad de simetría, constituyen una herramienta de estimación rápida y de gran valor didáctico para valorar de forma aproximada, sin necesidad de consultar tablas, la probabilidad asociada a intervalos centrados en la media y de amplitud un número entero de desviaciones típicas, y proporcionan además el fundamento estadístico de criterios prácticos de control de calidad y de detección de valores atípicos basados en un número determinado de desviaciones típicas respecto a la media.
Teorema central del límite
El teorema central del límite es, sin discusión, el resultado más importante de toda la teoría de la probabilidad, y establece que la suma (o, equivalentemente, la media) de un número suficientemente grande de variables aleatorias independientes e idénticamente distribuidas, con media y varianza finitas, se aproxima a una distribución normal, con independencia de cuál sea la distribución de probabilidad original de dichas variables individuales, ya sea esta discreta o continua, simétrica o asimétrica, o incluso completamente desconocida. Formalmente, si X₁, X₂, ..., Xₙ son variables aleatorias independientes e idénticamente distribuidas con media μ y desviación típica σ, la media muestral X̄ = (X₁+X₂+...+Xₙ)/n se aproxima, para n suficientemente grande (habitualmente n≥30 como criterio práctico), a una distribución normal N(μ, σ/√n), resultado que se utiliza en el estudio del tamaño de una muestra y en la inferencia estadística. Este teorema explica el porqué de la extraordinaria frecuencia con que fenómenos reales muy diversos, resultantes de la suma o el promedio de un gran número de pequeños factores independientes entre sí (la estatura, resultante de múltiples factores genéticos y ambientales; los errores de medición, resultantes de múltiples fuentes de error independientes), terminan aproximándose empíricamente, de forma casi universal, a una distribución normal, con independencia de la naturaleza concreta de dichos factores individuales.
Importancia del teorema central del límite en la inferencia
La relevancia del teorema central del límite trasciende ampliamente su interés puramente teórico o descriptivo, ya que constituye el fundamento matemático que hace posible la práctica totalidad de los procedimientos de estimación por intervalos de confianza y de contraste de hipótesis que se desarrollarán en el tema 67, con independencia de cuál sea la distribución real de la variable original estudiada en la población. Gracias a este teorema, es posible construir intervalos de confianza para la media poblacional, o realizar contrastes de hipótesis sobre dicha media, empleando siempre las tablas de la distribución normal (o de distribuciones estrechamente relacionadas con ella, como la t de Student para tamaños muestrales pequeños), sin necesidad de conocer, ni de asumir, la forma exacta de la distribución poblacional de la que procede la muestra, siempre que el tamaño muestral n sea suficientemente grande. Esta propiedad, conocida técnicamente como robustez del procedimiento inferencial frente a la falta de normalidad de la población de origen, es la que permite aplicar con confianza y de forma generalizada los métodos clásicos de inferencia estadística en la inmensa mayoría de situaciones prácticas reales, en las que la distribución exacta de la población estudiada resulta, casi siempre, desconocida con precisión, constituyendo así el puente matemático definitivo entre el cálculo de probabilidades desarrollado en este bloque y la estadística inferencial que lo culmina.
Teorema de De Moivre-Laplace
El teorema de De Moivre-Laplace, ya introducido en el tema 65 al estudiar la aproximación de la distribución binomial mediante la normal, constituye históricamente el primer caso particular demostrado del teorema central del límite general, obtenido más de siglo y medio antes de su formulación y demostración completamente general. Abraham de Moivre demostró en 1733, en el contexto específico de la distribución binomial con probabilidad p=1/2 (el caso del lanzamiento de una moneda equilibrada), que dicha distribución se aproxima a una curva de forma acampanada al aumentar el número de pruebas n, resultado que Pierre-Simon Laplace generalizó posteriormente, a comienzos del siglo XIX, a cualquier valor de la probabilidad de éxito p, no solo al caso equiprobable original estudiado por De Moivre. Este resultado histórico particular, obtenido más de un siglo y medio antes de que Aleksandr Liapunov demostrara a finales del siglo XIX y comienzos del XX la versión general y rigurosa del teorema central del límite aplicable a variables aleatorias con distribuciones arbitrarias (no solo de Bernoulli), ilustra el patrón habitual en la historia de las matemáticas en que un resultado particular, descubierto y demostrado en un contexto concreto y limitado, precede cronológicamente por un margen considerable a su generalización teórica completa y definitiva, y constituye un ejemplo didáctico valioso de esta dinámica del progreso matemático.
Corrección por continuidad en la aproximación normal
Cuando se emplea la aproximación normal para calcular probabilidades de una variable discreta —típicamente, aunque no exclusivamente, en la aproximación de la distribución binomial estudiada en el tema anterior—, es necesario aplicar la corrección por continuidad ya descrita en dicho tema, ampliando en 0,5 unidades el intervalo discreto original antes de aplicar la tipificación y consultar las tablas de la normal estándar, precisamente porque la distribución normal es continua y no reconoce, sin esta corrección, la naturaleza discreta y puntual de los valores originales de la variable que se pretende aproximar. Esta corrección resulta innecesaria, por el contrario, cuando el teorema central del límite se aplica directamente a la media muestral de una variable continua, situación en la que tanto la variable original como su aproximación normal comparten idéntica naturaleza continua, sin ninguna discrepancia estructural que corregir. La necesidad, o no, de aplicar esta corrección constituye por tanto un criterio práctico útil para que el alumnado distinga con precisión entre dos situaciones de aproximación normal conceptualmente distintas pero que comparten el mismo procedimiento de cálculo mediante tipificación y tablas: la aproximación de una distribución discreta subyacente (binomial) mediante la normal, que sí exige corrección, y la aproximación asintótica de la media muestral mediante el teorema central del límite, que no la exige cuando la variable original ya es continua.
Aplicaciones a medidas antropométricas y pruebas estandarizadas
La distribución normal encuentra su ámbito de aplicación más citado y didácticamente más accesible en la modelización de caracteres antropométricos de una población —estatura, peso, perímetro craneal— y de puntuaciones obtenidas en pruebas psicométricas y educativas estandarizadas, ámbitos en los que su ajuste empírico a los datos reales resulta, en general, notablemente preciso, gracias precisamente al teorema central del límite: tanto los caracteres antropométricos como las puntuaciones de un test bien diseñado son el resultado agregado de un elevado número de factores genéticos, ambientales o de conocimiento parcial, actuando de forma aproximadamente independiente entre sí. Esta aplicación permite plantear en el aula, y en el examen, supuestos prácticos de gran naturalidad y relevancia real: calcular la proporción de una población que supera una determinada estatura, determinar el percentil correspondiente a una puntuación concreta en un test de inteligencia estandarizado (construido, como se vio en el tema 61, precisamente sobre la base de una distribución normal de referencia con media y desviación típica prefijadas), o establecer los criterios de exclusión o de intervención especializada (por ejemplo, en pediatría, ante percentiles de crecimiento extremadamente bajos o altos) a partir de las tablas de percentiles de una distribución normal de referencia poblacional ampliamente contrastada y validada estadísticamente.
Distribuciones chi-cuadrado, t de Student y F
Además de la distribución normal, existen otras tres distribuciones de probabilidad continuas, derivadas matemáticamente de ella, que desempeñan un papel esencial en la estadística inferencial que se desarrollará en el tema 67, especialmente en situaciones en que no se dispone de un tamaño muestral suficientemente grande o del conocimiento exacto de determinados parámetros poblacionales. La distribución chi-cuadrado (χ²), definida como la suma de los cuadrados de k variables normales estándar independientes, se emplea fundamentalmente en el contraste de hipótesis sobre varianzas y en los contrastes de bondad de ajuste y de independencia en tablas de contingencia. La distribución t de Student, desarrollada por William Sealy Gosset bajo el seudónimo "Student" mientras trabajaba para la cervecera Guinness, presenta una forma similar a la normal estándar pero con colas más pesadas, y se emplea en la estimación y el contraste de hipótesis sobre la media poblacional cuando el tamaño muestral es pequeño y la desviación típica poblacional σ es desconocida, debiendo estimarse a partir de la propia muestra. La distribución F de Fisher-Snedecor, definida como el cociente de dos variables chi-cuadrado independientes, cada una dividida por sus grados de libertad, se emplea principalmente en la comparación de varianzas entre dos poblaciones y en el análisis de la varianza (ANOVA), técnica de amplio uso en el diseño experimental de investigaciones científicas.
Gauss, De Moivre y Laplace: contexto histórico
Aunque la distribución normal recibe habitualmente el nombre de distribución de Gauss, en honor al matemático alemán Carl Friedrich Gauss (1777-1855), quien la aplicó de forma célebre y sistemática al análisis de errores de medición en observaciones astronómicas (en particular, en su exitosa predicción de la posición del planeta enano Ceres tras haberse perdido su rastro observacional), su descubrimiento matemático original es considerablemente anterior y se debe al matemático franco-británico Abraham de Moivre (1667-1754), quien la introdujo en 1733 como aproximación de la distribución binomial, dentro de su obra sobre el cálculo de probabilidades en juegos de azar. Pierre-Simon Laplace (1749-1827), matemático y astrónomo francés de enorme influencia, generalizó posteriormente tanto el resultado de De Moivre (extendiéndolo a cualquier valor de p, no solo al caso equiprobable) como el conjunto de la teoría de la probabilidad de su época, integrándola sistemáticamente en su influyente "Théorie analytique des probabilités" (1812), y contribuyendo decisivamente a consolidar la distribución normal como herramienta matemática de referencia. Este origen histórico múltiple y sucesivo —De Moivre como descubridor matemático original, Laplace como generalizador teórico, Gauss como gran popularizador y aplicador práctico en las ciencias de la observación— explica la coexistencia, todavía hoy, de las dos denominaciones habituales de esta distribución: normal y gaussiana.
Ejemplo completo de variable continua: densidad, distribución, probabilidades y momentos
Sea X una variable con densidad f(x) = k·x² en [0, 3] y f(x) = 0 fuera de ese intervalo. La condición de normalización exige ∫₀³ k·x² dx = k·27/3 = 9k = 1, luego k = 1/9. La función de distribución es F(x) = 0 si x < 0, F(x) = x³/27 si 0 ≤ x ≤ 3 y F(x) = 1 si x > 3, y se comprueba que F'(x) = x²/9 = f(x). La probabilidad de un intervalo es P(1 ≤ X ≤ 2) = F(2) - F(1) = 8/27 - 1/27 = 7/27 ≈ 0,259. La esperanza es E(X) = ∫₀³ x·x²/9 dx = (1/9)·(81/4) = 9/4 = 2,25 y E(X²) = ∫₀³ x⁴/9 dx = (1/9)·(243/5) = 27/5, de modo que Var(X) = 27/5 - (9/4)² = 27/80 ≈ 0,3375. La mediana m cumple F(m) = 1/2, es decir, m³ = 13,5 y m ≈ 2,38, valor distinto de la media (la distribución es asimétrica). Este tipo de ejercicio sigue siempre los mismos pasos: determinar la constante por normalización, obtener F integrando, calcular probabilidades como diferencias de F (o integrando f) y calcular momentos mediante integrales.
Mediana, cuantiles y percentiles de una variable continua
En una variable continua, el cuantil de orden p (0 < p < 1) es el valor x_p que deja a su izquierda una probabilidad p, es decir, tal que F(x_p) = p. La mediana es el cuantil de orden 0,5 y los cuartiles son los cuantiles 0,25, 0,5 y 0,75; los percentiles se corresponden con los cuantiles expresados en porcentaje. Para obtener un cuantil se resuelve la ecuación F(x_p) = p, o bien se invierte la tabla de la normal estándar. En una distribución normal N(μ, σ), el cuantil de orden p es x_p = μ + z_p·σ, donde z_p es el cuantil de la normal estándar. Algunos valores de z_p de uso frecuente son z₀,₉₀ ≈ 1,2816, z₀,₉₅ ≈ 1,645, z₀,₉₇₅ = 1,96, z₀,₉₉ ≈ 2,326 y z₀,₉₉₅ ≈ 2,576. Por ejemplo, si las estaturas de una población siguen una N(170, 8), el percentil 90 es 170 + 1,2816·8 ≈ 180,3 cm y el percentil 95 es 170 + 1,645·8 ≈ 183,2 cm. En una distribución simétrica, como la normal, media, mediana y moda coinciden; en una asimétrica no, y la comparación entre ellas indica el sentido de la asimetría.
Distribución uniforme y exponencial: ejemplos resueltos
Uniforme: si un autobús pasa cada 20 minutos y un viajero llega en un instante aleatorio, el tiempo de espera es X ~ U(0, 20). La densidad es 1/20 en [0, 20], la función de distribución es F(x) = x/20, la esperanza es 10 minutos, la varianza es 20²/12 ≈ 33,3 y la desviación típica ≈ 5,77 minutos; la probabilidad de esperar menos de 5 minutos es 5/20 = 0,25. Exponencial: si la duración de un componente electrónico sigue una exponencial de media 1 000 horas, entonces λ = 1/1 000, la función de distribución es F(x) = 1 - e^(-λx), la función de supervivencia es P(X > x) = e^(-λx) y P(X > 500) = e^(-0,5) ≈ 0,607. La mediana es ln 2/λ ≈ 693 horas, inferior a la media, y la desviación típica es 1/λ = 1 000 horas, igual a la media (rasgo característico de la exponencial). Por la falta de memoria, la probabilidad de que dure al menos 500 horas más, sabiendo que ya ha funcionado 300, es la misma que la de que dure 500 horas desde nuevo, e^(-0,5). La exponencial es la única distribución continua con esta propiedad y se emplea para modelizar tiempos de espera y vidas útiles de elementos que no se desgastan.
Propiedades de la distribución normal: transformaciones lineales y sumas
La familia normal es cerrada ante transformaciones lineales: si X ~ N(μ, σ), entonces aX + b ~ N(aμ + b, |a|σ). Además, la suma de variables normales independientes es normal: si X ~ N(μ₁, σ₁) e Y ~ N(μ₂, σ₂) son independientes, entonces X + Y ~ N(μ₁ + μ₂, √(σ₁² + σ₂²)). Es un error clásico sumar las desviaciones típicas: se suman las varianzas. La diferencia también es normal, X - Y ~ N(μ₁ - μ₂, √(σ₁² + σ₂²)), con varianza igual a la de la suma. Si X₁,...,Xₙ son independientes y N(μ, σ), la suma es N(nμ, σ√n) y la media muestral es exactamente N(μ, σ/√n) (en este caso, sin necesidad del teorema central del límite). Ejemplo: si el peso de un paquete es N(500, 10) gramos y se colocan 4 paquetes independientes en una caja, el peso total es N(2 000, 20) gramos. Notación: en la bibliografía española y en el currículo se escribe N(μ, σ) con la desviación típica como segundo parámetro, mientras que en la bibliografía internacional se escribe N(μ, σ²) con la varianza; conviene comprobar siempre cuál se utiliza en el enunciado.
Cálculo de probabilidades normales: ejemplos con tipificación
Sea X ~ N(170, 8) la estatura en centímetros. La probabilidad de superar 180 cm es P(X > 180) = P(Z > 1,25) = 1 - Φ(1,25) = 1 - 0,8944 = 0,1056. La probabilidad de que la estatura esté entre 160 y 178 cm es P(-1,25 ≤ Z ≤ 1) = Φ(1) - Φ(-1,25) = 0,8413 - (1 - 0,8944) = 0,7357. Para el problema inverso, hallar la estatura por debajo de la cual está el 95 % de la población, se busca z tal que Φ(z) = 0,95, z = 1,645, y x = 170 + 1,645·8 ≈ 183,2 cm. Algunos valores de la función de distribución de la normal estándar que conviene recordar son Φ(0) = 0,5, Φ(0,5) = 0,6915, Φ(1) = 0,8413, Φ(1,5) = 0,9332, Φ(1,645) = 0,95, Φ(1,96) = 0,975, Φ(2,326) = 0,99 y Φ(3) = 0,9987. Para calcular probabilidades con valores negativos de z se utiliza la simetría Φ(-z) = 1 - Φ(z), y para colas superiores el complementario. La probabilidad de un intervalo simétrico respecto a la media es P(|Z| ≤ z) = 2Φ(z) - 1; para z = 1,96 vale 0,95.
Teorema central del límite: enunciados, ejemplos y versiones
En su versión clásica (Lindeberg-Lévy), si X₁,...,Xₙ son variables aleatorias independientes con la misma distribución, media μ y varianza finita σ² > 0, la variable tipificada de la suma, (ΣXᵢ - nμ)/(σ√n), converge en distribución a la normal estándar. De forma equivalente, para n grande, la suma es aproximadamente N(nμ, σ√n) y la media muestral es aproximadamente N(μ, σ/√n); la desviación típica σ/√n se llama error típico (o error estándar) de la media. Ejemplo: sea una población con media 50 y desviación típica 12, y una muestra de n = 36; entonces X̄ es aproximadamente N(50, 2) y P(X̄ > 53) = P(Z > 1,5) = 1 - 0,9332 = 0,0668. El tamaño n ≥ 30 es un criterio práctico y orientativo: para poblaciones aproximadamente simétricas bastan tamaños menores, y para poblaciones muy asimétricas se necesitan tamaños mayores. Históricamente, Lyapunov demostró el teorema para variables no idénticamente distribuidas (alrededor de 1901) y Lindeberg dio en 1922 condiciones más generales. Como consecuencia, la proporción muestral p̂ es aproximadamente N(p, √(pq/n)), que es la forma moderna del teorema de De Moivre-Laplace, y se emplea en intervalos de confianza para proporciones y en encuestas.
Aproximación de la binomial por la normal: ejemplo comparado
Se lanza una moneda equilibrada 200 veces y se desea P(X ≥ 110), con X ~ B(200; 0,5). Como np = nq = 100 ≥ 5, se puede aproximar por una normal con μ = 100 y σ = √50 ≈ 7,07. Con corrección por continuidad, P(X ≥ 110) ≈ P(Y ≥ 109,5), z = (109,5 - 100)/7,07 ≈ 1,34 y la probabilidad es 1 - Φ(1,34) = 1 - 0,9099 = 0,0901, mientras que el valor exacto de la binomial es 0,0895. Sin corrección, z = 10/7,07 ≈ 1,41 y se obtiene 0,0786, que se aleja más del valor exacto. Este ejemplo ilustra que la corrección por continuidad mejora de forma apreciable la aproximación, sobre todo cuando n no es muy grande o la probabilidad pedida está próxima a un punto de la distribución. Para sumar probabilidades de un intervalo discreto a ≤ X ≤ b, se calcula P(a - 0,5 < Y < b + 0,5); para una desigualdad estricta X > a, se usa Y > a + 0,5, y para X < b, Y < b - 0,5. Conviene escribir siempre los casos de forma explícita antes de aplicar la corrección, para evitar errores de signo.
Comprobación de la normalidad de un conjunto de datos
Antes de modelizar con una normal, conviene comprobar que la hipótesis es razonable. Las herramientas elementales son: el histograma, que debe presentar forma aproximadamente acampanada y simétrica; la comparación con la regla empírica (alrededor del 68 %, 95 % y 99,7 % de los datos dentro de 1, 2 y 3 desviaciones típicas); la comparación entre media, mediana y moda; los coeficientes de asimetría y curtosis (próximos a 0 el primero y a 3 el segundo, o a 0 el exceso de curtosis); y el gráfico cuantil-cuantil (Q-Q), que representa los cuantiles de los datos frente a los de una normal y debe alinearse sobre una recta si los datos son normales. Entre los contrastes formales de normalidad destacan los de Shapiro-Wilk y Kolmogórov-Smirnov, que se estudian en niveles superiores. Hay variables que no son normales por naturaleza: las magnitudes positivas con cola derecha larga (ingresos, tamaños de empresas, tiempos de reacción) se modelizan mejor con la distribución log-normal, que aparece cuando el logaritmo de la variable es normal, y los tiempos de vida en fiabilidad con las de Weibull o exponencial.
Distribuciones derivadas de la normal: parámetros y propiedades
La distribución chi-cuadrado con k grados de libertad, χ²ₖ, es la distribución de la suma de los cuadrados de k variables normales estándar independientes; tiene media k y varianza 2k, es asimétrica a la derecha y se aproxima a la normal al aumentar k. La distribución t de Student con k grados de libertad es la de Z/√(χ²ₖ/k), con Z normal estándar independiente de χ²ₖ; es simétrica respecto a 0, tiene colas más pesadas que la normal, media 0 (para k > 1) y varianza k/(k - 2) (para k > 2), y se aproxima a la normal estándar cuando k crece, de modo que con k mayor que 30 la diferencia es pequeña. Fue publicada en 1908 por William Sealy Gosset, que trabajaba en la cervecería Guinness y firmó con el seudónimo «Student». La distribución F de Fisher-Snedecor con (k₁, k₂) grados de libertad es la de (χ²_{k₁}/k₁)/(χ²_{k₂}/k₂), con las dos chi-cuadrado independientes; su nombre rinde homenaje a Ronald Fisher. Cuando se estima la media de una población normal con la cuasidesviación típica muestral s en vez de σ, la variable (X̄ - μ)/(s/√n) sigue una t de Student con n - 1 grados de libertad.
Contexto histórico ampliado: de la curva de errores a la curva normal
Además de la secuencia De Moivre (1733), Laplace y Gauss, que Gauss usó en su Theoria motus corporum coelestium (1809) vinculada al método de mínimos cuadrados, la aplicación de la curva a fenómenos sociales y biológicos se debe a Adolphe Quetelet, que en la década de 1830 la utilizó para describir medidas antropométricas y definió la noción de «hombre medio». Francis Galton popularizó la distribución con el tablero de Galton (quincunx), un dispositivo en el que bolas caen sobre filas de clavos y se acumulan en casillas formando una aproximación de la binomial que se parece a la campana de Gauss, ilustración física del teorema central del límite. Karl Pearson empleó a finales del siglo XIX el término «curva normal» y la expresión «desviación típica». Posteriormente, la teoría de la estimación y el contraste de hipótesis de Fisher, Neyman y Pearson situó la distribución normal en el centro de la estadística matemática del siglo XX. Desde el punto de vista de la enseñanza, el recorrido histórico permite mostrar que la distribución normal nació en respuesta a problemas de medida (errores) y de azar (binomial) y que su importancia procede de resultados de convergencia.
Errores típicos en los problemas de variable continua y normal
Los errores más frecuentes son los siguientes. Interpretar la densidad f(x) como una probabilidad, o creer que no puede superar 1. Asignar probabilidad positiva a un valor puntual de una variable continua. Olvidar que P(X < a) = P(X ≤ a) en continuas pero no en discretas. Usar la varianza en lugar de la desviación típica al tipificar (o confundir N(μ, σ) con N(μ, σ²)). Olvidar tipificar o tipificar con el parámetro equivocado (por ejemplo, dividir entre σ² o entre σ/√n cuando se trata de un valor individual). Buscar en la tabla Φ(z) con z negativo sin aplicar Φ(-z) = 1 - Φ(z). Calcular colas con el complementario equivocado (P(Z > z) = 1 - Φ(z), no Φ(z)). Sumar desviaciones típicas al sumar normales independientes. Aplicar el teorema central del límite a la media muestral con n pequeño y población no normal. Omitir o aplicar al revés la corrección por continuidad en la aproximación de la binomial. Confundir el error típico de la media σ/√n con la desviación típica poblacional σ. Redondear demasiado pronto: conviene conservar al menos dos decimales en z antes de consultar la tabla.
Ideas clave para el examen — memoriza esto
Variable continua: P(X=x)=0 para cualquier valor puntual; solo tienen sentido probabilidades de intervalos, calculadas integrando la función de densidad.
Función de densidad f(x): no es una probabilidad (puede superar 1), pero su integral en un intervalo sí lo es; f(x)≥0 y ∫f(x)dx=1 en todo el dominio.
F(x)=∫₋∞ˣf(t)dt es continua (no escalonada como en el caso discreto) y F'(x)=f(x): densidad y distribución son primitiva/derivada la una de la otra.
Esperanza y varianza continuas: E(X)=∫x·f(x)dx, Var(X)=E(X²)-[E(X)]²; mismas propiedades algebraicas que en el caso discreto.
Uniforme U(a,b): f(x)=1/(b-a) constante en [a,b]; E(X)=(a+b)/2, Var(X)=(b-a)²/12; modela ausencia total de información sobre el intervalo.
Exponencial de parámetro λ: modela el tiempo hasta un suceso de Poisson del mismo λ; E(X)=1/λ; propiedad de falta de memoria.
Normal N(μ,σ): μ y σ la determinan completamente; media=mediana=moda; simétrica respecto a x=μ; puntos de inflexión en μ±σ.
Tipificación Z=(X-μ)/σ transforma cualquier N(μ,σ) en la N(0,1): permite usar una única tabla para cualquier distribución normal.
Manejo de tablas de la N(0,1): lectura directa Φ(z), complementario 1-Φ(z), simetría Φ(-z)=1-Φ(z), resta de acumuladas para un intervalo.
Regla empírica exacta en la normal: 68,27% en μ±σ, 95,45% en μ±2σ, 99,73% en μ±3σ (valores precisos, no cotas como en Chebyshev).
Teorema central del límite: la media de n variables i.i.d. (de cualquier distribución, con media y varianza finitas) tiende a N(μ,σ/√n) cuando n crece (n≥30 en la práctica).
El TCL es el fundamento de toda la inferencia estadística clásica (tema 67): permite usar la normal sin conocer la distribución real de la población.
Teorema de De Moivre-Laplace (1733, generalizado por Laplace): primer caso histórico particular del TCL, para la distribución binomial.
Corrección por continuidad (±0,5) obligatoria al aproximar una discreta por la normal; NO necesaria al aplicar el TCL a una variable ya continua.
Distribuciones derivadas de la normal para inferencia con muestras pequeñas: chi-cuadrado (varianzas, bondad de ajuste), t de Student (media con σ desconocida), F de Snedecor (comparación de varianzas, ANOVA).
Historia: De Moivre (1733, descubridor original) → Laplace (generalización teórica) → Gauss (aplicación a errores de observación astronómica, caso de Ceres).
Ejemplo de densidad f(x)=kx² en [0,3]: k=1/9; F(x)=x³/27; P(1≤X≤2)=7/27; E=9/4; Var=27/80; mediana≈2,38 (≠ media: asimétrica).
Cuantil de orden p: F(x_p)=p. En N(μ,σ): x_p=μ+z_p·σ. Valores z_p: 1,2816 (90 %), 1,645 (95 %), 1,96 (97,5 %), 2,326 (99 %), 2,576 (99,5 %).
Uniforme U(0,20): E=10, Var=400/12≈33,3, σ≈5,77, P(X<5)=0,25. Exponencial: F(x)=1-e^(-λx), P(X>x)=e^(-λx), mediana=ln2/λ, σ=1/λ=E(X); única continua sin memoria.
Normal: aX+b ~ N(aμ+b,|a|σ); X±Y independientes ~ N(μ₁±μ₂, √(σ₁²+σ₂²)): se suman varianzas, no desviaciones típicas. Media muestral exacta N(μ,σ/√n) si la población es normal.
Notación: en España N(μ,σ) usa la desviación típica; en la bibliografía internacional N(μ,σ²) usa la varianza. Comprobar siempre el enunciado.
Proporción muestral p̂ ≈ N(p,√(pq/n)): forma moderna de De Moivre-Laplace; base de intervalos de confianza para proporciones.
B(200;0,5), P(X≥110): con corrección Φ→0,0901 (exacto 0,0895); sin corrección 0,0786. X>a ↔ Y>a+0,5; X<b ↔ Y<b-0,5; a≤X≤b ↔ a-0,5<Y<b+0,5.
Comprobar normalidad: histograma, regla 68-95-99,7, asimetría≈0, curtosis≈3, gráfico Q-Q, test de Shapiro-Wilk. Magnitudes positivas y asimétricas: log-normal; vidas útiles: exponencial/Weibull.
χ²ₖ: media k, varianza 2k. t de Student (Gosset, 1908): media 0, varianza k/(k-2), colas pesadas, tiende a N(0,1). F: cociente de dos χ² divididas por sus grados de libertad. (X̄-μ)/(s/√n) ~ t(n-1) si la población es normal.
Historia: De Moivre (1733), Laplace (1812), Gauss (1809, errores y mínimos cuadrados), Quetelet (hombre medio, 1830s), Galton (quincunx), Pearson (término 'curva normal' y 'desviación típica').
12 preguntas sobre este tema, en orden aleatorio. Sin registro, sin límite de intentos.
Pregunta 1 de 120 aciertos
La función f(x) = k·x² en [0, 3] (y 0 fuera) es una función de densidad. ¿Cuánto vale k?
Preguntas frecuentes
¿De qué trata el Tema 66 de Secundaria?
Este tema traslada el tratamiento de las variables aleatorias discretas desarrollado en el tema 65 al caso de variables aleatorias continuas, que pueden tomar cualquier valor dentro de un intervalo real, exigiendo el paso de sumatorios a integrales y la introducción del concepto de función de densidad. Su contenido central es la distribución normal o de Gauss, el modelo probabilístico continuo de mayor relevancia teórica y aplicada de toda la estadística, cuya importancia queda consagrada por el teorema central del límite, verdadero eje que conecta la estadística descriptiva, el cálculo de probabilidades y la inferencia estadística que se desarrollará en el tema 67. Es, junto con el tema 65, uno de los temas de mayor densidad de cálculo y de mayor peso conceptual de todo el bloque.
¿Qué hay que memorizar del Tema 66 para el examen?
Variable continua: P(X=x)=0 para cualquier valor puntual; solo tienen sentido probabilidades de intervalos, calculadas integrando la función de densidad. Función de densidad f(x): no es una probabilidad (puede superar 1), pero su integral en un intervalo sí lo es; f(x)≥0 y ∫f(x)dx=1 en todo el dominio. F(x)=∫₋∞ˣf(t)dt es continua (no escalonada como en el caso discreto) y F'(x)=f(x): densidad y distribución son primitiva/derivada la una de la otra. Esperanza y varianza continuas: E(X)=∫x·f(x)dx, Var(X)=E(X²)-[E(X)]²; mismas propiedades algebraicas que en el caso discreto. Uniforme U(a,b): f(x)=1/(b-a) constante en [a,b]; E(X)=(a+b)/2, Var(X)=(b-a)²/12; modela ausencia total de información sobre el intervalo. Exponencial de parámetro λ: modela el tiempo hasta un suceso de Poisson del mismo λ; E(X)=1/λ; propiedad de falta de memoria. Normal N(μ,σ): μ y σ la determinan completamente; media=mediana=moda; simétrica respecto a x=μ; puntos de inflexión en μ±σ. Tipificación Z=(X-μ)/σ transforma cualquier N(μ,σ) en la N(0,1): permite usar una única tabla para cualquier distribución normal. Manejo de tablas de la N(0,1): lectura directa Φ(z), complementario 1-Φ(z), simetría Φ(-z)=1-Φ(z), resta de acumuladas para un intervalo. Regla empírica exacta en la normal: 68,27% en μ±σ, 95,45% en μ±2σ, 99,73% en μ±3σ (valores precisos, no cotas como en Chebyshev). Teorema central del límite: la media de n variables i.i.d. (de cualquier distribución, con media y varianza finitas) tiende a N(μ,σ/√n) cuando n crece (n≥30 en la práctica). El TCL es el fundamento de toda la inferencia estadística clásica (tema 67): permite usar la normal sin conocer la distribución real de la población. Teorema de De Moivre-Laplace (1733, generalizado por Laplace): primer caso histórico particular del TCL, para la distribución binomial. Corrección por continuidad (±0,5) obligatoria al aproximar una discreta por la normal; NO necesaria al aplicar el TCL a una variable ya continua. Distribuciones derivadas de la normal para inferencia con muestras pequeñas: chi-cuadrado (varianzas, bondad de ajuste), t de Student (media con σ desconocida), F de Snedecor (comparación de varianzas, ANOVA). Historia: De Moivre (1733, descubridor original) → Laplace (generalización teórica) → Gauss (aplicación a errores de observación astronómica, caso de Ceres). Ejemplo de densidad f(x)=kx² en [0,3]: k=1/9; F(x)=x³/27; P(1≤X≤2)=7/27; E=9/4; Var=27/80; mediana≈2,38 (≠ media: asimétrica). Cuantil de orden p: F(x_p)=p. En N(μ,σ): x_p=μ+z_p·σ. Valores z_p: 1,2816 (90 %), 1,645 (95 %), 1,96 (97,5 %), 2,326 (99 %), 2,576 (99,5 %). Uniforme U(0,20): E=10, Var=400/12≈33,3, σ≈5,77, P(X<5)=0,25. Exponencial: F(x)=1-e^(-λx), P(X>x)=e^(-λx), mediana=ln2/λ, σ=1/λ=E(X); única continua sin memoria. Normal: aX+b ~ N(aμ+b,|a|σ); X±Y independientes ~ N(μ₁±μ₂, √(σ₁²+σ₂²)): se suman varianzas, no desviaciones típicas. Media muestral exacta N(μ,σ/√n) si la población es normal. Notación: en España N(μ,σ) usa la desviación típica; en la bibliografía internacional N(μ,σ²) usa la varianza. Comprobar siempre el enunciado. Ejemplos tipo: estaturas N(170,8): P(X>180)=0,1056; P(160<X<178)=0,7357; percentil 95 ≈ 183,2 cm. Valores Φ: Φ(0)=0,5; Φ(0,5)=0,6915; Φ(1)=0,8413; Φ(1,5)=0,9332; Φ(1,645)=0,95; Φ(1,96)=0,975; Φ(3)=0,9987. P(|Z|≤z)=2Φ(z)-1. TCL (Lindeberg-Lévy): media muestral ≈ N(μ,σ/√n); error típico σ/√n. Ejemplo: μ=50, σ=12, n=36 → P(X̄>53)=P(Z>1,5)=0,0668. Lyapunov (≈1901) y Lindeberg (1922) generalizaron. Proporción muestral p̂ ≈ N(p,√(pq/n)): forma moderna de De Moivre-Laplace; base de intervalos de confianza para proporciones. B(200;0,5), P(X≥110): con corrección Φ→0,0901 (exacto 0,0895); sin corrección 0,0786. X>a ↔ Y>a+0,5; X<b ↔ Y<b-0,5; a≤X≤b ↔ a-0,5<Y<b+0,5. Comprobar normalidad: histograma, regla 68-95-99,7, asimetría≈0, curtosis≈3, gráfico Q-Q, test de Shapiro-Wilk. Magnitudes positivas y asimétricas: log-normal; vidas útiles: exponencial/Weibull. χ²ₖ: media k, varianza 2k. t de Student (Gosset, 1908): media 0, varianza k/(k-2), colas pesadas, tiende a N(0,1). F: cociente de dos χ² divididas por sus grados de libertad. (X̄-μ)/(s/√n) ~ t(n-1) si la población es normal. Historia: De Moivre (1733), Laplace (1812), Gauss (1809, errores y mínimos cuadrados), Quetelet (hombre medio, 1830s), Galton (quincunx), Pearson (término 'curva normal' y 'desviación típica').
¿Hay preguntas de test de este tema exacto?
Sí, 12 preguntas tipo test sobre este tema, en el apartado "Ponte a prueba" de esta misma página. Sin registro y sin límite de intentos.
¿De dónde sale el temario de este tema?
Del índice oficial de BOE núm. 226, de 21 de septiembre de 1993, páginas 27400 a 27438 (Orden de 9 de septiembre de 1993, del Ministerio de Educación y Ciencia, BOE-A-1993-23257), Anexo III — cuestionario específico (Parte A) de la especialidad Matemáticas del Cuerpo de Profesores de Enseñanza Secundaria (Temario oficial estatal de referencia — especialidad Matemáticas (Cuerpo de Profesores de Enseñanza Secundaria)).
Fuentes de este desarrollo
A. de Moivre, aproximación de la binomial por la curva normal (1733), y "The Doctrine of Chances" (1718)
C. F. Gauss, "Theoria motus corporum coelestium" (1809), distribución de errores y mínimos cuadrados
P.S. Laplace, "Théorie analytique des probabilités" (1812)
A. Lyapunov (c. 1901) y J. W. Lindeberg (1922), teorema central del límite
W. S. Gosset ("Student"), "The probable error of a mean", Biometrika (1908)
Real Decreto 243/2022, de 5 de abril, por el que se establecen la ordenación y las enseñanzas mínimas del Bachillerato — Matemáticas, sentido estocástico
Mientras tanto, practica con tests gratis de Secundaria.