This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.

BY: Grupo CDPYE-UGR

Distribuciones simétricas
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

Distribuciones simétricas

Una variable aleatoria X o, equivalentemente, su distribución, es simétrica alrededor de un punto

α ∈ R si
P(X ≤ α + x) = P(X ≥ α − x), ∀x ∈ R.
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

Distribuciones simétricas

Una variable aleatoria X o, equivalentemente, su distribución, es simétrica alrededor de un punto

α ∈ R si
P(X ≤ α + x) = P(X ≥ α − x), ∀x ∈ R.

Teorema 1: condiciones equivalentes de simetrı́a

Una variable aleatoria X es simétrica alrededor de un punto α ∈ R si y sólo si se cumple alguna de las siguientes
condiciones equivalentes:

i) Las variables aleatorias X − α y α − X tienen la misma distribución.

ii) FX (α + x) = 1 − FX (α − x) + P (X = α − x), ∀x ∈ R.
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

Distribuciones simétricas

Una variable aleatoria X o, equivalentemente, su distribución, es simétrica alrededor de un punto

α ∈ R si
P(X ≤ α + x) = P(X ≥ α − x), ∀x ∈ R.

Teorema 1: condiciones equivalentes de simetrı́a

Una variable aleatoria X es simétrica alrededor de un punto α ∈ R si y sólo si se cumple alguna de las siguientes
condiciones equivalentes:

i) Las variables aleatorias X − α y α − X tienen la misma distribución.

ii) FX (α + x) = 1 − FX (α − x) + P (X = α − x), ∀x ∈ R.

Demostración:
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

Distribuciones simétricas

Una variable aleatoria X o, equivalentemente, su distribución, es simétrica alrededor de un punto

α ∈ R si
P(X ≤ α + x) = P(X ≥ α − x), ∀x ∈ R.

Teorema 1: condiciones equivalentes de simetrı́a

Una variable aleatoria X es simétrica alrededor de un punto α ∈ R si y sólo si se cumple alguna de las siguientes
condiciones equivalentes:

i) Las variables aleatorias X − α y α − X tienen la misma distribución.

ii) FX (α + x) = 1 − FX (α − x) + P (X = α − x), ∀x ∈ R.

Demostración:
i) La condición de simetrı́a de la definición puede expresarse como

P (X − α ≤ x) = P (α − X ≤ x), ∀x ∈ R,
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

Distribuciones simétricas

Una variable aleatoria X o, equivalentemente, su distribución, es simétrica alrededor de un punto

α ∈ R si
P(X ≤ α + x) = P(X ≥ α − x), ∀x ∈ R.

Teorema 1: condiciones equivalentes de simetrı́a

Una variable aleatoria X es simétrica alrededor de un punto α ∈ R si y sólo si se cumple alguna de las siguientes
condiciones equivalentes:

i) Las variables aleatorias X − α y α − X tienen la misma distribución.

ii) FX (α + x) = 1 − FX (α − x) + P (X = α − x), ∀x ∈ R.

Demostración:
i) La condición de simetrı́a de la definición puede expresarse como

P (X − α ≤ x) = P (α − X ≤ x), ∀x ∈ R,

lo que significa que las funciones de distribución (y, por tanto, las distribuciones) de las variables X − α y α − X
coinciden.
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

Distribuciones simétricas

Una variable aleatoria X o, equivalentemente, su distribución, es simétrica alrededor de un punto

α ∈ R si
P(X ≤ α + x) = P(X ≥ α − x), ∀x ∈ R.

Teorema 1: condiciones equivalentes de simetrı́a

Una variable aleatoria X es simétrica alrededor de un punto α ∈ R si y sólo si se cumple alguna de las siguientes
condiciones equivalentes:

i) Las variables aleatorias X − α y α − X tienen la misma distribución.

ii) FX (α + x) = 1 − FX (α − x) + P (X = α − x), ∀x ∈ R.

Demostración:
i) La condición de simetrı́a de la definición puede expresarse como

P (X − α ≤ x) = P (α − X ≤ x), ∀x ∈ R,

lo que significa que las funciones de distribución (y, por tanto, las distribuciones) de las variables X − α y α − X
coinciden.
ii) Es inmediato sin más que tener en cuenta que, de la definición de simetrı́a, FX (α + x) = P (X ≥ α − x) y

P (X ≥ α − x) = 1 − P (X < α − x) = 1 − [P (X ≤ α − x) − P (X = α − x)] . 
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

La condición de simetrı́a puede expresarse en términos de la función masa de probabilidad para variables discretas,
o de la función de densidad, para variables continuas.
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

La condición de simetrı́a puede expresarse en términos de la función masa de probabilidad para variables discretas,
o de la función de densidad, para variables continuas.

Teorema 2: condición de simetrı́a para variables discretas

Una variable aleatoria discreta, X, es simétrica alrededor de un punto α ∈ R si y sólo si

P (X = α + x) = P (X = α − x), ∀x ∈ R.
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

La condición de simetrı́a puede expresarse en términos de la función masa de probabilidad para variables discretas,
o de la función de densidad, para variables continuas.

Teorema 2: condición de simetrı́a para variables discretas

Una variable aleatoria discreta, X, es simétrica alrededor de un punto α ∈ R si y sólo si

P (X = α + x) = P (X = α − x), ∀x ∈ R.
Demostración:
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

La condición de simetrı́a puede expresarse en términos de la función masa de probabilidad para variables discretas,
o de la función de densidad, para variables continuas.

Teorema 2: condición de simetrı́a para variables discretas

Una variable aleatoria discreta, X, es simétrica alrededor de un punto α ∈ R si y sólo si

P (X = α + x) = P (X = α − x), ∀x ∈ R.
Demostración:
La demostración es inmediata sin más que expresar la condición i) del teorema 1 para variables discretas en términos
de las funciones masa de probabilidad,
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

La condición de simetrı́a puede expresarse en términos de la función masa de probabilidad para variables discretas,
o de la función de densidad, para variables continuas.

Teorema 2: condición de simetrı́a para variables discretas

Una variable aleatoria discreta, X, es simétrica alrededor de un punto α ∈ R si y sólo si

P (X = α + x) = P (X = α − x), ∀x ∈ R.
Demostración:
La demostración es inmediata sin más que expresar la condición i) del teorema 1 para variables discretas en términos
de las funciones masa de probabilidad,

P (X − α = x) = P (α − X = x), ∀x ∈ R. 
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

La condición de simetrı́a puede expresarse en términos de la función masa de probabilidad para variables discretas,
o de la función de densidad, para variables continuas.

Teorema 2: condición de simetrı́a para variables discretas

Una variable aleatoria discreta, X, es simétrica alrededor de un punto α ∈ R si y sólo si

P (X = α + x) = P (X = α − x), ∀x ∈ R.
Demostración:
La demostración es inmediata sin más que expresar la condición i) del teorema 1 para variables discretas en términos
de las funciones masa de probabilidad,

P (X − α = x) = P (α − X = x), ∀x ∈ R. 

Teorema 3: condición de simetrı́a para variables continuas

Una variable continua, X, con función de densidad fX , es simétrica alrededor de un punto α ∈ R si y sólo si

fX (α + x) = fX (α − x), ∀x ∈ R.
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

La condición de simetrı́a puede expresarse en términos de la función masa de probabilidad para variables discretas,
o de la función de densidad, para variables continuas.

Teorema 2: condición de simetrı́a para variables discretas

Una variable aleatoria discreta, X, es simétrica alrededor de un punto α ∈ R si y sólo si

P (X = α + x) = P (X = α − x), ∀x ∈ R.
Demostración:
La demostración es inmediata sin más que expresar la condición i) del teorema 1 para variables discretas en términos
de las funciones masa de probabilidad,

P (X − α = x) = P (α − X = x), ∀x ∈ R. 

Teorema 3: condición de simetrı́a para variables continuas

Una variable continua, X, con función de densidad fX , es simétrica alrededor de un punto α ∈ R si y sólo si

fX (α + x) = fX (α − x), ∀x ∈ R.
Demostración:
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

La condición de simetrı́a puede expresarse en términos de la función masa de probabilidad para variables discretas,
o de la función de densidad, para variables continuas.

Teorema 2: condición de simetrı́a para variables discretas

Una variable aleatoria discreta, X, es simétrica alrededor de un punto α ∈ R si y sólo si

P (X = α + x) = P (X = α − x), ∀x ∈ R.
Demostración:
La demostración es inmediata sin más que expresar la condición i) del teorema 1 para variables discretas en términos
de las funciones masa de probabilidad,

P (X − α = x) = P (α − X = x), ∀x ∈ R. 

Teorema 3: condición de simetrı́a para variables continuas

Una variable continua, X, con función de densidad fX , es simétrica alrededor de un punto α ∈ R si y sólo si

fX (α + x) = fX (α − x), ∀x ∈ R.
Demostración:
Notemos en primer lugar que la condición ii) del teorema 1 para variables continuas se expresa como

FX (α + x) = 1 − FX (α − x), ∀x ∈ R,
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

La condición de simetrı́a puede expresarse en términos de la función masa de probabilidad para variables discretas,
o de la función de densidad, para variables continuas.

Teorema 2: condición de simetrı́a para variables discretas

Una variable aleatoria discreta, X, es simétrica alrededor de un punto α ∈ R si y sólo si

P (X = α + x) = P (X = α − x), ∀x ∈ R.
Demostración:
La demostración es inmediata sin más que expresar la condición i) del teorema 1 para variables discretas en términos
de las funciones masa de probabilidad,

P (X − α = x) = P (α − X = x), ∀x ∈ R. 

Teorema 3: condición de simetrı́a para variables continuas

Una variable continua, X, con función de densidad fX , es simétrica alrededor de un punto α ∈ R si y sólo si

fX (α + x) = fX (α − x), ∀x ∈ R.
Demostración:
Notemos en primer lugar que la condición ii) del teorema 1 para variables continuas se expresa como

FX (α + x) = 1 − FX (α − x), ∀x ∈ R,

de donde, derivando respecto de x, se obtiene la condición para la función de densidad.

 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

La condición de simetrı́a puede expresarse en términos de la función masa de probabilidad para variables discretas,
o de la función de densidad, para variables continuas.

Teorema 2: condición de simetrı́a para variables discretas

Una variable aleatoria discreta, X, es simétrica alrededor de un punto α ∈ R si y sólo si

P (X = α + x) = P (X = α − x), ∀x ∈ R.
Demostración:
La demostración es inmediata sin más que expresar la condición i) del teorema 1 para variables discretas en términos
de las funciones masa de probabilidad,

P (X − α = x) = P (α − X = x), ∀x ∈ R. 

Teorema 3: condición de simetrı́a para variables continuas

Una variable continua, X, con función de densidad fX , es simétrica alrededor de un punto α ∈ R si y sólo si

fX (α + x) = fX (α − x), ∀x ∈ R.
Demostración:
Notemos en primer lugar que la condición ii) del teorema 1 para variables continuas se expresa como

FX (α + x) = 1 − FX (α − x), ∀x ∈ R,

de donde, derivando respecto de x, se obtiene la condición para la función de densidad.

Para demostrar el recı́proco notemos que
Z t Z t
fX (α + x)dx = fX (α − x)dx, ∀t ∈ R,
−∞ −∞
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

y aplicando el cambio y = α + x en la primera integral e y = α − x en la segunda, se obtiene

FX (α + t) = 1 − FX (α − t), ∀t ∈ R;
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

y aplicando el cambio y = α + x en la primera integral e y = α − x en la segunda, se obtiene

FX (α + t) = 1 − FX (α − t), ∀t ∈ R;

esto es, la condición de simetrı́a ii) del teorema 1 para variables continuas. 
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

y aplicando el cambio y = α + x en la primera integral e y = α − x en la segunda, se obtiene

FX (α + t) = 1 − FX (α − t), ∀t ∈ R;

esto es, la condición de simetrı́a ii) del teorema 1 para variables continuas. 

Propiedades de las distribuciones simétricas

Si X es una variable aleatoria simétrica alrededor del punto α, se tiene:

i) Los momentos centrados en α de orden impar, si existen, son nulos.

ii) Si ∃E[X], entonces E[X] = α.

iii) α es mediana de X.

iv) Si X es unimodal, α es la moda.

 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

y aplicando el cambio y = α + x en la primera integral e y = α − x en la segunda, se obtiene

FX (α + t) = 1 − FX (α − t), ∀t ∈ R;

esto es, la condición de simetrı́a ii) del teorema 1 para variables continuas. 

Propiedades de las distribuciones simétricas

Si X es una variable aleatoria simétrica alrededor del punto α, se tiene:

i) Los momentos centrados en α de orden impar, si existen, son nulos.

ii) Si ∃E[X], entonces E[X] = α.

iii) α es mediana de X.

iv) Si X es unimodal, α es la moda.

Demostración:
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

y aplicando el cambio y = α + x en la primera integral e y = α − x en la segunda, se obtiene

FX (α + t) = 1 − FX (α − t), ∀t ∈ R;

esto es, la condición de simetrı́a ii) del teorema 1 para variables continuas. 

Propiedades de las distribuciones simétricas

Si X es una variable aleatoria simétrica alrededor del punto α, se tiene:

i) Los momentos centrados en α de orden impar, si existen, son nulos.

ii) Si ∃E[X], entonces E[X] = α.

iii) α es mediana de X.

iv) Si X es unimodal, α es la moda.

Demostración:

i) Por la condición de simetrı́a i) del teorema 1, las variables aleatorias X − α y α − X tienen la misma distribución
y, por tanto, sus momentos, si existen, coinciden.
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

y aplicando el cambio y = α + x en la primera integral e y = α − x en la segunda, se obtiene

FX (α + t) = 1 − FX (α − t), ∀t ∈ R;

esto es, la condición de simetrı́a ii) del teorema 1 para variables continuas. 

Propiedades de las distribuciones simétricas

Si X es una variable aleatoria simétrica alrededor del punto α, se tiene:

i) Los momentos centrados en α de orden impar, si existen, son nulos.

ii) Si ∃E[X], entonces E[X] = α.

iii) α es mediana de X.

iv) Si X es unimodal, α es la moda.

Demostración:

i) Por la condición de simetrı́a i) del teorema 1, las variables aleatorias X − α y α − X tienen la misma distribución
y, por tanto, sus momentos, si existen, coinciden. Ası́,

E[(X − α)2k+1 ] = E[(α − X)2k+1 ], ∀k ∈ N ∪ {0},

 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

y aplicando el cambio y = α + x en la primera integral e y = α − x en la segunda, se obtiene

FX (α + t) = 1 − FX (α − t), ∀t ∈ R;

esto es, la condición de simetrı́a ii) del teorema 1 para variables continuas. 

Propiedades de las distribuciones simétricas

Si X es una variable aleatoria simétrica alrededor del punto α, se tiene:

i) Los momentos centrados en α de orden impar, si existen, son nulos.

ii) Si ∃E[X], entonces E[X] = α.

iii) α es mediana de X.

iv) Si X es unimodal, α es la moda.

Demostración:

i) Por la condición de simetrı́a i) del teorema 1, las variables aleatorias X − α y α − X tienen la misma distribución
y, por tanto, sus momentos, si existen, coinciden. Ası́,

E[(X − α)2k+1 ] = E[(α − X)2k+1 ], ∀k ∈ N ∪ {0},

y teniendo en cuenta que E[(α − X)2k+1 ] = −E[(X − α)2k+1 ], se obtiene que E[(X − α)2k+1 ] = 0.
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

y aplicando el cambio y = α + x en la primera integral e y = α − x en la segunda, se obtiene

FX (α + t) = 1 − FX (α − t), ∀t ∈ R;

esto es, la condición de simetrı́a ii) del teorema 1 para variables continuas. 

Propiedades de las distribuciones simétricas

Si X es una variable aleatoria simétrica alrededor del punto α, se tiene:

i) Los momentos centrados en α de orden impar, si existen, son nulos.

ii) Si ∃E[X], entonces E[X] = α.

iii) α es mediana de X.

iv) Si X es unimodal, α es la moda.

Demostración:

i) Por la condición de simetrı́a i) del teorema 1, las variables aleatorias X − α y α − X tienen la misma distribución
y, por tanto, sus momentos, si existen, coinciden. Ası́,

E[(X − α)2k+1 ] = E[(α − X)2k+1 ], ∀k ∈ N ∪ {0},

y teniendo en cuenta que E[(α − X)2k+1 ] = −E[(X − α)2k+1 ], se obtiene que E[(X − α)2k+1 ] = 0.

ii) Como consecuencia inmediata de i) se tiene que E[X − α] = 0 o, equivalentemente, E[X] = α.

 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

y aplicando el cambio y = α + x en la primera integral e y = α − x en la segunda, se obtiene

FX (α + t) = 1 − FX (α − t), ∀t ∈ R;

esto es, la condición de simetrı́a ii) del teorema 1 para variables continuas. 

Propiedades de las distribuciones simétricas

Si X es una variable aleatoria simétrica alrededor del punto α, se tiene:

i) Los momentos centrados en α de orden impar, si existen, son nulos.

ii) Si ∃E[X], entonces E[X] = α.

iii) α es mediana de X.

iv) Si X es unimodal, α es la moda.

Demostración:

i) Por la condición de simetrı́a i) del teorema 1, las variables aleatorias X − α y α − X tienen la misma distribución
y, por tanto, sus momentos, si existen, coinciden. Ası́,

E[(X − α)2k+1 ] = E[(α − X)2k+1 ], ∀k ∈ N ∪ {0},

y teniendo en cuenta que E[(α − X)2k+1 ] = −E[(X − α)2k+1 ], se obtiene que E[(X − α)2k+1 ] = 0.

ii) Como consecuencia inmediata de i) se tiene que E[X − α] = 0 o, equivalentemente, E[X] = α.

iii) Haciendo x = 0 en la definición de simetrı́a, P (X ≤ α) = P (X ≥ α).

 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

y aplicando el cambio y = α + x en la primera integral e y = α − x en la segunda, se obtiene

FX (α + t) = 1 − FX (α − t), ∀t ∈ R;

esto es, la condición de simetrı́a ii) del teorema 1 para variables continuas. 

Propiedades de las distribuciones simétricas

Si X es una variable aleatoria simétrica alrededor del punto α, se tiene:

i) Los momentos centrados en α de orden impar, si existen, son nulos.

ii) Si ∃E[X], entonces E[X] = α.

iii) α es mediana de X.

iv) Si X es unimodal, α es la moda.

Demostración:

i) Por la condición de simetrı́a i) del teorema 1, las variables aleatorias X − α y α − X tienen la misma distribución
y, por tanto, sus momentos, si existen, coinciden. Ası́,

E[(X − α)2k+1 ] = E[(α − X)2k+1 ], ∀k ∈ N ∪ {0},

y teniendo en cuenta que E[(α − X)2k+1 ] = −E[(X − α)2k+1 ], se obtiene que E[(X − α)2k+1 ] = 0.

ii) Como consecuencia inmediata de i) se tiene que E[X − α] = 0 o, equivalentemente, E[X] = α.

iii) Haciendo x = 0 en la definición de simetrı́a, P (X ≤ α) = P (X ≥ α). De esta propiedad se deduce que tal pro-
babilidad debe ser mayor o igual que 1/2 ya que, de lo contrario, P (X ≤ α) + P (X ≥ α) < 1.
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

y aplicando el cambio y = α + x en la primera integral e y = α − x en la segunda, se obtiene

FX (α + t) = 1 − FX (α − t), ∀t ∈ R;

esto es, la condición de simetrı́a ii) del teorema 1 para variables continuas. 

Propiedades de las distribuciones simétricas

Si X es una variable aleatoria simétrica alrededor del punto α, se tiene:

i) Los momentos centrados en α de orden impar, si existen, son nulos.

ii) Si ∃E[X], entonces E[X] = α.

iii) α es mediana de X.

iv) Si X es unimodal, α es la moda.

Demostración:

i) Por la condición de simetrı́a i) del teorema 1, las variables aleatorias X − α y α − X tienen la misma distribución
y, por tanto, sus momentos, si existen, coinciden. Ası́,

E[(X − α)2k+1 ] = E[(α − X)2k+1 ], ∀k ∈ N ∪ {0},

y teniendo en cuenta que E[(α − X)2k+1 ] = −E[(X − α)2k+1 ], se obtiene que E[(X − α)2k+1 ] = 0.

ii) Como consecuencia inmediata de i) se tiene que E[X − α] = 0 o, equivalentemente, E[X] = α.

iii) Haciendo x = 0 en la definición de simetrı́a, P (X ≤ α) = P (X ≥ α). De esta propiedad se deduce que tal pro-
babilidad debe ser mayor o igual que 1/2 ya que, de lo contrario, P (X ≤ α) + P (X ≥ α) < 1. Entonces,
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

1 1
P (X ≤ α) ≥ y P (X ≥ α) ≥ ,
2 2
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

1 1
P (X ≤ α) ≥ y P (X ≥ α) ≥ ,
2 2
y se deduce que el punto α es una mediana de la distribución de X.
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

1 1
P (X ≤ α) ≥ y P (X ≥ α) ≥ ,
2 2
y se deduce que el punto α es una mediana de la distribución de X.

iv) Supongamos que X es una variable de tipo continuo con función de densidad fX (de igual forma se razonará para
variables discretas). Supongamos que la moda es α0 6= α.
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

1 1
P (X ≤ α) ≥ y P (X ≥ α) ≥ ,
2 2
y se deduce que el punto α es una mediana de la distribución de X.

iv) Supongamos que X es una variable de tipo continuo con función de densidad fX (de igual forma se razonará para
variables discretas). Supongamos que la moda es α0 6= α.

Si α0 > α y x = α0 − α, teniendo en cuenta la condición de simetrı́a para variables continuas, se tiene

fX (α0 ) = fX (α + x) = fX (α − x),
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

1 1
P (X ≤ α) ≥ y P (X ≥ α) ≥ ,
2 2
y se deduce que el punto α es una mediana de la distribución de X.

iv) Supongamos que X es una variable de tipo continuo con función de densidad fX (de igual forma se razonará para
variables discretas). Supongamos que la moda es α0 6= α.

Si α0 > α y x = α0 − α, teniendo en cuenta la condición de simetrı́a para variables continuas, se tiene

fX (α0 ) = fX (α + x) = fX (α − x),
de donde se deduce que α − x = 2α − α0 es también moda de la distribución, contradiciendo el hecho de que ésta es
unimodal.
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

1 1
P (X ≤ α) ≥ y P (X ≥ α) ≥ ,
2 2
y se deduce que el punto α es una mediana de la distribución de X.

iv) Supongamos que X es una variable de tipo continuo con función de densidad fX (de igual forma se razonará para
variables discretas). Supongamos que la moda es α0 6= α.

Si α0 > α y x = α0 − α, teniendo en cuenta la condición de simetrı́a para variables continuas, se tiene

fX (α0 ) = fX (α + x) = fX (α − x),
de donde se deduce que α − x = 2α − α0 es también moda de la distribución, contradiciendo el hecho de que ésta es
unimodal. De forma similar, si α0 < α, se deduce que 2α − α0 es también moda.
 This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivs 2.5 License.
BY: Grupo CDPYE-UGR

1 1
P (X ≤ α) ≥ y P (X ≥ α) ≥ ,
2 2
y se deduce que el punto α es una mediana de la distribución de X.

iv) Supongamos que X es una variable de tipo continuo con función de densidad fX (de igual forma se razonará para
variables discretas). Supongamos que la moda es α0 6= α.

Si α0 > α y x = α0 − α, teniendo en cuenta la condición de simetrı́a para variables continuas, se tiene

fX (α0 ) = fX (α + x) = fX (α − x),
de donde se deduce que α − x = 2α − α0 es también moda de la distribución, contradiciendo el hecho de que ésta es
unimodal. De forma similar, si α0 < α, se deduce que 2α − α0 es también moda.
Consecuentemente, la moda ha de ser α0 = α.