Distribución normal — curva de campana, puntuación z y fórmula

Una distribución normal es un modelo de probabilidad con forma de campana en el que los valores cercanos a la media son los más comunes y los valores más alejados se vuelven menos frecuentes de manera simétrica. Si estás tratando de entender la curva de campana, la puntuación z o la fórmula de la distribución normal, la idea clave es simple: la media fija el centro y la desviación estándar fija la dispersión.

Este modelo solo es útil cuando la forma normal se ajusta razonablemente a los datos o a la situación. Cuando se cumple esa condición, puedes estimar rangos típicos, comparar valores con puntuaciones z e interpretar qué tan inusual es un resultado.

Qué significa la curva de campana

Si una variable sigue una distribución normal, los valores cercanos a la media son más comunes que los valores lejanos. Los lados izquierdo y derecho son reflejos entre sí, así que estar a $2$ desviaciones estándar por encima de la media es tan inusual como estar a $2$ desviaciones estándar por debajo de ella.

A menudo verás la notación

$$X \sim N(\mu, \sigma^2)$$

Esto significa que la variable aleatoria $X$ se modela como normal con media $\mu$ y varianza $\sigma^2$. Como la varianza es $\sigma^2$, la desviación estándar es $\sigma$, donde $\sigma > 0$.

Fórmula de la distribución normal, en lenguaje sencillo

La fórmula de la densidad normal es

$$f(x) = \frac{1}{\sigma \sqrt{2\pi}} e^{-(x-\mu)^2/(2\sigma^2)}$$

No necesitas memorizar cada parte de la fórmula para usar bien la idea. Lo más importante es que $\mu$ desplaza la curva a la izquierda o a la derecha, mientras que $\sigma$ la hace más estrecha o más ancha.

Esta fórmula describe densidad, no la probabilidad de un valor exacto. En un modelo continuo, las probabilidades provienen de intervalos como $P(X < 80)$ o $P(65 \le X \le 85)$.

Cómo se conectan la media, la desviación estándar y la puntuación z

Cambiar la media desplaza la curva a la izquierda o a la derecha. Cambiar la desviación estándar hace que la curva sea más estrecha o más ancha. Un valor pequeño de $\sigma$ significa que los valores están muy concentrados alrededor de la media. Un valor mayor de $\sigma$ significa que están más dispersos.

Para comparar un valor con el resto de la distribución, usa la puntuación z:

$$z = \frac{x - \mu}{\sigma}$$

Esto te indica la posición relativa en unidades de desviación estándar. Si $z = 1.5$, el valor está $1.5$ desviaciones estándar por encima de la media. Si $z = -2$, está $2$ desviaciones estándar por debajo de la media.

Para un modelo normal, un atajo práctico es la regla empírica:

$$\text{aproximadamente } 68\% \text{ de los valores están dentro de } \mu \pm \sigma$$ $$\text{aproximadamente } 95\% \text{ de los valores están dentro de } \mu \pm 2\sigma$$ $$\text{aproximadamente } 99.7\% \text{ de los valores están dentro de } \mu \pm 3\sigma$$

Usa esto solo cuando un modelo normal sea realmente razonable. Es una aproximación útil, no una garantía para cualquier conjunto de datos real.

Ejemplo resuelto con puntuación z y curva de campana

Supón que las calificaciones de un examen se modelan mediante

$$X \sim N(70, 10^2)$$

Entonces la calificación media es $70$ y la desviación estándar es $10$.

Primero, usa la regla empírica. Aproximadamente el $68\%$ de las calificaciones debería caer dentro de una desviación estándar de la media:

$$70 \pm 10$$

Así que el intervalo rápido es

$$60 \text{ a } 80$$

Aproximadamente el $95\%$ de las calificaciones debería caer dentro de dos desviaciones estándar:

$$70 \pm 2(10) = 70 \pm 20$$

Así que ese intervalo es

$$50 \text{ a } 90$$

Ahora toma a un estudiante que obtuvo $85$. La puntuación z es

$$z = \frac{85 - 70}{10} = 1.5$$

Eso significa que la calificación está $1.5$ desviaciones estándar por encima de la media. Esta es la interpretación útil más rápida: la calificación está claramente por encima del promedio, pero no extremadamente lejos en la cola.

Errores comunes en problemas de distribución normal

Tratar toda gráfica con forma de campana como normal

Algunos datos están sesgados, tienen colas pesadas o presentan varios picos. En esos casos, un modelo normal puede ajustarse mal aunque la gráfica se vea más o menos redondeada.

Confundir densidad con probabilidad

La fórmula $f(x)$ no es la probabilidad de que $X$ sea exactamente un número. En distribuciones continuas, la probabilidad en un punto exacto es $0$, así que se trabaja con intervalos.

Usar la regla empírica sin comprobar el modelo

La regla $68$-$95$-$99.7$ pertenece a la distribución normal. No debe aplicarse automáticamente a cualquier conjunto de datos.

Confundir varianza y desviación estándar

La varianza es $\sigma^2$. La puntuación z usa $\sigma$, no $\sigma^2$.

Cuándo se usa la distribución normal

La distribución normal aparece con frecuencia cuando las mediciones se agrupan alrededor de un valor central y los valores extremos son relativamente raros. Es común en modelos de error de medición, interpretación de calificaciones, control de calidad y en el estudio de medias muestrales.

Eso no significa que todos los datos reales sean normales. Significa que el modelo normal es una aproximación útil cuando la forma, el contexto y los supuestos hacen razonable esa aproximación.

Prueba un problema similar

Cambia el ejemplo a $X \sim N(100, 15^2)$ y calcula la puntuación z de $130$. Luego encuentra el intervalo que cubre aproximadamente el $95\%$ de los valores. Probar tu propia versión con una media o una desviación estándar diferente es una buena forma de ver cómo cambia la curva de campana.