Distribución Normal: La Campana Estadística y la Regla 68-95-99,7

La distribución normal —también llamada curva de Gauss o curva en campana— es una distribución de probabilidad continua que describe datos que se agrupan en torno a una media central, con frecuencias que decrecen simétricamente conforme nos alejamos del centro.

Está definida por dos parámetros: la media (μ), que determina dónde está centrada la campana, y la desviación estándar (σ), que determina el ancho de la campana. Una característica fundamental: en una distribución normal, la media, la moda y la mediana coinciden exactamente en el punto central.

Las alturas de adultos, los errores de medición en instrumentos de precisión, las notas en pruebas estandarizadas con gran número de participantes y numerosos otros fenómenos naturales y sociales siguen aproximadamente la distribución normal. Esto la convierte en la distribución más estudiada y aplicada en toda la estadística.

Una de las propiedades más prácticas de la distribución normal es la regla empírica, que nos indica exactamente qué proporción de los datos está en intervalos definidos por la desviación estándar. Aproximadamente el 68% de los datos están dentro de 1 desviación estándar de la media (entre μ − σ y μ + σ). Cerca del 95% están dentro de 2 desviaciones estándar. Y el 99,7% están dentro de 3 desviaciones estándar.

Aplicando este conocimiento: si la altura media de hombres adultos en determinada población es 175 cm con desviación estándar de 7 cm, entonces el 68% de los hombres tienen entre 168 cm y 182 cm, el 95% tienen entre 161 cm y 189 cm, y prácticamente todos (99,7%) están entre 154 cm y 196 cm. Los valores más allá de 3 desviaciones estándar son rarísimos: menos del 0,3%.

El z-score (o puntuación estandarizada) mide cuántas desviaciones estándar está un valor específico por encima o por debajo de la media. La fórmula es: z = (x − μ) ÷ σ. Un z-score de +2 significa que el valor está 2 desviaciones estándar por encima de la media; z = −1 significa 1 desviación por debajo.

La estandarización permite comparar datos de escalas completamente diferentes. Un alumno sacó 720 en un examen con media 600 y desviación estándar 80, y 85 en otro con media 70 y desviación estándar 10. ¿Cuál fue el mejor desempeño relativo? En el primero: z = (720−600)/80 = 1,5. En el segundo: z = (85−70)/10 = 1,5. ¡Desempeño relativo idéntico!

La distribución normal estándar tiene media 0 y desviación estándar 1. Al calcular el z-score, transformamos cualquier distribución normal en la distribución normal estándar, lo que permite usar tablas estadísticas para calcular probabilidades precisas.

El Teorema Central del Límite explica por qué la distribución normal aparece en tantos contextos: cuando sumamos o promediamos un gran número de variables aleatorias independientes —independientemente de sus distribuciones individuales— el resultado tiende a distribuirse normalmente. La altura humana, por ejemplo, es resultado de cientos de genes y factores ambientales, y por eso sigue la curva normal.

En control de calidad, se asume que los errores de fabricación se distribuyen normalmente, lo que permite calcular exactamente cuántas piezas estarán fuera de especificación. En finanzas, los rendimientos a corto plazo se modelan frecuentemente como normales. Entender la distribución normal es un requisito previo para la mayoría de los tests estadísticos avanzados.