Calculadora de Distribución Normal

El Teorema Central del Límite (TCL) establece que la suma o el promedio de muchas variables aleatorias independientes tiende hacia una distribución normal sin importar la distribución subyacente de cada variable individual — incluso si las variables individuales están uniformemente distribuidas, exponencialmente distribuidas o muy sesgadas. Este fenómeno matemático explica por qué las estaturas, los puntajes de exámenes, las mediciones de CI, los errores de medición y muchos rasgos biológicos y físicos se aproximan a una curva de campana: cada medición refleja la suma de muchos pequeños efectos independientes (genes, ambiente, ruido), y su combinación converge hacia la forma normal.

La distribución normal es la distribución de probabilidad más importante en estadística porque es a la vez matemáticamente tratable (las integrales, derivadas y transformaciones tienen soluciones de forma cerrada) y empíricamente ubicua (los datos del mundo real se aproximan a la normal con más frecuencia que a cualquier otra forma). Esta combinación la convierte en el supuesto por defecto de innumerables técnicas estadísticas: pruebas t, ANOVA, análisis de regresión, gráficos de control de calidad y la mayoría de los cálculos de intervalos de confianza. Cuando los datos no parecen normales, los estadísticos los transforman (logaritmo, raíz cuadrada) para forzar una normalidad aproximada o cambian a métodos no paramétricos que no asumen una forma de distribución específica. Entender cuándo se cumple el supuesto de normalidad y cuándo se rompe es una de las habilidades más importantes de la estadística aplicada.

Cualquier distribución normal puede transformarse en la normal estándar (media 0, desviación estándar 1) restando la media y dividiendo entre la desviación estándar — un proceso llamado estandarización que produce un puntaje z. Este puntaje z permite la comparación directa entre distintas escalas y unidades: un puntaje z de 2.0 siempre significa que el valor está dos desviaciones estándar por encima de la media, sin importar si la medición original era estatura en pulgadas, temperatura en Celsius o puntajes de examen en cualquier escala. Un puntaje z de -1.5 significa 1.5 desviaciones estándar por debajo de la media, y así sucesivamente.

La regla 68-95-99.7 (también llamada regla empírica) te dice que en una distribución normal, aproximadamente el 68% de los valores cae dentro de ±1 desviación estándar de la media, el 95% dentro de ±2 desviaciones estándar y el 99.7% dentro de ±3 desviaciones estándar. Esta regla hace que los puntajes z sean inmediatamente interpretables: un puntaje z entre -1 y +1 está en el típico rango medio del 68%, entre -2 y +2 está en el común rango del 95%, y cualquier valor más allá de ±3 es inusualmente extremo. El control de calidad en la manufactura usa puntajes z (a menudo llamados "niveles sigma") para describir tasas de defectos — los procesos Six Sigma apuntan a tasas de defectos por debajo de 3.4 por millón, correspondientes a límites de control de aproximadamente ±4.5σ.

La fórmula central de la función de densidad de probabilidad normal es f(x) = (1/(σ√(2π))) × e^(−(x−μ)²/(2σ²)), donde μ es la media, σ es la desviación estándar y e es el número de Euler (≈2.71828). Esta fórmula produce la característica curva de campana, con la altura máxima en la media y colas simétricas que decaen exponencialmente a ambos lados. La calculadora usa esta PDF para calcular probabilidades puntuales y la integra numéricamente para calcular probabilidades acumuladas (el área bajo la curva entre dos valores, que representa la probabilidad de que un resultado aleatorio caiga en ese rango).

Para los cálculos de probabilidad, la calculadora calcula P(X ≤ a) usando la función de distribución acumulada Φ(z), que no tiene expresión de forma cerrada pero se calcula mediante aproximaciones racionales con al menos 7 decimales de precisión. Puedes hacer tres tipos de preguntas: probabilidad puntual en un valor específico (rara en la práctica porque las distribuciones continuas tienen probabilidad cero en cualquier punto exacto), probabilidad acumulada por debajo de un umbral (P(X ≤ a)), o probabilidad entre dos valores (P(a ≤ X ≤ b)) que equivale a Φ(b) − Φ(a). Verifica dos veces las entradas de media y desviación estándar antes de confiar en el resultado — parámetros incorrectos producen probabilidades incorrectas con apariencia de seguridad que parecen autoritativas pero carecen de sentido.