Calculadora

Calculadora normal online

Calcula densidad, probabilidad acumulada y percentiles de la distribución normal con media y desviación estándar personalizadas.

Ver todas las distribuciones

Configuración

Calculadora enfocada en esta distribución.

Resultado y visualización

Calcula PDF/PMF, CDF y percentiles al instante.

Resultado pendiente…

Explicación

La distribución normal modela mediciones continuas que se concentran alrededor de un valor medio \( \mu \) y se vuelven menos frecuentes al alejarse del centro. Su curva de campana es simétrica: valores igual de alejados por encima y por debajo de la media son igual de probables. La desviación estándar \( \sigma \) controla la dispersión; la regla empírica establece que aproximadamente el 68 % de los valores caen dentro de \( \mu \pm \sigma \), el 95 % dentro de \( \mu \pm 2\sigma \) y el 99,7 % dentro de \( \mu \pm 3\sigma \).

El Teorema Central del Límite garantiza que la media de una muestra grande tiende a seguir una distribución normal independientemente de la distribución original de los datos, lo que explica su protagonismo en estadística inferencial. Úsala cuando tu variable sea continua, surja como suma o promedio de muchos factores pequeños e independientes, y no tenga una cota inferior marcada que limite el dominio. Alturas, notas de exámenes, errores de medición y muchas variables de fabricación son ejemplos habituales.

Fórmula

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

Parámetros

  • μ (mu): media o centro de la distribución.
  • σ (sigma): desviación estándar, que controla la dispersión.

Ejemplo resuelto

Situación: La estatura de adultos en una población sigue una distribución normal con media \(\mu = 170\) cm y desviación estándar \(\sigma = 8\) cm. Se selecciona una persona al azar.

Pregunta 1: ¿Cuál es la probabilidad de que mida 178 cm o menos, es decir, \(P(X \leq 178)\)?

Solución: Estandarizamos restando la media y dividiendo por la desviación típica: \[ Z = \frac{178 - 170}{8} = \frac{8}{8} = 1{,}00 \] Consultando la tabla de la normal estándar (o la CDF): \[ P(X \leq 178) = P(Z \leq 1{,}00) \approx 0{,}8413 \] Es decir, aproximadamente el 84,13 % de las personas miden 178 cm o menos.

Pregunta 2: ¿Cuál es el percentil 95? Es decir, ¿qué estatura \(x\) cumple \(P(X \leq x) = 0{,}95\)?

Solución: El cuantil 95 de la normal estándar es \(z_{0{,}95} \approx 1{,}6449\). Deshacemos la estandarización: \[ x = \mu + z_{0{,}95} \cdot \sigma = 170 + 1{,}6449 \times 8 \approx 183{,}16 \text{ cm} \] Solo el 5 % de la población supera los 183,16 cm.

Interpretación: La media de 170 cm es el punto de máxima densidad; la regla empírica indica que el 68 % de personas mide entre 162 y 178 cm (\(\mu \pm \sigma\)). El percentil 95 sirve, por ejemplo, para dimensionar puertas o equipamiento ergonómico que cubra al 95 % de la población.

Supuestos del modelo

  • La variable es continua y puede tomar, en principio, cualquier valor real, aunque en la práctica esté acotada por límites físicos.
  • Hay una razón estructural para esperar simetría en torno a un valor central: el fenómeno surge como suma o promedio de muchos factores pequeños, independientes y de magnitud comparable (el Teorema Central del Límite respalda entonces la aproximación normal aunque los datos originales no lo sean), o existe un argumento físico/biológico equivalente. No basta con que un histograma "parezca" acampanado.
  • No existe una cota natural cercana a los datos observados (por ejemplo, un mínimo en 0) que trunque la distribución y genere asimetría sistemática.
  • La dispersión de los datos no depende fuertemente de su magnitud: la variabilidad es similar en la parte baja y en la parte alta del rango observado (ausencia de heterocedasticidad marcada).
  • Si estas condiciones no se cumplen —por ejemplo, la variable no puede ser negativa o los datos son muy asimétricos—, valora otras distribuciones como la log-normal, la gamma o la Weibull.

Usos frecuentes

  • Modelar mediciones físicas: alturas, pesos, tiempos de reacción o errores de instrumentos de medida.
  • Control estadístico de calidad y procesos de fabricación, definiendo límites de especificación y cartas de control.
  • Aproximar la distribución binomial o de Poisson cuando el número de ensayos o la media son grandes.
  • Fundamento de los intervalos de confianza y contrastes de hipótesis para medias muestrales, gracias al Teorema Central del Límite.
  • Modelos de riesgo financiero y rendimientos de activos, aunque con matices: las colas reales del mercado suelen ser más pesadas que las de una normal teórica.

Cómo interpretar el resultado

La calculadora ofrece tres tipos de resultado. El valor de la función de densidad PDF, \( f(x) \), no es una probabilidad directa sino una densidad: indica cuán concentrada está la distribución en torno a un punto concreto. Valores de PDF más altos significan que esa zona es más probable que regiones con PDF menor, pero hay que integrar la curva sobre un intervalo para obtener una probabilidad real.

El valor de la CDF, \( P(X \leq x) \), sí es una probabilidad: representa la fracción de veces que la variable toma un valor menor o igual a \( x \) bajo el modelo normal con los parámetros elegidos. Por ejemplo, \( P(X \leq 1{,}96) \approx 0{,}975 \) en una normal estándar significa que el 97,5 % de las observaciones caen por debajo de 1,96. La cola derecha \( P(X > x) = 1 - P(X \leq x) \) mide cuán extremo es el valor en ese sentido. En la gráfica, el área verde sombreada representa exactamente esa probabilidad acumulada para el rango que has seleccionado; el eje horizontal muestra el dominio de la distribución centrado en la media.

Un resultado de percentil o cuantil invierte la pregunta: dado un nivel de probabilidad \( p \), la calculadora devuelve el valor \( x \) tal que \( P(X \leq x) = p \). El percentil 90 (p = 0,90) separa el 90 % inferior del 10 % superior. Esto es útil para establecer umbrales de control, valores críticos en pruebas de hipótesis o límites de especificación en procesos industriales.

Calculadoras relacionadas

Referencias y lecturas adicionales

  • Wikipedia: Distribución normal — definición, propiedades y demostraciones.
  • Wikipedia (en): Normal distribution — versión ampliada en inglés, con derivaciones adicionales.
  • Wikipedia (en): Central limit theorem — por qué la normal aparece de forma tan recurrente.
  • Casella, G. y Berger, R. L. (2002). Statistical Inference (2.ª ed.). Duxbury. — tratamiento formal de la distribución normal y sus propiedades.

Preguntas frecuentes

  • ¿Cómo convierto un valor x en una puntuación z? Restando la media y dividiendo entre la desviación típica: z = (x − μ)/σ. La puntuación z indica a cuántas desviaciones típicas está x por encima o por debajo de la media, y permite trabajar con la normal estándar N(0, 1).
  • ¿Qué dice la regla 68-95-99,7? En toda distribución normal, aproximadamente el 68 % de los valores cae dentro de ±1σ de la media, el 95 % dentro de ±2σ y el 99,7 % dentro de ±3σ. Es una referencia rápida para juzgar si un valor es habitual o extremo.
  • ¿Por qué aparece la normal en tantos problemas? Por el teorema central del límite: la suma o media de muchas observaciones independientes tiende a distribuirse de forma aproximadamente normal, sea cual sea la distribución original. Por eso sirve además de aproximación para la binomial o la Poisson con parámetros grandes.
  • ¿Qué diferencia hay entre la normal estándar y una normal general? La normal estándar N(0, 1) es el caso particular con media 0 y desviación típica 1. Cualquier normal N(μ, σ) puede transformarse en ella mediante la puntuación z, lo que permite usar una única tabla de referencia para todos los casos.