Cuestionario de análisis de datos
II. Distribución normal y sus características
11. Seis características de la distribución normal:
• Unimodal: Una sola moda (pico máximo).
• Asimetría cero: La mitad izquierda es imagen especular de la derecha.
• Función probabilística particular: Relación matemática entre desviaciones y probabilidad
de ocurrencia.
• Base en unidades de desviación estándar (puntuaciones z): ±1σ, ±2σ, ±3σ definen áreas
bajo la curva con probabilidades conocidas.
• Mesocúrtica: Curtosis = 0; ni demasiado apuntada ni demasiado plana.
• Coincidencia de medidas de tendencia central: Media = Mediana = Moda en el centro de
la distribución.
12. Unimodal y asimetría cero:
• Unimodal: La curva tiene un solo punto máximo; todos los valores se agrupan alrededor
de una tendencia central única.
• Asimetría cero: No hay sesgo hacia izquierda o derecha; la distancia de la media a -3σ es
idéntica a la distancia a +3σ.
• Ejemplo: En una prueba de inteligencia estandarizada, la mayoría de las personas obtienen
puntuaciones cercanas a 100 (moda), y las puntuaciones extremas (muy altas o muy bajas)
son igualmente escasas en ambos lados.
13. Puntuaciones z y áreas bajo la curva:
• Las puntuaciones z expresan cuántas desviaciones estándar se aleja un valor de la media.
En la curva normal:
• ±1z abarca ~68% de los datos
• ±2z abarca ~95%
• ±3z abarca ~99.7%
• Esto permite calcular probabilidades exactas y comparar valores de diferentes escalas
mediante estandarización.
14. Mesocúrtica (curtosis = 0):
Significa que la curva tiene una "altura" intermedia: ni demasiado puntiaguda (leptocúrtica) ni
demasiado plana (platicúrtica). Refleja una dispersión "típica" de los datos alrededor de la media,
lo cual es consistente con muchos fenómenos naturales y sociales.
15. Coincidencia media-mediana-moda:
En una distribución perfectamente simétrica y unimodal, el valor central (moda), el que divide la
distribución en dos mitades iguales (mediana) y el promedio aritmético (media) coinciden. Esto
simplifica la descripción de la tendencia central y valida el uso de la media como representante del
conjunto.
16. Desviaciones estándar y probabilidad:
Cada intervalo de desviación estándar corresponde a un área bajo la curva con probabilidad
conocida:
Entre μ ± 1σ: ~68% de probabilidad
Entre μ ± 2σ: ~95%
Entre μ ± 3σ: ~99.7%
Esto permite identificar valores atípicos (fuera de ±2σ o ±3σ) y estimar la rareza de un resultado
observado.
17. Ejemplo de fenómeno normal:
Estatura en adultos de un país: La mayoría de las personas tienen estatura cercana al promedio
nacional; muy pocos son extremadamente bajos o altos. Esto se debe a la combinación de múltiples
factores genéticos y ambientales que, por el Teorema Central del Límite, generan una distribución
aproximadamente normal.
18. Importancia de verificar normalidad:
• Las pruebas paramétricas (t, ANOVA, Pearson) asumen normalidad para garantizar que los
valores p y los intervalos de confianza sean válidos. Si se ignora este supuesto con datos
muy asimétricos o con outliers, se incrementa el riesgo de:
• Falsos positivos/negativos
• Estimaciones sesgadas de parámetros
• Conclusiones erróneas sobre la población
• En tales casos, se recomienda usar pruebas no paramétricas o transformar los datos.
•