Explorador de la Distribución Normal

probabilidad de la curva de campana — interactivo en tiempo real (ノ◕ヮ◕)ノ*:・゚✧

Cargando simulación interactiva...

la regla 68–95–99,7 🖖

Estos porcentajes no son cifras redondeadas: se derivan directamente de la integral gaussiana, cada uno como el área bajo e^(−z²/2) entre ±1, ±2 y ±3 desviaciones típicas — justo lo que calculan los pasos de la función de error de abajo. Los físicos toman prestada esta escala para sus umbrales de «descubrimiento»: el anuncio del bosón de Higgs en 2012 exigió una evidencia de 5σ, una tasa de falso positivo a una cola de aproximadamente 1 entre 3,5 millones, precisamente porque una señal real debe superar un listón así de alto antes de poder confiar en ella por encima del ruido estadístico. La regla también explica por qué los sucesos «improbables» no son tan raros en conjuntos de datos grandes: con un millón de mediciones independientes, cabe esperar que unas cuantas caigan más allá de ±5σ solo por azar — precisamente la trampa que el umbral de 5σ existe para evitar.

Por qué importa el área, no la altura 🖖

La curva de campana representa la densidad de probabilidad, no la probabilidad en sí, de modo que la altura en un punto concreto apenas dice nada. Lo que cuenta es el área: la franja sombreada entre x₁ y x₂ es la probabilidad de que un valor caiga en ese rango, y la curva completa siempre encierra un área de exactamente 1. Mover μ desplaza el pico a izquierda o derecha; aumentar σ aplana y ensancha la curva, pero esa área total nunca cambia.

La curva de campana que salió en billetes 🖖

La curva fue tan célebre que se imprimió en dinero: el billete alemán de 10 marcos, en circulación de 1991 a 2001, mostraba a Carl Friedrich Gauss junto a esta misma curva y su fórmula f(x). Muy apropiado, pues él la perfeccionó al modelar los errores de medición en astronomía. Sin embargo, Abraham de Moivre ya había deducido la forma en 1733, décadas antes de que Gauss naciera — un caso de manual de la ley de Stigler, que bromea con que nada lleva el nombre de su verdadero descubridor.

Problemas de ejemplo

  • Normal estándar - El caso de libro — μ = 0, σ = 1. σ = 1 significa que los valores típicamente se alejan 1 unidad de la media. El gráfico muestra siempre μ ± 4,5σ — aquí de −4,5 a +4,5 — para capturar el 99,999 % de la distribución. Cualquier distribución normal puede reescalarse a esto. Arrastra los sliders para ver cómo μ desplaza la curva y σ la estira o comprime.
  • Puntuaciones CI - Los tests de CI están normados para que la media poblacional sea 100 — y σ = 15 significa que las puntuaciones individuales varían típicamente unos 15 puntos respecto a la media. El gráfico abarca aproximadamente de 33 a 168 (μ ± 4,5σ = 100 ± 67,5): las puntuaciones más allá de ±3σ (por debajo de 55 o por encima de 145) son reales pero raras — alrededor de 1 de cada 750 personas. Prueba ±2σ para ver lo raras que son las puntuaciones extremas.
  • Alturas - Las alturas de adultos en muchas poblaciones siguen de cerca una distribución normal. σ = 10 cm significa que las alturas individuales varían típicamente unos 10 cm respecto a la media. El gráfico abarca de 125 a 215 cm (μ ± 4,5σ = 170 ± 45) — las alturas por encima de 200 cm existen pero son poco comunes, dándose en aproximadamente 1 de cada 750 personas. La banda sombreada (160–180 cm) es lo que la mayoría llamaría estatura 'media'.
  • Notas de examen - Una clase con nota media 65. σ = 12 significa que las notas individuales varían típicamente unos 12 puntos respecto a la media. El gráfico abarca aproximadamente de 11 a 119 (μ ± 4,5σ = 65 ± 54) y se extiende más allá de 100 — una curva normal no tiene techo fijo; esas colas por encima de 100 son muy planas y representan resultados raros. Ajusta x₁ y x₂ a cualquier rango de notas para ver qué porcentaje de estudiantes cae ahí.