Rev Chil Anest 2014; 43: 116-121

LA DISTRIBUCIÓN NORMAL

Jorge Dagnino S.1

tabla, gráfica o expresión matemática que indique

• Una gran cantidad de fenómenos o variables los valores que puede tomar una variable aleato-
biológicas, psicológicas o sociales, tienen una ria se le conoce como la distribución de probabi-
distribución Normal. lidad de esa variable, si la variable es discreta, o
• La distribución normal es simétrica, la media, de una densidad de probabilidades si es continua.
moda y mediana coinciden, y es descrita com- Estas distribuciones, a pesar de ser teóricas, tienen
pletamente por sus dos parámetros mu (µ) y gran importancia práctica. Matemáticamente los
sigma (σ). conceptos de distribución de probabilidades y de
• La distibución normal estándar es aquella que variable aleatoria están íntimamente interrelacio-
tiene una media de 0 y una desviación están- nados: una variable aleatoria tiene una distribución
dar de 1. El área bajo la curva puede ser cal- de probabilidades y viceversa.
culada por la distancia desde la media; media Afortunadamente, y probablemente por razones
± 1,96 DS encierran entre sí el 95% y dejan no fortuitas, la mayoría de los fenómenos naturales
fuera el 5%, 2,5% a cada lado de la curva. -biológicos, psicológicos o sociales- se ciñen exac-
• El teorema del límite central permite el cálcu- ta o aproximadamente a unas pocas leyes o distri-
lo del error estándar de la media y el de inter- buciones de probabilidad teóricas siendo cada una
valos de confianza. de ellas, en realidad, una familia de leyes. Las tres
más importantes son las distribuciones: normal, bi-
nomial y de Poisson. La primera es de cantidades
continuas, las otras dos de discretas. En la prepa-
Raramente se puede estudiar todo el universo ración de este artículo se incluyeron algunas fór-
para realizar estudios experimentales u observacio- mulas, pensando que ayudan en la explicación, es-
nales, por razones prácticas o económicas, por lo perando que la aparición de integrales y potencias,
que es necesario obtener los datos de una muestra muchas “pies y mues”, no predispongan al lector
de individuos pertenecientes a esa población. Esa contra el texto. Para disminuir su posible impacto
información se usa luego para hacer inferencias negativo, vale la pena destacar que no es necesaria
sobre esa población, que es lo que generalmente su memorización y tampoco usarlas en esta era ci-
interesa. Sin embargo, la relación entre la muestra bernética.
y la población es incierta y es necesario estimar
esa incertidumbre. Para ello es indispensable tener
una idea de las distribuciones de probabilidades PROBLEMAS DE NOMBRES Y LETRAS
teóricas; los modelos de distribución que puede
seguir la variable aleatoria de interés. Por variable La distribución normal es la más importante por
aleatoria se entiende toda función cuyos valores su simplicidad, porque aparece frecuentemente en
numéricos se producen al azar, tomando valores la realidad y por una propiedad especial llamada
variables que tienen diversas probabilidades de Teorema del Límite Central. La comprensión de su
ocurrir en una población. Por ejemplo, la estatura naturaleza y su papel en la inferencia estadística es
de una población es una variable aleatoria, siendo esencial. Es una pena la denominación de normal
variable (las estaturas son variables y numéricas) pues no es más “normal” que las otras y ello cau-
y aleatoria pues no se puede predecir cuánto va a sa frecuentes confusiones, sobre todo en medicina,
medir un individuo que tomemos al azar. A toda donde normal, es más bien lo que no es patológico.

1
Profesor Titular, División de Anestesiología, Pontificia Universidad Católica de Chile.

116
 LA DISTRIBUCIÓN NORMAL

Para evitar la confusión muchos usan Normal con Las fórmulas para el cálculo de los parámetros
mayúsculas y aquí haremos lo mismo; otros hablan poblacionales de la distribución Normal son senci-
de distribución gaussiana o de campana de Gauss llas:
a pesar que fue Abraham de Moivre el primero en
describirla y Gauss solo la popularizó. Mediana:
La distribución Normal:
1) Tiene forma de campana.
2) Es simétrica.
3) Alcanza su máximo en µ (la media). Donde la letra griega Σ, sigma mayúscula, in-
4) La media es también la moda y la mediana. dica la sumatoria de los valores individuales de X,
5) Es asintótica al eje de las abscisas y, como no lo cifra que es dividida por el número de mediciones.
toca nunca, cualquier valor de X entre -infinito La variabilidad de los valores se calcula como
y +infinito es teóricamente posible. un promedio de las desviaciones con respecto a la
6) La posición relativa en el eje de las abscisas lo media. Como ya vimos, ya que la mitad de los va-
determina µ (más a la derecha mientras mayor lores son mayores que la media y la otra mitad son
sea) y su mayor o menor aplastamiento o ancho menores, el resultado final sería 0. Para eliminar el
lo determina σ (la desviación estándar), siendo signo negativo de la mitad menor, se eleva al cua-
más aplanada mientras mayor sea su magnitud drado cada desviación. Este promedio de desvia-
(Figura 1). Esta característica se denomina cur- ciones elevadas al cuadrado desde la media es la
tosis (del griego, curvado): angosta o leptocúrti- varianza.
ca (literalmente, curva angosta), media o meso-
cúrtica y ensanchada o platicúrtica (literalmen- Varianza:
te, curva ancha) (Figura 2). La altura de la curva
carece de importancia o uso en la práctica.

Figura 1. Curvas de distribuciones

Normales con igual media y distinta
varianza (las dos de la izquierda) y
de otras dos con distinta media (µ1 y
µ2) e igual varianza (s2) (la izquierda
comparada con la derecha). La media
µ divide a la distribución en dos mita-
des y la distancia entre ésta y el punto
de inflexión, donde la curva cambia de
convexa a cóncava, es el índice de la
dispersión de los valores en torno a la
media.

Figura 2. Características de curvas Normales: curtosis.

Rev Chil Anest 2014; 43: 116-121 117

J. Dagnino S.

La varianza se expresa con el cuadrado de las calcular separadamente para cada valor. Sin embar-
unidades de la medición (cm2, kg2, mmHg2) y, ade- go, pueden ser puestas en una escala comparable
más, es más difícil de visualizar e interpretar por el usando equivalentes estandarizados. Como se vio,
hecho de ser un cuadrado. Por ello es más común cualquier posición en el eje horizontal puede ser
que se use la desviación estándar: la raíz cuadrada descrita como una distancia expresada en desvia-
de la varianza. ciones estándar desde la media con valor negativo
o positivo. Esta unidad se conoce como desviación
Desviación estándar: Normal estándar o puntaje z. Es equivalente a una
distribución Normal con una media de 0 y una des-
viación estándar de 1, una distribución Normal es-
pecial conocida como Normal estándar o Normal
típica.
La transformación requerida es:

Cada valor en el eje de las ordenadas en rela-

ción con cada valor en el eje de las abscisas puede
ser calculado con esta ecuación que describe la cur-
va Normal completa:
donde Xi es un número observado de una variable
Curva Normal: distribuida Normalmente con una media µ y una
desviación estándar σ.
La ecuación de la curva Normal adquiere una
forma más simple al usar z en vez de X:

Área bajo la curva Normal estándar:

Esta fórmula indica que solo se necesita cono-
cer los valores de µ y σ, o bien buenas estimaciones
de ellos como veremos luego, para calcular el valor
de Y ante cualquier valor de X.

En las tablas de z, se pueden leer las propor-

DISTRibuciÓn normal estÁndar o ciones en que esa área total es dividida en dos por
tÍpica un valor de z. Con ellas podemos calcular la pro-
porción de personas o de valores que esperamos
Si pensamos que la distribución Normal es una tengan cifras por sobre o por debajo de un valor
distribución de probabilidades o, más propiamen- determinado. Por ejemplo, valores de presión arte-
te, una densidad de probabilidades, el área bajo la rial media, variable que se distribuye normalmente
curva es igual a uno y como es una distribución si- en una población, para la cual estimamos valores
métrica, la mitad del área está a la izquierda de la de µ y σ de 100 y de 15, y queremos saber qué pro-
media y la otra mitad a la derecha. Para calcular las porción de la población esperamos tengan valores
probabilidades en relación a cualquier valor de X ≤ 120. Usando la fórmula anterior:
basta con calcular el área:

Área bajo la curva normal:

Este valor de z corresponde a una proporción de

0,9082 (Figura 3): estimamos que el 90,82 % de la
población tiene una PAM ≤ 120.
Hay tablas, que aparecen en el apéndice de to-
dos los libros de estadística, en las cuales se ha he-
cho esta integración. Como cada variable observa- ESTIMACIONES DE µ y σ
da tiene valores individuales de X, probablemente
todos diferentes y expresados en unidades de medi- Hemos dicho que buena parte de la estructura
ción distintas, sería necesario disponer de tablas o teórica de la bioestadística y sus cálculos matemáti-

118 Rev Chil Anest 2014; 43: 116-121

 LA DISTRIBUCIÓN NORMAL

cos se basa en la existencia de poblaciones con una Desviación estándar de la muestra:

distribución teórica conocida y que para cualquier
variable existen valores que se denominan paráme-
tros. Estos raramente se conocen en su real dimen-
sión por lo que nos conformamos con estimaciones
de ellos a través de los cálculos hechos con los va-
lores obtenidos en una muestra. Los primeros, los
parámetros de una población, son denominados con Vale la pena notar algunos cambios además de
letras griegas; los segundos, parámetros calculados los señalados. En vez de N, el tamaño de la po-
en la muestra, con letras romanas. Así es una esti- blación, se escribe n para referirse al tamaño de la
mación de µ y s una estimación de σ. Mientras más muestra. Además, en las fórmulas de variabilidad,
grande es la muestra por la cual se calcularon estas varianza y desviación estándar, la media de la po-
estimaciones, más cercanas serán a los verdaderos blación ha sido substituida por su estimación en la
parámetros. muestra y el promedio se calcula dividiendo por
Las fórmulas para calcular y s son ligeramente n-1 en vez de simplemente por n. Esto, que puede
distintas: causar confusión, no es otra cosa que la compen-
sación por el hecho que la estimación de la varia-
Media de la muestra: bilidad siempre tiende a subestimar aquella de la
población.

ERROR ESTÁNDAR Y TEOREMA

DEL LÍMITE CENTRAL
Varianza de la muestra:
La media de una muestra aleatoria es improba-
ble que sea idéntica a la media de la población. Si
bien es la mejor estimación que tenemos, y la única,
es indispensable tener una manera de evaluar cuan

Figura 3. Curva Normal estándar o típica. Se señalan las proporciones del área bajo la curva por sobre o debajo de
distintos valores de z. Como el área bajo la curva es igual a uno, las proporciones indican también probabilidad. Nótese
que para valores negativos de z sólo es necesario contar el límite hacia la izquierda de la media (D y E que corresponden
al valor negativo de z en B y C). También se puede observar en F que valores de z de + 1,96 o de -1,96 separan áreas
del 2,5% del total. Este detalle tiene especial importancia a la hora de discutir la inferencia estadística, los valores de p
y la significación estadística.

Rev Chil Anest 2014; 43: 116-121 119

J. Dagnino S.

buena es esa estimación. Una aproximación es su- estará dentro de 1,96 errores estándar por sobre o
poner que podríamos obtener una serie grande de debajo de la media de nuestra muestra. Es evidente
muestras aleatorias de un determinado tamaño de que mientras mayor sea el tamaño de la muestra,
esa población. Matemáticamente se conoce como más pequeño es el error estándar y menor el rango
el teorema del límite central, y se puede demos- entre los límites de confianza.
trar que la distribución de las medias de esas mues- Se debe recalcar que el error estándar no es una
tras tienen las siguientes características: medida de la variabilidad de la muestra y no debe ser
usado con ese fin. Este es uno de los errores más fre-
1) La distribución de todas las medias de las mu- cuentemente detectados en la literatura médica, ya sea
chas muestras tomadas es Normal si la distri- por ignorancia o premeditadamente para dar la impre-
bución de los valores en la población es Nor- sión de una menor imprecisión de las estimaciones.
mal. Además, la distribución de las medias de
las muestras será aproximadamente Normal, no
importando cual sea la distribución de la varia- TRANSFORMACIONES HACIA UNA
ble en la población, siempre que las muestras DISTRIBUCIÓN NORMAL
sean suficientemente grandes.
2) El promedio de las medias de todas las muestras El coeficiente de sesgo o bies es una medida
posibles es igual a la media de la población. de la simetría. Una distribución simétrica tiene un
3) La desviación estándar de las medias de las coeficiente igual a cero. Una distribución sesgada
muestras, que se conoce como el error estándar hacia la izquierda, lo más frecuente, tiene un co-
de la media, depende de la variabilidad de la eficiente positivo y una desviada hacia la derecha
población y del tamaño de las muestras. tiene un coeficiente negativo. Para valores que no
pueden ser negativos, se puede inferir que una dis-
tribución es sesgada cuando la desviación estándar
Error estándar: es mayor que la mitad de la media. Lo contrario no
es necesariamente así, pero un histograma revelará
rápidamente cuándo una distribución es sesgada.
Una posibilidad de describir una población sesgada
es usar parámetros distintos que los de una distri-
Como no conocemos σ, usamos la desviación
bución Normal simétrica, generalmente la mediana
estándar de la muestra para una estimación del
y percentiles y para la inferencia se usarán pruebas
error estándar:
no paramétricas. Otra alternativa es usar una trans-
formación de los datos de manera que tengan una
Estimación del error estándar:
distribución más simétrica. La transformación más
frecuente es la de obtener logaritmos de los datos. El
antilogaritmo de la media aritmética de los valores
transformados es la media geométrica. Si la trans-
formación fue exitosa en eliminar el sesgo, la media
Se puede también calcular los límites de con-
geométrica será similar a la mediana y algo menor
fianza de la estimación de la media:
que la media aritmética de los datos originales. No
tiene sentido obtener el antilogaritmo de la desvia-
Límites de confianza:
ción estándar de los valores transformados. No se
debe asumir que una distribución sesgada puede ha-
cerse más simétrica con una transformación como la
mencionada por lo que debe comprobarse el efecto
Esto es, esperamos, con un 95% de confianza mirando un histograma de los datos transformados
de estar en lo cierto, que la media de la población o bien con pruebas como la W de Shapiro-Wilk.

120 Rev Chil Anest 2014; 43: 116-121

 LA DISTRIBUCIÓN NORMAL

REFERENCIAS Pocock SJ. Statistical guidelines for 1996; 312: 770.

contributors to medical journals. Br 9. Bland M. An Introduction to Medi-
1. Altman DG, Bland JM. Statistics Med J 1983; 286: 1489-1493. cal Statistics. 3rd Ed: Oxford: OUP,
notes: Detecting skewness from 5. Altman DG. Practical Statistics 2006.
summary information. BMJ 1996; for Medical Research. London: 10. Feinstein AR. On central tendency
313: 1200. Chapman&Hall,1991. and the meaning of mean of pH
2. Altman DG, Bland JM. Statistics 6. Bland JM, Altman DG. Standard values. Anesth Analg 1979; 58: 1-3.
notes: Quartiles, quintiles, centiles, deviations and standard errors. 11. Glantz SA. Primer of Biostatistics.
and other quantities. BMJ 1994; BMJ 2005; 331: 903. 3a edición, New York: McGraw-
309: 996. 7. Bland JM, Altman DG. Statistics Hill, 1992.
3. Altman DG, Bland JM. Statistics notes: Logarithms. BMJ 1996; 312: 12. Portney LG, Watkins MP. Founda-
notes: The normal distribution. 700. tions of Clinical Research. Appli-
BMJ 1995; 310: 298. 8. Bland JM, Altman DG. Statistics cations to practice. 2nd ed., Upper
4. Altman DG, Gore SM, Gardner MJ, notes: Transforming data. BMJ Saddle River: Prentice-Hall, 2000.

Correspondencia a:
Dr. Jorge Dagnino S.
jdagnino@med.puc.cl

Rev Chil Anest 2014; 43: 116-121 121