Distribución normal

Un histograma de respuestas en una escala a veces parece una campana: la mayoría de los valores se concentran en el centro y son menos frecuentes hacia los extremos. Esa forma se denomina distribución normal. No se trata solo de algo "bonito a la vista": de lo cerca que estén tus datos de ella depende a menudo qué métodos de análisis puedes usar.

Muchas fórmulas de intervalos de confianza, pruebas t y regresión se apoyan en el supuesto de normalidad; cuando los datos se apartan mucho de una distribución normal, algunas conclusiones pueden perder validez o exigir otros métodos.

A la vez, las respuestas de encuestas están lejos de distribuirse siempre de forma normal: las escalas acotadas (por ejemplo, 1-5), las proporciones de "de acuerdo / en desacuerdo", las valoraciones sesgadas hacia un extremo: todo esto puede producir asimetría o un aspecto "recortado". Por eso es importante entender qué es una distribución normal, cuándo se la invoca y cómo verificar los datos antes de aplicar métodos que dependen de ella.

Qué es una distribución normal en palabras sencillas

Distribución normal - una curva simétrica en forma de campana: en el centro (en torno a la media) hay más observaciones, y su proporción cae suavemente hacia la izquierda y la derecha. Se define mediante dos números: la media y la desviación estándar (que determina cuán "extendida" está la campana). Una curva así suele caracterizarse por esto: aproximadamente dos tercios de los valores caen en la banda "media más menos una desviación estándar", y la banda "más menos dos desviaciones" abarca la inmensa mayoría. Varios procedimientos estadísticos se construyen suponiendo que tratamos con datos así, o cercanos a ellos.

Dicho más simple: si trazas un histograma de tales datos, obtienes una "colina" simétrica con su cima en el centro. Cuanto más difieran tus datos de esto (asimetría marcada, dos picos, bordes "recortados"), más precaución debes tener con los métodos diseñados para la normalidad.

Un ejemplo breve. Considera la pregunta "Califica del 1 al 5": con una distribución normal verías un pico en el medio (por ejemplo, la mayor cantidad de "3", menos "2" y "4", aun menos "1" y "5") y "colas" simétricas. En encuestas reales suele ser distinto: 5% "1", 10% "2", 15% "3", 35% "4", 35% "5". Eso es un sesgo a la derecha, sin campana, y las fórmulas diseñadas para la normalidad se aplican a tales datos con salvedades o se sustituyen por métodos no paramétricos.

Por qué importa en las encuestas

• Intervalos de confianza para la media. Un intervalo estrecho alrededor de la media muestral (teniendo en cuenta el error estándar y un multiplicador tabulado) da una estimación correcta de la incertidumbre solo si la distribución de la media muestral es cercana a la normal, lo cual, al crecer el tamaño de la muestra, lo garantiza el teorema central del límite. En muestras pequeñas y con una distribución muy "irregular" de los datos subyacentes, ese intervalo puede equivocarse de forma notable.
• Comparación de grupos (pruebas t). Una prueba t de dos muestras y pruebas similares suponen normalidad de la distribución dentro de los grupos (o un tamaño suficientemente grande, en cuyo caso la distribución de las medias es cercana a la normal de todos modos). Cuando la no normalidad es pronunciada, a veces se usan análogos no paramétricos (por ejemplo, Mann-Whitney).
• Regresión. En la regresión lineal clásica se supone que los residuos (errores del modelo) se distribuyen normalmente. Cuando esto se viola gravemente, las conclusiones sobre la significancia de los coeficientes y los intervalos de confianza pueden ser incorrectas; es posible pasar a modelos generalizados o a errores estándar robustos.

En resumen: una distribución normal no es un objetivo de "hacer los datos bonitos", sino un supuesto de ciertos métodos. Si los datos no encajan en ella, eliges otros métodos, o te apoyas en la asintótica (muestras grandes), o señalas explícitamente las limitaciones.

Cuándo la verificación es especialmente oportuna. Tiene sentido mirar explícitamente la distribución con una muestra pequeña (a grandes rasgos, menos de 30-50 por grupo), al comparar dos grupos en una variable cuantitativa (una prueba t) y antes de construir una regresión lineal. Con muestras grandes y una descripción simple (medias, proporciones), el teorema central del límite a menudo te "salva": las medias muestrales se comportan de forma normal incluso cuando los datos subyacentes no lo son.

Cuándo los datos de una encuesta no suelen ser normales

Escalas acotadas. Las respuestas en una escala 1-5 o 1-10 están acotadas por arriba y por abajo. Cuando la media está cerca de 4 o 5, la distribución a menudo "choca" contra el borde: no hay campana simétrica. Lo mismo ocurre con las proporciones de "sí/no" o "de acuerdo/en desacuerdo". Para tales variables, la normalidad es la excepción más que la regla.

Sesgo en una dirección. La satisfacción suele producir un sesgo hacia las valoraciones altas (en su mayoría "4" y "5", pocas "1" y "2"). El histograma es asimétrico: eso no es una distribución normal. Las escalas de Likert y otras escalas ordinales se comportan a menudo justo así.

Pocas observaciones. Con una muestra pequeña, incluso de una población normal, la distribución muestral puede verse "irregular"; mientras tanto, las pruebas de normalidad tienen poca potencia. No deberías confiar solo en la prueba: mira el histograma y el significado de la variable.

Por eso los informes de encuestas a menudo indican "se utilizaron métodos robustos ante desviaciones de la normalidad" o "se aplicó una prueba no paramétrica": esto es precisamente un reconocimiento de que los datos rara vez son perfectamente normales.

Cómo se verifica la normalidad

Gráficos. Un histograma muestra si hay un único pico en el centro y si las "colas" son simétricas. Un gráfico cuantil-cuantil (Q-Q) compara tus datos con una distribución normal teórica: los puntos a lo largo de una línea recta indican cercanía a la normalidad, mientras que una curvatura notable o "colas" hacia un lado indican una desviación.

Pruebas estadísticas. Shapiro-Wilk, Kolmogorov-Smirnov y pruebas similares responden a la pregunta "se puede considerar la muestra extraída de una población normal". La limitación: con N grande, la mínima discrepancia conduce al rechazo de la normalidad, mientras que con N pequeño las pruebas apenas son sensibles. Tiene sentido apoyarse en los gráficos y en la sustancia de la variable. Incluso con un "rechazo" formal de la normalidad por una prueba (por ejemplo, con 500 respuestas), la forma de la distribución puede seguir siendo aceptable para una prueba t: juzga según la situación.

El papel del tamaño de la muestra. El teorema central del límite afirma: a medida que crece el tamaño de la muestra, la media muestral se comporta cada vez más cerca de la ley normal, incluso si la cantidad subyacente (por ejemplo, una valoración en una escala 1-5) no se distribuye así. Por eso, al calcular intervalos y pruebas para la media con un N sólido, el supuesto de normalidad a menudo se considera satisfecho "en el límite", sin una verificación rigurosa de cada variable.

Por qué "normal"

El nombre es histórico: se pensaba que muchas cantidades naturales y de medición (estatura, errores de medición) se agrupan exactamente así. En las encuestas y las escalas de encuesta esto no está garantizado, pero las fórmulas de significancia estadística, margen de error e intervalos de confianza todavía suelen usar las propiedades de la distribución normal. Saber cuándo los datos están cerca de ella y cuándo no ayuda a elegir los métodos correctamente y a formular salvedades en el informe.

Errores típicos

Exigir la normalidad "a toda costa". Los datos de encuestas suelen ser no normales por naturaleza. No hace falta descartar variables ni ajustar transformaciones solo por un gráfico bonito: hace falta elegir métodos adecuados (no paramétricos, robustos) o apoyarse explícitamente en muestras grandes y en el teorema central del límite.

Confiar solo en la prueba. Una única prueba de normalidad con N grande casi siempre arrojará un "rechazo", mientras que con N pequeño puede "pasar por alto" una fuerte no normalidad. Mira siempre el histograma y el gráfico Q-Q.

Confundir la normalidad de una variable con la normalidad de los residuos. En la regresión verificas la normalidad de los residuos del modelo, no de las variables originales. Los predictores originales pueden estar distribuidos de cualquier manera.

Ignorar la normalidad donde importa. Si construyes un intervalo de confianza para la media en una muestra pequeña (por ejemplo, N=25) y los datos están claramente sesgados o tienen valores atípicos, la fórmula clásica puede dar un intervalo impreciso. En tales casos son apropiados el bootstrap, los intervalos no paramétricos o una nota explícita sobre las limitaciones.

Cómo se ve esto en SurveyNinja

SurveyNinja no tiene una verificación de normalidad integrada. Los informes muestran medias y proporciones por pregunta: a partir de ellas solo puedes juzgar la forma de la distribución de manera aproximada. Para histogramas, gráficos Q-Q y pruebas, exportas los datos a CSV/XLSX y los analizas en Excel, R, Python u otro paquete. Si luego construyes intervalos de confianza o una regresión en una herramienta externa, ahí suele ser donde también se verifican los supuestos.

Recomendaciones prácticas

Para describir la muestra no se requiere normalidad: la media, la mediana, las proporciones y la dispersión se calculan para cualquier dato. La normalidad importa cuando pasas a la inferencia: pruebas, intervalos de confianza, regresión.

Con una muestra pequeña y dudas sobre la normalidad, son preferibles los métodos no paramétricos, o una declaración explícita en el informe de que se usaron métodos tolerantes a las desviaciones de la normalidad.

Qué escribir en el informe. En la sección de metodología basta con una frase: cómo tuviste en cuenta la forma de la distribución, por ejemplo, "verificado mediante histograma" o "se usaron métodos que no requieren normalidad estricta". Así el cliente ve que los supuestos no se ignoraron.

Media, mediana y dispersión. En una campana "ideal" la media coincide con la mediana y la moda, y la desviación estándar describe la amplitud. Si, en tus datos, la media y la mediana divergen notablemente, eso es una señal de asimetría y de una posible desviación de la ley normal. Siempre tiene sentido mirar también la dispersión: una misma valoración media puede corresponder a diferentes formas de distribución. Los detalles, en los artículos sobre estadística descriptiva y la desviación estándar.

Una distribución normal fija los supuestos para algunos métodos estadísticos; en las encuestas, debido a las escalas cortas y a las respuestas sesgadas, los datos a menudo no encajan en ella. Conviene verificar la forma de la distribución allí donde tus conclusiones dependen de ella y, cuando sea necesario, pasar a procedimientos robustos o no paramétricos.