Docsity
Docsity

Prepara tus exámenes
Prepara tus exámenes

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity


Consigue puntos base para descargar
Consigue puntos base para descargar

Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium


Orientación Universidad
Orientación Universidad


Características de la Distribución Normal: Media, Desviación Tipo y Áreas Bajo la Curva, Apuntes de Bioestadística

Las características de una distribución normal, incluyendo la media aritmética, la desviación tipo y cómo representar la curva normal sin necesidad de infinitas combinaciones de valores. Además, se presentan métodos para calcular áreas bajo la curva normal y se proporcionan ejemplos para ilustrar los conceptos.

Tipo: Apuntes

2019/2020

Subido el 07/03/2020

Gabriela_Melendez
Gabriela_Melendez 🇸🇻

4

(1)

5 documentos

1 / 12

Toggle sidebar

Esta página no es visible en la vista previa

¡No te pierdas las partes importantes!

bg1
La curva normal
Vicente Manzano Arrondo – 2012-2014
La respuesta está en la historia
Abraham De Moivre nació en Francia en 1667, el mismo año en que su compatriota
Jean-Baptiste Denys realizó la primera transfusión de sangre a un humano y otro Jean-
Baptiste, esta vez de apellido Poquelin, pero conocido como Moliére, escribiera sus
últimas obras, ya enfermo.
De Moivre se formó con varios maestros, con los que mostró un excelente intelecto
para las matemáticas. Pero aproximadamente con 20 años tuvo que huir de Francia por
ser calvinista. Se refugió en Inglaterra. Aterrizó en terreno inglés más o menos cuando
Isaac Newton andaba publicando su famoso libro Principia Matemática (que, realmente se
llamaba Philosophiae Naturalis Principia Mathematica). De Moivre conoció a este famoso
inglés, pasado a la posteridad para muchos como la persona más inteligente de la
historia. Curiosa sentencia dedicada a quien fuera un puritano escrupuloso y un misógino
confeso que expiró orgullosamente virgen tras forzar comisiones para quitarse enemigos
de encima y hacer la vida imposible a mucha gente. Por su parte, De Moivre murió en el
exilio, tras décadas en el límite continuo de la pobreza, aunque reconocido como un genio
matemático por algunos de sus contemporáneos. Tenía nada menos que 87 años. Era
1754, el mismo año en que nació quien sería Luis XVI, el rey guillotinado en la revolución
francesa.
Como muchas personas con un intelecto muy desarrollado y algo de tiempo para
jugar con él (vivió pobre, pero no nació pobre), De Moivre se dedicó a cosas inútiles sin
cuyo desarrollo el conocimiento científico no habría llegado hasta donde hoy se encuentra
(esté donde esté ese sitio). Otros franceses aún más famosos que él, como Pascal o
Fermat (que murieron ambos cinco años antes de nacer De Moivre), desarrollaban la
teoría de las probabilidades con tareas tan serias como el juego de los dados o las
partidas de cartas. De Moivre seguía intrigado por estas cuestiones, además de por otras
muchas, observando un efecto gráfico curioso. Vamos a reproducirlo, más o menos.
Al lanzar una moneda al aire, hay la misma probabilidad de que aparezca cara que
cruz. Hablamos de una probabilidad de 1/2 (un medio o 0,5). Si se lanza una moneda una
vez, el gráfico de probabilidades para los posibles resultados muestra dos barras con la
misma altura: 0,5 para el resultado 1 cara (o 0 cruces), y 0,5 para el resultado 0 caras (es
decir, 1 cruz). Si lanzamos la moneda mil veces, cabría esperar una altura de 500
resultados para la cara y otra barra con igualmente 500 resultados para la cruz. Dado que
la probabilidad es muy suya, tal vez no sea 500 sino 498, por ejemplo; pero no nos
pondremos muy exigentes con ello.
Si se lanza la moneda dos veces, los resultados posibles son: 0, 1 y 2 para el
número de caras. Las barras ya no muestran la misma altura. Es natural: lo más probable
es que de dos lanzamientos salga una cara y una cruz (probabilidad de 0,5), antes que
dos caras (probabilidad de 0,25) o dos cruces (probabilidad de 0,25). Al lanzar la moneda
tres veces, los resultados posibles aumentan (0, 1, 2 o 3 caras). Las siguientes
representaciones gráficas (agrupadas como figura 1) muestran esa evolución. Al sumar la
altura de todas las barras, el resultado ha de ser siempre el mismo: 1, pues representa la
totalidad expresada como proporción. Si la expresáramos como porcentaje, el total sería
100%.
La forma que iba tomando la distribución ante los ojos y deducciones del
matemático era atractiva (ya ves, la gente se entretiene con cualquier cosa). De Moivre
observó que conforme aumenta el número de lanzamientos de monedas y hay más
resultados posibles para el número de caras (o de cruces, qué más da), la forma de la
1
pf3
pf4
pf5
pf8
pf9
pfa

Vista previa parcial del texto

¡Descarga Características de la Distribución Normal: Media, Desviación Tipo y Áreas Bajo la Curva y más Apuntes en PDF de Bioestadística solo en Docsity!

La curva normal

Vicente Manzano Arrondo – 2012-

La respuesta está en la historia

Abraham De Moivre nació en Francia en 1667, el mismo año en que su compatriota

Jean-Baptiste Denys realizó la primera transfusión de sangre a un humano y otro Jean-

Baptiste, esta vez de apellido Poquelin, pero conocido como Moliére, escribiera sus

últimas obras, ya enfermo.

De Moivre se formó con varios maestros, con los que mostró un excelente intelecto

para las matemáticas. Pero aproximadamente con 20 años tuvo que huir de Francia por

ser calvinista. Se refugió en Inglaterra. Aterrizó en terreno inglés más o menos cuando

Isaac Newton andaba publicando su famoso libro Principia Matemática (que, realmente se

llamaba Philosophiae Naturalis Principia Mathematica ). De Moivre conoció a este famoso

inglés, pasado a la posteridad para muchos como la persona más inteligente de la

historia. Curiosa sentencia dedicada a quien fuera un puritano escrupuloso y un misógino

confeso que expiró orgullosamente virgen tras forzar comisiones para quitarse enemigos

de encima y hacer la vida imposible a mucha gente. Por su parte, De Moivre murió en el

exilio, tras décadas en el límite continuo de la pobreza, aunque reconocido como un genio

matemático por algunos de sus contemporáneos. Tenía nada menos que 87 años. Era

1754, el mismo año en que nació quien sería Luis XVI, el rey guillotinado en la revolución

francesa.

Como muchas personas con un intelecto muy desarrollado y algo de tiempo para

jugar con él (vivió pobre, pero no nació pobre), De Moivre se dedicó a cosas inútiles sin

cuyo desarrollo el conocimiento científico no habría llegado hasta donde hoy se encuentra

(esté donde esté ese sitio). Otros franceses aún más famosos que él, como Pascal o

Fermat (que murieron ambos cinco años antes de nacer De Moivre), desarrollaban la

teoría de las probabilidades con tareas tan serias como el juego de los dados o las

partidas de cartas. De Moivre seguía intrigado por estas cuestiones, además de por otras

muchas, observando un efecto gráfico curioso. Vamos a reproducirlo, más o menos.

Al lanzar una moneda al aire, hay la misma probabilidad de que aparezca cara que

cruz. Hablamos de una probabilidad de 1/2 (un medio o 0,5). Si se lanza una moneda una

vez, el gráfico de probabilidades para los posibles resultados muestra dos barras con la

misma altura: 0,5 para el resultado 1 cara (o 0 cruces), y 0,5 para el resultado 0 caras (es

decir, 1 cruz). Si lanzamos la moneda mil veces, cabría esperar una altura de 500

resultados para la cara y otra barra con igualmente 500 resultados para la cruz. Dado que

la probabilidad es muy suya, tal vez no sea 500 sino 498, por ejemplo; pero no nos

pondremos muy exigentes con ello.

Si se lanza la moneda dos veces, los resultados posibles son: 0, 1 y 2 para el

número de caras. Las barras ya no muestran la misma altura. Es natural: lo más probable

es que de dos lanzamientos salga una cara y una cruz (probabilidad de 0,5), antes que

dos caras (probabilidad de 0,25) o dos cruces (probabilidad de 0,25). Al lanzar la moneda

tres veces, los resultados posibles aumentan (0, 1, 2 o 3 caras). Las siguientes

representaciones gráficas (agrupadas como figura 1) muestran esa evolución. Al sumar la

altura de todas las barras, el resultado ha de ser siempre el mismo: 1, pues representa la

totalidad expresada como proporción. Si la expresáramos como porcentaje, el total sería

La forma que iba tomando la distribución ante los ojos y deducciones del

matemático era atractiva (ya ves, la gente se entretiene con cualquier cosa). De Moivre

observó que conforme aumenta el número de lanzamientos de monedas y hay más

resultados posibles para el número de caras (o de cruces, qué más da), la forma de la

representación gráfica se parecía cada vez más a una campana. Lo de menos era la

forma final, lo interesante era la percepción de que se aproximaba a algo. Eso es un

aliciente irresistible para un matemático. Y no se resistió.

0 1 0 0, 0, 0, 0, 0,

0 1 2 0 0, 0, 0, 0, 0,

0 1 2 3 4 0 0, 0, 0, 0,

0 1 2 3 4 5 6 7 8

Figura 1. Evolución hacia la normal del lanzamiento de una moneda.

De Moivre se planteó identificar la función matemática a la que se aproxima la

distribución de probabilidades de n lanzamientos de una moneda. Y la encontró. Imagina

la de días que se llevó el hombre en esta tarea, en una época sin ordenadores ni

calculadoras de bolsillo, donde la gente escribía mojando una pluma de ave en un frasco

de cristal con tinta de calamar. El resultado es, para muchas personas, una función

matemática de extremada belleza. Para otras, tiene la misma hermosura que un caracol

comiendo perejil. Sea como fuere, esta curva inició con De Moivre una historia que llega

hasta ti. La función que encontró el calvinista exiliado suministra la altura de la curva para

cada valor del eje horizontal, que es:

f ( x ) =

S √ e

( X^ i −^ ̄ X^ )^2

S^22 π

√ e

Z (^) i^2

= (^ e

Z (^) i^2

−^12

Para quien no maneje con soltura las expresiones matemáticas, la fórmula anterior

puede generarle cierto estupor. Observa, no obstante, que todos sus elementos deben

resultarte familiares. S es la desviación tipo de la variable X, de la que puedes ver también

la representación del valor concreto ( Xi ) y la media aritmética ( X ̄^ ). e es el llamado

número natural, cuyo valor tiene una cantidad infinita de dígitos decimales

(2,71828182845904...). Y π es el número pi , cuyo valor, también provisto de infinitos

dígitos decimales, viene a ser 3,14159265358979... A la derecha observas la misma

función, pero expresada para puntuaciones tipo en lugar de puntuaciones originales. En

ese caso, sabes que S =1 (por lo que desaparece) y el exponente de e se simplifica

mucho.

distribución muestral de medias es el resultado de calcular la media aritmética en una

infinidad de muestras (imagina, por ejemplo, un millón de muestras, de cada una de las

cuales se ha calculado la media aritmética obteniendo un millón de resultados). Pues

bien, la forma con que se distribuyen esas medias es habitualmente normal. Lo mismo

ocurre con la distribución muestral de proporciones, etc. La facilidad con que los

estadísticos se distribuyen según una ley normal es una circunstancia que ha desarrollado

la estadística muchísimo. Y lo veremos en otra unidad, si es que quieres que nos

encontremos en ella. El modo en que De Moivre llegó a formalizar la curva normal es un

buen ejemplo de lo que estamos hablando: una distribución originalmente binomial (tipo

éxito/fracaso o cara/cruz) se aproxima a la normal conforme aumenta n , es decir, el

número de veces que se lanza la moneda al aire y se cuenta si ha salido cara o cruz.

Podemos pensar que la curva normal se llama así porque es así, es decir, normal,

habitual o frecuente. También nos vale pensar en que el nombre indica que la curva sirve

para normalizar o estandarizar determinados procedimientos en estadística. Y también es

cierto. Pero lo que va a ser normal es que vamos a hartarnos de utilizarla. Así que vete

acostumbrando.

Cosas tan curiosas como importantes

La curva normal tiene algunas características importantes. Veamos algunas de

ellas.

1. La curva puede variar de posición a lo largo del eje horizontal, es decir, puede estar

más hacia la izquierda o más hacia la derecha. Esa posición se representa bien por

la media aritmética. Esto le pasa a todos los conjuntos de datos. Lo peculiar de la

curva normal es que la media aritmética es una de las dos únicas características

que definen la función.

2. Manteniendo la misma escala, la curva puede ser más ancha o más estrecha,

según la desviación tipo de la variable que sigue ese comportamiento normal. En

esto tampoco hay nada de particular. Lo relevante es que se trata de la segunda

característica de la curva.

Ya no tiene más; es decir, conociendo la media y la desviación tipo, podemos

representarla sin necesidad de más información.

Las características 1 y 2 permiten concluir que si sabemos que un conjunto de

datos se distribuye según una ley normal y conocemos su media aritmética y su

desviación tipo, entonces conocemos todos los datos. Por ejemplo, si la variable X se

distribuye según una ley normal (o “es normal” o “sigue una distribución normal”) y tiene el

valor 90 como media aritmética y 20 de desviación tipo, entonces sabemos que un 15%

de la población tiene puntuaciones comprendidas entre Xi = 70 y Xi = 80, que en términos

estandarizados se expresarían respectivamente como Zi = -1 y Zi = -0,5.

3. La curva es simétrica. En otras palabras: según un eje de simetría vertical, una de

las dos mitades es un reflejo exacto de la otra. Como es simétrica, la media y la

mediana coinciden (a ambos lados se encuentra el mismo número de datos y el

mismo peso). Como solo tiene una moda, le pasa como a todas las distribuciones

simétricas unimodales: la moda se encuentra necesariamente en el centro, por lo

que también coincide con la mediana y con la media.

4. Muestra agolpamiento en el centro y dispersión hacia los extremos.

5. El modo en que se dispersa desde el centro es acelerada, es decir, disminuye con

rapidez, hasta que llega a un punto de inflexión en que se desacelera. Ese punto

es el valor que se encuentra a 1 desviación tipo a ambos lados de la media.

(obviamente, es a ambos lados puesto que la curva es simétrica).

6. Aproximadamente el 95% de los datos (la gran mayoría) se encuentra, como

mucho, a 2 desviaciones tipo de la media. El 99% (la inmensa mayoría) llega a

poco más de 2,5 desviaciones tipo de distancia.

Lo habitual es que la curva normal se utilice estandarizada, es decir, que las

puntuaciones originales se traduzcan a puntuaciones tipo. Es lo que he hecho en el punto

6 del esquema: que algo esté a 2 desviaciones tipo de la media es que muestra una

puntuación tipo de valor 2 (si está por encima de la media) o de valor -2 (si está por

debajo).

Recordemos que las puntuaciones tipo tienen de media 0 y desviación tipo 1. Esto

simplifica bastante la fórmula de De Moivre, tal y como hemos visto más arriba. Como

resulta que una curva normal está caracterizada por su media y su desviación tipo y en la

estandarizada estos valores son siempre los mismos y de cuantías interesantes, entonces

cualquier conjunto de datos que sea normal puede ser representado por la curva

estandarizada, sin necesidad de manejar infinitas curvas, una para cada una de las

infinitas combinaciones posibles de valores para la media y la desviación tipo.

Para muchos menesteres se utilizan tablas de la curva normal estandarizada, que

asocian puntuaciones tipo con probabilidades. Por ello, estas tablas permiten traducir de

puntuaciones tipo a probabilidades o de probabilidades a puntuaciones tipo. Por ejemplo,

utilizando una tabla podemos saber que el 95% de los datos en una curva normal se

encuentran alejados de la media en no más de 1,96 desviaciones tipo. En otras palabras,

en una curva normal, el 95% central de los datos se encuentra entre las puntuaciones

estandarizadas de Z = -1,96 y Z = 1,96. Dicho también de otro modo: la probabilidad de

encontrar en una curva normal datos que se alejen de la media en no más de 1,

desviaciones tipo es del 95% o de 0,95.

Para afianzar estas ideas, veamos algunas áreas bajo la curva normal, asociadas a

valores concretos de puntuaciones tipo. Para entender bien los gráficos, recordemos que

las probabilidades se miden como proporciones o tantos por uno, es decir, como

porciones de la unidad. Así, por ejemplo:

1. Algo imposible de que ocurra tiene la probabilidad 0.

2. Algo que ocurre seguro tiene la probabilidad 1.

3. Algo que ocurre la mitad de las veces, tiene de probabilidad 0,5.

4. Algo que ocurre un 75% de las ocasiones, tiene una probabilidad de valor 0,75.

En las siguientes representaciones gráficas de áreas bajo la curva normal, se

muestra el eje horizontal en escala de puntuaciones típicas. Cada una de las áreas

coloreadas representa una probabilidad, una proporción o una porción de área que se

expresa en el recuadro de su mismo color.

La siguiente tabla muestra un conjunto de datos (Xi) que provienen de una

distribución normal de media 50 y desviación tipo 10. Por ejemplo, Xi = 52 se encuentra a

2 unidades por encima de la media. Como S = 10, esas dos unidades se estandarizan

como Zi = 0,2 (Zi = [52-50]/10). El objetivo de la tabla es calcular la probabilidad de

encontrar datos en esa distribución que se alejan de la media tanto o menos que cada

valor Xi. Por eso, el resultado se denomina % centrado, como podría llamarse área

centrada, entre otras posibilidades. Esa columna se expresa en porcentajes. Para utilizar

la función de cálculo, hay que introducir como argumento distancias estandarizadas, no

valores o puntuaciones directas. Por eso he creado la columna Zi. Lo que hace es traducir

el valor Xi a una distancia estandarizada, siguiendo la expresión que ya conocemos:

Zi =

X i − X ̄

S

X i − 50

Otro ejemplo: un 66% de los datos de ese conjunto que sigue una ley normal se

alejan de la media (50) en no más de 9 unidades (pues 59-50=9). Para eso, imagina que

el valor 59 se encuentra en la celda A5, entonces primero se aplica la fórmula

=(A5-50)/10 para obtener Zi (por ejemplo, en la casilla B5). Acto seguido calculamos

=gauss(B5)*200 (es decir, 2100 para que no solo se muestre el área centrada que se

corresponde con el doble de gauss() sino también para que se exprese en tantos por

ciento en lugar de tantos por uno o proporción).

Características Media= 50 Desv. tipo= 10 Xi Zi % centrado 52 0,24 19 57 0,65 48 59 0,95 66 50 0,03 03 48 -0,20 16 62 1,23 78 61 1,06 71 43 -0,70 52 54 0,40 31 52 0,24 19 56 0,65 48 46 -0,40 31 66 1,63 90 53 0,32 25 55 0,45 35

Pasar de puntuaciones a proporciones con la tabla

Hay muchas posibilidades para construir una tabla de la curva normal tipificada. Y

hay muchas situaciones en las que podemos necesitarla. En los intervalos de confianza

(lo veremos en otra unidad), se manejan áreas centradas. En las pruebas de significación

de la hipótesis nula (otra unidad más), se utilizan áreas extremas que utilizan la misma

proporción en ambos extremos (prueba de dos colas) o solo en un extremo (pruebas de

una cola). Y en diversas situaciones hace falta otro tipo de áreas, como las que se inician

en el extremo izquierdo y superan la media (probabilidad acumulada).

Teniendo en cuenta todas las situaciones posibles, lo más usual es utilizar una

tabla que parta de áreas definidas entre la media aritmética y un valor de Z especificado.

A partir de esa tabla, con determinados cálculos, se llega a responder a todas las

necesidades. La lógica es exactamente la misma que has visto en el subapartado anterior,

que recurre a la función gauss(Z) de Calc:

1. La tabla suministra el área (A) que se encuentra entre la media y el valor de Z que

se introduce o se utiliza como referente.

2. Si interesa un área diferente, habrá que hacer operaciones:

a) Área centrada, es decir, entre -Z y +Z: 2A.

b) Área extrema, es decir, inferior a -Z y superior a +Z: 1-2A.

c) Área acumulada, es decir, desde -∞ hasta Z:

  • Si Z>0, entonces el área es 0,5+A.
  • Si Z<0, entonces el área es 0,5-A.

Veamos un ejemplo para cada caso, acudiendo a la tabla de áreas respecto a la

media que tienes en el Anexo. Observa que el contenido de cada casilla o celda es la

probabilidad de encontrar valores en la curva normal estandarizada que se encuentren

entre 0 y el valor de Z compuesto entre la cabecera de la fila (hasta las décimas) y la

cabecera de la columna (centésimas). Por ejemplo, una Z=1,35 se encuentra en la fila

1,30 y la columna 0,05 señalando la celda con valor 0,411. En otras palabras, la

probabilidad de encontrar una distancia estandarizada de valor comprendido entre 0 y

1,35 en una distribución normal es del 41,1%.

1. ¿Cuál es el porcentaje de datos en una curva normal que superan a la media en no

más de 1,37 desviaciones tipo? Puntuaciones tipo implicadas: 0 ≤ Z ≤ 1,37 (fila

1,30 y columna 0,07). Es precisamente lo que genera la tabla. Luego, el área es

A=0,415. Respuesta: 41,5%.

2. ¿Qué porcentaje de datos se aleja de la media en no más de 1,96 desviaciones

tipo? Puntuaciones tipo implicadas: -1,96 ≤ Z ≤ 1,96. La tabla solo suministra una

mitad (desde 0 hasta 1,96). Luego, el área es 2A=2·0,475=0,95. Respuesta: 95%.

3. ¿Qué porcentaje de datos se aleja de la media en, por lo menos, 1,5 desviaciones

tipo? Puntuaciones tipo implicadas: 1,5 ≤ |Z| (es decir, el valor absoluto de la

distancia estandarizada supera a 1,5). El área es 1-2A=1-2·0,433=0,134. O bien,

2(0,5-A)=2(0,5-0,433)=0,134. La respuesta es 13,4%.

4. Para áreas acumuladas, dos opciones:

a) ¿Cuántos datos, en una curva normal, tienen una puntuación tipo igual o inferior

a 1,28? -∞ ≤ Z. Área implicada: 0,5+0,4=0,9. Respuesta: 90%.

b) ¿Cuántos datos, en una curva normal, tienen una puntuación tipo igual o inferior

a -0,80? -∞ ≤ Z. Área implicada: 0,5-0,288=0,212. Respuesta: 21,2%.

más representativo (el 10% restante aglutina los valores de memoria más raros, sean por

exceso o por defecto).

Para resolverlo, lo más fácil es acudir a la tercera tabla, que ya maneja áreas

centradas. El 90% se corresponde con la fila 0,90 y la columna ,00. El valor de la casilla

es Z=1,645. Luego, el 90% de la población suministra valores de memoria comprendidos

entre -1,645 y +1,645 en número de desviaciones tipo que se alejan de la media. Hay que

traducirlo a puntuaciones directas para terminar convenientemente la tarea:

Zi =

X i − X ̄

S

⇒ X i = X ̄ ± Zi S = 100 ± 1,645 · 20 = 100 ± 32,9 = {67,1 ; 132,9}

Luego, el 90% de la población cuenta con puntuaciones en memoria comprendidas

entre 67,1 y 132,9.

Si se consulta la segunda tabla, que suministra áreas acumuladas, hay que

considerar que un 90% central está acotado por la misma Z que acota el 95% acumulado

(el 90% central más el 5% inferior). Piensa que el 90% central deja un 10% en los

extremos, que se reparten equitativamente en un 5% inferior y un 5% superior. El 95%

acumulado se corresponde con la fila 0,90 y la columna ,05, cuya celda apuntada es

Z=1,645. El resto del proceso es idéntico al anterior hasta llegar a 67,1 y 132,9.

También podemos partir de la primera tabla. En esta, las puntuaciones tipo no se

encuentran en las celdas sino en las cabeceras de filas y columnas. Las celdas de esta

tabla, como hemos visto, expresan áreas desde la media hasta Z. Pues bien, un área

centrada de valor 90% es lo mismo que dos áreas del 45% hasta la media. Luego, hay

que buscar la celda que muestre el valor 0,450. No existe, pero sí vemos dos celdas

contiguas con valores 0,449 y 0,451, que se corresponden respectivamente con las

respectivas Z de valores 1,64 y 1,65, así que podemos tomar el valor intermedio: Z=1,645.

El resto del proceso hasta llegar 67,1 y 132,9 es idéntico a los dos procedimientos

previos.

Anexos: tabla de la distribución normal estandarizada

Tabla de la distribución normal estandarizada respecto a la media

  • Cabecera de filas: unidades y décimas de la puntuación tipo (Z = u,dc)
  • Cabecera de columnas: centésimas de la puntuación tipo ( Z = u,dc)
  • Celdas: proporción de área bajo la curva normal que se encuentra entre la media y la puntuación tipo señalada por la fila y la columna.
  • Ejemplo: la proporción entre la media y Z=1,53 es la que se encuentra en la celda de la fila 1,50 y la columna ,03 (1,50+,03=1,53), es decir 0,437 (un