La respuesta breve: Una puntuación z indica cuántas desviaciones estándar se aparta un valor de la media: z = (x − μ) ÷ σ. Una z positiva está por encima del promedio, una negativa por debajo, y z = 0 es exactamente el promedio. En una curva normal la puntuación z se convierte directamente en un percentil, y por eso el mismo número puede comparar puntuaciones de exámenes con escalas completamente distintas.

Puntos clave

  • Las puntuaciones z son adimensionales. Miden distancia en desviaciones estándar, así que pulgadas, puntos y euros se vuelven comparables.
  • El signo da la dirección y el tamaño da la rareza. z = −2.0 está por debajo de la media y es casi tan poco habitual como z = +2.0.
  • Los percentiles necesitan la forma normal. La conversión de z a percentil supone una distribución normal, no unos datos cualesquiera.
  • |z| > 3 es raro bajo normalidad. Alrededor del 0.27% de los valores cae tan lejos, y esa es la base del criterio de valor atípico de tres sigma.
  • Una puntuación z no es automáticamente un valor atípico. En muestras pequeñas o asimétricas, los valores poco habituales son frecuentes y el corte normal engaña.

Qué mide una puntuación z

Una puntuación z, también llamada puntuación estándar, expresa un valor como múltiplo con signo de la desviación estándar. Si una clase promedia 72 puntos con una desviación estándar de 8, una puntuación de 86 está 14 puntos por encima de la media, es decir, 14 ÷ 8 = 1.75 desviaciones estándar. Su puntuación z es +1.75.

La transformación elimina las unidades originales, así que 1.75 desviaciones estándar por encima del promedio significa la misma posición relativa tanto si la variable son puntos de examen, alturas o errores de medición. Una puntuación z de 0 es la media, y un conjunto completo de puntuaciones z tiene desviación estándar 1.

La fórmula: población y muestra

Para una población completa con media μ y desviación estándar σ:

z = (x − μ) ÷ σ

Cuando la media y la desviación estándar proceden de una muestra, la misma aritmética usa x̄ y s: z = (x − x̄) ÷ s. Muchos libros usan n − 1 en la desviación estándar muestral, lo que hace s algo mayor y z algo menor que en la versión poblacional. La diferencia es despreciable en muestras grandes y notable en muestras pequeñas, así que indica qué desviación estándar usaste.

Restar la media centra la distribución en cero; dividir por σ hace que una unidad equivalga a una desviación estándar. Ninguna de las dos operaciones cambia la forma, así que los datos asimétricos siguen siendo asimétricos.

Ejemplo resuelto: un examen, dos estudiantes

Un examen tiene una media de 72 y una desviación estándar de 8. El estudiante A saca 86: z = (86 − 72) ÷ 8 = 1.75. El estudiante B saca 60: z = (60 − 72) ÷ 8 = −1.50. El estudiante A está 1.75 desviaciones estándar por encima del promedio y el B está 1.5 por debajo.

La distancia bruta es de 26 puntos, pero la distancia relativa es de 3.25 desviaciones estándar. Si la clase es aproximadamente normal, el estudiante A queda cerca del percentil 96 y el B cerca del 7: las colas son del 4.0% y del 6.7%, porque la curva normal se adelgaza al alejarse del centro.

Percentiles a partir de la curva normal

Bajo una distribución normal estándar, el área a la izquierda de una puntuación z es su percentil. La función de distribución acumulada Φ da esa área: Φ(1.75) ≈ 0.9599, así que una z de 1.75 es aproximadamente el percentil 96. Φ(−1.50) ≈ 0.0668, el percentil 6.7. Los hitos habituales son Φ(0) = 0.50, Φ(1) ≈ 0.8413, Φ(1.96) ≈ 0.9750 y Φ(2) ≈ 0.9772.

Para un rango, resta las dos áreas. La proporción de valores entre z = −1 y z = +1 es 0.8413 − 0.1587 = 0.6827, o 68.27%. Entre z = 0 y z = 1.5 la proporción es 0.9332 − 0.5000 = 0.4332, o 43.3%. Las tablas y las funciones de hoja de cálculo informan la misma área de cola izquierda; leer una tabla de dos colas como si fuera de una cola es el error habitual.

La regla 68-95-99.7

Para una distribución normal, alrededor del 68% de los valores queda dentro de una desviación estándar de la media, el 95% dentro de dos y el 99.7% dentro de tres. En términos de z: aproximadamente el 68% de los valores tiene |z| ≤ 1, el 95% tiene |z| ≤ 2 y el 99.7% tiene |z| ≤ 3.

La regla es una comprobación rápida de coherencia, no una ley. Se aplica solo a datos normales. Para cualquier distribución con varianza finita, la desigualdad de Chebyshev garantiza al menos el 75% de los valores dentro de dos desviaciones estándar y al menos el 88.9% dentro de tres, lo que es una afirmación mucho más débil pero universal. Si un conjunto de datos pretende que el 99% de los valores está dentro de una desviación estándar, o la distribución no es normal o la desviación estándar se calculó mal.

Valores atípicos: tres sigma y la regla del IQR

Un criterio habitual trata |z| > 3 como valor atípico, porque solo alrededor del 0.27% de los valores normales cae tan lejos. El umbral es una convención, no un veredicto: con 1,000 observaciones normales se esperan aproximadamente 2.7 valores más allá de tres sigma, así que unas pocas puntuaciones z extremas son normales en muestras grandes.

La regla del rango intercuartílico no depende de la distribución y a menudo se prefiere para datos asimétricos: marca los valores por debajo de Q1 − 1.5 × IQR o por encima de Q3 + 1.5 × IQR. Las dos reglas pueden discrepar, y esa discrepancia es informativa. En un conjunto de datos de ingresos asimétrico, el cribado basado en z marca demasiados ingresos altos mientras que la regla del IQR no lo hace. Informa qué regla usaste.

Comparar puntuaciones de escalas distintas

La tipificación es cómo las oficinas de admisión comparan solicitantes entre versiones de exámenes. Supón que el SAT tiene una media de 1050 y una desviación estándar de 150, y el ACT una media de 21 y una desviación estándar de 5. Un 1300 en el SAT da z = (1300 − 1050) ÷ 150 = 1.67. Un 28 en el ACT da z = (28 − 21) ÷ 5 = 1.40. La puntuación del SAT es más fuerte en relación con su prueba, aunque 28 «parezca» más alto que 1300 de forma aislada.

La comparación vale lo que vale el grupo de referencia: las normas nacionales y las puntuaciones de un solo centro responden a preguntas distintas, así que pregunta siempre qué media y qué desviación estándar produjeron el número.

Puntuaciones z para medias muestrales

Los promedios tienen su propia distribución. Para una muestra de tamaño n extraída de una población con media μ y desviación estándar σ, la media muestral x̄ tiene error estándar σ ÷ √n, así que su puntuación z es:

z = (x̄ − μ) ÷ (σ ÷ √n)

Con μ = 100, σ = 12, n = 36 y una media observada de 104, el error estándar es 12 ÷ 6 = 2 y z = 4 ÷ 2 = 2.0. Esa media observada está dos errores estándar por encima de la media poblacional: poco habitual, pero no imposible. Este es el cálculo que hay detrás de una prueba z de una muestra, y es la razón de que las muestras grandes hagan que la misma diferencia parezca más extrema.

Errores frecuentes

  • Dividir por la varianza en lugar de por la desviación estándar, lo que infla todas las puntuaciones z.
  • Mezclar una media muestral con una desviación estándar poblacional sin decirlo, o usar n en lugar de n − 1 en la desviación estándar muestral.
  • Leer una puntuación z negativa como «mala» cuando solo significa «por debajo de la media».
  • Convertir z a percentil para datos que no son aproximadamente normales.
  • Tratar cualquier |z| > 2 como un error o un valor atípico en lugar de como un valor que merece revisión.
  • Redondear z a un decimal antes de buscar un percentil, lo que puede mover el resultado varios puntos percentiles cerca de las colas.

Advertencias prácticas

Una puntuación z necesita una media y una desviación estándar con sentido. Para una variable asimétrica como el ingreso de los hogares, la media se ve arrastrada hacia arriba por unos pocos valores grandes, y tipificar no arregla la forma: solo vuelve a etiquetar el eje. En ese contexto, los percentiles de la distribución bruta, o la regla del IQR, describen los datos con más honestidad que una conversión por la curva normal.

Las curvas de crecimiento son un buen ejemplo de puntuaciones z usadas con cuidado: la talla y el peso infantil se comparan con distribuciones de referencia que también son asimétricas, así que las curvas usan una puntuación z modificada en lugar de una tabla normal simple. La misma precaución vale para cualquier afirmación de «percentil»: puntuación z y percentil coinciden solo cuando el modelo normal encaja.

Preguntas frecuentes

¿Puede una puntuación z ser negativa?

Sí. Una puntuación z negativa significa que el valor está por debajo de la media. No es un error ni necesariamente un mal resultado; z = −0.5 es simplemente media desviación estándar por debajo del promedio.

¿Qué se considera una puntuación z alta?

No hay un umbral universal. En una distribución normal, |z| > 2 es poco común (alrededor del 5% de los valores) y |z| > 3 es raro (alrededor del 0.27%). En control de calidad, 3 es un criterio habitual; en admisiones, 1.5 puede ser notable.

¿Una puntuación z es lo mismo que un percentil?

No. Un percentil es una posición en una distribución; una puntuación z es una distancia en desviaciones estándar. Se corresponden solo bajo una distribución normal.

¿Cuál es la diferencia entre una puntuación z y una puntuación t?

Una puntuación t es un reescalado lineal de una puntuación z: t = 50 + 10z. Se usa en algunas pruebas psicológicas y educativas para que las puntuaciones sean números enteros positivos, con media 50 y desviación estándar 10.

¿Puedo calcular una puntuación z sin la desviación estándar?

No. La desviación estándar fija la escala, así que es necesaria. Si solo conoces la media, puedes decir si un valor está por encima o por debajo del promedio, pero no cuán poco habitual es.

¿Por qué la tipificación fija la media en 0 y la desviación estándar en 1?

Restar la media desplaza el centro a cero, y dividir por la desviación estándar reescala la dispersión a uno. Ambas son operaciones lineales, así que la forma de la distribución no cambia.