{"id":1033,"date":"2026-03-21T19:48:34","date_gmt":"2026-03-21T17:48:34","guid":{"rendered":"https:\/\/blog.uclm.es\/miguelangeltarancon\/?p=1033"},"modified":"2026-03-21T23:16:56","modified_gmt":"2026-03-21T21:16:56","slug":"cuando-lo-normal-es-no-ser-normal","status":"publish","type":"post","link":"https:\/\/blog.uclm.es\/miguelangeltarancon\/2026\/03\/21\/cuando-lo-normal-es-no-ser-normal\/","title":{"rendered":"Cuando lo normal es no ser Normal."},"content":{"rendered":"\n
\"\"<\/figure>\n\n\n\n

Bendita Normal.<\/strong><\/p>\n\n\n\n

Hay pocas cosas en las que los cient\u00edficos sociales est\u00e9n tan un\u00e1nimemente de acuerdo como en el amor que profesan a la distribuci\u00f3n normal. Y no es para menos: la campana de Gauss<\/em> es, sin exageraci\u00f3n, uno de los inventos intelectuales m\u00e1s rentables de la historia de la Estad\u00edstica. Sim\u00e9trica, elegante, completamente descrita por solo dos par\u00e1metros \u2014la media y la desviaci\u00f3n t\u00edpica\u2014, y dotada de propiedades matem\u00e1ticas que hacen que trabajar con ella sea casi un placer. En un mundo donde los modelos estad\u00edsticos pueden volverse intratables con rapidez, la Normal es ese colega fiable que siempre llega a tiempo, nunca da problemas y sabe comportarse en cualquier situaci\u00f3n.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Pero la raz\u00f3n m\u00e1s profunda de su popularidad no es est\u00e9tica sino te\u00f3rica, y se llama Teorema Central del L\u00edmite<\/strong>. En su versi\u00f3n m\u00e1s conocida, este teorema establece que la suma (o la media) de un n\u00famero suficientemente grande de variables aleatorias independientes, sea cual sea su distribuci\u00f3n original, tiende a seguir una distribuci\u00f3n normal. Dicho de otro modo: si observas el resultado agregado de muchos fen\u00f3menos individuales \u2014el ingreso medio de un barrio, la puntuaci\u00f3n media en un test, el gasto medio por cliente\u2014, la Normal aparece casi inevitablemente, como por arte de magia estad\u00edstica. No importa demasiado si los componentes individuales son asim\u00e9tricos, discretos o de forma irregular: en el agregado, Gauss siempre acaba ganando. Esto ha dado a generaciones de investigadores una licencia casi universal para asumir normalidad con la conciencia tranquila.<\/p>\n\n\n\n

Y as\u00ed, durante d\u00e9cadas, la Normal se ha colado en modelos de regresi\u00f3n, contrates de hip\u00f3tesis, intervalos de confianza, modelos de riesgo financiero y hojas de c\u00e1lculo de todo el mundo. Con frecuencia, con plena justificaci\u00f3n.<\/p>\n\n\n\n

Con demasiada frecuencia, por pura inercia.<\/p>\n\n\n\n

Porque aqu\u00ed empieza el problema. El Teorema Central del L\u00edmite es poderoso, pero no es omnipotente. Requiere que las variables individuales tengan varianza finita \u2014un requisito que suena t\u00e9cnico y aburrido hasta que te das cuenta de que hay fen\u00f3menos reales donde esa condici\u00f3n no se cumple. Y cuando no se cumple, la Normal no solo es una aproximaci\u00f3n imprecisa: es una ficci\u00f3n peligrosa<\/em>. Sus colas \u2014esas zonas del gr\u00e1fico donde viven los eventos extremos\u2014 caen exponencialmente r\u00e1pido, asignando probabilidades \u00ednfimas a sucesos que en la realidad ocurren con una frecuencia perfectamente apreciable. El analista que conf\u00eda en la Normal para calibrar su exposici\u00f3n al riesgo extremo est\u00e1, en cierto sentido, usando un \u00ab<\/em>mapa de ciudad\u00bb<\/em> para orientarse en una cordillera: funciona bien en el centro, pero en los bordes del mundo el mapa simplemente deja de existir.<\/p>\n\n\n\n

Las consecuencias pr\u00e1cticas de este error no son solo acad\u00e9micas. En finanzas<\/em>, los modelos basados en normalidad subestimaron sistem\u00e1ticamente la probabilidad de los crashes<\/em> que luego ocurrieron, con resultados que el mundo pudo comprobar en 2008. En gesti\u00f3n de riesgos operacionales, las p\u00e9rdidas catastr\u00f3ficas \u2014ciberataques<\/em>, fraudes masivos, fallos de infraestructura\u2014 aparecen con una frecuencia que ning\u00fan modelo normal hubiera predicho. Y en el campo que nos ocupa \u2014como ejemplificaci\u00f3n\u2014 en este post<\/em>, el de los seguros, el mismo error tiene nombre propio y consecuencias directas sobre la solvencia de las compa\u00f1\u00edas.<\/p>\n\n\n\n

\u00bfPor qu\u00e9 los seguros son un territorio especialmente hostil para la Normal? Porque la distribuci\u00f3n de los siniestros individuales es profundamente asim\u00e9trica. La gran mayor\u00eda son peque\u00f1os y predecibles: una gotera, un cristal roto, una cerradura forzada. Pero de vez en cuando \u2014con una frecuencia baja pero no despreciable\u2014 aparece un siniestro de una magnitud completamente distinta: una inundaci\u00f3n que afecta a cientos de viviendas, un incendio que arrasa un edificio completo, una cat\u00e1strofe natural que activa miles de p\u00f3lizas a la vez. Esta estructura \u2014muchos eventos peque\u00f1os y algunos eventos gigantescos\u2014 es precisamente la firma de las distribuciones de cola pesada<\/strong>, y en particular de la familia Pareto<\/em>, cuya caracter\u00edstica definitoria es que la probabilidad de los eventos extremos decrece mucho m\u00e1s lentamente que en la Normal: no como una campana que se aplana, sino como una rampa que nunca llega a cero.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Cuando una aseguradora usa la Normal para estimar el riesgo de su cartera, el modelo le dice que los siniestros catastr\u00f3ficos son tan improbables que no merece la pena reservar capital para ellos. La Pareto<\/em> le dice algo muy diferente: que esos siniestros son raros, s\u00ed, pero no tan raros como para ignorarlos.<\/strong> La diferencia entre esos dos mensajes puede ser, como veremos a continuaci\u00f3n, la diferencia entre una empresa s\u00f3lida y una empresa que quiebra el a\u00f1o en que llega la tormenta que el modelo nunca supo ver.<\/p>\n\n\n\n

La aseguradora de Pr\u00f3spero Villaverde.<\/strong><\/p>\n\n\n\n

Perm\u00edteme presentarte a Pr\u00f3spero Villaverde<\/em>, propietario de Seguros Villaverde S.L.<\/em>, una aseguradora familiar que lleva veinte a\u00f1os cubriendo hogares en la provincia. Goteras, calderas que explotan, peque\u00f1os incendios de cocina, alg\u00fan robo ocasional. Un negocio tranquilo, predecible, rentable.<\/p>\n\n\n\n

Pr\u00f3spero Villaverde es un hombre met\u00f3dico. Cada a\u00f1o, antes de fijar las primas del siguiente, abre su hoja de c\u00e1lculo, mira los siniestros del a\u00f1o anterior, calcula la media y la desviaci\u00f3n t\u00edpica, y fija el precio de sus p\u00f3lizas con un margen de seguridad. \u00abLa estad\u00edstica no falla\u00bb<\/em>, le gusta decir en las cenas de empresa.<\/p>\n\n\n\n

Su actuaria, Prudencia Riesgo,<\/em> lleva a\u00f1os mir\u00e1ndole con una mezcla de respeto y aprensi\u00f3n. Esta es la historia de por qu\u00e9 Prudencia Riesgo ten\u00eda raz\u00f3n.<\/p>\n\n\n\n

Antes de empezar: unas breves notas sobre seguros.<\/strong><\/p>\n\n\n\n

Para entender el problema de Pr\u00f3spero Villaverde, necesitamos comprender c\u00f3mo funciona una aseguradora en lo m\u00e1s b\u00e1sico.<\/p>\n\n\n\n

Una aseguradora cobra una prima a cada cliente al inicio del a\u00f1o. A cambio, si ese cliente sufre un siniestro \u2014una gotera, un incendio, un robo\u2014 la aseguradora paga la reparaci\u00f3n. El negocio funciona si, al final del a\u00f1o, lo que la aseguradora ha cobrado en primas supera lo que ha pagado en siniestros.<\/p>\n\n\n\n

\u00bfC\u00f3mo fija Pr\u00f3spero Villaverde la prima? Con una l\u00f3gica aparentemente impecable:<\/p>\n\n\n\n

\u00abSi el siniestro medio cuesta 1.500 \u20ac, y tengo 1.000 clientes, necesito recaudar al menos 1.500.000 \u20ac al a\u00f1o solo para cubrir los costes medios. Pero los a\u00f1os malos pueden ser peores que la media, as\u00ed que a\u00f1ado un margen de seguridad: cobro la media m\u00e1s dos veces la desviaci\u00f3n t\u00edpica. Con eso deber\u00eda cubrirme en casi cualquier escenario.\u00bb<\/em><\/p>\n\n\n\n

Este razonamiento es correcto\u2026 si los siniestros siguen una distribuci\u00f3n normal. El problema es que no la siguen. Y Prudencia Riesgo lo sabe.<\/p>\n\n\n\n

\u00bfPor qu\u00e9 la distribuci\u00f3n de Pareto?<\/strong><\/p>\n\n\n\n

Previo a entrar en el an\u00e1lisis, conviene responder una pregunta que cualquier lector curioso se har\u00eda: \u00bfpor qu\u00e9 la distribuci\u00f3n de Pareto y no otra?<\/strong><\/em><\/p>\n\n\n\n

La respuesta es emp\u00edrica. D\u00e9cadas de datos de seguros, cat\u00e1strofes naturales y p\u00e9rdidas operacionales muestran que la frecuencia de siniestros grandes no decrece de forma exponencial \u2014como predice la Normal\u2014 sino como una ley de potencias<\/strong>: f(x) \u223c x\u207b(\u03b1+1)<\/em>. Esto significa que los eventos muy grandes son mucho m\u00e1s probables de lo que la Normal predice.<\/p>\n\n\n\n

Hay adem\u00e1s una raz\u00f3n te\u00f3rica de peso: el Teorema de Pickands\u2013Balkema\u2013de Haan<\/a><\/strong> garantiza que, bajo condiciones muy generales, la distribuci\u00f3n de los siniestros que superan un umbral alto converge a una distribuci\u00f3n de Pareto Generalizada<\/em>. Por eso su uso en actuar\u00eda no es un capricho, sino una prescripci\u00f3n de la teor\u00eda de valores extremos<\/em>.<\/p>\n\n\n\n

En nuestra simulaci\u00f3n usamos una Pareto con par\u00e1metro de cola \u03b1 = 1,05<\/strong>.<\/em> Este valor tiene una propiedad matem\u00e1tica crucial: con \u03b1 > 1<\/em> la media existe (el negocio tiene sentido econ\u00f3mico), pero con \u03b1 < 2<\/em> la varianza es infinita<\/strong>. No es una exageraci\u00f3n ret\u00f3rica: matem\u00e1ticamente, la varianza de esta distribuci\u00f3n no existe como n\u00famero finito. Y eso, como veremos, lo cambia todo.<\/p>\n\n\n\n

El primer aviso: la desviaci\u00f3n t\u00edpica que no se est\u00e1 quieta.<\/strong><\/p>\n\n\n\n

Antes de entrar en los gr\u00e1ficos de distribuciones, Prudencia Riesgo le muestra a Pr\u00f3spero algo que \u00e9l nunca se hab\u00eda molestado en comprobar, la figura 0:<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Este gr\u00e1fico puede parecer t\u00e9cnico a primera vista, pero el mensaje es muy simple. Imagina que puedes repetir el negocio de Pr\u00f3spero muchas veces en universos paralelos<\/em>, con diferentes clientes pero con la misma realidad subyacente. En cada universo, Pr\u00f3spero calcula su desviaci\u00f3n t\u00edpica a partir de sus datos. \u00bfObtendr\u00eda siempre el mismo n\u00famero?<\/p>\n\n\n\n

La l\u00ednea roja<\/em> corresponde al mundo donde Pr\u00f3spero tiene raz\u00f3n: un mundo donde los siniestros siguen una distribuci\u00f3n normal. La l\u00ednea es casi perfectamente plana y la banda a su alrededor es estrecha. Eso significa que en ese mundo, la desviaci\u00f3n t\u00edpica que calcula Pr\u00f3spero es una estimaci\u00f3n fiable: da m\u00e1s o menos lo mismo en qu\u00e9 a\u00f1o la calcule, con qu\u00e9 clientes, en qu\u00e9 universo paralelo.<\/p>\n\n\n\n

La l\u00ednea naranja<\/em> es la realidad: los siniestros siguen una distribuci\u00f3n de Pareto<\/em>. La banda naranja no se estrecha aunque el tama\u00f1o muestral crezca<\/strong>. Con 100 clientes, la desviaci\u00f3n t\u00edpica puede estar entre 5.000 y 30.000 \u20ac. Con 20.000 clientes, puede estar entre 40.000 y 175.000 \u20ac. M\u00e1s datos no dan m\u00e1s certeza.<\/strong><\/p>\n\n\n\n

\u00bfPor qu\u00e9? Porque en el mundo Pareto<\/em> la varianza te\u00f3rica es infinita. Cada vez que calculas la desviaci\u00f3n t\u00edpica de una muestra nueva, puede aparecer un siniestro descomunal que te la dispara. Lo que Pr\u00f3spero llama \u00abmi desviaci\u00f3n t\u00edpica\u00bb<\/em> no es una estimaci\u00f3n del riesgo real. Es el resultado de cu\u00e1ntos a\u00f1os de mala suerte le ha tocado ver hasta ahora.<\/p>\n\n\n\n

Cuando Prudencia Riesgo intenta explicarle esto, Pr\u00f3spero responde: \u00abLlevo veinte a\u00f1os calculando esta cifra y nunca me ha fallado.\u00bb<\/em> A lo que Prudencia replica: \u00abExactamente. Eso es lo que me preocupa.\u00bb<\/em><\/p>\n\n\n\n

El coraz\u00f3n del problema: dos mundos que se parecen en el centro y difieren en todo lo dem\u00e1s.<\/strong><\/p>\n\n\n\n

Observa ahora la figura 1.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n

Esta figura tiene dos partes, y juntas cuentan la historia m\u00e1s importante del post<\/em>.<\/p>\n\n\n\n

El centro enga\u00f1a.<\/em><\/p>\n\n\n\n

El panel superior muestra la densidad de probabilidad de las dos distribuciones, calibradas para tener aproximadamente la misma media. Observa que en la zona central \u2014entre 0 y 25.000 \u20ac, donde caen la inmensa mayor\u00eda de los siniestros cotidianos\u2014 las dos distribuciones son visualmente muy parecidas. Esto explica por qu\u00e9 Pr\u00f3spero lleva veinte a\u00f1os sin sospechar nada: a\u00f1o tras a\u00f1o, sus siniestros ordinarios encajan perfectamente con su modelo normal.<\/p>\n\n\n\n

La cola lo cambia todo.<\/em><\/p>\n\n\n\n

El panel inferior muestra las mismas distribuciones con una pregunta diferente: \u00bfcu\u00e1l es la probabilidad de que un siniestro supere un determinado importe? Este tipo de representaci\u00f3n se llama funci\u00f3n de supervivencia<\/em>, y ambos ejes est\u00e1n en escala logar\u00edtmica, lo que nos permite ver con claridad lo que ocurre en los siniestros grandes.<\/p>\n\n\n\n

La curva roja<\/em> \u2014la Normal de Pr\u00f3spero\u2014 cae en picado como un precipicio. En la zona sombreada en rosa, la Normal asigna una probabilidad tan peque\u00f1a que es pr\u00e1cticamente cero: para ella, un siniestro de 200.000 \u20ac es un evento \u00abastr\u00f3nomicamente improbable\u00bb.<\/p>\n\n\n\n

La curva naranja<\/em> \u2014la Pareto<\/em> real\u2014 desciende suavemente como una rampa. En esa misma zona, la Pareto<\/em> sigue asignando probabilidades apreciables a siniestros grandes. Un siniestro de 200.000 \u20ac no es frecuente, pero tampoco es impensable. Ocurrir\u00e1.<\/p>\n\n\n\n

El mensaje de este gr\u00e1fico es el m\u00e1s importante del post<\/em>: Pr\u00f3spero y Prudencia ven los mismos datos cotidianos y llegan a conclusiones id\u00e9nticas sobre los siniestros ordinarios. La diferencia no est\u00e1 en el centro, est\u00e1 en la cola.<\/strong> Y la cola es donde se arruinan las aseguradoras.<\/p>\n\n\n\n

La simulaci\u00f3n: veinte a\u00f1os tranquilos y lo que viene despu\u00e9s.<\/strong><\/p>\n\n\n\n

Convertimos ahora el an\u00e1lisis en n\u00fameros concretos.<\/p>\n\n\n\n

Previamente, conviene entender c\u00f3mo fija cada uno el precio de sus p\u00f3lizas. Pr\u00f3spero Villaverde aplica la l\u00f3gica que lleva usando veinte a\u00f1os: calcula la media y la desviaci\u00f3n t\u00edpica de los siniestros hist\u00f3ricos y cobra una prima igual a la media m\u00e1s dos veces la desviaci\u00f3n t\u00edpica. Bajo una distribuci\u00f3n normal, ese margen cubrir\u00eda el 97,7% de los escenarios posibles \u2014una protecci\u00f3n m\u00e1s que razonable. El problema, como ya sabemos, es que los siniestros no son normales.<\/p>\n\n\n\n

Prudencia Riesgo, en cambio, no parte de la distribuci\u00f3n de cada siniestro individual sino de la distribuci\u00f3n de las p\u00e9rdidas totales anuales: simula miles de a\u00f1os de actividad con la distribuci\u00f3n Pareto<\/em> real, calcula el percentil 99,5 de esas p\u00e9rdidas agregadas \u2014es decir, el umbral que solo se superar\u00eda en el peor 0,5% de los a\u00f1os\u2014 y divide entre el n\u00famero de p\u00f3lizas, a\u00f1adiendo un margen de seguridad adicional del 5%. Es un criterio riguroso, basado en cuantiles extremos de la distribuci\u00f3n real, no en los par\u00e1metros de una distribuci\u00f3n asumida por comodidad. El resultado es una prima notablemente m\u00e1s alta que la de Pr\u00f3spero<\/strong> \u2014lo que algunos clientes encontrar\u00e1n caro y otros encontrar\u00e1n sensato, dependiendo de si alguna vez han visto llover de verdad.<\/p>\n\n\n\n

Simulamos ahora la actividad de Seguros Villaverde<\/em> bajo tres escenarios:<\/p>\n\n\n\n