Medidas de forma

Asimetra

Curtosis o apuntamiento

Hasta ahora, hemos estado analizando y estudiando la dispersin de una distribucin, pero parece
evidente que necesitamos conocer ms sobre el comportamiento de una distribucin. En esta parte,
analizaremos las medidas de forma, en el sentido de histograma o representacin de datos, es decir,
que informacin nos aporta segn la forma que tengan la disposicin de datos
Las medidas de forma de una distribucin se pueden clasificar en dos grandes grupos o
bloques: medidas de asimetra y medidas de curtosis.

Medidas de asimetra o sesgo: Coeficiente de

asimetra de Fisher
Cuando al trazar una vertical, en el diagrama de barras o histograma, de una variable, segn sea esta
discreta o continua, por el valor de la media, esta vertical, se transforma en eje de simetra, decimos que
la distribucin es simtrica. En caso contrario, dicha distribucin ser asimtrica o diremos que presenta
asimetra.
El coeficiente de asimetra ms preciso es el de Fisher, que se define por:
Segn sea el valor de g1, diremos que la distribucin es asimtrica a derechas o positiva, a
izquierdas o negativa, o simtrica, o sea:

Medidas de apuntamiento o curtosis: Coeficiente

de curtosis de Fisher

Con estas medidas nos estamos refiriendo al grado de apuntamiento que tiene una distribucin; para
determinarlo,
emplearemos
el
coeficiente
de
curtosis
de
Fisher.
- Si existe simetra, entonces g1 = 0, y Me X = ; si adems la distribucin es unimodal, tambin podemos
afirmar que:

Medidas de concentracin
Las medidas de concentracin tratan de poner de relieve el mayor o menor grado de igualdad en el
reparto del total de los valores de la variable, son por tanto indicadores del grado de distribucin de la
variable Para este fin, estn concebidos los estudios sobre concentracin
Denominamos concentracin a la mayor o menor equidad en el reparto de la suma total de los
valores de la variable considerada (renta, salarios, etc.)
Las infinitas posibilidades que pueden adoptar los valores, se encuentran entre los dos extremos:
1.

Concentracin mxima, cuando uno solo percibe el total y los dems nada, en este caso, nos
encontraremos ante un reparto no equitativo: x1 = x2 = x3 = = xn-1 = 0 y xn.

2.

Concentracin mnima, cuando el conjunto total de valores de la variable esta repartido por
igual, en este caso diremos que estamos ante un reparto equitativo x1 = x2 = x3 = =
xn-1 = xn .

De las diferentes medidas de concentracin que existen nos vamos a centrar en dos: Indice de Gini,
Coeficiente, por tanto ser un valor numrico.
Curva de Lorenz, grfico, por tanto ser una representacin en ejes coordenados. Sea una
distribucin de rentas (xi, ni) de la que formaremos una tabla con las siguientes columnas:
1.

Los productos xi ni, que nos indicarn la renta total percibida por los ni rentistas de renta
individual xi

2.

Las frecuencias absolutas acumuladas Ni.

3.

Los totales acumulados ui que se calculan de la siguiente forma: u1= x1 n1 u2 = x1 n1 + x2 n2

u3 = x1 n1 + x2 n2 + x3 n3 u4 = x1 n1 + x2 n2 + x3 n3 + x4 n4 un = x1 n1 + x2 n2 + x3 n3 + x4
n4 + + xn nn .

4.

La columna total de frecuencias acumuladas relativas, que expresaremos en tanto por ciento y
que representaremos como pi y que vendr dada por la siguiente notacin.

5.

La renta total de todos los rentistas que ser un y que dada en tanto por ciento, la cual
representaremos como qi y que responder a la siguiente notacin:

Por tanto ya podemos confeccionar la tabla que ser la siguiente:

Como podemos ver la ltima columna es la diferencia entre las dos penltimas, esta diferencia seria
0 para la concentracin mnima ya que pi = qi y por tanto su diferencia seria cero.
Si esto lo representamos grficamente obtendremos la curva de concentracin o curva de Lorenz
.La manera de representarlo ser, en el eje de las X, los valores pi en % y en el de las Y los valores de
qi en %. Al ser un %, el grfico siempre ser un cuadrado, y la grfica ser una curva que se unir al
cuadrado, por los valores (0,0), y (100,100), y quedar siempre por debajo de la diagonal.

La manera de interpretarla ser: cuanto ms cerca se site esta curva de la diagonal, menor
concentracin habr, o ms homogeneidad en la distribucin. Cuanto ms se acerque a los ejes, por la
parte inferior del cuadrado, mayor concentracin.
Los extremos son Analticamente calcularemos el ndice de Gini el cual responde a la siguiente
ecuacin
Observamos que hay poca concentracin por encontrarse cerca del 0.

Medidas de Distibucin - Asimetra y Curtosis

Las medidas de distribucin nos permiten identificar la forma en que se separan o

aglomeran los valores de acuerdo a su representacin grfica. Estas medidas
describen la manera como los datos tienden a reunirse de acuerdo con la
frecuencia con que se hallen dentro de la informacin. Su utilidad radica en la
posibilidad de identificar las caractersticas de la distribucin sin necesidad de
generar el grfico. Sus principales medidas son la Asimetra y la Curtosis.

Lomadee, una nueva especie en la web. La mayor Plataforma de Afiliados de Latinoamrica.

1. ASIMETRA
Esta medida nos permite identificar si los datos se distribuyen de forma uniforme
alrededor del punto central (Media aritmtica). La asimetra presenta tres estados
diferentes [Fig.5-1], cada uno de los cuales define de forma concisa como estn
distribuidos los datos respecto al eje de asimetra. Se dice que la asimetra es
positiva cuando la mayora de los datos se encuentran por encima del valor de la
media aritmtica, la curva es Simtrica cuando se distribuyen aproximadamente la
misma cantidad de valores en ambos lados de la media y se conoce
comoasimetra negativa cuando la mayor cantidad de datos se aglomeran en los
valores menores que la media.

Figura 5-1

El Coeficiente de asimetra, se representa mediante la ecuacin matemtica,

Ecuacin 5-9

Donde (g1) representa el coeficiente de asimetra de Fisher, (Xi) cada uno de los
valores, ( ) la media de la muestra y (ni) la frecuencia de cada valor. Los
resultados de esta ecuacin se interpretan:

(g1 = 0): Se acepta que la distribucin es Simtrica, es decir, existe

aproximadamente la misma cantidad de valores a los dos lados de la media. Este
valor es difcil de conseguir por lo que se tiende a tomar los valores que son
cercanos ya sean positivos o negativos ( 0.5).
(g1 > 0): La curva es asimtricamente positiva por lo que los valores se tienden a
reunir ms en la parte izquierda que en la derecha de la media.
(g1 < 0): La curva es asimtricamente negativa por lo que los valores se tienden
a reunir ms en la parte derecha de la media.

Desde luego entre mayor sea el nmero (Positivo o Negativo), mayor ser la
distancia que separa la aglomeracin de los valores con respecto a la media.

2. CURTOSIS
Esta medida determina el grado de concentracin que presentan los valores en la
regin central de la distribucin. Por medio del Coeficiente de Curtosis, podemos
identificar si existe una gran concentracin de valores (Leptocrtica), una
concentracin normal (Mesocrtica) una baja concentracin (Platicrtica).

Figura 5-2

Para calcular el coeficiente de Curtosis se utiliza la ecuacin:

Ecuacion 5-10

Donde (g2) representa el coeficiente de Curtosis, (Xi) cada uno de los valores, ( )
la media de la muestra y (ni) la frecuencia de cada valor. Los resultados de esta
frmula se interpretan:

(g2 = 0) la distribucin es Mesocrtica: Al igual que en la asimetra es bastante

difcil encontrar un coeficiente de Curtosis de cero (0), por lo que se suelen aceptar
los valores cercanos ( 0.5 aprox.).
(g2 > 0) la distribucin es Leptocrtica
(g2 < 0) la distribucin es Platicrtica

Cuando la distribucin de los datos cuenta con un coeficiente de asimetra (g1 =

0.5) y un coeficiente de Curtosis de (g2 = 0.5), se le denomina Curva Normal.
Este criterio es de suma importancia ya que para la mayora de los procedimientos
de la estadstica de inferencia se requiere que los datos se distribuyan
normalmente.

La principal ventaja de la distribucin normal radica en el supuesto que el 95% de

los valores se encuentra dentro de una distancia de dos desviaciones estndar de
la media aritmtica (Fig.5-3); es decir, si tomamos la media y le sumamos dos
veces la desviacin y despus le restamos a la media dos desviaciones, el 95% de
los casos se encontrara dentro del rango que compongan estos valores.

Figura 5-3

Desde luego, los conceptos vistos hasta aqu, son slo una pequea introduccin
a las principales medidas de Estadstica Descriptiva; es de gran importancia que
los lectores profundicen en estos temas ya que la principal dificultad del paquete
SPSS radica en el desconocimiento de los conceptos estadsticos.

Las definiciones plasmadas en este captulo han sido extradas de los

librosEstadstica
para
administradores escrito
por Alan
Wester de
la
editorial McGraw-Hill y el libro Estadstica y Muestreo escrito por Ciro
Martnez editorial Ecoe editores (Octava edicin). No necesariamente tienes que
guiarte por estos libros ya que en las libreras encontraras una gran variedad de
textos que pueden ser de bastante utilidad en la introduccin a esta ciencia.

<