Medidas de Distribucin - 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.

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
como asimetra negativa cuando la mayor cantidad de datos se aglomeran en los valores
menores que la media.

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) o una baja
concentracin (Platicrtica).

Figura 5-2

Para calcular el coeficiente de Curtosis se utiliza la ecuacin:

Ecuacin 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 libros Estadstica 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.

Coeficiente de variacin

En estadstica, cuando se desea hacer referencia a la relacin entre el tamao de la media y la

variabilidad de la variable, se utiliza el coeficiente de variacin.
Su frmula expresa la desviacin estndar como porcentaje de la media aritmtica, mostrando
una mejor interpretacin porcentual del grado de variabilidad que la desviacin tpica o
estndar. Por otro lado presenta problemas ya que a diferencia de la desviacin tpica este
coeficiente es variable ante cambios de origen. Por ello es importante que todos los valores sean
positivos y su media d, por tanto, un valor positivo. A mayor valor del coeficiente de variacin
mayor heterogeneidad de los valores de la variable; y a menor C.V., mayor homogeneidad en
los valores de la variable. Suele representarse por medio de las siglas C.V.

Se calcula:

Es la desviacin tpica, y es la Media. Se puede dar en porcentaje calculando:

Propiedades y aplicaciones

El coeficiente de variacin no posee unidades.

El coeficiente de variacin es tpicamente menor que uno. Sin embargo, en ciertas distribuciones
de probabilidad puede ser 1 o mayor que 1.

Para su mejor interpretacin se expresa como porcentaje.

Depende de la desviacin tpica, tambin llamada "desviacin estndar", y en mayor medida de

la media aritmtica, dado que cuando sta es 0 o muy prxima a este valor el C.V. pierde
significado, ya que puede dar valores muy grandes, que no necesariamente implican dispersin
de datos.

El coeficiente de variacin es comn en varios campos de la probabilidad aplicada, como teora

de renovacin y teora de colas. En estos campos la distribucin exponencial es a menudo ms
importante que la distribucin normal. La desviacin tpica de una distribucin exponencial es
igual a su media, por lo que su coeficiente de variacin es 1. La distribuciones con un C.V. menor
que uno, como la distribucin de Erlang se consideran de "baja varianza", mientras que aquellas
con un C.V. mayor que uno, como la distribucin hiperexponencial se consideran de "alta
varianza". Algunas frmulas en estos campos se expresan usando el cuadrado del coeficiente de
variacin, abreviado como S.C.V. (por sus siglas en ingls)