UNIVERSIDAD CATÓLICA

SANTO TORIBIO DE MOGROVEJO

MEDIDAS DESCRIPTIVAS

A. MEDIDAS DE POSICIÓN
1. Media aritmética
2. Mediana
3. Moda
4. Cuantiles

B. MEDIDAS DE DISPERSIÓN
I. Medidas de dispersión absolutas
1. Desviación típica
2. Varianza

II. Medidas de dispersión relativa

Coeficiente de variación

C. MEDIDAS DE ASIMETRÍA Y KURTOSIS

 1

INTRODUCCIÓN

La naturaleza de los datos permite, en muchos casos, cierto tipo de análisis a partir de los gráficos de la distribución.
Sin embargo, también es necesario considerar resúmenes numéricos que permitan tener una mejor idea de la manera
como los datos están distribuidos a lo largo de la recta. Estas características numéricas se llaman estadígrafos.

Algunas de estas medidas dependen de todas las observaciones y son muy sensibles a las fluctuaciones de éstas;
otras sin embargo, no dependen de todas las observaciones, siendo resistentes ante los cambios de los valores
extremos.

La mayor parte de los conjuntos de datos muestran a agruparse alrededor de un valor central. Estos valores, que de
alguna manera tipifican al conjunto, se llaman medidas de posición. Entre estas medidas se tiene: la media
aritmética, la mediana, la moda y los cuantiles.

Además de las medidas de tendencia central están las medidas que indican la dispersión que se produce en torno de
la media de los datos. Entre estas medidas se tiene: la varianza, la desviación estándar, el coeficiente de
variación.

La manera como están distribuidos los datos de un conjunto puede resumirse en lo que se llama la asimetría y el
apuntamiento de la curva que los describe.

A. MEDIDAS DE TENDENCIA CENTRAL:

1. MEDIA ARITMÉTICA O PROMEDIO:

La medida de tendencia central con la cual probablemente esté usted más familiarizado es la media aritmética;
se conoce también como media o promedio; se representa como x y se conoce como "x barra".
Aunque la media es una excelente medida de resumen de una serie de datos, éstos deben seguir una
distribución aproximadamente normal.
A la media se le llama "el centro de gravedad" de una distribución de frecuencias. Esto significa que la media
actúa como el punto de apoyo en una balanza, como se ve en la figura.

Fig: La media es el centro de gravedad de la distribución

Simbología:

Tamaño
Media aritmética
(número de datos)
Muestra n x : media muestral
Población N  : media poblacional

n
a. Datos no agrupados
x  x2  ...  xn x i
x 1  i 1
n n
Se lee así: la media es igual a “la suma de las x’s dividido por n”.

Estadística Descriptiva Lic. Jessica Oliva G.

 2

Ejemplo: La siguiente tabla muestra el número de reclamos y quejas presentadas por clientes de una tienda
a lo largo de una semana. Si se elige al azar un día de la semana ¿cuántos reclamos se espera tener?

Día de la semana Lun Mar Mier Jue Vier Sab

Reclamos / día 8 10 5 12 10 15
n

x i
8  10  5  12  10  15 60
x i 1
   10 reclamos
n 6 6

Interpretación: Se espera que los clientes de esta tienda realicen 10 reclamos por día.

b. Datos agrupados en tablas de frecuencias

m

y n  y 2 n 2  ...  y m n m y n
i 1
i i
y 1 1  ; yi : marca de clase i
n n
Ejemplo: La distribución de frecuencias siguiente, representa los puntajes obtenidos en una evaluación del
desempeño, aplicado al personal técnico de una empresa. Si se elige al azar un técnico ¿Qué puntaje se
espera que tenga en su evaluación de desempeño?

Marca de clase Número de

Desempeño (puntos)
(yi) técnicos (ni)
11 - 16 14 4
16 - 21 19 8
21 - 26 24 15
26 - 31 29 23
31 - 36 34 10
Total 60

14(4)  19(8)  24(15)  29(23)  34(10) 1575

y   26.3
60 60

Interpretación: Se espera que el técnico elegido al azar tenga un puntaje de 26.3 en su evaluación de
desempeño.

Ventajas y desventajas de la media aritmética

Ventajas:
1. Es un concepto familiar a la mayoría de las personas e intuitivamente claro.
2. Es única para cada conjunto de datos.
3. Es posible comparar medias de diferentes muestras.

Desventajas:
1. Puede verse afectada por los valores extremos.
2. Si la muestra es grande y los datos no están agrupados, su cálculo es tedioso.
3. Si los datos están agrupados en clases con extremos abiertos, no es posible calcular la media

Nota: La media aritmética como estadígrafo de posición de una distribución, proporciona una idea de la posición
de los valores alrededor de la media, La media es un promedio, por tanto no significa:
i) Que todos los valores observados resultan ahora ser iguales.
ii) Que la media se ubica exactamente en el centro de la distribución, excepto si la distribución es simétrica.
Entonces, la media aritmética en general no divide a la distribución.

Ejercicio: En una pequeña empresa de 10 trabajadores se hizo una prueba de razonamiento y otra de habilidad.
Se obtuvieron las siguientes calificaciones.

Razonamiento 48 38 65 56 16 55 28 62 32 48
Habilidad 36 18 54 47 21 56 68 70 72 38

¿En cuál prueba se espera que tengan mayores resultados los trabajadores?

Estadística Descriptiva Lic. Jessica Oliva G.

 3

2. LA MEDIANA O EL VALOR MEDIANO: Me

Es la medida que divide en dos subconjuntos a los datos, de tal manera que 50% de los datos es menor a la
mediana y el otro 50% es mayor a la mediana.
La mediana es el valor central de la variable, es decir, supuesta la muestra ordenada en orden creciente o
decreciente, el valor que divide en dos partes la muestra.

a. Datos no agrupados:

a.1 Número Impar de datos, la mediana es el valor del elemento intermedio.

Me = xn 1 / 2 

Ejemplo: Los siguientes datos se refieren al número de clientes atendidos durante los últimos 9 días en una
tienda. 14, 12, 7, 17, 10, 13, 15, 10, 12

Me
Primero se ordenan los datos:
7, 10, 10, 12, 12 13, 14, 15, 17

Interpretación: Durante 5 días se atendieron a menos de 12 clientes y durante 5 días se atendieron a más de
12 clientes.

a.2 Número Par de datos, la mediana es igual al promedio de los valores centrales
xn / 2   xn / 2 1
Me =
2
Ejemplo: 14, 26, 12, 20, 25, 26, 34, 36, 10

10 12 14 20 25 26 34 36

Me: (20+25)/2 = 22.5

b. Datos agrupados en tablas de frecuencias:

n 
 2  N i 1 
Me  l i  c  
 ni 
 
Donde:
Li : límite inferior del intervalo mediano
c : amplitud del intervalo mediano
ni : frecuencia del intervalo mediano
Ni-1 : frecuencia acumulada antes del intervalo mediano

Para determinar el intervalo mediano se debe calcular el valor de n/2 y ubicar en la columna de frecuencias
acumuladas la frecuencia que supera al valor de n/2, en ese lugar se ubicará el intervalo mediano.

Estadística Descriptiva Lic. Jessica Oliva G.

 4

Ejemplo: La tabla siguiente muestra la experiencia profesional (años) del personal técnico que labora en una
empresa.

Experiencia
N° de técnicos
profesional Ni  35  16 
(años)
(ni) Me  7  4   10.2
años
 24 
0 - 3 4 4
3 - 7 12 16
Interpretación: El 50% de los profesionales técnicos que
7 - 11 24 40  laboran en esta empresa tienen una experiencia laboral
11 - 15 16 56 igual o menor a 10 años 2 meses. El otro 50% de los
15 - 19 10 66 profesionales tiene una experiencia laboral igual o
19 - 23 4 70 mayor a 10 años y 2 meses.
Total 70

Ventajas y desventajas de la mediana

Ventajas
La mediana es más recomendable que la media aritmética, cuando:
1. La mediana no está afectada por los valores extremos como sucede con la media.
2. Se puede determinar para datos cualitativos, susceptibles de ordenarse de acuerdo a rangos, calificaciones o
categorías.

Desventajas
1. Como valor central, se debe ordenar primero la serie de datos.
2. Para una serie amplia de datos no agrupados, el proceso de ordenamiento de los datos demanda tiempo y
usualmente provoca equivocaciones.

3. LA MODA O VALOR MODAL: Mo

La moda es el valor de la variable que tenga mayor frecuencia absoluta, la que más se repite, es la única medida
de centralización que tiene sentido estudiar en una variable cualitativa, pues no precisa la realización de ningún
cálculo.
Por su propia definición, la moda no es única, pues puede haber dos o más valores de la variable que tengan la
misma frecuencia siendo esta máxima. En cuyo caso tendremos una distribución bimodal o polimodal según el
caso

a. Datos no agrupados
- El conjunto: 2, 2, 5, 7, 9, 9, 9, 10, 10, 11, 13 tiene la moda Mo = 9.
- El conjunto: 2, 3, 4, 4, 4, 5, 5, 7, 7, 7, 9 tiene dos modas, 4 y 7; es una distribución “bimodal”
- El conjunto: 3, 5, 8, 10, 12, 16, 18 no tiene moda.

b. Datos agrupados en tablas de frecuencias

 1 
Mo  l i  c  
 1   2 
donde:
1 : frecuencia de la clase modal menos la frecuencia de la clase anterior
2 : frecuencia de la clase modal menos la frecuencia de la clase siguiente

Estadística Descriptiva Lic. Jessica Oliva G.

 5

Ejemplo: La tabla siguiente muestra los errores de facturación durante un mes, en una empresa
comercializadora.

Errores de
Días
facturación  6 
0–3 6 Mo  3  4   5.4
6  4
3–7 12 
7 – 11 8 Interpretación: Durante un mes, el número más frecuente de
11 – 15 3 errores de facturación en esta empresa comercializadora es de 5.
15 – 19 1
Total 30

Ventajas y desventajas de la moda

Ventajas
1. Se puede utilizar tanto para datos cualitativos como cuantitativos.
2. No se ve afectada por los valores externos.

Desventajas
1. No tiene un uso tan frecuente como la media.
2. Muchas veces no existe moda (distribución amodal)
3. En otros casos la distribución tiene varias modas, lo que dificulta su interpretación.

RELACIÓN ENTRE LA MEDIA, MEDIANA Y MODA

1. En una distribución de frecuencias simétricas cuya representación gráfica es

acampanada y además unimodal: coinciden exactamente en el mismo valor;
media, mediana y moda.

x = Me = Mo

2. Si la distribución es más alargada para valores grandes de la variable (asimetría

a la derecha o positiva)

Mo < Me < x

3. Si la distribución es más alargada para valores pequeños de la variable (asimetría a

la izquierda o negativa)

x < Me < Mo

Estadística Descriptiva Lic. Jessica Oliva G.

 6

4. LOS CUANTILES
Cuando los valores ordenados de una variable han de ser divididos en grupos homogéneos en cuanto al tamaño,
se suelen utilizar los cuantiles.
Los cuantiles más usados en el análisis estadístico son: cuartiles, deciles y percentiles. Los cuantiles se usan
frecuentemente para describir el comportamiento de una población. Los valores se dan a menudo en tanto por
ciento.

a. Datos no agrupados

Percentiles
Un percentil da información acerca de cómo se distribuyen los valores sobre el intervalo, desde el menor hasta el
mayor. El percentil se define como sigue:

El p-ésimo percentil es un valor tal que por lo menos p por ciento de las observaciones son
menores o iguales que este valor y por lo menos (100 – p) por ciento de las observaciones
son mayores o iguales que este valor.

Para calcular del p-ésimo percentil se aplica el siguiente método

1º Ordenar los datos de manera ascendente

 p 
2º Calcule un índice i n , en donde p es el percentil de interés y n es la cantidad de observaciones.
 100 
3º Si i no es entero, se redondea. El valor entero inmediato mayor que i indica la posición del p-ésimo percentil.

Si i es entero, el p-ésimo percentil es el promedio de los valores de los datos ubicados en los lugares i e i+1

Ejemplo: Se tienen los siguientes valores 27, 25, 20, 15, 30, 34, 28 y 25. Encuentre el percentil 50 y 85

 Se ordena: 15 20 25 25 27 28 30 34
Para calcular el percentil 50

 p   50 
 Se calcula i n =  8  4
 100   100 

15 20 25 25 27 28 30 34
P50
P40 = (25 + 27) / 2 = 26

Para calcular el percentil 85

 p   85 
 Se calcula i n =  8  6.8  7
 100   100  P85

15 20 25 25 27 28 30 34

Cuartiles
Con frecuencia se dividen los datos en cuatro partes, cada una con aproximadamente la cuarta parte, o el 25%
de las observaciones. A los puntos de división se les llama Cuartiles y se definen como sigue.

Q1 = primer cuartil, o percentil 25

Q2 = segundo cuartil, o percentil 50 (también la mediana)
Q3 = tercer cuartil, o percentil 75

Estadística Descriptiva Lic. Jessica Oliva G.

 7

b. Datos agrupados en tablas de frecuencias

Se realiza de modo similar al cálculo de la mediana. Si queremos encontrar el p-ésimo percentil de orden p,
 p 
procedemos a localizar el intervalo que contiene el dato  n .
 100 

 ( p / 100)n  N i 1 
Pp  li  c  
 ni 
Donde:
[li – ls) : el intervalo que contiene dicho percentil
c : la amplitud del intervalo
ni : frecuencia del intervalo
Ni-1 : frecuencia acumulada antes del intervalo

Ejemplo: Los siguientes datos es el número de piezas fabricadas por 110 de trabajadores en una semana.
a. ¿Cuál es la cantidad de piezas como máximo que fabrica el 25% de trabajadores con menor producción?
b. ¿Cuál es la cantidad de piezas como mínimo que fabrica el 25% de trabajadores con mayor producción?

Nº de piezas Nº de
Ni
fabricadas trabajadores
20 – 25 5 5
25 – 30 7 12
30 – 35 9 21
35 – 40 14 35 P25
40 – 45 20 55
45 – 50 26 81
50 – 55 18 99 P75
55 – 60 11 110
Total 110

a. Se calculará el primer cuartil, tomamos P = 25

 p   25 
Calculamos  n =  110  27.5
 100   100 

 27.5  21
P25  35  5  43.1
 14 
El 25% de trabajadores con menor producción fabrican como máximo 43.1 piezas.

b. Se calculará el tercer cuartil, tomamos P = 75

 p   75 
Calculamos  n =  110  82.5
 100   100 

 82.5  81
P75  50  5   50.4
 18 
El 25% de trabajadores con mayor producción fabrican como mínimo 43.1 piezas.

Estadística Descriptiva Lic. Jessica Oliva G.

 8

B. MEDIDAS DE DISPERSIÓN:

Las medidas de posición central son los valores que de una manera condensada representan una serie de datos,
pero realmente no son suficientes para caracterizar una distribución de frecuencia. Para describir una distribución
de frecuencia o serie de datos es necesario, por lo menos otra medida que indique la dispersión o variabilidad
de los datos, es decir, su alejamiento de las medidas de posición central. Estas medidas de posición central no
tienen ningún valor si no se conoce como se acercan o se alejan esos valores con respecto al promedio, en otras
palabras es conocer cómo se dispersan o varían esos valores con respecto al promedio de una distribución de
frecuencia.

La dispersión o variabilidad se entiende como el hecho de que los valores de una serie difieran uno de otro, es
decir, como se están dispersando o distribuyendo en la distribución. De acuerdo con esto es necesario encontrar
una medida que indique hasta qué punto los valores de una variable están dispersos en relación con el valor
típico. Las medidas de variabilidad son números que expresan la forma en que los valores de una serie de datos
cambian alrededor de una medida de posición central la cual por lo general es la media aritmética.

Se llama Variación o Dispersión de los datos, el grado en que los valores de una distribución o serie numérica
tienden a acercarse o alejarse alrededor de un promedio. Cuando la dispersión es baja indica que la serie de
valores es relativamente homogénea mientras que una variabilidad alta indica una serie de valores heterogénea.

Cuando los valores observados de una serie están muy concentrados alrededor del promedio, se dice que ese
promedio es o será muy representativo; pero si están muy dispersos con relación al promedio, es decir muy
esparcidos con respecto al promedio, entonces ese promedio es poco representativo de la serie o distribución,
puesto que no representan adecuadamente los datos individuales de esa distribución. Es importante obtener una
medida que indique hasta qué punto las observaciones de una serie de valores están variando en relación con el
valor típico de la serie.

Las medidas de dispersión se clasifican en dos grandes grupos:

I. Las Medidas de Dispersión Absolutas
II. Las Medidas de Dispersión Relativas

I. MEDIDAS DE DISPERSIÓN ABSOLUTAS

1. La Desviación Típica o Estándar

Es la medida de dispersión más utilizada en las investigaciones por ser la más estable de todas, ya que para su
cálculo se utilizan todos los desvíos con respecto a la media aritmética de las observaciones, y además, se
toman en cuenta los signos de esos desvíos. Se le designa con la letra castellana S cuando se trabaja con una
muestra y con la letra griega minúscula  (Sigma) cuando se trabaja con una población. Es importante destacar
que cuando se hace referencia a la población él número de datos se expresa con N y cuando se refiere a la
muestra él número de datos se expresa con n. La desviación típica se define como:
“La raíz cuadrada positiva del promedio aritmético de los cuadrados de los desvíos de las observaciones con
respecto a su media aritmética”.
Es una medida de bastante precisión, que se encarga de medir el promedio de la dispersión de las
observaciones de una muestra estadística. Las influencias de las fluctuaciones del azar, al momento de
seleccionar la muestra la afectan muy poco. Le da gran significación a la media aritmética de la serie de
valores. Es siempre una cantidad positiva.

a) Datos no agrupados

n xi2   xi 
n

 (x
2
 x) 2
s
i
s i 1
n(n  1)
n 1
Es importante recordar que cuando se trabaja con la fórmula para datos no agrupados y se trata de una
muestra se utilizará como denominador n1, para corregir el sesgo, pero si en la muestra n  50, entonces
se utilizará n, simplemente.

Estadística Descriptiva Lic. Jessica Oliva G.

 9

b) Datos agrupados en tablas de frecuencias

Para calcular la desviación típica en datos agrupados existen varios criterios en relación a la corrección del
sesgo que se produce al tomar una muestra, en este estudio se considerará la fórmula que corrige el
sesgo de aquellas muestras en estudio; sin embargo, cuando n sea mayor que 50, no es necesario tal
corrección. Existen muchas fórmulas matemáticas para calcular la desviación típica, queda a juicio del
estudiante utilizar la fórmula que él considere más fácil, siempre y cuando su aplicación sea valedera.

(y  y ) 2 ni  y n  2

s
i

n 1
y 2
i ni 
n
i i

s
n 1
2. VARIANZA
Es otra de las variaciones absolutas y la misma se define como el cuadrado de la desviación típica; viene
expresada con las mismas letras de la desviación típica pero elevada al cuadrado, así S y  . Las fórmulas
2 2

para calcular la varianza son las mismas utilizadas por la desviación típica, exceptuando las respectivas raíces,
las cuales desaparecen al estar elevados el primer miembro al cuadrado.

 yn
y n  
2
2 i i
i i
s2  n
n 1

Ejemplo: El técnico responsable del funcionamiento de una empaquetadora automática, la ajustó en principio,
para 450 gr. Media hora después del principio de la producción se apartaron 10 paquetes para verificar su peso.
Los resultados son:

Peso (gr) 448 450 453 451 447 449 446

Calcular la desviación típica

Solución:

n xi2   xi 
Para calcular la desviación típica utilizaremos la siguiente fórmula: 2

s
n(n  1)
n = 7; x i  3144 ; x 2
i 1412140

Reemplazando:
71412140  3144
2

s  2.41gr
7(7  1)

Estadística Descriptiva Lic. Jessica Oliva G.

 10

Ejemplo: Calcular la varianza y la desviación estándar de la resistencia a la tensión, en libras por pulgada
cuadrada (psi), de 80 muestras de una nueva aleación de aluminio y litio.

Resistencia a la
tensión yi ni yi ni yi2 yi2ni
(psi)
70 – 90 80 2 160 6400 12800
90 – 110 100 3 300 10000 30000
110 – 130 120 6 720 14400 86400
130 – 150 140 14 1960 19600 274400
150 – 170 160 22 3520 25600 563200
170 – 190 180 17 3060 32400 550800
190 - 210 200 10 2000 40000 400000
210 – 230 220 4 880 48400 193600
230 – 250 240 2 480 57600 115200
80 13080 254400 2226400

Como el tamaño de muestra es mayor a 50 no es necesario utilizar la corrección n-1

Entonces reemplazando en la fórmula tenemos:

 y n  2
13080 2
y 2
i ni 
n
i i
2226400 
80
s   33.13 psi
n 80

II. MEDIDAS DE DISPERSIÓN RELATIVAS

Las medidas de variabilidad, estudiadas hasta ahora, solo permitían medir las dispersiones absolutas de los
términos de la muestra. Las medidas, tomadas en esas condiciones, serán de utilidad, sólo cuando se trata de
analizar una sola muestra; pero, cuando hay que establecer comparaciones entre distintas muestras, será
necesario expresar tales medidas en valores relativos, que pueden ser proporciones o porcentajes.

Las medidas de dispersión relativas permiten comparar grupos de series distintas en cuanto a su variación,
independientemente de las unidades en que se midan las diferentes características en consideración.
Generalmente las medidas de dispersión relativas se expresan en porcentajes, facilitando así el estudio con
medidas procedentes de otras series de valores. La dispersión relativa viene a ser igual a la dispersión absoluta
dividida entre el promedio.
Existen varias medidas de dispersión relativa, pero, la más usada es el coeficiente de variación de Pearson, este
es un índice de variabilidad sin dimensiones, lo que permite la comparación entre diferentes distribuciones de
frecuencias, medidas en diferentes unidades. El coeficiente de variación de Pearson se designa con las letras CV.
La fórmula matemática es:
s
CV   100
x
Ejemplo: Un fabricante de tubos de televisión dispone de dos tipos de tubos, A y B. Los tubos tienen una duración
media de 1495 h. y 1875 h. respectivamente. Las desviaciones típicas son 280 para A y 310 para B. Determinar
qué tubo presenta mayor dispersión absoluta y cuál presente mayor dispersión relativa.

Podemos decir directamente que el tipo B presenta mayor dispersión absoluta, ya que la desviación típica es una
medida de dispersión.
Para ver la dispersión relativa debemos calcular el Coeficiente de Variación de Pearson (CV):

Tipo de Tubo x s CV CV (%)

A 1495 280 0.187 18.7
B 1875 310 0.165 16.5

Estadística Descriptiva Lic. Jessica Oliva G.

 11

Por tanto, será el tubo A el que presente mayor dispersión relativa en su duración.

C. ESTADÍGRAFOS DE ASIMETRÍA Y KURTOSIS:

Coeficiente de Asimetría: En estadística se dice que una distribución de datos es simétrica si se le puede doblar
a lo largo de un eje vertical de una manera tal que coincidan los dos lados de la distribución. Las distribuciones que
no tienen simetría con respecto al eje vertical se les llama sesgada o asimétrica. Una distribución sesgada a la
derecha tiene una cola prolongada del lado derecho de la distribución y una cola más corta del lado izquierdo de la
misma; esta asimetría se le denomina positiva, cuando la cola de la distribución del lado izquierdo es más larga que
la del lado derecho, entonces la asimetría es negativa.

En una distribución simétrica la media, la mediana y la moda son iguales. La simetría se mide por medio del
coeficiente de asimetría. Una distribución simétrica tiene un coeficiente de asimetría igual a cero.
Cuando una distribución de frecuencia es asimétrica, la media, la mediana y la moda se alejan una de otra, es
decir, las tres medidas de posición son diferente; mientras más se separe la media de la moda, mayor es la
asimetría. Si la distribución de frecuencia es asimétricamente negativa, la cola de la curva de distribución se
encuentra hacia los valores más pequeños de la escala de las X y si la distribución es asimétricamente positiva la
cola de la distribución se ubica hacia los valores más grandes de la escala de las X.

Karl Pearson un estudioso de la estadística designo el coeficiente de asimetría con las letras SK y determinó la
fórmula para su cálculo, al cual se le denominó primer coeficiente de asimetría de Pearson

( X  Mo)
SK1 
S

Se tiene otro coeficiente de asimetría utilizando la mediana que se le denomina segundo coeficiente de asimetría
de Pearson, este es más preciso que el primero

3( X  Md )
SK 2 
S

Estadística Descriptiva Lic. Jessica Oliva G.

 12

Arthur Bowley otro estudioso de la estadística determinó que el coeficiente de asimetría se podía calcular por medio
de los cuartiles y utilizó el coeficiente de asimetría por medio de cuartiles (SKq), y la fórmula es

Q1  Q3  2Q2
SK q 
Q3  Q1

En donde, Q1, Q2 y Q3 son los cuartiles 1, 2 y 3 respectivamente. El valor de SK q varía entre 1 y 1; según
Bowley una distribución de frecuencia con un coeficiente de asimetría igual a 0.1, se considera como ligeramente
asimétrica y con un valor mayor 0.3 se le considera marcadamente asimétrica.
Si en una serie de valores la X  Me  Mo, entonces la distribución de frecuencia presenta una curva asimétrica
positiva; si la X =Me = Mo = 0, la curva de la distribución es simétrica; y si la distribución presenta una curva en
la que el Mo  Me  X , entonces se dice que la curva de la distribución asimétrica negativa.
Sí la curva de una distribución de frecuencia es sesgada, la media tratará de ubicarse hacia el extremo o lado
opuesto, de la serie de valores, donde se concentran los datos. Es bueno hacer referencia que en una asimetría
positiva la X  Me y en una asimetría negativa la X  Me.

Mo < Me < = Me = Mo < Me < Mo

Considerar la asimetría de una curva de frecuencia marcadamente o ligeramente asimétrica, es un asunto de

criterio del investigador, puesto que no existen reglas rígidas establecidas que determinen las líneas divisorias o
parámetros entre ligeramente o marcadamente asimétrica; sin embargo cuando la mayoría de los datos de una
distribución de frecuencia se ubican en los extremos mayores o menores de las variables se puede afirmar con
certeza que la curva de la distribución es marcadamente asimétrica.

Algunos investigadores como Arthur Bowley determinaron que si se aplica el SK q y ese coeficiente de asimetría
obtenido es menor que 0.3 (sin considera el signo) se puede afirmar que la curva de la distribución es ligeramente
asimétrica, en caso contrario la curva de la distribución sería marcadamente asimétrica.
Otros investigadores utilizan el coeficiente de asimetría según los momentos (SK m) para tales efectos, pero no
existe criterio en cual ha de ser el coeficiente especifico que marque él límite entre ligera y marcadamente.

Sin embargo, en este estudio se considerará que un coeficiente de asimetría según los momentos comprendido
entre  0.30  SK  0.30, sería un buen límite para considerar una curva de distribución como ligeramente
asimétrica, de lo contrario sería marcadamente asimétrica. El SK es el coeficiente de asimetría de mayor precisión
y confiabilidad, puesto que este, utiliza para su cálculo todos los valores de la serie de datos.

Es bueno afirmar que cuando el coeficiente de asimetría de una curva de distribución es marcadamente asimétrico
no se puede utilizar la media aritmética como medida de tendencia central, puesto que esta es afectada altamente
por los valores extremos de una serie de datos, en su lugar es recomendable utilizar la mediana como medida de
posición.

Coeficiente de Kurtosis: Es el grado de apuntamiento o altura de la curva de una distribución de frecuencia. La

finalidad de la Kurtosis es determinar si la distribución de los términos de una serie de valores responde a una
curva normal o no. Se utiliza para observar el promedio o posición de la distribución, así como la media, la
mediana y la moda, se puede en esta observar la asimetría, el grado de concentración de los datos, en fin, para

Estadística Descriptiva Lic. Jessica Oliva G.

 13

observar en forma general el comportamiento de una serie de datos en una distribución de frecuencia. Por medio
de la Kurtosis se determinará si la distribución de frecuencia es demasiado puntiaguda, normal o muy achatada.
El grado de apuntamiento o altura de una curva de distribución se determina por medio del coeficiente de Kurtosis,
el cual se calcula utilizando el momento cuatro de una serie de valores con respecto a su media aritmética. La
Kurtosis se designa con la letra K y la fórmula de cálculo es:

0.5( P75  P25 )

K
P90  P10
Tomando en cuenta la Kurtosis el K de una curva de distribución puede ser: Mesocúrtica, Platicúrtica y
Leptocúrtica.

Mesocúrticas.- Es aquella curva de una distribución de frecuencia que no es ni muy alta ni muy achatada, es la
llamada curva normal.
La curva Mesocúrtica tiene un coeficiente de Kurtosis igual a tres, es decir, K = 0.263

Leptocúrtica.- Es aquella curva de la distribución que presenta un apuntamiento o altura relativamente más alta
que la curva Mesocúrtica, en esta los datos se encuentran más concentrados alrededor del máximo valor. El
coeficiente de Kurtosis para curva Leptocúrtica es mayor de tres, es decir, K  0.263

Platicúrtica.- Es la curva de una distribución de frecuencia que presenta un achatamiento más pronunciado que la
Mesocúrtica, encontrándose los datos más dispersos alrededor del máximo valor de la distribución. En esta curva
el coeficiente de Kurtosis es menor de tres, es decir, K  0.263

1° PLATIKURTICA 2° MESOKURTICA 3° LEPTOKURTICA

Ejemplo: El jefe en control industrial de una empresa somete a un test de fiabilidad 100 dispositivos electrónicos
idénticos y anota su duración (tiempo hasta el fallo en horas). La recogida de datos lleva a la distribución de
frecuencias siguiente:

Nº de El jefe de control de calidad desea saber si la duración de los

Duración (horas)
dispositivos dispositivos se encuentra por debajo de la duración esperada, además
0 – 200 34 desea tener la información si la duración de los dispositivos está
200 – 400 18 alrededor de la duración promedio para informar al jefe de fabricación
400 – 600 16 de los dispositivos que realice una inspección.
600 – 800 13
800 – 1000 10
1000 – 1200 6
1200 – 1400 2
1400 – 1600 1
Total 100

Estadística Descriptiva Lic. Jessica Oliva G.

 14

Calculamos el coeficiente de asimetría (puede utilizarse cualquier fórmula) y el coeficiente Kurtosis.

x  456 Me = 377.778 Mo = 136 s = 353.927

( X  Mo) (456  136)

SK1    0.904
S 353.927

3( X  Md ) 3(456  377.778)
SK 2    0.663
S 353.927

El coeficiente de asimetría nos indica que el tiempo de duración de los dispositivos sigue una distribución
marcadamente positiva; es decir que el tiempo de duración de los dispositivos está por debajo del tiempo
esperado.

P10 = 58.824 P25 = 147.059 P75 = 707.692 P90 = 980

0.5( P75  P25 ) 0.5(707.692  147.059)

K   0.304
P90  P10 980  58.824

El coeficiente de Kurtosis nos indica que el tiempo de duración de los dispositivos sigue una distribución
leptocúrtica o apuntada; es decir que el tiempo de duración de los dispositivos están muy cerca del
tiempo promedio.

REFERENCIAS BIBLIOGRÁFICAS

- ANDERSON D., SWEENEY D., WILLIANS T.: Estadística para Administración y Economía. 1era Ed.
International Thomson. Editores, S.A. México. 1999.
- BERENSON M., LEVINE D.: Estadística Básica en Administración: conceptos y aplicaciones. 6ta Ed.
Printice Hall Hispanoamericana S.A. México 1996.
- DEVORE J.: Probabilidad y estadística para ingeniería y ciencias. 4ta. Ed. International Thomson
Editores, S.A. México. 1998
- MENDENHALL W., TERRY S.: Probabilidad y estadística para ingeniería y ciencias. 4ta Ed. Printice
Hall Hispanoamericana S.A. México. 1997.

Estadística Descriptiva Lic. Jessica Oliva G.