República Bolivariana de Venezuela

Ministerio del Poder Popular de Planificación, Finanzas y Comercio Exterior

Escuela Nacional de Administración y Hacienda Pública

Cátedra; Estadística I

Asimetría, Momentos y
Kurtosis

Alumnos: María José García, CI. 30.573.878

Yeidimar González, CI.30.721.875

José Medina, CI.28.647.111

Caracas, julio 2022

Introducción

1
 ¿Qué es la Asimetría?
:

1
Las medidas de asimetría son indicadores que permiten establecer el grado de
simetría (o asimetría) que presenta una distribución de probabilidad de una variable
aleatoria sin tener que hacer su representación gráfica. Como eje de simetría
consideramos una recta paralela al eje de ordenadas que pasa por la media de la
distribución. Si una distribución es simétrica, existe el mismo número de valores a la
derecha que a la izquierda de la media, por tanto, el mismo número de desviaciones
con signo positivo que con signo negativo. Decimos que hay asimetría positiva (o a la
derecha) si la "cola" a la derecha de la media es más larga que la de la izquierda, es
decir, si hay valores más separados de la media a la derecha. Diremos que hay
asimetría negativa (o a la izquierda) si la "cola" a la izquierda de la media es más
larga que la de la derecha, es decir, si hay valores más separados de la media a la
izquierda.

Los indicadores de SIMETRÍA/ ASIMETRÍA

 deberán informarnos de si los valores de la distribución se disponen simétricamente

alrededor de la media, o bien si se decantan en mayor medida hacia la derecha
(asimetría a derechas, o positiva) o hacia la izquierda (asimetría a izquierdas, o
negativa), sin necesidad de representar gráficamente la distribución de frecuencias.

Como se trata de determinar si la disposición se decanta hacia un lado u otro de la

media será necesario trabajar con un indicador que nos considere las diferencias de
los de valores y de la media (con su signo). Por tanto habrá que considerar un
momento central de orden impar. El de orden uno no es útil porque siempre se anula.

Habrá que considerar: m3:

1
Si m3 < 0 la distribución será asimétrica negativa.

Si m3 > 0 la distribución será asimétrica positiva.

Si m3 = 0 la distribución será simétrica.

Tipos de Asimetría

La asimetría presenta las siguientes formas: Asimetría Negativa o a la Izquierda. Se

da cuando en una distribución la minoría de los datos está en la parte izquierda de la
media. Este tipo de distribución presenta un alargamiento o sesgo hacia la izquierda,
es decir, la distribución de los datos tiene a la izquierda una cola más larga que a la
derecha. También se dice que una distribución es simétrica a la izquierda o tiene
sesgo negativo cuando el valor de la media aritmética es menor que la mediana y
este valor de la mediana a su vez es menor que la moda, en símbolos Nota: Sesgo
es el grado de asimetría de una distribución, es decir, cuánto se aparta de la
simetría. Simétrica. Se da cuando en una distribución se distribuyen
aproximadamente la misma cantidad de los datos a ambos lados de la media
aritmética. No tiene alargamiento o sesgo. Se representa por una curva normal en
forma de campana llamada campana de Gauss (matemático alemán 1777-1855) o
también conocida como de Laplace (1749-1827). También se dice que una
distribución es simétrica cuando su media aritmética, su mediana y su moda son
iguales, en símbolos Md=MoAsimetría Positiva o a la Derecha. Se da cuando en una
distribución la minoría de los datos está en la parte derecha de la media aritmética.
Este tipo de distribución presenta un alargamiento o sesgo hacia la derecha, es
decir, la distribución de los datos tiene a la derecha una cola más larga que a la
izquierda. También se dice que una distribución es simétrica a la derecha o tiene
sesgo positivo cuando el valor de la media aritmética es mayor que la mediana y éste
a valor de la mediana a su vez es mayor que la moda, en símbolos 
.

¿Cómo saber si la distribución es simétrica?

Cuando representamos una distribución podemos analizar su nivel de simetría: una

distribución es simétrica si en relación a un valor central la distribución se distribuye
un 50% a la derecha y otro 50% a la izquierda, presentando una forma similar a
ambos lados del valor central.

1
Se basa en que en distribuciones simétricas la media de la distribución es igual a la
moda. Ap. = (μ - moda) / σ, donde es el momento ordinario de orden 1, que
corresponde a la media aritmética de la variable. Si la distribución es simétrica, μ =
moda y Ap. = 0. Si la distribución es asimétrica positiva la media se sitúa por encima
de la moda y, por tanto, Ap > 0. Interpretación del coeficiente de asimetría de
Pearson: Si Ap < 0: la distribución tiene una asimetría negativa, puesto que la media
es menor que la moda. Si Ap = 0: la distribución es simétrica. Si Ap > 0: la
distribución tiene una asimetría positiva, ya que la media es mayor que la moda.

Coeficiente de asimetría

Mide el grado de asimetría de la distribución con respecto a la media. Un valor

positivo de este indicador significa que la distribución se encuentra sesgada hacia la
izquierda (orientación positiva). Un resultado negativo significa que la distribución se
sesga a la derecha.

La fórmula del coeficiente de correlación de Pearson es la siguiente:

Donde:

“x” es igual a la variable número uno, “y” pertenece a la variable número dos, “zx” es
la desviación estándar de la variable uno, “zy” es la desviación estándar de la
variable dos y “N” es número de datos.

¿qué es el coeficiente de asimetría de bowley?

Positivo o negativo

Cuando el coeficiente es mayor que cero (AB>0) nos encontramos con una asimetría
positiva en la distribución de datos.

Será negativa cuando el coeficiente es menor que cero.

1
Si el coeficiente es igual a cero significa que la suma de los datos correspondientes
al cuartil 3 y cuartil 1 son exactamente iguales a dos medianas, lo que hace alusión a
la simetría de la distribución.

SIDE B

SIDE A

Se define el coeficiente de Bowley como un método para la definición de asimetría

en una serie de datos. Está basado en la posición de los cuartiles y la mediana, y
utiliza la siguiente expresión:

En una distribución simétrica el tercer cuartil estará a la misma distancia de la

mediana que el primer cuartil. Por tanto, A_B=0.

El coeficiente de variación o coeficiente de variación de Spearman

 Es una medida estadística que ofrece información respecto de la dispersión relativa

de un conjunto de datos. Esta medida es muy utilizada en la ciencia de las
estadísticas, relacionando la media aritmética y la desviación estándar de un
conjunto de datos. Así, en resumen, el coeficiente de variación sería la variación
ambicionada de un conjunto de datos respecto de su media aritmética.

¿Como se calcula el coeficiente de variación? ejemplo de calculo

El coeficiente de variación se denomina por las siglas CV, se expresa en un

porcentaje, pues se trata de un coeficiente, y se calcula de la siguiente manera:

CV = desviación estándar / media aritmética x 100

Este coeficiente es utilizado para comparar conjuntos de datos de poblaciones

distintas, teniéndose en cuenta el valor de la media aritmética, lo que nos permite
eliminar las eventuales distorsiones de las medias de dos o más poblaciones.

Pongamos un ejemplo para entender mejor esta fórmula:

Supongamos que tenemos una población de perros con un peso medio de 1.000
kilos y una desviación típica de 150 kilos. Por otro lado, tenemos una población de
ratas con un peso medio de 25 kilos y una desviación típica de 10 gramos. Ahora
hemos de comparar la dispersión de ambas poblaciones utilizando la desviación
típica de ambas. Vamos a ello:

1
Perros a 150/1.000 = 0,15

Ratas a 10/40 = 0,25

Ahora estos datos hemos de multiplicarlos por 100 para obtener el coeficiente de
variación:

Perros a 0,15 x 100 = 15%

Ratas a 0,25 x 100 = 25%

Así, en la población de perros el coeficiente de variación es de un 15%, mientras que

en la población de ratas el coeficiente de variación es de un 25%. De acuerdo con
estos datos, la población con mayor dispersión es la de ratas, la que tenía una menor
desviación típica y la que, a priori, podría parecer que tendría un coeficiente de
variación menor que el de la población de perros.

Teoría de los momentos

Los momentos son indicadores matemáticos de diversos valores. Los diversos

valores, están es función del parámetro estadístico o valor que se tome, para ser
fijado como punto de referencia. Sean X1, X2, X3, Xn, los valores que toma la
variable Xi; se define entonces, momento mí de orden r con respecto al promedio
aritmético () de los valores dela variable Xi elevados a la potencia r; siendo r
cualquier valor comprendidoentre,1 , 2, 3,..

Matemáticamente: Los momentos se pueden definir también como las potencias de

los desvíos di conrespectoa un determinado valor, que puede ser la media aritmética,
el origen cero o una media arbitraria. En estadística son importantes los momentos 1,
2, 3y 4 con respecto a la media aritmética y el momento 1 con respecto al origen que
viene a ser igual a la media aritmética Formulas para determinar los momentos con
respecto a la media aritmética

A) – Para datos no agrupados

B) – Para datos agrupados

1
 ¿Qué es la Kurtosis?

La curtosis es una medida estadística que determina el grado de concentración que

presentan los valores de una variable alrededor de la zona central de la distribución de
frecuencias. También es conocida como medida de apuntamiento.

Cuando medimos una variable aleatoria, por lo general, los resultados que tienen una
mayor frecuencia son los que se sitúan en torno a la media de la distribución.
Imaginemos la altura de los alumnos de una clase. Si la altura media de la clase es 1,72
cm, lo más normal es que las alturas del resto de los alumnos estén en torno a este
valor (con cierto grado de variabilidad, pero sin ser esta demasiado grande). Si esto
sucede, se considera que la distribución de la variable aleatoria se distribuye con
normalidad. Pero dada la infinidad de variables que se pueden medir, esto no siempre
sucede así.

Existen algunas variables que presentan un mayor grado de concentración (menor

dispersión) de los valores en torno a su media y otras, por el contrario, presentan un
menor grado de concentración (mayor dispersión) de sus valores en torno a su valor
central. Por tanto, la curtosis nos informa de lo apuntada (mayor concentración) o lo
achatada (menor concentración) que es una distribución

Tipos de Kurtosis

Se definen 3 tipos de distribuciones según su grado de curtosis:

 Distribución mesocúrtica: Presenta un grado de concentración medio alrededor

de los valores centrales de la variable (el mismo que presenta una distribución
normal).

 Distribución leptocúrtica: Presenta un elevado grado de concentración alrededor

de los valores centrales de la variable.

 Distribución platicúrtica: Presenta un reducido grado de concentración alrededor

de los valores centrales de la variable.

El Coeficiente de Curtosis analiza el grado de concentración que presentan los valores

alrededor de la zona central de la distribución. Por medio del Coeficiente de Curtosis,
podemos identificar si existe una gran concentración de valores (Leptocúrtica), una
concentración normal (Mesocúrtica) ó una baja concentración (Platicúrtica).

1
Para calcular el coeficiente de Curtosis se utiliza la ecuación:

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 fórmula se
interpretan:
(g2 = 0) la distribución es Mesocúrtica: Al igual que en la asimetría es bastante
difícil encontrar un coeficiente de Curtosis de cero (0), por lo que se suelen aceptar los
valores cercanos (± 0.5 aprox.).
(g2 > 0) la distribución es Leptocúrtica
(g2 < 0) la distribución es Platicúrtica

Cuando la distribución de los datos cuenta con un coeficiente de asimetría (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 mayoría de los procedimientos de la estadística de
inferencia se requiere que los datos se distribuyan normalmente.
La principal ventaja de la distribución normal radica en el supuesto que el 95% de los
valores se encuentra dentro de una distancia de dos desviaciones estándar de la media
aritmética (Fig.5-3); es decir, si tomamos la media y le sumamos dos veces la desviación y
después le restamos a la media dos desviaciones, el 95% de los casos se encontraría
dentro del rango que compongan estos valores.

1
Desde luego, los conceptos vistos hasta aquí, son sólo una pequeña introducción a las
principales medidas de Estadística 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 estadísticos.
Las definiciones plasmadas en este capítulo han sido extraídas de los libros Estadística
para administradores escrito por Alan Wester de la editorial McGraw-Hill y el
libro Estadística y Muestreo escrito por Ciro Martínez editorial Ecoe editores (Octava
edición). No necesariamente tienes que guiarte por estos libros ya que en las librerías
encontraras una gran variedad de textos que pueden ser de bastante utilidad en la
introducción a esta ciencia.

1
Conclusión

1
 Bibliografías

 Anderson D., Sweeney D., Williams T. Estadística para la administración y economía.

Décima edición. Cengage Learning. 2008 

 Berenson M., Levine D., Krehbiel T. Estadística para administración. Segunda edición.
Prentice Hall. 2000

 Blair C., Taylor R. Bioestadística. Peason. Prentice Hall. 2008

 Daniel W. Bioestadística. Cuarta edición. Limusa Wiley. 2006

 Devore J. Probabilidad y Estadística para ingeniería y ciencias. Séptima edición.

Cengage Learning. 2008

 Johnson R. Probabilidad y Estadística para ingenieros. Octava edición. Pearson. 2012

 Kuehl R., Diseño de experimentos. Segunda edición. Thomson Learning. 2001