Asimetría y Curtosis: Más Allá del Desvío Estándar

Más allá de la media y el desvío estándar

Mientras que la media y el desvío estándar describen el centro y la dispersión, la asimetría y la curtosis describen la forma de las distribuciones: la falta de simetría y el peso de las colas.

En estadística, describimos las distribuciones mediante “momentos”: resúmenes matemáticos que capturan diferentes aspectos de la forma:

1.er momento:Media (tendencia central)
2.° momento:Varianza/Desvío estándar (dispersión)
3.er momento:Asimetría (falta de simetría)
4.° momento:Curtosis (peso de las colas)

Dos distribuciones pueden tener medias y desvíos estándar idénticos y, sin embargo, verse completamente diferentes. La asimetría y la curtosis capturan estas diferencias, proporcionando una imagen más completa de la distribución de los datos.

Asimetría: medición de la falta de simetría

La asimetría mide cuán asimétrica es una distribución. La asimetría positiva implica una cola derecha más larga (por ejemplo, distribuciones de ingresos), mientras que la asimetría negativa implica una cola izquierda más larga.

Sample Skewness

g₁ = [n/((n-1)(n-2))] × Σ[(xᵢ - x̄)/s]³

Asimetría = 0:Distribución simétrica (normal, uniforme)
Asimetría > 0:Asimétrica a la derecha: la media supera a la mediana (ingresos, precios de viviendas)
Asimetría < 0:Asimétrica a la izquierda: la mediana supera a la media (edad de jubilación, notas de exámenes con techo)

Datos frecuentemente asimétricos a la derecha

Muchos fenómenos del mundo real tienen asimetría positiva: ingresos, patrimonio, tamaño de empresas, población de ciudades, reclamos de seguros y tiempos de espera. En estos casos, la media es arrastrada hacia arriba por los valores extremos, haciendo de la mediana una mejor medida de lo “típico”.

Guías de interpretación:

|Asimetría| < 0,5: Aproximadamente simétrica
0,5 ≤ |Asimetría| < 1: Moderadamente asimétrica
|Asimetría| ≥ 1: Altamente asimétrica

Curtosis: peso de las colas

La curtosis mide cuán pesadas o livianas son las colas en comparación con una distribución normal. Una curtosis alta significa más valores extremos (colas pesadas), una curtosis baja significa menos.

Un error conceptual frecuente es que la curtosis mide el “apuntamiento”. Aunque están relacionados, la curtosis trata fundamentalmente sobre las colas. Una distribución con curtosis alta tiene más masa de probabilidad en las colas y en el pico, pero menos en los “hombros”.

Excess Kurtosis

g₂ = [n(n+1)/((n-1)(n-2)(n-3))] × Σ[(xᵢ - x̄)/s]⁴ - 3(n-1)²/((n-2)(n-3))

Mesocúrtica (k ≈ 0):Colas similares a la normal (línea de base para comparación)
Leptocúrtica (k > 0):Colas pesadas, más valores extremos que la normal (rendimientos bursátiles, terremotos)
Platicúrtica (k < 0):Colas livianas, menos extremos que la normal (distribución uniforme, datos acotados)

Colas pesadas en finanzas

Los rendimientos financieros presentan notoriamente curtosis alta (“colas pesadas”). Eventos que deberían ocurrir una vez por siglo según los supuestos de distribución normal ocurren con mucha mayor frecuencia. Ignorar la curtosis lleva a subestimar el riesgo, una lección que dejaron numerosas crisis financieras.

Aplicaciones prácticas

Gestión de riesgo: Una curtosis alta significa resultados extremos más frecuentes. El VaR y otras medidas de riesgo que asumen normalidad pueden subestimar drásticamente el riesgo real cuando la curtosis es elevada.

Control de calidad: Los datos de manufactura con curtosis alta sugieren desviaciones extremas ocasionales respecto al objetivo, incluso si el desempeño promedio es aceptable. Este patrón puede indicar inestabilidad del proceso que requiere investigación.

Transformación de datos: Los datos con alta asimetría pueden beneficiarse de una transformación (logarítmica, raíz cuadrada) antes del análisis. El objetivo suele ser lograr normalidad aproximada para las pruebas estadísticas que la suponen.

Pruebas estadísticas: Muchas pruebas asumen normalidad. Una asimetría o curtosis significativa puede indicar que este supuesto está siendo violado, sugiriendo el uso de alternativas no paramétricas o métodos robustos.

Guía de interpretación

Prueba de normalidad: La prueba de Jarque-Bera combina asimetría y curtosis para evaluar la normalidad. Rechaza la normalidad cuando cualquiera de las dos métricas se desvía significativamente de cero.

Consideraciones de tamaño de muestra: Las muestras pequeñas producen estimaciones poco confiables de asimetría y curtosis. Con n < 50, estos estadísticos tienen alta variabilidad muestral. Con n < 20, son esencialmente insignificantes.

Robustez: Tanto la asimetría como la curtosis son sensibles a los valores atípicos. Un solo valor extremo puede afectar drásticamente estos estadísticos, por lo que siempre debés visualizar los datos junto con los resúmenes numéricos.

← Centro de Aprendizaje