Asimetría y Curtosis: Más Allá de la Desviación Estándar

Más Allá de la Media y la Desviación Estándar

Mientras que la media y la desviación 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 usando “momentos”, resúmenes matemáticos que capturan diferentes aspectos de la forma:

1er momento:Media (tendencia central)
2do momento:Varianza/Desviación Estándar (dispersión)
3er momento:Asimetría (falta de simetría)
4to momento:Curtosis (peso de las colas)

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

Asimetría: Midiendo la Falta de Simetría

La asimetría mide qué tan asimétrica es una distribución. La asimetría positiva indica una cola derecha más larga (por ejemplo, distribuciones de ingresos), mientras que la asimetría negativa indica 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:Asimetría positiva: la media supera a la mediana (ingresos, precios de vivienda)
Asimetría < 0:Asimetría negativa: la mediana supera a la media (edad de jubilación, calificaciones con tope)

Datos con Asimetría Positiva Comunes

Muchos fenómenos del mundo real presentan asimetría positiva: ingresos, riqueza, tamaños de empresas, poblaciones de ciudades, reclamaciones de seguros y tiempos de espera. En estos casos, la media es arrastrada hacia arriba por los valores extremos, lo que convierte a la mediana en una mejor medida de lo “típico”.

Directrices 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 qué tan pesadas o ligeras son las colas en comparación con una distribución normal. Alta curtosis significa más valores extremos (colas pesadas), baja curtosis significa menos.

Un error común es pensar que la curtosis mide el “apuntamiento” de la distribución. Aunque están relacionados, la curtosis se refiere fundamentalmente a las colas. Una distribución con alta curtosis 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 base para comparación)
Leptocúrtica (k > 0):Colas pesadas, más valores extremos que la normal (rendimientos bursátiles, terremotos)
Platicúrtica (k < 0):Colas ligeras, menos extremos que la normal (distribución uniforme, datos acotados)

Colas Pesadas en Finanzas

Los rendimientos financieros presentan notoriamente alta curtosis (“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 de múltiples crisis financieras.

Aplicaciones Prácticas

Gestión de Riesgos: Alta curtosis 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 alta.

Control de Calidad: Los datos de manufactura con alta curtosis sugieren desviaciones extremas ocasionales del 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 transformaciones (logarítmica, raíz cuadrada) antes del análisis. El objetivo frecuentemente es alcanzar 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 es violado, sugiriendo el uso de alternativas no paramétricas o métodos robustos.

Guía de Interpretación

Prueba de Normalidad: La prueba de Jarque-Bera combina la asimetría y la 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 carentes de significado.

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

← Centro de Aprendizaje