CURTOSIS

En teora de la probabilidad y estadstica, la carosis es una medida de la forma o

apuntamiento de las distribuciones. As las medidas de carosis
(Tambin llamadas de apuntamiento o de concentracin central) tratan de estudiar la
mayor o menor concentracin de frecuencias alrededor de la media y en la zona central
de la distribucin
DEFINICION DE CURTOSIS
El coeficiente de apuntamiento de uso ms extendido es el basado en el cuarto momento
con respecto a la media y se define como:

donde es el 4 momento centrado o con respecto a la media y es la desviacin
estndar.

En ocasiones se emplea esta otra definicin del coeficiente de curtosis:

donde al final se ha sustrado 3 (que es la curtosis de la Normal) con objeto de generar un
coeficiente que valga 0 para la Normal y tome a sta como referencia de apuntamiento:
Tomando, pues, la distribucin normal como referencia, una distribucin puede ser:
ms apuntada que la normal leptocrtica.
menos apuntada que la normal- platicrtica.
la distribucin normal es mesocrtica.
En la distribucin normal se verifica que , donde es el momento de orden 4
respecto a la media y la desviacin tpica.

As tendremos que:
Si la distribucin es leptocrtica y
Si la distribucin es platicrtica y
Si la distribucin es mesocrtica y

Otra forma de medir la curtosis se obtiene examinando la frmula de la curtosis de la suma
de variables aleatorias. Si Y es la suma de n variables aleatorias estadsticamente
independientes, todas con igual distribucin X, entonces ,
complicndose la frmula si la curtosis se hubiese definido como .

La curtosis, una medida ampliamente
conocida pero malinterpretada.
La curtosis es uno de los conceptos peor comprendidos no solamente por estadsticos sino por los distintos
profesionales que son usuarios de la estadstica. Es casi imposible encontrar un libro (sea introductorio o
avanzado) que se tome la molestia de hacer un alto en el camino y tratar de aclarar que es lo que significa
exactamente esta medida. Usualmente los libros introductorios reducen la curtosis a una simple medida que
da cuente de que tan apuntada o plana es una distribucin sin tener en cuenta las colas o valores atpicos que
tienen una gran influencia en el clculo de esta medida.
Entre las varias fallas que comenten los libros introductorios es de ilustrar el concepto de curtosis en
distribuciones que tiene distintas varianzas, por ejemplo, en la figura a continuacin se observa que la
distribucin con lnea discontinua tiene una apariencia plana (platicurtica) , la grfica punteada luce como
una distribucin apuntada (leptocrtica) , y en realidad, las tres grficas fueron generadas por una distribucin
normal, por tanto las tres distribuciones tienen una curtosis mesocrtica (este es la medida estndar de
curtosis ya que corresponde a la curtosis de nuestra querida distribucin normal). La medida de curtosis es
adimensional (de hecho en el denominador del clculo de la frmula clsica aparece la varianza), los concepto
de varianza y curtosis son absolutamente distintos y no se debe prestarse para confusiones. Una buena manera
de comparar de manera grfica la curtosis de varios conjuntos de datos es estandarizar las variables con el
propsito de no dar una mala interpretacin a la informacin grfica.

Fuente: DeCarlo (1997)
DeCarlo (1997) nos da una excelente explicacin para comprender e interpretar mejor el concepto de curtosis.
Nos explica que la curtosis representa un movimiento de masa que no afecta la varianza. Consideremos el
caso por ejemplo de una distribucin con una curtosis positiva, en este tipo de distribuciones colas pesadas
son acompaadas de picos altos (apuntalamiento), notemos que si hubiera simplemente un desplazamiento
importante de la distribucin hacia las colas de la distribucin esto conllevara a un aumento de la varianza de
la distribucin, la manera como se compensa este aumento de la varianza es concentrando la distribucin
alrededor de la media. Por otro lado una distribucin platicrtica tiene una menor concentracin de valores
alrededor de la media y no suele tener colas pesadas, se compensa esa baja varianza con una mayor
variabilidad en el resto de la distribucin.
Entre las muchas utilidades que tiene la curtosis es la de deteccin de la normalidad en un conjunto de datos
en combinacin con las medidas de asimetra por ejemplo la prueba de deteccin de normalidad de
Dagostino. Es igualmente una excelente manera para detectar la existencia de datos atpicos. Debe verificarse
en las pruebas de igualdad de varianzas y en todas pruebas que requieran la normalidad que se verifique al
menos de manera aproximada esta propiedad.
Tambin debo anotar que la curtosis tiene una interpretacin extremadamente complicada cuando las
distribuciones no son unimodales, en este caso convendra mejor estudiar por regiones la distribucin.

Curtosis
En teora de la probabilidad y estadstica, la curtosis es una medida de la forma. As, las medidas de curtosis
tratan de estudiar la proporcin de la varianza que se explica por la combinacin de datos extremos respecto a
la media en contraposicin con datos poco alejados de la misma. Una mayor curtosis implica una mayor
concentracin de datos muy cerca de la media de la distribucin coexistiendo al mismo tiempo con una
relativamente elevada frecuencia de datos muy alejados de la misma. Esto explica una forma de la
distribucin de frecuencias con colas muy elevadas y un con un centro muy apuntado.
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) una baja concentracin (Platicrtica).


Figura 5-2

Para calcular el coeficiente de Curtosis se utiliza la ecuacin:


Ecuacion 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 procedimientosde 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
librosEstadstica para administradores escrito por Alan Wester de la
editorial McGraw-Hill y el libro Estadstica y Muestreo escrito por Ciro
Martnez editorial Ecoeeditores (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.