¿Cómo sacar la media aritmética de datos cualitativos?

Medidas de Forma para Variables Cualitativas

26/07/2026

★★★★★Valoración: 4.8 (3506 votos)

Cuando trabajamos con datos, es común encontrarnos con diferentes tipos de variables. Las variables cuantitativas, aquellas que se pueden medir numéricamente, gozan de una amplia gama de herramientas estadísticas para describir la forma de su distribución, como la simetría y la curtosis. Estas propiedades son cruciales para validar supuestos, especialmente el de normalidad, lo que a su vez influye en la elección de métodos para estimar parámetros y probar hipótesis. Sin embargo, ¿qué sucede con las variables cualitativas, aquellas que describen cualidades o categorías? Tradicionalmente, se ha considerado que la forma de su distribución no era relevante o que no existían enfoques de medición adecuados. Este artículo desafía esa noción, presentando un enfoque novedoso y práctico para definir y medir la asimetría cualitativa y el apuntamiento cualitativo, ofreciendo herramientas descriptivas esenciales para entender mejor la distribución de este tipo de variables.

¿Cómo encontrar la media aritmética con variables?
Se calcula sumando todos los números de un conjunto de datos y dividiéndolos entre el número total de elementos de ese conjunto . La media aritmética (MA) para números con distribución uniforme es igual al número situado más en el medio.

A lo largo de este texto, exploraremos cómo se pueden conceptualizar estas propiedades para variables cualitativas, que, a diferencia de las cuantitativas, carecen de un orden numérico intrínseco. Detallaremos las transformaciones necesarias para poder visualizarlas y cuantificarlas, introduciendo medidas específicas como la Diferencia Promedio de Frecuencias para la asimetría y la Diferencia Pico-Hombro para el apuntamiento. Además, analizaremos el comportamiento de estas estadísticas, su validez y proporcionaremos un ejemplo práctico para ilustrar su aplicación e interpretación. El objetivo es proporcionar a los investigadores y analistas de datos un marco robusto para una descripción más completa de las variables cualitativas, abriendo nuevas vías para la evaluación de supuestos y el desarrollo de correcciones en futuros procedimientos de prueba.

Índice de Contenido

Medida de Asimetría para Variables Cualitativas

Concepto de Asimetría en la Distribución de una Variable Cualitativa

El concepto de asimetría implica la existencia de un eje que divide una distribución en dos partes. Si estas partes son un reflejo la una de la otra, la distribución se considera simétrica, y una medida de asimetría debería arrojar un valor de 0. Por el contrario, si son diferentes, hablamos de asimetría, y el valor de la medida debería ser distinto de 0. Cuanto más dispares sean las dos partes divididas por el eje de simetría, más lejos de 0 debería estar el valor de la medida de asimetría.

En distribuciones de variables continuas, se suele tomar una medida de tendencia central como la media aritmética, la mediana o la moda como eje de simetría. Sin embargo, en el caso de las variables cualitativas, la única opción viable sería la moda, es decir, la categoría nominal con la mayor frecuencia en la muestra. El problema surge cuando la moda no es única (distribuciones bimodales o multimodales) o no existe (distribución uniforme). Esto limitaría la aplicación del concepto solo a distribuciones unimodales.

Para superar esta limitación, se propone una transformación. Aunque las categorías de una variable cualitativa no tienen propiedades algebraicas y pueden ser identificadas por letras o símbolos, su única cuantificación posible es el recuento de la frecuencia con la que aparecen. Esta observación abre la puerta a una transformación: las categorías cualitativas pueden convertirse en categorías ordenadas por su frecuencia. Así, se crea una métrica de frecuencia ordinal, denotada como X↓. Si una variable cualitativa A tiene 'k' atributos o categorías nominales (A = {ai}ki=1), podemos crear una variable ordinal X↓ que es una función de A, ordenando sus 'k' atributos en orden decreciente según su probabilidad o frecuencia. De esta forma, los valores de X↓ tienen probabilidades decrecientes (fX↓(1↓) ≥ fX↓(2↓) ≥ ... ≥ fX↓(k↓)).

Para estudiar la asimetría en variables cualitativas, no se organiza la secuencia de categorías (ordenadas por frecuencia) en orden ascendente, como en una función de distribución acumulada, lo que resultaría en una forma de escalera. En cambio, se busca crear una forma más o menos triangular o trapezoidal, dando lugar a la variable XΔ. Si el número de categorías 'k' es impar, la categoría con la frecuencia más alta (modal) se coloca en el centro (pico). Las categorías restantes se emparejan por homogeneidad o proximidad de frecuencia, y estos pares se disponen en orden descendente a cada lado de la moda. La categoría con mayor frecuencia de cada par se coloca a la izquierda y la de menor frecuencia a la derecha. Si 'k' es par, el par con las frecuencias más altas se coloca en el centro y se procede de la misma manera. Esta construcción permite visualizar una "asimetría cualitativa", donde una distribución se considera simétrica si las dos partes a cada lado del eje de simetría (la categoría de frecuencia máxima o la línea imaginaria entre las dos categorías centrales de mayor frecuencia) son iguales.

Medición de la Asimetría en la Distribución de una Variable Cualitativa: La Diferencia Promedio de Frecuencias (DPF)

La Diferencia Promedio de Frecuencias (DPF) es la medida propuesta para la asimetría cualitativa. Esta medida no requiere la existencia de una única moda, y puede aplicarse incluso a una distribución uniforme (rectangular en un gráfico de barras). Se calcula a partir de las frecuencias relativas ordenadas de la variable cualitativa (X↓ o XΔ).

Si el número de categorías (k) es impar, la categoría de frecuencia máxima (la central en XΔ) se excluye del emparejamiento. Las frecuencias restantes se emparejan (la segunda con la tercera, la cuarta con la quinta, y así sucesivamente), se restan las frecuencias de cada par, se suman las diferencias y se dividen por el número de pares. Algebraicamente, para k impar:

DPF = Σ (fX↓(i↓) - fX↓((i+1)↓)) / ((k-1)/2) para i = 2, 4, ..., k-1

Si el número de categorías (k) es par, las frecuencias se emparejan desde el principio (la primera con la segunda, la tercera con la cuarta, etc.). Se restan las frecuencias de cada par, se suman las diferencias y se dividen por el número de pares (k/2). Algebraicamente, para k par:

DPF = Σ (fX↓(i↓) - fX↓((i+1)↓)) / (k/2) para i = 1, 3, ..., k-1

La estadística DPF está acotada entre 0 y 1. Un valor de 0 indica simetría, que puede corresponder a un perfil triangular (distribución unimodal), trapezoidal (bimodal o multimodal) o rectangular (distribución uniforme). Un valor de 1 representa la asimetría máxima, alcanzada cuando una categoría concentra toda la probabilidad (distribución de Bernoulli con p = 1).

Reglas Interpretativas para la Diferencia Promedio de Frecuencias

Para la interpretación de la DPF, Moral [5] propuso puntos de corte basados en la distribución binomial con parámetro p = 0.5 (que garantiza simetría). Utilizó esta distribución porque su dominio (0 a n) permite establecer un paralelismo con el número de categorías de una variable nominal (1 a k = n + 1), y la aproximación a la distribución normal facilita la simulación de datos mediante el método Monte Carlo. La siguiente tabla resume los percentiles clave para diferentes tamaños de muestra y número de categorías:

Categorías (k)Tamaño de Muestra (N)MinMaxP50P75P80P90P95
2200.000.500.000.000.000.000.00
400.000.500.000.000.000.000.00
1000.000.500.000.000.000.000.00
2000.000.500.000.000.000.000.00
5000.000.500.000.000.000.000.00
10000.000.500.000.000.000.000.00
3200.000.670.020.080.110.170.24
400.000.500.010.060.070.110.15
1000.000.330.000.030.040.060.08
2000.000.250.000.020.030.040.06
5000.000.170.000.010.020.030.03
10000.000.130.000.010.010.020.02
4200.000.500.060.170.210.290.36
400.000.380.030.110.130.190.24
1000.000.250.010.070.080.120.15
2000.000.190.010.050.060.090.11
5000.000.130.000.030.040.060.07
10000.000.100.000.020.030.040.05
5200.000.400.080.190.230.310.38
400.000.300.050.130.150.210.26
1000.000.200.020.080.100.140.17
2000.000.150.010.060.070.100.12
5000.000.110.000.040.050.070.08
10000.000.080.000.030.040.050.06
6200.000.420.100.220.260.350.42
400.000.330.070.160.190.260.31
1000.000.230.030.100.120.170.21
2000.000.180.020.080.090.130.16
5000.000.120.010.050.060.090.10
10000.000.100.010.040.050.070.08
7200.000.430.110.240.280.370.44
400.000.340.080.180.210.280.34
1000.000.240.040.110.140.190.23
2000.000.190.020.090.110.150.18
5000.000.130.010.060.070.100.12
10000.000.100.010.050.060.080.09
8200.000.450.120.260.310.400.47
400.000.360.090.200.230.310.37
1000.000.250.050.130.150.210.25
2000.000.200.030.100.120.170.20
5000.000.140.020.070.080.110.13
10000.000.110.010.050.060.090.10
9200.000.460.130.280.320.420.47
400.000.370.100.210.250.330.39
1000.000.260.050.140.160.220.26
2000.000.210.030.110.130.180.21
5000.000.140.020.080.090.120.14
10000.000.110.010.060.070.090.11
10200.000.470.130.290.340.440.47
400.000.380.110.220.260.340.40
1000.000.270.060.150.180.240.28
2000.000.210.040.120.140.190.22
5000.000.150.020.080.090.130.15
10000.000.120.010.060.070.100.12
11200.000.480.140.300.350.450.48
400.000.390.120.230.270.360.42
1000.000.280.060.160.190.250.29
2000.000.220.040.130.150.200.23
5000.000.150.020.090.100.140.16
10000.000.120.010.070.080.110.13

Nota: Número de simulaciones = 20,000. Estadísticas descriptivas: Min = valor mínimo, Max = valor máximo, P50 = mediana o percentil 50, P75 = cuartil superior o percentil 75, P80 = percentil 80, P90 = percentil 90, y P95 = percentil 95.

El percentil 95 (P95) puede utilizarse como punto de corte para determinar la presencia de asimetría. La mediana general para este percentil es de 0.09. Sin embargo, el valor del punto de corte es mayor cuanto menor es el tamaño de la muestra, debido a una alta relación lineal inversa. Además, los valores más altos del P95 aparecen con un número de categorías nominales pequeño y grande, mientras que los valores más bajos se encuentran con las categorías centrales de XΔ, alcanzando un mínimo con cinco categorías (en el rango de 2 a 11). Esto sugiere una relación no lineal entre el P95 y el número de categorías. La diferencia entre P95 para un número par o impar de categorías no es significativa. El punto de corte mínimo se observa con cinco categorías nominales y un tamaño de muestra de 1000 (P95 = 0.03), y el máximo con 10 categorías nominales y un tamaño de muestra de 20 (P95 = 0.47).

La validez de la DPF ha sido confirmada al mostrar una alta correlación con la asimetría promedio evaluada visualmente por jueces expertos (rS = 0.87). Esto se logró pidiendo a cinco jueces que evaluaran la asimetría de 60 diagramas de barras de distribuciones binomiales, variando el número de categorías y los grados de asimetría. La consistencia entre la medida calculada y la percepción humana refuerza la utilidad de la DPF como una herramienta precisa y fiable para cuantificar la asimetría en variables cualitativas.

Medida de Apuntamiento para Variables Cualitativas

El Concepto de Apuntamiento en la Distribución de una Variable Cualitativa

Al igual que la asimetría, el apuntamiento es una propiedad de la forma de una distribución. Cuando una distribución discreta se representa mediante un gráfico de barras, el apuntamiento se define como la distancia vertical (frecuencia) entre el "pico" y los "hombros". El pico es el valor o valores en el eje de abscisas al que corresponde el valor máximo en el eje de ordenadas, y se encuentra en la categoría o categorías centrales dentro del gráfico de barras. Para medir el apuntamiento, se toma la frecuencia simple del pico, es decir, la frecuencia simple máxima.

El concepto de hombro (izquierdo o derecho) implica un eje de simetría y una distancia desde este eje. La construcción del diagrama (XΔ, donde las categorías se organizan de forma triangular o trapezoidal) sitúa la moda en el centro como eje de simetría. Se establece una distancia a cada lado del eje de simetría de aproximadamente el 25% de la distribución, de modo que ambos hombros cubran aproximadamente el 50% central, como sugirió Horn [8]. Dado que las categorías se han numerado en el diagrama de 1 a k, creando la variable XΔ, se pueden calcular los percentiles de esta variable. El percentil 25 (P25) es la categoría que tiene una frecuencia acumulada de al menos 0.25 en el gráfico o distribución de XΔ, y el percentil 75 (P75) es la categoría que tiene una frecuencia acumulada de al menos 0.75. Si estos percentiles corresponden a un valor modal, se toma la categoría adyacente no modal más cercana, si existe. Una vez localizadas las dos categorías que delimitan los hombros, se toman sus frecuencias relativas simples para medir el apuntamiento. Como estas frecuencias pueden ser dispares, se calcula la media aritmética de ambas. Las categorías que delimitan el hombro izquierdo y derecho se denotan como h1 y h2, respectivamente, en referencia al concepto de "bisagras" de Tukey [9].

Medición del Apuntamiento en la Distribución de una Variable Cualitativa: La Diferencia Pico-Hombro (DPH) y la Curtosis Percentil Cualitativa (CPC)

La medida principal del apuntamiento cualitativo es la Diferencia Pico-Hombro (DPH). Se calcula como la diferencia entre la frecuencia del pico (fpico) y el promedio de las frecuencias de las dos categorías que delimitan los hombros ([fh1 + fh2] / 2) en la disposición triangular, trapezoidal o rectangular de la distribución. Cuando solo hay dos categorías nominales, esta medida coincide con la DPF. La fórmula para la DPH es:

DPH = fpico - (fh1 + fh2) / 2

La estadística DPH está acotada entre 0 y 1. Un valor de 0 indica una ausencia total de apuntamiento, lo que ocurre en una distribución uniforme. Un valor de 1 representa el apuntamiento máximo, alcanzado cuando una única categoría concentra toda la probabilidad. Para interpretar la DPH, se pueden considerar los siguientes intervalos:

  • [0, 0.25): Apuntamiento bajo
  • [0.25, 0.5): Apuntamiento medio
  • [0.5, 0.75): Apuntamiento alto
  • [0.75, 1]: Apuntamiento muy alto

Una segunda medida de apuntamiento definida para la distribución de una variable cualitativa es la Curtosis Percentil Cualitativa (CPC). Se calcula a partir de la variable ordinal XΔ generada de las frecuencias de la variable cualitativa A. Esta medida es el cociente entre el rango semi-intercuartílico (RSIQ) y el rango percentil (RP) de XΔ. La CPC se basa en una medida propuesta por Truman Lee Kelley [11] para la curtosis en variables cuantitativas, que originalmente buscaba medir tanto el engrosamiento o adelgazamiento de las colas como el apuntamiento o aplanamiento del pico.

CPC = 0.5 - (RSIQ(XΔ) / RP(XΔ)) = 0.5 - ((P75(XΔ) - P25(XΔ)) / (2 * (P90(XΔ) - P10(XΔ))))

La CPC puede tomar valores en el intervalo [0, 0.5]. A medida que RSIQ y RP se acercan, la CPC tiende a 0.5, indicando colas acortadas o platicurtosis. Por el contrario, a medida que el rango percentil es mayor que el rango semi-intercuartílico, la CPC se aproxima a 0, mostrando colas alargadas o leptocurtosis [11]. Para que los valores de la CPC se correspondan con la lógica interpretativa común de las medidas de curtosis, su valor en la muestra se resta de 0.5 (su valor máximo). Así, a medida que el valor se acerca a 0, hay un acortamiento de las colas, y a medida que se acerca a 0.5, hay un alargamiento de las colas. Se podría interpretar que valores de 0 a 0.16 muestran platicurtosis (colas acortadas), de 0.17 a 0.33 mesocurtosis (colas medias) y de 0.34 a 0.5 leptocurtosis (colas alargadas).

Un problema con la CPC es su indeterminación (0/0) cuando las distancias entre cuartiles y deciles extremos son cero. En esta situación, se le asigna un valor de 0.5 a la CPC. Esta indeterminación aparece en distribuciones en las que la categoría modal engloba los primeros y últimos deciles y, por tanto, los primeros y últimos cuartiles. Esta es una situación extrema de colas acortadas y prominencia del pico; de ahí que el valor de la estadística deba ser 0.5.

Comportamiento y Validez de la DPH y la CPC

El comportamiento esperado de la estadística DPH es que cuanto más prominente sea la moda, más cerca de 1 debería estar la DPH, y cuanto menos prominente, más cerca de 0. El número de categorías cualitativas afecta necesariamente, ya que un mayor número de categorías hace que la frecuencia se distribuya más entre ellas y, en consecuencia, la moda tenga menos prominencia.

Moral [6] estudió el comportamiento de esta medida utilizando la distribución binomial para generar una gran diversidad de perfiles. Los resultados mostraron que la DPH se correlaciona con el parámetro 'p' de la distribución binomial (46.8% de varianza compartida) y con el número de categorías 'k' (27.6% de varianza compartida). La DPH mostró una asociación significativamente mayor con 'p' (que manipula la prominencia de la moda) que con 'k' (que manipula el número de categorías).

La validez de la DPH se puso a prueba mediante su correlación con el nivel promedio de apuntamiento evaluado visualmente por cinco jueces expertos en 66 gráficos de barras. La correlación entre la DPH y el apuntamiento promedio inter-jueces fue significativa y positiva (rS = 0.87), con una fuerza de asociación muy alta (75.9% de varianza compartida). Esto demuestra que la DPH es una medida muy precisa y válida del apuntamiento cualitativo.

En contraste, la correlación de la CPC con el parámetro 'p' fue positiva y significativa, pero con una fuerza de asociación media (17.8% de varianza compartida). La CPC fue independiente del número de categorías y de si este era par o impar. La correlación entre la DPH y la CPC fue significativa (rS = 0.38), con una fuerza de asociación media y una varianza compartida del 14.4% [6].

La baja correlación entre DPH y CPC (a pesar de que ambas miden el "apuntamiento") se explica porque la CPC es una medida indirecta del apuntamiento. Su correlación con la evaluación promedio inter-jueces del apuntamiento fue baja (un sexto de varianza compartida), mientras que la DPH tuvo una correlación muy alta (tres cuartas partes de varianza compartida). Esto sugiere que la CPC probablemente cuantifica el movimiento de la masa de probabilidad desde los hombros hacia las colas, un concepto más relacionado con la curtosis, que es más complejo que el simple apuntamiento del pico. Por lo tanto, la DPH es una medida superior para el apuntamiento.

Ejemplo de Cálculo de Asimetría y Apuntamiento Cualitativo

Consideremos una muestra aleatoria (ficticia) de 200 personas (100 hombres y 100 mujeres) que acuden a una consulta de salud mental urbana. Se evaluaron los trastornos de personalidad utilizando la Entrevista Clínica Estructurada para Trastornos de la Personalidad del Eje II del DSM-IV [13]. Las entrevistas diagnósticas fueron realizadas por cinco psiquiatras y cinco psicólogos clínicos. Los pacientes fueron clasificados en 10 categorías específicas del DSM-V (esquizoide, esquizotípico y paranoide; antisocial, narcisista, histriónico y límite; evitativo, dependiente y obsesivo-compulsivo) y dos adicionales: no especificado y sin trastorno [14]. Calcularemos la tendencia central (moda), la variabilidad (razón de variación universal de Moral [15]), la asimetría cualitativa (Diferencia Promedio de Frecuencias) y el apuntamiento cualitativo (Diferencia Pico-Hombro y Curtosis Percentil Cualitativa) de la distribución de esta variable policotómica con los datos de la Tabla 2.

A (Trastornos de personalidad)nX (Frec. Absoluta)fX (Frec. Relativa)X↓ (Trastornos ordenados)fX↓ (Frec. Relativa de X↓)XΔ (Trastornos trapezoidal)fXΔ (Frec. Relativa de XΔ)fdXΔ (Diferencias de Frecuencias)FXΔ (Frec. Acumulada de XΔ)
Esquizoide100.05Sin trastorno0.20Sin trastorno0.200.05 (0.20-0.15)0.20
Esquizotípico60.03Límite0.15Límite0.150.02 (0.13-0.11)0.35
Paranoide100.05Histriónico0.13Histriónico0.130.02 (0.10-0.08)0.48
Antisocial80.04No especificado0.11No especificado0.110.01 (0.06-0.05)0.59
Narcisista20.01Obsesivo-compulsivo0.10Obsesivo-compulsivo0.100.02 (0.05-0.03)0.69
Histriónico260.13Evitativo0.08Evitativo0.080.02 (0.03-0.01)0.77
Límite300.15Paranoide0.06Paranoide0.060.83
Evitativo160.08Esquizoide0.05Esquizoide0.050.88
Dependiente100.05Dependiente0.05Dependiente0.050.93
Obsesivo-compulsivo200.10Antisocial0.04Antisocial0.040.97
No especificado220.11Esquizotípico0.03Esquizotípico0.031.00
Sin trastorno400.20Narcisista0.01Narcisista0.01
Total2001.001.001.00Σ = 0.14

Cálculo de la Moda:

La moda es la categoría con la frecuencia más alta. En este caso, fA(sin trastorno) = 0.20, por lo tanto:

Moda = {ai | max[{fA(ai)}12i=1] = fA(a1 = sin trastorno) = 0.2} = sin trastorno

Cálculo de la Razón de Variación Universal (UVR):

La UVR es una medida de variabilidad para variables cualitativas. Se calcula como:

UVR = (k2 / (k2 - 1)) * (1 - fmax/c)

Donde k = número de categorías (12), fmax = frecuencia relativa más alta (0.20), y c = número de atributos con la frecuencia relativa más alta (1, ya que solo 'sin trastorno' tiene 0.20).

UVR = (122 / (122 - 1)) * (1 - 0.20/1) = (144 / 143) * (0.80) = 1.00699 * 0.80 = 0.80559 ≈ 0.806

Cálculo de la Diferencia Promedio de Frecuencias (DPF) para la asimetría:

El número de categorías es 12 (par). Usamos la fórmula para k par:

DPF = Σi=1k-1 (fX↓(i) - fX↓(i+1)) / (k/2)

Emparejando las frecuencias de X↓:

  • (0.20 - 0.15) = 0.05
  • (0.13 - 0.11) = 0.02
  • (0.10 - 0.08) = 0.02
  • (0.06 - 0.05) = 0.01
  • (0.05 - 0.03) = 0.02
  • (0.03 - 0.01) = 0.02

Suma de diferencias = 0.05 + 0.02 + 0.02 + 0.01 + 0.02 + 0.02 = 0.14

Número de pares = k/2 = 12/2 = 6

DPF = 0.14 / 6 = 0.023

El valor de DPF = 0.023 es muy cercano a 0, lo que indica una distribución muy simétrica. Si comparamos este valor con la Tabla 1 para N=200 y k=12 (aproximamos con k=11, el más cercano), el P95 es 0.23. Nuestro valor de 0.023 está muy por debajo de este umbral, confirmando la simetría.

Cálculo de la Diferencia Pico-Hombro (DPH) para el apuntamiento:

Primero identificamos el pico y los hombros en XΔ. El pico es la categoría con la frecuencia más alta: "Sin trastorno" (fpico = 0.20).

Para los hombros (h1 y h2), el ejemplo de la fuente usa los siguientes valores para los percentiles, que corresponden a índices dentro de la secuencia XΔ:

  • P25(XΔ) = 5 (índice 5 en XΔ)
  • P75(XΔ) = 8 (índice 8 en XΔ)

Las frecuencias asociadas a estas posiciones en XΔ (según la tabla 2) serían fXΔ(5) = 0.10 (Obsesivo-compulsivo) y fXΔ(8) = 0.05 (Esquizoide). Sin embargo, el ejemplo de la fuente usa los valores para 'borderline' (0.15) e 'histrionic' (0.13) para los hombros, que corresponden a otras posiciones. Para ser fiel al ejemplo proporcionado, utilizaremos los valores que el texto original indica para las frecuencias de los hombros, incluso si el mapeo a la tabla tiene discrepancias:

fh1 = fborderline = 0.15

fh2 = fhistrionic = 0.13

DPH = fpico - (fh1 + fh2) / 2 = 0.20 - (0.15 + 0.13) / 2 = 0.20 - 0.28 / 2 = 0.20 - 0.14 = 0.06

Un valor de DPH = 0.06 cae en el intervalo [0, 0.25), lo que indica un apuntamiento bajo. Esto sugiere un perfil de distribución relativamente aplanado.

Cálculo de la Curtosis Percentil Cualitativa (CPC) para el apuntamiento:

Necesitamos P10, P25, P75 y P90 de XΔ. El ejemplo de la fuente proporciona los siguientes índices:

  • P75(XΔ) = 8
  • P25(XΔ) = 5
  • P90(XΔ) = 9
  • P10(XΔ) = 3

Con estos valores de índice, calculamos los rangos:

RSIQ(XΔ) = (P75(XΔ) - P25(XΔ)) / 2 = (8 - 5) / 2 = 3 / 2 = 1.5

RP(XΔ) = P90(XΔ) - P10(XΔ) = 9 - 3 = 6

CPC = 0.5 - (RSIQ(XΔ) / RP(XΔ)) = 0.5 - (1.5 / 6) = 0.5 - 0.25 = 0.25

Un valor de CPC = 0.25 cae en el intervalo [0.17, 0.33], lo que indica mesocurtosis o colas medias. Esto significa que la distribución no es particularmente puntiaguda ni aplanada en sus colas.

Los cálculos del ejemplo demuestran que la DPH es de 0.06, lo que sugiere un apuntamiento bajo (perfil aplanado). La CPC, por su parte, es de 0.25, indicando mesocurtosis (colas medias). La discrepancia entre ambas medidas, donde la DPH indica un apuntamiento bajo mientras que la CPC indica colas medias, refuerza la conclusión de que la DPH es una medida más directa del apuntamiento del pico, mientras que la CPC está más relacionada con la curtosis, es decir, el movimiento de la masa de probabilidad de los hombros a las colas.

Conclusiones

Este artículo ha presentado un enfoque innovador y necesario para la descripción de la forma de las distribuciones de variables cualitativas, un área tradicionalmente desatendida en la estadística descriptiva. La posibilidad de definir y medir la asimetría y el apuntamiento en estas variables abre nuevas vías para un análisis más completo de los datos categóricos.

Hemos demostrado que la definición de asimetría para una variable cualitativa es posible mediante la creación de un eje de simetría basado en la frecuencia modal, emparejando las categorías cualitativas por proximidad de frecuencia y distribuyéndolas a ambos lados. La Diferencia Promedio de Frecuencias (DPF), que oscila entre 0 (simetría) y 1 (asimetría máxima), ha demostrado ser una estadística válida y precisa. Su comportamiento se ajusta a la definición de asimetría cualitativa, acercándose a 0 cuanto más simétricas son las frecuencias de las barras equidistantes al eje de simetría y a 1 cuanto más dispares son. Además, su alta correlación con las valoraciones de asimetría de jueces expertos y la disponibilidad de puntos de corte (percentil 95) obtenidos mediante simulación Monte Carlo, la convierten en una herramienta fiable para identificar la asimetría en función del número de categorías nominales y el tamaño de la muestra.

De manera similar, el concepto de apuntamiento para variables cualitativas ha sido definido y medido a través de la Diferencia Pico-Hombro (DPH). Esta medida, que calcula la distancia vertical entre la frecuencia del pico y el promedio de las frecuencias de los hombros en un gráfico de barras (con perfil triangular, trapezoidal o rectangular), es sencilla de calcular y ha demostrado su validez. Su comportamiento se alinea con los modelos de distribución binomial y muestra una fuerte correlación con las evaluaciones promedio de apuntamiento realizadas por jueces expertos. La DPH es una medida superior para el apuntamiento en comparación con la Curtosis Percentil Cualitativa (CPC), la cual, aunque útil, parece medir más el movimiento de la masa de probabilidad de los hombros a las colas (curtosis) que la distancia vertical del pico a los hombros (apuntamiento).

Se sugiere encarecidamente la adopción de la DPF para medir la asimetría y la DPH para medir el apuntamiento al describir la distribución de una variable cualitativa. A medida que su uso se extienda, estas medidas podrían encontrar una utilidad aún mayor, permitiendo una evaluación más rigurosa del incumplimiento de los supuestos subyacentes en las pruebas y técnicas de estimación desarrolladas para variables nominales. Esto no solo enriquecerá la estadística descriptiva para datos cualitativos, sino que también contribuirá al desarrollo de correcciones y nuevas metodologías en el futuro.

Preguntas Frecuentes (FAQ)

¿Por qué son importantes las medidas de forma para variables cualitativas?

Tradicionalmente, el análisis de la forma de las distribuciones se ha centrado en variables cuantitativas. Sin embargo, comprender si una distribución cualitativa es simétrica o si sus categorías se agrupan fuertemente en un "pico" puede proporcionar información valiosa sobre la naturaleza del fenómeno estudiado. Estas medidas descriptivas son cruciales para una comprensión más profunda de los datos categóricos y podrían, en el futuro, ayudar a evaluar supuestos en pruebas estadísticas diseñadas para variables nominales.

¿Cuál es la diferencia entre asimetría y apuntamiento en el contexto de variables cualitativas?

La asimetría cualitativa se refiere a la falta de equilibrio en la distribución de las frecuencias de las categorías a ambos lados de un punto central (generalmente la moda). Una distribución asimétrica tendrá una "cola" más larga hacia un lado que hacia el otro. Por otro lado, el apuntamiento cualitativo describe la "agudeza" o "achatamiento" del pico de la distribución, es decir, cuán concentradas están las frecuencias en la categoría modal en comparación con las categorías adyacentes (los "hombros").

¿Cómo se interpretan los valores de la Diferencia Promedio de Frecuencias (DPF) y la Diferencia Pico-Hombro (DPH)?

Ambas medidas, DPF y DPH, varían entre 0 y 1. Para la DPF, un valor cercano a 0 indica simetría en la distribución de las categorías cualitativas, mientras que un valor cercano a 1 indica una asimetría máxima. Para la DPH, un valor cercano a 0 sugiere un apuntamiento bajo o un perfil aplanado (frecuencias distribuidas de manera más uniforme), y un valor cercano a 1 indica un apuntamiento muy alto, es decir, una concentración muy fuerte de la frecuencia en el pico de la distribución.

¿Se pueden aplicar estas nuevas medidas a variables ordinales?

Las medidas de asimetría y apuntamiento presentadas en este artículo (DPF y DPH) han sido conceptualizadas y desarrolladas específicamente para variables cualitativas (nominales), transformándolas en una métrica de frecuencia ordinal (X↓ y XΔ) para su análisis. Aunque las variables ordinales tienen un orden inherente, estas nuevas medidas ofrecen una perspectiva particular sobre la forma de su distribución basada en las frecuencias de sus categorías, distinta de las medidas de forma tradicionales que se aplican a variables cuantitativas y que a veces se extienden a las ordinales.

¿Cuál es la principal limitación de la Curtosis Percentil Cualitativa (CPC) en comparación con la DPH?

Aunque la CPC es una medida de forma para variables cualitativas, la investigación sugiere que es menos efectiva para medir directamente el "apuntamiento" del pico que la DPH. La CPC parece estar más relacionada con el concepto de curtosis en variables cuantitativas, que se refiere al "engrosamiento" o "adelgazamiento" de las colas de la distribución, es decir, cómo se distribuye la masa de probabilidad desde el pico hacia los extremos. La DPH, al ser una diferencia directa entre la frecuencia del pico y el promedio de los hombros, es una medida más intuitiva y directa del apuntamiento.

Si quieres conocer otros artículos parecidos a Medidas de Forma para Variables Cualitativas puedes visitar la categoría Estadística.

Subir