La estadística descriptiva resume la forma, el centro y la dispersión de un conjunto de datos antes de que comience cualquier prueba inferencial. La media y la mediana te dicen dónde se ubican los datos, pero la varianza, la asimetría, la curtosis, el intervalo de confianza y los diagnósticos de valores atípicos son lo que te permite decidir si el resumen es confiable y qué análisis posteriores son apropiados. Las secciones siguientes cubren las cuatro decisiones que todo analista toma al recurrir a la estadística descriptiva: elegir entre fórmulas muestrales y poblacionales, interpretar correctamente los intervalos de confianza, leer la asimetría y la curtosis como diagnósticos de distribución, y elegir la regla de valores atípicos adecuada para tus datos.
Cuándo usar fórmulas muestrales vs. poblacionales
El error más común en estadística introductoria es confundir las fórmulas muestrales y poblacionales de la varianza y la desviación estándar. La fórmula muestral divide entre n − 1 (corrección de Bessel); la fórmula poblacional divide entre n. Usa la versión poblacional cuando tus datos cubren todo el grupo que te interesa — cada empleado en una nómina, cada transacción de un año fiscal, cada estudiante en una lista. Usa la versión muestral siempre que tus datos sean un subconjunto y quieras sacar conclusiones sobre un grupo mayor.
¿Por qué n − 1? Porque la media muestral es en sí misma una estimación, la suma de las desviaciones al cuadrado respecto a la media muestral es ligeramente menor que la suma de las desviaciones al cuadrado respecto a la verdadera media desconocida. Dividir entre n − 1 compensa este sesgo. La corrección es apenas perceptible cuando n es grande (n = 100 frente a n = 99 cambia la respuesta en un 1%), pero con muestras pequeñas importa: una muestra de 5 valores da una varianza un 25% mayor con la fórmula muestral que con la poblacional. Cuando no estés seguro, opta por muestral — es la elección conservadora cuando tus datos se recopilaron de un proceso o población.
Cómo funcionan realmente los intervalos de confianza
Un intervalo de confianza del 95% para la media es un rango que — a lo largo de muchas muestras repetidas extraídas de la misma población — contendría la verdadera media aproximadamente el 95% de las veces. Se calcula como x̄ ± t × (s / √n), donde t proviene de la distribución t de Student al nivel de confianza elegido y gl = n − 1. Para muestras grandes (n ≥ 30), el valor t es esencialmente el valor z: 1.645 para 90%, 1.960 para 95%, 2.576 para 99%. Para muestras pequeñas, t es mayor para compensar la incertidumbre adicional al estimar la DE poblacional a partir de una muestra pequeña.
Una mala interpretación común es decir que la verdadera media tiene un 95% de probabilidad de estar dentro de cualquier IC que calcules. Eso no es lo que garantiza el procedimiento — una vez que has calculado un intervalo específico, la verdadera media está en él o no. Lo que el procedimiento garantiza es que la tasa a largo plazo de intervalos que contienen la verdadera media es del 95%. Para fines prácticos, las dos interpretaciones llevan a decisiones similares, pero los intervalos de credibilidad bayesianos (que sí admiten la interpretación de 'probabilidad de que la media esté en este rango') requieren un marco diferente.
Elevar el nivel de confianza amplía el intervalo. Los IC del 99% son aproximadamente un 30% más anchos que los del 95% con el mismo tamaño de muestra — el precio de mayor confianza es menor precisión. La otra palanca es el tamaño de muestra: duplicar n reduce el IC en un factor de √2 ≈ 1.41.
Asimetría y curtosis como diagnósticos de distribución
La asimetría mide la falta de simetría. Una asimetría cercana a cero indica que la distribución es aproximadamente simétrica alrededor de la media — una buena señal de que la media y la mediana coinciden. Una asimetría positiva señala una cola derecha larga (la media es arrastrada por encima de la mediana por valores altos extremos); una asimetría negativa señala una cola izquierda larga. Como regla general, |asimetría| < 0.5 es lo bastante simétrico como para que la media sea una medida razonable del centro; |asimetría| > 1 sugiere que la mediana es un mejor resumen.
La curtosis en exceso mide la pesadez de las colas en comparación con una distribución normal. Una curtosis en exceso positiva (leptocúrtica) significa que la distribución produce valores extremos con más frecuencia que una campana de Gauss — común en retornos financieros, latencia de red y tiempos de reacción. Una curtosis en exceso negativa (platicúrtica) significa que la distribución tiene colas más ligeras que la normal — las distribuciones uniformes son un ejemplo extremo. Una curtosis en exceso cercana a cero es consistente con la normalidad pero no la prueba; para una verificación formal, observa un gráfico Q-Q o realiza una prueba de Shapiro-Wilk.
Ambas estadísticas son sensibles a los valores atípicos, especialmente con muestras pequeñas. Un solo valor extremo puede convertir una distribución casi simétrica en una con asimetría > 1. Inspecciona siempre el histograma junto con estos resúmenes — los números son diagnósticos, no definitivos.
Qué regla de valores atípicos usar
La regla de 1.5×RIC (las cercas de Tukey) marca cualquier valor por debajo de Q1 − 1.5×RIC o por encima de Q3 + 1.5×RIC. Es la opción predeterminada correcta por dos razones. Primero, usa cuartiles, que no se ven afectados por valores extremos — de modo que la regla no permite que unos valores atípicos enmascaren a otros. Segundo, funciona con datos asimétricos porque las cercas se ajustan a la forma de los datos en lugar de suponer simetría.
La regla de la puntuación z (|z| ≥ 2 o 3) es más familiar pero tiene dos limitaciones. Supone que los datos son aproximadamente normales: bajo ese supuesto, solo alrededor del 5% de los valores deberían tener |z| ≥ 2 y el 0.3% deberían tener |z| ≥ 3, por lo que cualquier cosa por encima de esos umbrales es sospechosa. Sin embargo, con datos fuertemente asimétricos, la regla falla — la mitad de los valores en una distribución log-normal pueden ser 'atípicos' según la definición de la puntuación z. La segunda limitación es más sutil: unos pocos valores atípicos extremos inflan la media y la DE, dificultando la detección de valores atípicos moderados (el llamado problema de enmascaramiento).
Esta calculadora reporta ambas reglas para que puedas ver cuándo coinciden y cuándo divergen. Cuando coinciden, tienes un caso sólido para investigar o eliminar los valores marcados. Cuando difieren — típicamente la regla del RIC marca más valores en datos asimétricos — prefiere la regla del RIC y considera si tus datos necesitan una transformación logarítmica antes de un análisis posterior. Hagas lo que hagas, documenta siempre el manejo de valores atípicos: eliminar valores es una decisión de investigación que afecta a cada estadística posterior.