Coeficiente de dispersión: definición y fórmula

Si alguna vez has comparado dos conjuntos de datos con la misma media pero distinta variabilidad, ya te has topado con la necesidad del coeficiente de dispersión. En términos simples: mide qué tan esparcidos o concentrados están los valores alrededor de una medida central. La fórmula más conocida es el coeficiente de variación (CV) = (desviación estándar / media) × 100. Pero hay más tipos: rango relativo, desviación media relativa y coeficiente de dispersión de Pearson. Este artículo te enseñará a calcularlos, interpretarlos y aplicarlos en casos reales como finanzas, control de calidad e investigaciones científicas.

Dato clave: un coeficiente alto indica datos muy heterogéneos; bajo, datos homogéneos. Sin unidades, permite comparar variables diferentes (ej. altura vs peso, o ingresos en distintas monedas).

Ahora sí, profundicemos.

¿Qué es el coeficiente de dispersión? Definición clara

En estadística descriptiva, las medidas de dispersión complementan a las medidas de tendencia central (media, mediana, moda). Mientras que la media te dice el centro, la dispersión te dice si los datos se aprietan cerca de ese centro o se alejan mucho.

Definición formal:
El coeficiente de dispersión es una medida adimensional (sin unidades) que expresa la variabilidad relativa de un conjunto de datos respecto a su valor central. Permite comparar dispersiones entre distribuciones con diferentes unidades o escalas.

Por ejemplo:

• La altura de personas (media 1,70 m, desviación 0,10 m) tiene CV = (0,10/1,70)*100 ≈ 5,9%
• El peso (media 70 kg, desviación 10 kg) tiene CV = (10/70)*100 ≈ 14,3%
  Aunque las unidades son diferentes, el CV nos dice que el peso es más disperso (más variable) que la altura.

Diferencia con medidas absolutas de dispersión

Fórmula general y tipos principales

No existe un solo coeficiente de dispersión, sino una familia. Los más importantes:

Coeficiente de variación (CV) – el más usado

Fórmula:$$CV=\frac{\sigma }{\mu }\text{o}CV=\frac{s}{\bar{x}}$$​

donde σ es desviación estándar poblacional, μ la media poblacional; s y x̄ son muestrales.

En porcentaje: $CV\mathrm{\%}=\frac{s}{\bar{x}}\times 100$

Condición de uso: solo cuando la media ≠ 0 y los datos son de razón (con cero verdadero). No usar con temperaturas Celsius (el cero es arbitrario).

Ejemplo práctico:
Dos acciones:

• Acción A: rendimiento medio 12%, desviación 3% → CV = 3/12 = 0,25 (25%)
• Acción B: rendimiento medio 8%, desviación 2,5% → CV = 2,5/8 = 0,3125 (31,25%)
  Aunque A tiene mayor desviación absoluta, su CV es menor → menos riesgo relativo.

Coeficiente de dispersión de Pearson (basado en rango)

Para distribuciones muy asimétricas o cuando no tenemos desviación estándar:$$C{D}_{Pearson}=\frac{3(\bar{x}-Mediana)}{\sigma }$$

Pero atención: no es común. Más usado el coeficiente de apertura:$$\text{Rango relativo}=\frac{\text{Rango}}{\bar{x}}\times 100$$

(Rango = máximo – mínimo)

Coeficiente de dispersión de la desviación media

$$C{D}_{DM}=\frac{DM}{\bar{x}}$$​

donde DM = desviación media absoluta (suma de |xi – x̄| / n).

Menos popular que CV pero más robusto ante outliers.

Coeficiente de dispersión de Bowley (basado en cuartiles)

Para datos muy sesgados o con valores extremos:$$C{D}_{Bowley}=\frac{Q_3-Q_1}{Q_3+Q_1}$$

donde Q1 = primer cuartil, Q3 = tercer cuartil. Siempre entre 0 y 1.

Cómo calcular paso a paso (con ejemplos reales)

Ejemplo 1: Notas de dos grupos de estudiantes

Grupo A: [4, 5, 5, 6, 6, 6, 7, 7, 8, 10]
Grupo B: [3, 5, 6, 6, 6, 7, 7, 8, 9, 9]

Paso 1: calcular media y desviación estándar

• Grupo A: media = 6,4; s = 1,58
• Grupo B: media = 6,6; s = 1,71

Paso 2: CV

• Grupo A: 1,58/6,4 = 0,2469 → 24,7%
• Grupo B: 1,71/6,6 = 0,2591 → 25,9%

Interpretación: El grupo B tiene ligeramente más dispersión relativa (25,9% vs 24,7%), a pesar de que su media es mayor.

Ejemplo 2: Control de calidad en fábrica

Diámetros de rodamientos (mm):
Lote 1: [10,02; 9,98; 10,00; 10,01; 9,99] media=10,00 s=0,0158
Lote 2: [10,5; 9,5; 10,0; 10,2; 9,8] media=10,0 s=0,374

CV lote1 = 0,0158/10 = 0,00158 → 0,158%
CV lote2 = 0,374/10 = 0,0374 → 3,74%

El lote1 es 23 veces más homogéneo → mejor calidad.

Interpretación y valores de referencia

No hay umbrales universales, pero en ciencias sociales:

En finanzas (riesgo de inversión):

• CV < 20%: inversión conservadora
• CV 20-40%: riesgo moderado
• CV > 40%: inversión volátil

En procesos industriales (Six Sigma):
Se busca CV < 1% para tolerancias estrechas.

Precaución: Si la media es cercana a cero, el CV se dispara (ej. temperatura en °C cerca del punto de congelación). En esos casos, usar CV basado en mediana o rango intercuartílico.

Ventajas y limitaciones

Ventajas

1. Adimensional → compara kilómetros con horas, euros con litros.
2. Útil para selección de modelos (menor CV → mejor precisión).
3. Estándar en informes científicos (biología, psicometría, economía).

Limitaciones

1. No aplicable con medias negativas (ej. pérdidas financieras medias negativas). Solución: usar valor absoluto o trabajar con rendimientos.
2. Sensible a valores extremos (como la media y la desviación estándar).
3. No interpretable si media = 0 o muy cercana.
4. Para variables medidas en escalas ordinales o de intervalo sin cero verdadero, mejor usar otros coeficientes (ej. CV de cuartiles).

Aplicaciones en diferentes campos

Educación

Comparar homogeneidad de calificaciones entre dos escuelas con distintos niveles de exigencia. Una escuela con CV = 10% tiene evaluaciones más consistentes que otra con CV = 35%.

Medicina

Evaluar variabilidad de presión arterial en pacientes. Un CV bajo en mediciones repetidas indica fiable método de medición.

Finanzas personales

Medir riesgo de diferentes activos. El ratio Sharpe utiliza CV inverso.

Meteorología

Comparar variabilidad de temperaturas entre ciudades: Madrid (CV=32%) vs Londres (CV=18%) → Londres más estable.

Control de calidad

En procesos productivos, CV < 2% es señal de proceso controlado.

Errores comunes al usar el coeficiente de dispersión

1. Aplicarlo a medias negativas → sin sentido. En finanzas, se usa la desviación estándar absoluta.
2. Olvidar que CV no sirve para variables con cero artificial (temperatura Celsius, puntuaciones de tests estandarizados con media 0).
3. Comparar CV sin comprobar que las medias sean positivas y similares en orden de magnitud (si una media es 0,001 y otra 1000, el CV no es comparable).
4. Usar CV con muestras pequeñas (n < 10) → muy inestable.

Coeficientes alternativos menos conocidos

Para datos muy asimétricos o con outliers:

• Coeficiente de variación de la mediana = (MAD / mediana) × 100, donde MAD = desviación absoluta mediana.
• Coeficiente de Gini (mide desigualdad, entre 0 y 1). Muy usado en economía.
• Coeficiente de dispersión de Shannon (basado en entropía) para datos categóricos.

Resultados de aprendizaje

1. Definir correctamente qué es un coeficiente de dispersión y diferenciarlo de las medidas de dispersión absoluta.
2. Calcular el coeficiente de variación (CV) a partir de la media y la desviación estándar.
3. Interpretar valores de CV en contextos como educación, finanzas o control de calidad.
4. Reconocer las limitaciones del CV (media cercana a cero, unidades de intervalo sin cero real).
5. Aplicar al menos otros dos coeficientes de dispersión: rango relativo y coeficiente de Bowley (basado en cuartiles).
6. Comparar dos o más conjuntos de datos con diferentes unidades usando el coeficiente adecuado.
7. Identificar errores comunes en el uso del coeficiente de dispersión y evitarlos en trabajos prácticos.
8. Seleccionar el tipo de coeficiente de dispersión según la escala de medición y la presencia de valores atípicos.

Rodrigo Ricardo Editor y fundador