El rango es la medida de dispersión más directa: cuantifica la amplitud total de los datos tomando únicamente los dos extremos observados. (Llinás Solano, H., 2017, pp. 33–90) Se define como:

\[ \text{Rango} = x_{\text{max}} - x_{\text{min}} \]

donde x_{_max} es el mayor valor del conjunto y x_{_min} el menor. Su interpretación es inmediata: indica cuánto abarcan los datos a lo largo de la escala y se expresa en las mismas unidades que la variable (si los datos están en minutos, el rango está en minutos) (Llinás Solano, H., 2017, pp. 33–90). Es invariante a traslaciones (si a todos los datos se les suma una constante, el rango no cambia) y escala proporcionalmente con multiplicaciones (si todos los datos se multiplican por c, el rango se multiplica por ∣c∣).

El rango es especialmente útil como primer diagnóstico ya que permite detectar de un vistazo si el conjunto es estrecho o muy extendido, y sirve para verificar errores de captura o valores fuera de especificación. (Llinás Solano, H., 2017, pp. 33–90) Sin embargo, tiene una limitación clave: solo depende de dos observaciones (máximo y mínimo). Por ello es muy sensible a valores atípicos y puede dar una impresión de gran variabilidad, aunque la mayoría de los datos estén concentrados.

Varianza (s² o σ²): La varianza es una medida que cuantifica la dispersión promedio de cada dato respecto de la media del conjunto. (Llinás Solano, H., 2017, pp. 33–90) A diferencia del rango, utiliza toda la información disponible en los datos. Su cálculo implica los siguientes pasos:

• Calcular la media del conjunto de datos (\(\bar{x}\)).
• Restar la media a cada dato individual para obtener las desviaciones (\(x_i - \bar{x}\)). Estas desviaciones pueden ser positivas o negativas.
• Elevar cada desviación al cuadrado. Este paso elimina los signos negativos y otorga mayor peso a las desviaciones más grandes.
• Sumar todos estos cuadrados de las desviaciones.
• Dividir esta suma por el número total de observaciones (para obtener la varianza poblacional, \(\sigma^2\)) o por el número de observaciones menos uno (para obtener la varianza muestral, \(s^2\)). La división por \(n-1\) en la varianza muestral corrige un sesgo y proporciona un mejor estimador de la varianza poblacional.

\[ \text{Varianza Poblacional } (\sigma^2) = \frac{\sum_{i=1}^{N} (x_i - \mu)^2}{N} \]

\[ \text{Varianza Muestral } (s^2) = \frac{\sum_{i=1}^{n} (x_i - \bar{x})^2}{n-1} \]

Una varianza de "cero" indica que todos los valores son idénticos (no hay dispersión). (Llinás Solano, H., 2017, pp. 33–90) Cuanto mayor sea la varianza, mayor será la dispersión de los datos alrededor de la media.

Desviación Estándar (s o σ): La desviación estándar es, simplemente, la raíz cuadrada positiva de la varianza. Es la medida de dispersión más utilizada y reportada.

\[ \text{Desviación Estándar Muestral } (s) = \sqrt{s^2} = \sqrt{\frac{\sum_{i=1}^{n} (x_i - \bar{x})^2}{n-1}} \]

\[ \text{Desviación Estándar Poblacional } (\sigma) = \sqrt{\sigma^2} = \sqrt{\frac{\sum_{i=1}^{N} (x_i - \mu)^2}{N}} \]

La desviación estándar resuelve el problema de interpretación de la varianza al expresarse en las mismas unidades que los datos originales. Mide la dispersión "típica" o "promedio" de los datos con respecto a la media.

La media y la desviación estándar son el par de medidas más informativo para describir un conjunto de datos. Se reportan comúnmente como "media ± desviación estándar" (ej: 100 ± 15). Esto nos dice que el centro de la distribución está en 100 y que la variabilidad típica es de 15 unidades por encima o por debajo de ese centro.

El coeficiente de variación es particularmente útil cuando se necesita comparar la variabilidad entre dos o más conjuntos de datos que difieren en sus unidades de medida o en el orden de magnitud de sus promedios. Mientras que la desviación estándar nos da una medida absoluta de dispersión, el coeficiente de variación proporciona una medida relativa que facilita comparaciones más significativas.

El coeficiente de variación se calcula como la relación entre la desviación estándar y la media absoluta, multiplicada por 100 para expresarlo en porcentaje:

\[ \text{Coeficiente de Variación (CV)} = \frac{s}{\bar{x}} \times 100\% \]

• s = desviación estándar muestral
• \(\bar{x}\) = media muestral
• CV = coeficiente de variación (en porcentaje)

Un CV bajo (generalmente menor al 15-20%) indica una dispersión baja en relación con la media, sugiriendo datos más homogéneos y consistentes. Mientras que un CV alto (mayor al 30-35%) señala una dispersión alta en relación con la media, indicando datos más heterogéneos y variables. Para un CV de dispersión moderada se encuentra entre 20-30%.

El coeficiente de variación ofrece ventajas significativas al permitir comparar la variabilidad relativa entre conjuntos de datos con unidades de medida diferentes o medias dispares, gracias a su naturaleza adimensional expresada en porcentaje. Esto lo hace ideal para evaluar riesgos en inversiones financieras, donde rendimientos de distinta magnitud requieren una medida uniforme de volatilidad, o en control de calidad, para contrastar la precisión de procesos con especificaciones diversas.

Sin embargo, el coeficiente de variación también presenta limitaciones críticas. No es confiable cuando la media es cercana a cero, ya que pequeños cambios en los datos provocan valores de CV extremos y distorsionados. Tampoco es adecuado para comparar distribuciones con formas muy diferentes (simétricas vs. sesgadas), pues ignora aspectos clave de la estructura de los datos. Además, pierde utilidad cuando las medias tienen signos opuestos ( pérdidas vs. ganancias), ya que la interpretación porcentual se vuelve ambigua. Por último, al ser una medida relativa, puede ocultar dispersiones absolutas relevantes en análisis específicos.

Comparar la dispersión entre dos o más conjuntos exige, ante todo, condiciones de comparabilidad: las series deben estar expresadas en las mismas unidades, referirse a ventanas temporales equivalentes y haber sido tratadas con el mismo protocolo de depuración (criterios de atípicos, imputación de faltantes, redondeos y precisión de medición). Cuando interviene moneda, conviene deflactar a precios constantes; cuando se trata de volúmenes con fuerte estacionalidad, es preferible comparar periodos homólogos o aplicar un ajuste estacional antes de analizar la variabilidad. Solo así la diferencia en dispersión reflejará el fenómeno y no una asimetría de diseño.

En conjuntos con niveles medios semejantes y misma escala, la desviación estándar en unidades originales es el indicador más directo para juzgar la variabilidad total. Si dos procesos producen cantidades similares pero uno presenta una desviación estándar mayor, ese proceso es menos consistente y más incierto para la planificación. En cambio, cuando los niveles difieren apreciablemente o las escalas no coinciden (por ejemplo, dos líneas de producto con promedios de venta muy distintos, o medidas en gramos frente a kilogramos), la comparación debe apoyarse en el coeficiente de variación (CV), que expresa la dispersión en proporción al nivel y permite una lectura adimensional. Esta distinción evita conclusiones engañosas: un conjunto puede tener desviación estándar absoluta menor y, sin embargo, ser más inestable en términos relativos si su media también es mucho menor. El CV debe usarse con variables de escala de razón y medias no cercanas a cero. Si el promedio es muy pequeño, el cociente se vuelve inestable y conviene volver a expresar la variable o apoyar el diagnóstico en medidas robustas.