Desvío Estándar Combinado para Múltiples Grupos

¿Qué es el desvío estándar combinado?

El desvío estándar combinado (pooled standard deviation) integra las estimaciones de varianza de dos o más grupos para obtener una única estimación ponderada. Es esencial para las pruebas t de dos muestras cuando se asume igualdad de varianzas.

El concepto es directo: si creemos que dos grupos provienen de poblaciones con la misma variabilidad subyacente, podemos combinar sus datos para obtener una mejor estimación de esa variabilidad compartida. Más datos implican una estimación más precisa.

Pensalo de esta manera: si tenés 20 observaciones del Grupo A y 30 del Grupo B, y ambos grupos tienen la misma varianza verdadera, ahora contás con 50 observaciones para estimar esa varianza en lugar de estimarla por separado a partir de muestras más pequeñas.

Cuándo combinar

Solo combiná desvíos estándar cuando tengas razones para creer que las varianzas poblacionales subyacentes son iguales. Usá la prueba de Levene o la prueba F para verificar este supuesto antes de combinar.

La fórmula del DE combinado

Para dos grupos, el desvío estándar combinado es:

Two-Group Pooled SD

sp = √[((n₁-1)s₁² + (n₂-1)s₂²) / (n₁+n₂-2)]

Donde n₁ y n₂ son los tamaños de muestra, y s₁ y s₂ son los desvíos estándar muestrales.

Para k grupos (como en ANOVA), la fórmula se generaliza:

Multi-Group Pooled SD

sp = √[Σ(nᵢ-1)sᵢ² / Σ(nᵢ-1)]

Observá que la fórmula utiliza términos (n-1) tanto en el numerador como en el denominador. Esta ponderación asegura que las muestras más grandes contribuyan más a la estimación combinada, lo cual es apropiado porque las muestras más grandes proporcionan estimaciones de varianza más confiables.

Supuestos subyacentes

El desvío estándar combinado supone homogeneidad de varianzas, es decir, que todos los grupos comparten la misma varianza poblacional. Este supuesto importa especialmente cuando:

Los tamaños de muestra son desiguales (particularmente problemático si el grupo más grande tiene menor varianza)
La razón entre la varianza más grande y la más pequeña supera 2-3
Los tamaños de muestra son pequeños (las muestras grandes son más robustas ante violaciones)

Cuando las varianzas difieren

Si las varianzas son desiguales, usá la prueba t de Welch en lugar de la prueba t con varianzas combinadas, o utilizá estimaciones de varianza separadas. La prueba de Welch no asume varianzas iguales y frecuentemente se recomienda como enfoque predeterminado.

Ejemplo resuelto

Escenario: Comparación de calificaciones entre dos cursos:

Curso A: n₁ = 25, media = 78, s₁ = 12
Curso B: n₂ = 30, media = 82, s₂ = 14

Cálculo del DE combinado:

sp = √[((25-1)(12)² + (30-1)(14)²) / (25+30-2)] sp = √[(24×144 + 29×196) / 53] sp = √[(3456 + 5684) / 53] sp = √[9140 / 53] = √172,45 = 13,13

El DE combinado de 13,13 se encuentra entre los DE individuales (12 y 14), ponderado hacia la muestra más grande. Este valor combinado se utilizaría luego en la fórmula de la prueba t o en el cálculo de la d de Cohen.

Aplicaciones estadísticas

Prueba t para muestras independientes: el DE combinado se usa para calcular el error estándar de la diferencia entre medias.
d de Cohen: los tamaños del efecto se estandarizan usando el DE combinado: d = (M₁ - M₂) / sp
ANOVA: el cuadrado medio del error (CME) en ANOVA es esencialmente una estimación de la varianza combinada de todos los grupos.
Metaanálisis: al combinar estudios, las estimaciones combinadas ayudan a estandarizar los efectos entre diferentes contextos.

A statistics tutorial is a practical interpretation guide, not just a formula dump. It refers to the assumptions, notation, and reporting language that analysts need when they explain a result to a teacher, manager, client, or reviewer. The article body covers the specific topic, while the sections below create a common interpretation frame that readers can reuse across related metrics.

Reading goal	What to focus on	Common mistake
Definition	What the metric is and what quantity it summarizes	Treating the formula as self-explanatory
Formula choice	Sample versus population assumptions and notation	Using n when n-1 is required or vice versa
Interpretation	Whether the result indicates concentration, spread, or risk	Calling a large value good or bad without context

Frequently Asked Questions

How should I interpret a high standard deviation?

A high standard deviation means the observations are spread farther from the mean on average. Whether that spread is acceptable depends on the context: wide dispersion might signal risk in finance, instability in manufacturing, or genuine natural variation in scientific data.

Why do some articles mention n while others mention n-1?

The denominator reflects the difference between population and sample formulas. Population variance and population standard deviation use N because the full dataset is known. Sample variance and sample standard deviation often use n-1 because Bessel’s correction reduces bias when estimating population spread from a sample.

What is a statistical interpretation guide?

A statistical interpretation guide is a page that moves beyond arithmetic and explains meaning. It tells you what a metric is, when the formula applies, and how to describe the result in plain English without overstating certainty.

Can I cite this article in a report?

You should cite the underlying authoritative reference for formal work whenever possible. This page is best used as an explanatory bridge that helps you understand the concept before quoting the original standard or handbook.

Why include direct citations on every article page?

Direct citations give readers a route to verify the definition, notation, and assumptions. That improves trust and reduces the chance that a simplified explanation is mistaken for the entire technical standard.

Authoritative References

These sources define the concepts referenced most often across our articles. Bessel's correction is a sample adjustment, variance is a squared measure of spread, and standard deviation is the square root of variance expressed in the same units as the data.