Introducción
El Error Estándar (EE) y el Desvío Estándar (DE) son ambos medidas de dispersión, pero responden a preguntas fundamentalmente diferentes. Confundirlos es uno de los errores más comunes en estadística.
Confusión frecuente
Muchas personas usan el DE cuando deberían usar el EE, especialmente al reportar la precisión de medias muestrales. Esto puede llevar a conclusiones incorrectas sobre la significancia estadística.
La diferencia clave
Desvío estándar
Mide la dispersión de los datos individuales alrededor de la media.
“¿Cuánto varían los valores individuales?”
Error estándar
Mide la precisión de la media muestral como estimación de la media poblacional.
“¿Cuán precisa es nuestra media muestral?”
Fórmula del error estándar
Standard Error of the Mean
SE = s / √n
Donde s es el desvío estándar muestral y n es el tamaño de la muestra.
Ejemplo de cálculo
Una muestra de 25 estudiantes tiene una nota media = 75, DE = 10
- Desvío estándar (s) = 10 puntos
- Tamaño de muestra (n) = 25
- Error estándar = 10 / √25 = 10 / 5 = 2 puntos
Interpretación: la media muestral de 75 tiene una incertidumbre de aproximadamente ±2 puntos.
Cuándo usar cada uno
- Usá el desvío estándar cuando:Describís la variabilidad de observaciones individuales, caracterizás una población o muestra, establecés rangos normales (por ejemplo, rangos de referencia clínicos) o realizás control de calidad (variación aceptable en manufactura)
- Usá el error estándar cuando:Reportás la precisión de un estadístico muestral, construís intervalos de confianza, comparás medias entre grupos o realizás pruebas de hipótesis
Efecto del tamaño de muestra
Una diferencia fundamental: el DE se mantiene aproximadamente igual a medida que aumenta el tamaño de la muestra, pero el EE disminuye con muestras más grandes.
| Tamaño de muestra (n) | DE | EE = DE/√n |
|---|---|---|
| 25 | 10 | 2,00 |
| 100 | 10 | 1,00 |
| 400 | 10 | 0,50 |
| 10.000 | 10 | 0,10 |
Concepto clave
Para reducir el error estándar a la mitad, necesitás cuadruplicar el tamaño de la muestra. Por eso las estimaciones muy precisas requieren muestras grandes.