Desviación estándar geométrica: guía completa

Cuándo usar la desviación estándar geométrica

La desviación estándar geométrica (DEG) es la medida de dispersión apropiada para datos de naturaleza multiplicativa en lugar de aditiva, como tasas de crecimiento, razones, concentraciones o cualquier medición con distribución log-normal.

Considere los rendimientos bursátiles: una ganancia del 10% seguida de una pérdida del 10% no devuelve al punto de equilibrio (tendría el 99% del original). Estas relaciones multiplicativas requieren estadísticas geométricas en lugar de aritméticas.

Concepto clave

Si sus datos abarcan varios órdenes de magnitud, son siempre positivos y presentan sesgo a la derecha cuando se grafican normalmente pero son simétricos en escala logarítmica, está trabajando con datos log-normales que requieren estadísticas geométricas.

Comprensión de datos log-normales

Los datos tienen distribución log-normal cuando su logaritmo natural sigue una distribución normal. Ejemplos comunes incluyen:

Precios de acciones y rendimientos de inversión a lo largo del tiempo
Distribuciones de ingresos y patrimonio
Tamaños de partículas en aerosoles y productos farmacéuticos
Conteos de colonias bacterianas y cargas virales
Concentraciones de contaminantes ambientales
Títulos de anticuerpos y concentraciones de fármacos

La característica clave: los procesos que involucran multiplicación repetida generan distribuciones log-normales, así como la adición repetida genera distribuciones normales.

Fórmula y cálculo

Desviación estándar geométrica

GSD = exp(√[Σ(ln xᵢ - ln x̄ₘ)² / (n-1)])

O de forma más sencilla: tome el logaritmo natural de todos los valores, calcule la desviación estándar regular y luego aplique la función exponencial.

Transformar los datos

Calcule el logaritmo natural de cada valor: yᵢ = ln(xᵢ)

Calcular la media

Obtenga la media aritmética de los valores logarítmicos: ȳ = Σyᵢ/n

Calcular la DE

Obtenga la desviación estándar de los valores logarítmicos: s = √[Σ(yᵢ-ȳ)²/(n-1)]

Retransformar

Aplique la exponencial para obtener la DEG: DEG = eˢ

Python

import numpy as np
from scipy import stats

def geometric_sd(data):
    """Calculate geometric standard deviation"""
    log_data = np.log(data)
    sd_log = np.std(log_data, ddof=1)
    return np.exp(sd_log)

def geometric_mean(data):
    """Calculate geometric mean"""
    return stats.gmean(data)

# Example: Antibody titers (highly variable, log-normal)
titers = [64, 128, 256, 128, 512, 64, 256]
gm = geometric_mean(titers)
gsd = geometric_sd(titers)
print(f"Geometric Mean: {gm:.1f}")
print(f"Geometric SD: {gsd:.2f}")

Interpretación de valores de DEG

A diferencia de la DE aritmética que se expresa en las mismas unidades que los datos, la DEG es un factor multiplicativo, una razón. Una DEG de 2.0 significa que los datos típicamente varían por un factor de 2.

DEG = 1.0:Sin variación (imposible en la práctica)
DEG ≈ 1.2:Baja variabilidad (±20% típico)
DEG ≈ 2.0:Variabilidad moderada (los datos se duplican/reducen a la mitad)
DEG ≈ 3.0:Alta variabilidad (abarca un orden de magnitud)

Intervalos de confianza

Para datos log-normales, el rango del 95% es aproximadamente: Media geométrica ÷ DEG² a Media geométrica × DEG². Para MG=100 y DEG=2, el rango es de 25 a 400.

Aplicaciones en el mundo real

Ciencias farmacéuticas

Distribución de tamaño de partícula (D50, DEG) · Variabilidad de concentración de fármacos · Estudios de biodisponibilidad · Caracterización de aerosoles

Finanzas y economía

Volatilidad de rendimiento de inversiones · Análisis de tasas de crecimiento · Estudios de distribución de ingresos · Modelado de precios de activos

DEG vs. DE regular

Usar la DE aritmética en datos log-normales produce resultados engañosos:

Ejemplo: Datos de carga viral

Valores: 1,000; 5,000; 10,000; 50,000; 100,000 copias/mL Media aritmética ± DE: 33,200 ± 41,424 Media geométrica × DEG: 10,000 × 4.5 → Rango: 2,222 a 45,000 La DE aritmética sugeriría que los valores negativos son posibles, lo cual es imposible para cargas virales.

Siempre verifique la distribución

Antes de calcular cualquier medida de dispersión, visualice sus datos. Si presentan sesgo a la derecha con una cola larga, pruebe una transformación logarítmica. Si esto los vuelve simétricos, utilice estadísticas geométricas.

← Centro de Aprendizaje