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.

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.