Introducción
El error estándar (EE) y la desviación estándar (DE) son medidas de dispersión, pero responden a preguntas fundamentalmente diferentes. Confundirlos es uno de los errores más comunes en estadística.
Confusión frecuente
Muchas personas utilizan la 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
Desviación 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.
"¿Qué tan precisa es nuestra media muestral?"
Fórmula del error estándar
Error estándar de la media
SE = s / √n
Donde s es la desviación estándar muestral y n es el tamaño de la muestra.
Ejemplo de cálculo
Una muestra de 25 estudiantes tiene una puntuación media de examen = 75, DE = 10
- Desviación 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
- Use la desviación estándar cuando:Describa la variabilidad de observaciones individuales, caracterice una población o muestra, establezca rangos normales (ej., rangos de referencia clínicos) o en control de calidad (variación aceptable en manufactura)
- Use el error estándar cuando:Reporte la precisión de un estadístico muestral, construya intervalos de confianza, compare medias entre grupos o realice pruebas de hipótesis
Efecto del tamaño de muestra
Una diferencia fundamental: la DE se mantiene aproximadamente igual al aumentar el tamaño de 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 |
Hallazgo clave
Para reducir el error estándar a la mitad, necesita cuadruplicar el tamaño de la muestra. Por eso las estimaciones muy precisas requieren muestras grandes.