Introduzione
L’errore standard (ES) e la deviazione standard (DS) sono entrambe misure di dispersione, ma rispondono a domande fondamentalmente diverse. Confonderle è uno degli errori più comuni nella statistica.
Confusione frequente
Molte persone usano la DS quando dovrebbero usare l’ES, specialmente nel riportare la precisione delle medie campionarie. Ciò può portare a conclusioni errate sulla significatività statistica.
La differenza fondamentale
Deviazione standard
Misura la dispersione dei singoli dati attorno alla media.
“Quanto variano i singoli valori?”
Errore standard
Misura la precisione della media campionaria come stima della media della popolazione.
“Quanto è accurata la nostra media campionaria?”
Formula dell’errore standard
Errore standard della media
SE = s / √n
Dove s è la deviazione standard campionaria e n è la dimensione del campione.
Esempio di calcolo
Un campione di 25 studenti ha un punteggio medio al test di 75, con DS = 10
- Deviazione standard (s) = 10 punti
- Dimensione del campione (n) = 25
- Errore standard = 10 / √25 = 10 / 5 = 2 punti
Interpretazione: la media campionaria di 75 ha un’incertezza di circa ±2 punti.
Quando usare ciascuno
- Usare la deviazione standard quando:Si descrive la variabilità delle singole osservazioni, si caratterizza una popolazione o un campione, si definiscono intervalli di normalità (es. intervalli clinici di riferimento) o nel controllo qualità (variazione accettabile nella produzione)
- Usare l’errore standard quando:Si riporta la precisione di una statistica campionaria, si costruiscono intervalli di confidenza, si confrontano medie tra gruppi o si eseguono test di ipotesi
Effetto della dimensione del campione
Una differenza cruciale: la DS resta approssimativamente costante all’aumentare della dimensione del campione, mentre l’ES diminuisce con campioni più grandi.
| Dimensione campione (n) | DS | ES = DS/√n |
|---|---|---|
| 25 | 10 | 2,00 |
| 100 | 10 | 1,00 |
| 400 | 10 | 0,50 |
| 10.000 | 10 | 0,10 |
Concetto chiave
Per dimezzare l’errore standard, occorre quadruplicare la dimensione del campione. Ecco perché le stime molto precise richiedono campioni di grandi dimensioni.