Error estándar — fórmula, significado y diferencia con la desviación estándar

El error estándar te dice cuánto suele cambiar una estimación muestral de una muestra aleatoria a otra. En esta página, esa estimación es la media muestral. Mide la variación típica de muestreo de la media, no la dispersión de los datos originales.

Para la media muestral, el error estándar es

$$SE(\bar{x}) = \frac{\sigma}{\sqrt{n}}$$

si se conoce la desviación estándar poblacional $\sigma$. En la práctica, $\sigma$ a menudo es desconocida, así que se estima con la desviación estándar muestral $s$:

$$SE(\bar{x}) \approx \frac{s}{\sqrt{n}}$$

Esta fórmula es para la media bajo la configuración habitual: las observaciones se tratan como una muestra aleatoria independiente, y lo que te interesa es la precisión de la media muestral. Un error estándar más pequeño significa una estimación más precisa.

Qué mide realmente el error estándar

El error estándar se refiere a una estimación, no a observaciones individuales. Si siguieras tomando nuevas muestras del mismo tamaño de la misma población, la media muestral iría cambiando. El error estándar describe el tamaño típico de ese cambio.

Por eso el error estándar se hace más pequeño cuando $n$ aumenta. Promediar más observaciones normalmente hace que la media muestral sea más estable de una muestra a otra, siempre que el proceso de recolección de datos siga siendo comparable.

Error estándar vs desviación estándar

Esta es la diferencia que causa más confusión. La desviación estándar describe qué tan dispersos están los valores de los datos dentro de un solo conjunto de datos. El error estándar describe qué tan dispersa estaría una estadística, como la media muestral, a lo largo de muchas muestras repetidas.

Para la media, ambas están relacionadas por

$$SE(\bar{x}) \approx \frac{s}{\sqrt{n}}$$

cuando estás estimando a partir de una muestra. Así que el error estándar usa la desviación estándar, pero responden preguntas distintas.

Usa este atajo:

1. La desviación estándar pregunta: "¿Qué tan dispersos están los valores de los datos?"
2. El error estándar pregunta: "¿Qué tan precisa es mi media muestral como estimación?"

Un ejemplo resuelto de error estándar

Supón que una muestra de $n = 25$ estudiantes tiene una puntuación media de examen de $78$ y una desviación estándar muestral de $10$.

El error estándar estimado de la media es

$$SE(\bar{x}) \approx \frac{s}{\sqrt{n}} = \frac{10}{\sqrt{25}} = \frac{10}{5} = 2$$

El punto clave es la interpretación. El valor $2$ no significa que la mayoría de los estudiantes estén a menos de $2$ puntos de $78$. Eso confundiría el error estándar con la desviación estándar.

En cambio, significa que si tomaras repetidamente muestras aleatorias similares de $25$ estudiantes de la misma población, la media muestral normalmente variaría en alrededor de $2$ puntos de una muestra a otra.

Por qué la fórmula usa $\sqrt{n}$

El $\sqrt{n}$ en el denominador explica por qué las muestras más grandes dan estimaciones más precisas de la media. Si el tamaño de la muestra crece, el denominador crece, así que el error estándar se hace más pequeño.

Pero el cambio no es lineal. Para reducir el error estándar a la mitad, normalmente necesitas aproximadamente cuatro veces el tamaño de muestra, porque

$$\frac{1}{\sqrt{4n}} = \frac{1}{2\sqrt{n}}$$

Errores comunes con el error estándar

1. Usar el error estándar y la desviación estándar como si fueran intercambiables.
2. Decir que un error estándar pequeño significa que los datos originales tienen poca dispersión. Esa conclusión no se sigue a menos que también sepas que la desviación estándar es pequeña.
3. Olvidar que la fórmula $SE(\bar{x}) \approx s/\sqrt{n}$ aquí es específicamente para la media muestral.
4. Suponer que una muestra más grande siempre corrige el sesgo. Un $n$ mayor reduce la variación aleatoria del muestreo, pero no corrige automáticamente una muestra sesgada.

Cuándo se usa el error estándar

El error estándar importa cuando quieres juzgar qué tan precisa es una estimación. Aparece en intervalos de confianza, pruebas de hipótesis, resultados de regresión y resultados de encuestas.

En cada caso, la idea es la misma: el error estándar ayuda a conectar una muestra con la incertidumbre de la estimación que provino de esa muestra.

Prueba un problema similar

Prueba tu propia versión con $s = 12$ y $n = 36$. Calcula el error estándar de la media y luego compáralo con el caso en que $n = 144$. Esa es una forma rápida de ver cómo el tamaño de la muestra cambia la precisión. Si quieres ir más allá, explora después un intervalo de confianza y observa cómo el error estándar afecta su amplitud.