El error estándar te dice cuánto es probable que difiera una media muestral de la media real de la población, solo por la aleatoriedad del muestreo. Es una de las estadísticas más usadas — y más confundidas — en la investigación, porque es fácil mezclarla con la desviación estándar. Esta guía explica qué mide el error estándar, cómo se calcula y dónde se usa.
Error estándar vs. desviación estándar
La desviación estándar (DE) describe cuán dispersos están los puntos de datos individuales alrededor de la media — es una propiedad de tus datos crudos. El error estándar (SE) describe cuánto variaría la media muestral misma si repitieras el proceso de muestreo muchas veces — es una propiedad de tu estimación, no de tus datos. La relación es simple: SE = SD / √n. A medida que crece tu tamaño de muestra n, la desviación estándar de los datos se mantiene aproximadamente igual, pero el error estándar de la media se reduce, porque muestras más grandes dan estimaciones más estables y precisas del promedio real.
El error estándar es útil para describir la variabilidad de muestreo estimada, pero un intervalo de confianza requiere multiplicarlo por un valor crítico apropiado, a menudo un valor crítico t para una muestra pequeña. La desviación estándar sigue siendo la medida correcta al describir la dispersión de observaciones individuales — por ejemplo, en barras de error en un gráfico de mediciones promedio, o en el denominador del estadístico de una prueba t.
Por qué importa la raíz cuadrada de n
El error estándar no se reduce en proporción directa al tamaño de la muestra — se reduce con la raíz cuadrada de n. Duplicar tu tamaño de muestra solo reduce el error estándar por un factor de aproximadamente 1.41 (√2), no a la mitad. Para reducir el error estándar a la mitad, necesitas cuatro veces el tamaño de muestra; para reducirlo a un tercio, necesitas nueve veces la muestra. Esta relación de rendimientos decrecientes es la razón por la que se necesitan tamaños de muestra muy grandes para exprimir pequeñas mejoras de precisión, y por la que los investigadores sopesan el costo de recolectar más datos frente a cuánto realmente ajustará su estimación.
Límites y lo que el error estándar no te dice
El error estándar solo tiene en cuenta la variabilidad de muestreo aleatorio — asume que tu muestra se extrajo de manera independiente y aleatoria de la población que te interesa. No dice nada sobre el sesgo de medición, una muestra mal diseñada, o errores sistemáticos en la recolección de datos; un estudio puede reportar un error estándar diminuto y aun así estar muy equivocado si la muestra subyacente no es representativa. El error estándar es también el bloque de construcción para otras estadísticas — se multiplica por un valor crítico (una puntuación z o t) para construir un margen de error y un intervalo de confianza, y aparece en el denominador de estadísticos de pruebas de hipótesis como el estadístico t.