Desviación Estándar — Qué mide y cómo usarla

La desviación estándar es la medida de dispersión más utilizada en un conjunto de datos. Cuantifica qué tanto se alejan típicamente los valores individuales de la media. Una desviación estándar pequeña significa que los valores se agrupan estrechamente alrededor de la media; una grande indica que están dispersos.

¿Qué es la Desviación Estándar?

Dado un conjunto de $N$ valores $\{x_1, x_2, \ldots, x_N\}$, el cálculo sigue cinco pasos:

1. Encontrar la media $\bar{x} = \dfrac{\sum_{i=1}^{N} x_i}{N}$
2. Calcular cada desviación $d_i = x_i - \bar{x}$
3. Elevar al cuadrado cada desviación $d_i^2$
4. Promediar las desviaciones al cuadrado para obtener la varianza
5. Sacar la raíz cuadrada para obtener la desviación estándar

La raíz cuadrada en el paso final devuelve la unidad a la misma escala que los datos originales, haciendo que la desviación estándar sea directamente interpretable junto a la media.

Para una población (tienes todos los $N$ valores del grupo):

Para una muestra (tus $N$ valores son extraídos de un grupo más grande):

Por Qué la Desviación Estándar de la Muestra Usa N−1 (Corrección de Bessel)

Cuando tienes solo una muestra, la media muestral $\bar{x}$ está lógicamente un poco más cerca de los valores de la muestra de lo que está la verdadera media de la población $\mu$. Esto provoca que las desviaciones al cuadrado originales sean ligeramente menores de lo que deberían ser — en otras palabras, dividir entre $N$ daría una estimación sesgada (sistemáticamente baja) de la varianza poblacional.

Dividir entre $N - 1$ en lugar de $N$ corrige este sesgo. Este ajuste se conoce como la corrección de Bessel, y hace que $s^2$ sea un estimador insesgado de la varianza poblacional $\sigma^2$.

La intuición: con una muestra de tamaño $N$, solo $N - 1$ desviaciones son genuinamente "libres" — una vez que fijas las primeras $N - 1$ desviaciones y la media, la última desviación ya está determinada. Por lo tanto, tienes $N - 1$ grados de libertad.

A medida que el tamaño de la muestra crece, $N$ y $N - 1$ se vuelven casi iguales y la distinción desaparece — lo cual tiene sentido, porque una muestra muy grande es prácticamente lo mismo que toda la población.

De una Muestra a la Población: El Error Estándar

La desviación estándar de la muestra $s$ describe la dispersión de los valores dentro de tu muestra. Pero a menudo los investigadores están más interesados en qué tan bien estimará la media de la muestra $\bar{x}$ la media de la población $\mu$.

La respuesta es el error estándar de la media (SEM, por sus siglas en inglés):

El SEM se reduce a medida que recolectas más datos (escala con $1/\sqrt{N}$), lo cual formaliza la intuición de que muestras más grandes ofrecen estimaciones más confiables.

Por ejemplo, si una muestra de $N = 25$ estudiantes tiene una desviación estándar en las puntuaciones de $s = 10$, entonces el SEM es $10 / \sqrt{25} = 2$. Un intervalo de confianza del 95% para el verdadero puntaje medio es aproximadamente $\bar{x} \pm 1.96 \times \text{SEM}$, donde 1.96 es el valor crítico de la distribución normal estándar que captura el 95% central del área.

Cómo Usar Esta Calculadora

1. Introduce tus valores en el área de texto, separados por comas, espacios o saltos de línea.
2. Elige el modo — usa Población si tus datos representan a todo el grupo que te interesa; usa Muestra si es un subconjunto de una población más grande.
3. Haz clic en Calcular (o deja los valores predeterminados para ver un ejemplo).
4. Lee los resultados — la tarjeta muestra el recuento, la suma, la media, la varianza y la desviación estándar con los símbolos apropiados ($\mu$/$\bar{x}$, $\sigma^2$/$s^2$, $\sigma$/$s$).
5. Expande la sección Solución Paso a Paso para seguir todo el proceso de derivación, renderizado en LaTeX.

Interpretación de los Resultados

Una desviación estándar cercana a cero significa que los valores son casi idénticos. Una desviación estándar mayor que la media a menudo señala una alta variabilidad relativa.