4.3
Desviación Estándar
La medida de variación más utilizada es la desviación estándar. Es un valor numérico que mide qué tan lejos están los valores de los datos de su media…
Pensemos en los goles marcados por dos equipos con puntuaciones medias idénticas. Para averiguar el equipo con mejor rendimiento, se puede utilizar la desviación estándar, otra medida de variación, y comparar la dispersión de todos los valores de la media.
La fórmula de la desviación estándar depende de si los datos se extrajeron de una muestra o de una población completa. Si se trata de datos de muestra, la desviación estándar se denota por s. En el caso de los datos de población, se representa mediante sigma. Tenga en cuenta que el denominador es el tamaño de la población N para los datos de población, en lugar de n menos 1 como en los datos de muestra.
Si se trazan los datos del ejemplo, el gráfico de la izquierda muestra más dispersión, por lo tanto, mayor desviación estándar. Por el contrario, el de la derecha muestra una menor dispersión y una desviación estándar más pequeña. Por lo tanto, el equipo 2 es más consistente que el equipo 1.
Los valores de desviación estándar suelen ser positivos y son cero solo si todos los valores del conjunto de datos son iguales. La desviación estándar y el conjunto de datos comparten las mismas unidades: en este caso, es el número de objetivos.
View the full transcript and gain access to JoVE Core videos
Q1: What does standard deviation measure in a dataset?
Standard deviation is a numerical value measuring how far data values are from their mean. It quantifies the spread or variation in a dataset. A small standard deviation indicates data concentrated close to the mean with slight variation, while a larger standard deviation shows data values more spread out from the mean, indicating greater variation.
Q2: How does standard deviation help compare two datasets with the same mean?
Standard deviation allows comparison of consistency between datasets with identical means by measuring their spread. Two teams scoring the same average goals can be compared using standard deviation to determine which team is more consistent. The team with smaller standard deviation shows less variation in performance, making them more predictable and consistent.
Q3: What is the difference between sample and population standard deviation?
Sample standard deviation, denoted by s, is used when data is drawn from a sample and uses n minus 1 in the denominator. Population standard deviation, represented by sigma, is used for entire population data and uses population size N in the denominator. This difference accounts for the additional variability inherent in sample data.
Q4: Can standard deviation ever be negative or zero?
Standard deviation values are never negative; they are either positive or zero. Standard deviation equals zero only when all dataset values are identical, meaning there is no variation from the mean. In all other cases, standard deviation is positive, reflecting the spread of data around the mean.
Q5: What units does standard deviation use?
Standard deviation shares the same units as the original dataset. If measuring goals scored, standard deviation is expressed in goals. If measuring waiting time in minutes, standard deviation is in minutes. This makes standard deviation directly interpretable in the context of the data being analyzed.
Q6: How do you interpret standard deviation when comparing two supermarkets?
At supermarket X with two-minute standard deviation and supermarket Y with four-minute standard deviation for average five-minute wait times, supermarket Y has more variation in wait times. This means wait times at supermarket Y are more spread out from the average, while supermarket X has more consistent, predictable wait times concentrated near the mean.
Q7: What methods can help interpret standard deviation values?
Several approaches help interpret standard deviation values. The empirical method to interpret standard deviation provides practical guidelines for normal distributions. Additionally, the range rule of thumb to interpret standard deviation and Chebyshev's theorem to interpret standard deviation offer frameworks for understanding what standard deviation tells us about data distribution and concentration.