Error estandar

El NPS promedio para una muestra de 50 clientes es 42. Para una muestra de 500 tambien es 42. Los mismos numeros, pero debes confiar en ellos en distinta medida.

En el primer caso el promedio podria haber "saltado" 5-7 puntos si hubieras encuestado a otros 50 clientes. En el segundo la oscilacion habria sido tres veces menor. El error estandar es justamente el numero que muestra cuan inestable es tu estimacion debido a un tamano de muestra limitado.

Definicion

Error estandar (SE) es una medida de la precision de una estimacion muestral de un parametro de la poblacion. Muestra cuanto fluctua la media muestral de una muestra a otra con un tamano de muestra fijo. Se calcula como la desviacion estandar dividida entre la raiz cuadrada del tamano de la muestra: SE = SD / √n. Cuanto mayor es la muestra y menor la dispersion de los datos, menor es el error estandar y mas precisa la estimacion.

Error estandar vs desviacion estandar

Son dos cosas distintas que a menudo se confunden - incluso en articulos academicos.

Desviacion estandar (SD) describe la dispersion de los datos dentro de una muestra: cuanto difieren las respuestas individuales de la media. Es una caracteristica de los datos, no de la precision de la estimacion. A medida que crece la muestra, la SD no disminuye - describe la variabilidad real en la poblacion.

Error estandar (SE) describe la precision de la estimacion de la media: cuan cerca esta la media muestral de la verdadera media de la poblacion. A medida que crece la muestra, el SE disminuye - proporcionalmente a la raiz de n. Duplicar la precision = aumentar la muestra cuatro veces.

Una analogia: la SD es la dispersion de la altura de las personas en una ciudad. El SE es la precision con la que una muestra de 100 personas estima la altura promedio de toda la ciudad. La dispersion de la altura no cambiara si encuestamos a mas personas. Pero nuestra estimacion de la media se volvera mas precisa.

Formula y calculo

Para la media:

SE = SD / √n

Donde SD es la desviacion estandar de la muestra y n es el tamano de la muestra.

Ejemplo: una encuesta de satisfaccion, 100 encuestados, media 7,2, SD = 2,0.

SE = 2.0 / √100 = 2.0 / 10 = 0.2

Esto significa: si repitieramos la encuesta en otra muestra aleatoria de 100 personas, la media probablemente caeria en el rango 7,2 ± 0,2 (en aproximadamente dos tercios de los casos). Aumentemos la muestra a 400:

SE = 2.0 / √400 = 2.0 / 20 = 0.1

El doble de precisa. A costa de un aumento cuadruple de la muestra.

Error estandar e intervalo de confianza

El SE es el bloque de construccion del intervalo de confianza. El intervalo de confianza del 95% para la media se construye como:

CI = M ± 1.96 × SE

Donde 1,96 es el valor z para el nivel de confianza del 95%. En muestras pequenas (n < 30) se usa un valor t de la tabla de la distribucion t en lugar de 1,96.

Para el ejemplo anterior (M = 7,2, SE = 0,2):

95% CI = 7.2 ± 1.96 × 0.2 = [6.81; 7.59]

Interpretacion: con un 95% de probabilidad la verdadera media de la poblacion se encuentra entre 6,81 y 7,59. Esta amplitud del intervalo - 0,78 puntos - muestra cuan imprecisa es nuestra estimacion. Con una muestra de 400 el intervalo se estrecha a 0,39 puntos.

Error estandar para proporciones

En las encuestas a menudo se necesita el SE no para una media sino para una proporcion: "el 32% de los clientes calificaron el servicio con 9-10" - que tan precisa es esa cifra? Para una proporcion la formula es distinta:

SE_p = √(p × (1-p) / n)

Donde p es la proporcion observada y n es el tamano de la muestra.

Ejemplo: p = 0,32, n = 200:

SE_p = √(0.32 × 0.68 / 200) = √(0.001088) ≈ 0.033

CI del 95% para la proporcion: 0,32 ± 1,96 × 0,033 = [0,255; 0,385], es decir 25,5% - 38,5%.

Esta es informacion importante: "32%" suena preciso, pero el rango real es del 26% al 38%. Al tomar decisiones hay que tener en cuenta este intervalo, no la estimacion puntual.

Ejemplo: comparar la precision de estimaciones en distintas encuestas

Una empresa recopila datos de satisfaccion a traves de tres canales:

Canal	n	Media	SD	SE	95% CI
Campana por correo	400	7.4	2.1	0.105	[7.19; 7.61]
Widget en el sitio	80	7.1	2.3	0.257	[6.60; 7.60]
QR offline	25	6.8	1.9	0.380	[6.05; 7.55]

Las medias son distintas: 7,4, 7,1, 6,8. Pero observa los intervalos de confianza: los tres se solapan. Los intervalos de confianza del correo y del QR se solapan casi por completo. La conclusion "los clientes estan menos satisfechos offline" no esta justificada estadisticamente - la diferencia cabe dentro del error de medicion. Para una conclusion segura se necesitan mas datos del canal offline.

Como el tamano de la muestra afecta al SE

La dependencia del SE respecto a n es no lineal - es importante entenderlo al planificar un estudio:

• n = 25 → SE = SD / 5
• n = 100 → SE = SD / 10 (el doble de precisa que con n=25)
• n = 400 → SE = SD / 20 (cuatro veces mas precisa que con n=25)
• n = 1600 → SE = SD / 40 (ocho veces mas precisa)

Cada duplicacion de la precision requiere un aumento cuadruple de la muestra. Esta es la ley de los rendimientos decrecientes en la recopilacion de datos: pasar de n=25 a n=100 da una gran ganancia de precision, mientras que pasar de n=900 a n=1600 da solo una pequena. Este es uno de los argumentos para calcular de antemano el tamano de muestra minimo necesario - para no malgastar recursos en datos excesivos y no obtener estimaciones imprecisas por datos insuficientes.

Errores tipicos

Confundir SE y SD en los informes. "Media 7,2 ± 0,2" - de que se trata? De la dispersion de los datos (SD) o de la precision de la estimacion (SE)? En las publicaciones academicas esto siempre se precisa. En los informes de negocio a menudo no. Indica siempre de forma explicita que hay detras del ±.

No calcular el SE para subgrupos pequenos. Una muestra total de 500 personas es buena. Pero si analizas un subgrupo de 18 personas (por ejemplo, clientes de una region concreta), el SE de ese grupo sera grande y las conclusiones poco fiables. Los subgrupos pequenos exigen especial cautela en la interpretacion.

Ignorar el SE al comparar dos estimaciones. "Este trimestre el NPS subio de 38 a 42." Parece progreso. Pero si el SE de ambas estimaciones es de ~4 puntos, entonces los intervalos se solapan y el aumento no es estadisticamente significativo. Sin el SE no se puede afirmar que el cambio es real y no ruido de medicion.

El SE en el analisis de datos de encuestas

El error estandar es una metrica fundamental al interpretar cualquier estimacion muestral de encuestas. Medias, proporciones, indices (NPS, CSI, eNPS) - todos tienen un SE, que determina la amplitud del intervalo de confianza y el cambio minimo detectable.

Cuando exportas datos desde SurveyNinja mediante data export obtienes respuestas en bruto, a partir de las cuales puedes calcular el SE en Excel, R o Python. Para una estimacion rapida de la precision de una proporcion - la formula SE_p en cualquier hoja de calculo. Para una estimacion de la precision de una media - SE = SD / √n, donde SD y n estan en la estadistica basica de cualquier informe.

El error estandar es el margen de tu medicion causado por un tamano de muestra finito. Una media sin SE es informacion incompleta. Dos estimaciones no pueden compararse sin tener en cuenta su SE: la diferencia puede ser real o puede ser solo ruido. SE = SD / √n: mas datos significan menos error, pero no de forma lineal.

Preguntas frecuentes

En que se diferencia el error estandar del margen de error?

El margen de error es la mitad de la amplitud del intervalo de confianza, normalmente para el nivel de confianza del 95%: MOE = 1,96 × SE. El error estandar es la magnitud base; el margen de error es su expresion practica en forma de "±X%" que se usa en los informes publicos y los medios.

Por que el SE disminuye al crecer la muestra, pero la SD no?

La SD describe la variabilidad real de los datos - no depende del tamano de la muestra porque refleja una propiedad de la poblacion. A medida que crece la muestra, la SD no disminuye. El SE describe la precision de la estimacion de la media - cuanto mayor es la muestra, con mas precision estimamos la verdadera media. Es una consecuencia matematica de la ley de los grandes numeros.

Que tamano de SE se considera aceptable?

Depende de la tarea. Una guia universal: el SE debe ser sustancialmente menor que las diferencias que quieres detectar. Si te importa registrar un cambio de 5 puntos en el NPS, el SE de la estimacion no debe superar los 2-3 puntos. Si SE = 6, un cambio de 5 puntos es estadisticamente indistinguible del ruido.

Como se relaciona el SE con la potencia de una prueba estadistica?

La potencia de una prueba (la probabilidad de detectar un efecto real) depende directamente del SE: cuanto menor es el SE, mayor es la potencia. Precisamente por eso aumentar la muestra eleva la potencia - reduce el SE y hace la prueba mas sensible a las diferencias reales. Calcular el tamano de muestra necesario a traves del MDE fija de hecho un nivel objetivo de SE.

Se pueden comparar los SE de distintos estudios?

Directamente - solo si las escalas son iguales. SE = 0,3 en una escala 1-10 y SE = 0,3 en una escala 1-100 significan cosas distintas. Para la comparacion se usa el error relativo: el SE se divide entre la media o entre el rango de la escala. Esto da una medida adimensional, comparable entre estudios.