Distribución de muestreo y error estándar

Al finalizar este tema

Podrás distinguir entre la media calculada a partir de una sola muestra y la distribución de las medias calculadas repetidamente a partir de múltiples muestras. A través de una simulación, comprenderás cómo el tamaño de la muestra y la variabilidad de los datos afectan la dispersión de los estimadores, y aprenderás a diferenciar la desviación estándar del error estándar.

El valor de una sola muestra frente a la distribución de muestras repetidas

Al calcular una media a partir de los datos de un estudio, ese valor representa un resumen de la muestra actual. Si se extraen otras muestras de la misma población o del mismo proceso de generación de datos y se vuelve a calcular la media, el valor de la media cambiará. La distribución formada por las medias obtenidas repetidamente se denomina distribución de muestreo.

El grado de dispersión de los valores observados en la muestra y el grado de dispersión del estimador de la media al cambiar la muestra son conceptos distintos. El primero corresponde a la variabilidad de los datos, mientras que el segundo se utiliza para evaluar la incertidumbre del estimador.

Relacionar el error estándar con las preguntas de investigación

El error estándar es un valor que resume la variabilidad de un estimador específico en diferentes muestras repetidas. Al considerar el error estándar de la media, intervienen conjuntamente el tamaño de la muestra y la variabilidad de las observaciones individuales. Si bien la dispersión de la media tiende a disminuir al aumentar el tamaño de la muestra, primero se deben verificar los supuestos de independencia entre las muestras y la forma en que se generaron.

Reglas fijas como n=30 no garantizan automáticamente la forma de la distribución de muestreo ni la validez del análisis. Es necesario examinar conjuntamente el proceso de generación de datos, las unidades de medición, las colas de la distribución y la estructura de repetición.

Crear muestras repetidas con Python

import numpy as np

rng = np.random.default_rng(20260806)
population = rng.normal(loc=10.0, scale=2.0, size=10000)
sample_means = []
for _ in range(1000):
    sample = rng.choice(population, size=20, replace=False)
    sample_means.append(sample.mean())

sample_means = np.asarray(sample_means)
print(sample_means.mean(), sample_means.std(ddof=1))

Este código no implica que se haya observado una población real, sino que es un ejemplo de cómo iterar el proceso de generación de datos sintéticos para observar la variabilidad del estimador. La desviación estándar de sample_means indica el grado de fluctuación de la media en esta simulación repetida. Dado que se registraron la semilla y la configuración de generación, se puede recrear el ejemplo; sin embargo, esto no calcula automáticamente el error estándar de un estudio real.

Modificar el tamaño de la muestra

Al modificar el tamaño de la muestra con size=5, 20 y 100 dentro del mismo proceso de generación, el ancho de la distribución de la media muestral cambia. Sin embargo, aumentar únicamente el tamaño de la muestra no resuelve todos los problemas. Aumentar las repeticiones técnicas que no son unidades independientes o seleccionar solo unidades bajo condiciones específicas puede llevar a sobreestimar la cantidad de información.

El tamaño de la muestra no es un número aislado, sino que se registra según cuántas unidades de qué tipo se observaron. Si la unidad de análisis difiere de la unidad de muestreo, el cálculo del error estándar puede desviarse de la pregunta de investigación.

Qué verificar al informar el error estándar

Al informar el error estándar, se debe especificar de qué estimador proviene el valor. El significado varía dependiendo de si es el error estándar de la media, de la diferencia de medias o del coeficiente de regresión. Incluso al usar la misma abreviatura SE, el denominador y la estructura de variación pueden diferir.

Además, no se debe equiparar la reducción del error estándar con una mejora en la calidad de los datos. Aunque el aumento del tamaño de la muestra reduce la fluctuación de la media, si la muestra está sesgada hacia ciertas condiciones o si la unidad de medición está mal definida, puede persistir un sesgo respecto a la pregunta. El error estándar proporciona información sobre la precisión, no una garantía de representatividad.

En las simulaciones repetidas de muestras, se observan tanto el centro como la dispersión de las medias. Si las medias están desplazadas hacia un lado, se deben verificar el método de muestreo del proceso de generación o la asimetría de la propia población. No se debe asumir que la incertidumbre de la población real es menor solo porque la distribución de la muestra es estrecha; en su lugar, se debe registrar qué población asume la simulación.

Volver a la pregunta de investigación para interpretar

La distribución muestral invita a pensar: "¿cuánto podría fluctuar la media actual si cambiáramos la muestra?". Que el error estándar sea pequeño no significa que el efecto sea biológicamente importante o que la medición sea precisa. Un solo error estándar no elimina el sesgo de la muestra, las violaciones de independencia ni los errores de medición.

Reconsiderar el estimador

La distribución muestral no es un concepto aplicable únicamente a la media. Se pueden calcular repetidamente estadísticos adecuados para la pregunta de investigación, como la mediana, la proporción o la diferencia entre condiciones. Sin embargo, al cambiar el estadístico, tanto la forma de la distribución como el significado del error estándar también cambian. No se debe extrapolar el error estándar de la media como incertidumbre para todos los estimadores.

Por ejemplo, la proporción de éxito en un resultado binario depende del número de unidades observadas y de la asignación de los éxitos. La media de un resultado de conteo debe interpretarse considerando conjuntamente el tiempo de observación y la exposición. Tras definir el estimador, indique sobre qué unidad se basa su valor y qué fluctúa en las muestras repetidas.

Limitaciones de la distribución muestral

La población utilizada en la simulación puede no representar a la población del estudio real. El código que indica una selección aleatoria de la muestra también puede no reproducir los procesos de selección del proceso de recolección real. Por lo tanto, al construir la distribución muestral, especifique las reglas de generación, las unidades de muestreo, si es con o sin reemplazo y el número de repeticiones; además, anote por separado las condiciones que cambiarán al aplicar los resultados al estudio real.

Errores frecuentes y cómo verificarlos

• No confunda la desviación estándar de la muestra con el error estándar de la media.
• No establezca la regla del tamaño de muestra de 30 como aplicable a todas las distribuciones y diseños.
• No escriba que aumentar las repeticiones técnicas incrementa el número de muestras independientes.
• No presente la población de la simulación como la población real del estudio.

Resumen clave

• La distribución muestral es la distribución de los estimadores obtenidos al repetir el muestreo.
• La variabilidad de la muestra y el error estándar del estimador responden a preguntas diferentes.
• El tamaño de la muestra debe interpretarse dentro del contexto de la unidad de análisis y la estructura de independencia.
• La simulación es una herramienta para verificar intuitivamente la variabilidad muestral.

Siguiente tema

En la próxima entrega, utilizaremos bootstrap y permutaciones para construir la incertidumbre y los criterios de comparación mediante remuestreo.

Referencias

• NIST/SEMATECH e-Handbook: https://www.itl.nist.gov/div898/handbook/
• SciPy statistics reference: https://docs.scipy.org/doc/scipy/reference/stats.html
• NumPy Reference: https://numpy.org/doc/stable/reference/

La población y la simulación de esta sección son ejemplos educativos sintéticos creados de forma independiente por BioStatPy.