Calculadora de error estándar de una proporción
Calcula el EE para una proporción muestral.
Número de resultados favorables
Observaciones totales
Ingrese los éxitos y el tamaño de muestra
Calcular el error estándar de una proporción
¿Qué es el error estándar de una proporción?
El error estándar de una proporción (EEp) mide cuánto variaría una proporción muestral entre diferentes muestras de la misma población. Cuantifica la precisión de tu proporción muestral como estimación de la proporción poblacional verdadera.
La fórmula:
EEp = √[p(1-p)/n]
Donde:
- p = proporción muestral (o proporción poblacional estimada)
- n = tamaño de muestra
Para una muestra donde el 60% apoya una política (p = 0,60) con n = 400:
EEp = √[0,60 × 0,40 / 400] = √[0,0006] = 0,0245 = 2,45%
Por qué importa el error estándar
Construir intervalos de confianza
El margen de error es directamente proporcional al EE:
MDE = z* × EEp
Para 95% de confianza: MDE = 1,96 × EEp
Evaluar precisión de estimación
Un EE pequeño indica una estimación precisa. Un EE grande significa incertidumbre sustancial.
Resultado de encuesta: 52% (EE = 1,5%) → Bastante preciso Resultado de encuesta: 52% (EE = 5%) → Alta incertidumbre
Pruebas de hipótesis
Los estadísticos de prueba dividen el efecto estimado por EE:
z = (p̂ - p₀) / EEp
El EE proporciona el escalamiento para evaluar significancia estadística.
Factores que afectan el EE de una proporción
Tamaño de muestra
EEp ∝ 1/√n
Cuadruplicar el tamaño de muestra reduce el error estándar a la mitad.
| n | EE (cuando p = 0,5) |
|---|---|
| 100 | 5,0% |
| 400 | 2,5% |
| 1.000 | 1,58% |
| 2.500 | 1,0% |
Valor de la proporción
El EE se maximiza cuando p = 0,5 y disminuye hacia 0 o 1:
| p | EE (cuando n = 400) |
|---|---|
| 0,50 | 2,50% |
| 0,30 o 0,70 | 2,29% |
| 0,10 o 0,90 | 1,50% |
| 0,05 o 0,95 | 1,09% |
¿Por qué? Cuando p está cerca de 0 o 1, hay menos variación posible.
Aplicaciones
Encuestas políticas
El EE determina qué tan precisamente hemos medido el apoyo:
"Apoyo: 48%, EE = 1,5%"
El IC 95% es aproximadamente 48% ± 3% = (45%, 51%).
Control de calidad
Estimando tasas de defectos:
"Tasa de defectos: 2,3%, EE = 0,4%"
La tasa verdadera probablemente está entre 1,5% y 3,1%.
Ensayos clínicos
Tasas de éxito de tratamiento:
"Tasa de éxito: 72%, EE = 3,2%"
Proporciona contexto para la precisión de los resultados del ensayo.
Investigación de mercado
Estimaciones de preferencia de marca:
"Preferencia: 35%, EE = 2,8%"
Los mercadólogos entienden la incertidumbre en su estimación.
Error estándar vs. desviación estándar
Estos conceptos están relacionados pero son distintos:
Desviación estándar de una proporción: σp = √[p(1-p)]
Esta es la desviación estándar poblacional para una variable Bernoulli.
Error estándar de una proporción: EEp = √[p(1-p)/n] = σp/√n
Esta es la desviación estándar de la distribución muestral de p̂.
La relación refleja el error estándar de la media: EE = DE/√n.
La conexión con la distribución Bernoulli
Cada observación es binaria (éxito/fracaso), siguiendo una distribución Bernoulli:
- Varianza de cada observación: p(1-p)
- Para n observaciones independientes, varianza de proporción muestral: p(1-p)/n
- Error estándar: √[p(1-p)/n]
Desarrollo histórico
El error estándar para proporciones emergió del trabajo de Abraham de Moivre sobre la aproximación normal a la distribución binomial (1733). Mostró que para n grande, las proporciones muestrales están aproximadamente distribuidas normalmente.
Pierre-Simon Laplace desarrolló más estas ideas, estableciendo las bases del Teorema del Límite Central.
Karl Pearson formalizó el concepto de error estándar a finales del siglo XIX, integrándolo en su marco más amplio para inferencia estadística.
Cuándo aplica la fórmula
La fórmula estándar asume:
- Muestreo aleatorio: Cada unidad tiene una probabilidad conocida de selección
- Independencia: Las selecciones son independientes
- Muestra suficientemente grande: n × p ≥ 5 y n × (1-p) ≥ 5
Para muestras pequeñas o proporciones extremas, pueden necesitarse modificaciones.
Corrección de población finita
Si muestreas sin reemplazo de una población pequeña:
EE_corregido = EEp × √[(N-n)/(N-1)]
Donde N es el tamaño de población. Esto importa cuando n > 0,05N.
Usar p muestral vs. hipotético
Para intervalos de confianza: Usa p̂ (proporción muestral)
EEp = √[p̂(1-p̂)/n]
Para pruebas de hipótesis: A veces usa p₀ (valor hipotético)
EE₀ = √[p₀(1-p₀)/n]
La elección depende de si estás estimando o probando.
Ajuste de Wilson Score
Para mejor cobertura, especialmente con n pequeño o p extremo, el intervalo de Wilson score usa un enfoque modificado que no depende de la fórmula estándar de EE.
Comparando dos proporciones
Para la diferencia en proporciones:
EE_dif = √[p̂₁(1-p̂₁)/n₁ + p̂₂(1-p̂₂)/n₂]
Este es el EE de (p̂₁ - p̂₂).
Cálculos relacionados
- Intervalo de confianza para proporción — Usa EE
- Calculadora de margen de error — MDE = z* × EE
- Calculadora de valor crítico (z*) — Para intervalos de confianza
- Calculadora de error estándar — Conceptos generales de EE
- IC para diferencia en proporciones — EE para diferencias
Resumen
El error estándar de una proporción cuantifica qué tan precisamente una proporción muestral estima la proporción poblacional. Dependiendo del tamaño de muestra (mayor = menor EE) y el valor de la proporción (extremos = menor EE), el EE permite la construcción de intervalos de confianza, cálculo de márgenes de error y evaluación de significancia estadística. Entender el EE distingue diferencias genuinas del ruido de muestreo y guía decisiones sobre tamaño de muestra para la precisión deseada.