Desviación típica

En estadística, la desviación típica

(también conocida como desviación
estándar y desvío típico y
representada de manera abreviada por
la letra griega minúscula sigma σ o la
letra latina s, así como por las siglas SD
(de standard deviation, en algunos
textos traducidos del inglés)) es una
medida que se utiliza para cuantificar la
variación o la dispersión de un conjunto
de datos numéricos.1 ​

Una desviación estándar baja indica

Una gráfica de la distribución normal (o curva en forma de campana, o curva
que la mayor parte de los datos de una de Gauss), donde cada banda tiene un ancho de una vez la desviación
muestra tienden a estar agrupados cerca estándar (véase también: regla 68-95-99.7)
de su media (también denominada el
valor esperado), mientras que una
desviación estándar alta indica que los datos se extienden sobre un rango de valores más amplio.

Índice
Consideraciones generales
Ejemplos básicos
Desviación estándar muestral de la tasa metabólica de los petreles
Desviación estándar poblacional de las calificaciones de ocho alumnos
Desviación estándar muestral de las edades de seis niños
Desviación estándar de la estatura media de hombres adultos
Definición de los valores de una población
Probabilidad
Variable aleatoria discreta
Variable aleatoria continua
Desviación estándar de distribuciones de probabilidad conocidas
Estimación
Desviación estándar no corregida de una muestra
Desviación estándar corregida de una muestra
Desviación estándar no sesgada de una muestra
Intervalo de confianza de la desviación estándar de una muestra
Identidades y propiedades matemáticas
Interpretación y aplicación
Interpretación gráfica
Interpretación geométrica
Ejemplos de aplicación
Experimentos, pruebas industriales y de hipótesis
Meteorología
Finanzas
Reglas para datos con una distribución normal
Teorema del límite central
Desigualdad de Chebyshov
Relación entre la desviación estándar y la media
Desviación estándar de la media
Métodos de cálculo rápido
Cálculo ponderado
Historia
Véase también
Referencias
Enlaces externos

Consideraciones generales
La desviación estándar de una variable
aleatoria, población estadística,
Fórmulas fundamentales
conjunto de datos o distribución de
probabilidad es la raíz cuadrada de su
varianza. Es algebraicamente más Variable aleatoria discreta:2 ​
simple, aunque en la práctica menos
robusta, que la desviación media.3 4​ ​ (Media aritmética)
Una propiedad útil de la desviación
estándar es que, a diferencia de la
varianza, se expresa en las mismas (Población completa)
unidades que los datos a partir de los
que se calcula.
(Muestra de una población)
Además de expresar la variabilidad de
una población, la desviación estándar Expresiones equivalentes:
se usa comúnmente para medir la
fiabilidad de las conclusiones
estadísticas. Por ejemplo, el margen de (Población completa)
error en los datos de los sondeos de
opinión se determina calculando la
desviación estándar esperada en los (Muestra de una
resultados si la misma encuesta se
población)
llevara a cabo varias veces. Esta
interpretación de la desviación estándar Variable aleatoria continua:
a menudo se denomina "error estándar"
de la estimación o "error estándar de la
media" (cuando se refiere a una
media). Se calcula como la desviación
estándar de todas las medias que se
calcularían a partir de esa población si
se extrajera un número infinito de
muestras y se calculase la media para cada muestra.

Es muy importante tener en cuenta que la desviación estándar de una población y el error estándar de una estadística
obtenida a partir de esa población (como la media) son bastante diferentes, pero están relacionados (relacionados por
la inversa de la raíz cuadrada del número de observaciones). El margen de error de una encuesta se calcula a partir
del error estándar de la media (o, alternativamente, del producto de la desviación estándar de la población y la
inversa de la raíz cuadrada del tamaño de la muestra, que es lo mismo) y es por lo general, aproximadamente el
doble de la desviación estándar: la mitad del ancho de un intervalo de confianza del 95 por ciento.

En ciencia, muchos investigadores analizan la desviación estándar de los datos experimentales, y solo los efectos
que se alejan hasta dos desviaciones estándar de la media, se consideran estadísticamente significativos: el error
aleatorio normal o la variación en las mediciones se distinguen de esta manera de los efectos genuinos o
asociaciones probables. En finanzas también es un indicador importante, puesto que la desviación estándar de la tasa
de retorno de una inversión da una medida de su volatilidad.

Cuando solo está disponible una muestra de datos de una población, el término desviación estándar de la muestra
o desviación estándar muestral, puede referirse a la cantidad mencionada anteriormente aplicada a esos datos, o
también a una cantidad sobre la que se realiza un ajuste que sirve de estimación no sesgada de la desviación
estándar de la población (es decir, de la desviación estándar de toda la población).

Ejemplos básicos

Desviación estándar muestral de la tasa metabólica de los petreles

El libro de Murray Logan "Biostatistical Design and Analysis Using R" da el ejemplo siguiente:5 ​

Los naturalistas Furness y Bryant6 ​ midieron la tasa metabólica en reposo de 8 petreles reproductivos y de 6
hembras. La tabla muestra el conjunto de datos obtenidos por Furness.

Datos obtenidos por Furness de la tasa metabólica de los

petreles del norte
Sexo Tasa metabólica Sexo Tasa metabólica
Macho 525.8 Hembra 727.7
Macho 605.7 Hembra 1086.5
Macho 843.3 Hembra 1091.0
Macho 1195.5 Hembra 1361.3
Macho 1945.6 Hembra 1490.5
Macho 2135.6 Hembra 1956.1
Macho 2308.7
Macho 2950.0

La gráfica muestra la tasa metabólica para machos y hembras. Por simple inspección visual,
parece que la variabilidad de la tasa metabólica es mayor para los machos que para las hembras.
La desviación estándar de la muestra de la tasa metabólica para las hembras de petrel se calcula como se explica a
continuación. La fórmula para calcular la desviación estándar de la muestra es

donde
son los valores observados de los elementos de la muestra, es el valor medio de estas
observaciones, y
N es el número de observaciones de la muestra.

En la fórmula de la desviación estándar de la muestra, para este ejemplo, el numerador es la suma de las
desviaciones al cuadrado de la tasa metabólica de cada animal respecto a la tasa metabólica media. La siguiente tabla
muestra el cálculo de esta suma de desviaciones al cuadrado para los petreles hembra, cuya suma es de 886047.09,
como se muestra en la tabla.

Cálculo de la suma de cuadrados para las hembras de petrel

Tasa Diferencia con la media al
Animal Sexo Media Diferencia con la media
metabólica cuadrado
1 Hembra 727.7 1285.5 -557.8 311140.84
2 Hembra 1086.5 1285.5 -199.0 39601.00
3 Hembra 1091.0 1285.5 -194.5 37830.25
4 Hembra 1361.3 1285.5 75.8 5745.64
5 Hembra 1490.5 1285.5 205.0 42025.00
6 Hembra 1956.1 1285.5 670.6 449704.36

Suma de las diferencias al

Media de las tasas metabólicas: 1285.5 886047.09
cuadrado:

El denominador en la fórmula de la desviación estándar de la muestra es N-1, donde N es el número de hembras. En

este ejemplo, hay N = 6 hembras, por lo que el denominador es 6-1 = 5. Por lo tanto, la desviación estándar de la
muestra para los petreles hembra, es
Para los petreles macho, un cálculo similar proporciona una muestra de desviación estándar de 894.37,
aproximadamente el doble que la desviación estándar para las hembras. La gráfica muestra los datos de la tasa
metabólica, las medias (puntos rojos) y las desviaciones estándar (líneas rojas) para machos y hembras.

El uso de la desviación estándar de la muestra implica que estos 14 petreles son una muestra de una población
mayor. Si estos 14 petreles comprendieran toda la población (si fueran los últimos 14 petreles sobrevivientes),
entonces se podría hablar de la desviación estándar de la población, en lugar de la desviación estándar de la
muestra. En la fórmula de la desviación estándar de la población, el denominador es N en lugar de N-1. No siempre
es posible tomar medidas de una población completa, por lo que de manera predeterminada, las aplicaciones
informáticas de estadística suelen calcular la desviación estándar de la muestra (es decir, dividiendo por N-1). De
manera similar, los artículos de revistas se refieren a la desviación estándar de la muestra, a menos que se
especifique lo contrario.

Desviación estándar poblacional de las calificaciones de ocho alumnos

Supóngase que toda la población estudiada son ocho alumnos determinados de una clase en particular. Para un
conjunto discreto de datos, la desviación estándar de la población se determina calculando la raíz cuadrada de la
media de las desviaciones de los valores restados de su valor promedio, elevadas al cuadrado. Las calificaciones de
la clase de ocho estudiantes (es decir, de la población estadística completa) son los siguientes ocho valores:

Estos ocho datos tienen una media (promedio) de 5:

En primer lugar, se calculan las desviaciones de cada dato respecto a la media, y se eleva al cuadrado el resultado de
cada una:

La varianza es la media de estos valores:

y la desviación estándar de la población es igual a la raíz cuadrada de la varianza:

Esta fórmula es válida solo si los ocho valores con los que se trabaja forman la población completa. Si los valores,
en cambio, fueran una muestra aleatoria extraída de una gran población de alumnos (por ejemplo, fueron 8
calificaciones elegidas al azar e independientemente de un censo de 2 millones de alumnos), entonces el resultado se
obtendría dividiendo por 7 (que es N − 1) en lugar de por 8 (que es N) en el denominador de la última fórmula. En
ese caso, el resultado de la fórmula original se denominaría la desviación estándar de la muestra. Dividir por N - 1
en lugar de por N da una estimación imparcial de la varianza de una población más grande. Esta modificación se
conoce como corrección de Bessel.7 ​

Desviación estándar muestral de las edades de seis niños

Aquí se muestra cómo calcular la desviación estándar de un conjunto de datos. Los datos representan la edad de los
miembros de un grupo de niños: {4, 1, 11, 13, 2, 7}

1. Calcular el promedio o media aritmética

En este caso, n = 6:

      Sustituyendo n por 6:

2. Calcular la desviación estándar

      Sustituyendo n por 6:

      Sustituyendo por 6,33:

Desviación estándar de la estatura media de hombres adultos

Si la población estudiada tiene una distribución aproximadamente normal, la desviación estándar proporciona
información sobre la proporción de las observaciones que se sitúan por encima o por debajo de ciertos valores. Por
ejemplo, la estatura media de los hombres adultos en los Estados Unidos es de aproximadamente 177.8 cm, con una
desviación estándar de alrededor de 7.62  cm. Esto significa que la mayoría de los hombres (alrededor del 68%,
suponiendo un distribución normal) tienen una altura dentro de un intervalo de 7.62 cm alrededor de la media (entre
170.18 y 185.42 cm) y que casi todos los hombres (alrededor del 95%) tienen una altura dentro de los 15.24 cm
alrededor de la media (entre 162.56 y 193.04  cm), un intervalo de dos desviaciones estándar de radio. Si la
desviación estándar fuera cero, entonces todos los hombres tendrían una altura de exactamente 177.8 cm (el valor
medio). Si la desviación estándar fuera de 50.8 cm, entonces los hombres tendrían alturas mucho más variables, con
un rango típico de aproximadamente entre 127 y 228.6  cm. Un intervalo de tres desviaciones estándar de radio
representa el 99.7% de la población de la muestra que se estudia, asumiendo que posee una distribución normal (en
forma de campana). Consúltese la regla 68-95-99.7, o "regla empírica" para obtener más información.

Definición de los valores de una población

Probabilidad

Sea X una variable aleatoria con valor medio:

Aquí el operador E denota el promedio o la esperanza matemática de X. Entonces la desviación estándar de X es la

cantidad

(deducida utilizando las propiedades de la media).

En otras palabras, la desviación estándar σ (σ) es la raíz cuadrada de la varianza de X; es decir, es la raíz cuadrada
del valor promedio de (X - μ)2.
La desviación estándar de una distribución de probabilidad (de una variable) es la misma que la de una variable
aleatoria que tiene esa distribución. No todas las variables aleatorias tienen una desviación estándar, ya que estos
valores no siempre existen necesariamente. Por ejemplo, la desviación estándar de una variable aleatoria que sigue
una distribución de Cauchy no está definida, porque su valor esperado μ no está definido.

Variable aleatoria discreta

En el caso donde X toma valores aleatorios de un conjunto de datos finito x1, x2, ..., xN, con cada valor con la misma
probabilidad, la desviación estándar es

o, usando la notación con un sumatorio,

Si, en lugar de poseer probabilidades iguales, los valores poseen probabilidades diferentes, entonces se tiene que x1
tiene la probabilidad p1, x2 tiene una probabilidad p2, ..., xN tiene una probabilidad pN. En este caso, la desviación
estándar será

Variable aleatoria continua

La desviación estándar de una variable aleatoria continua real X con una función de densidad de probabilidad p(x) es

donde las integrales en x se extienden sobre el todo el conjunto de valores posibles de la variable aleatoria X.

En el caso de una familia paramétrica de distribuciones, la desviación estándar se puede expresar en términos de sus
parámetros. Por ejemplo, en el caso de la distribución log-normal con los parámetros μ y σ2, la desviación estándar
es

Desviación estándar de distribuciones de probabilidad conocidas

 Desviación
Distribución Parámetros Descripción
típica
Distribución de Distribución discreta de valor 0 con probabilidad ; y de valor
Bernoulli8 ​ con probabilidad .

Distribución Distribución de la suma de variables independientes de acuerdo

y
binomial9 ​ con la distribución de Bernoulli de parámetro .

Distribución Distribución discreta en , tal que la probabilidad de obtener un

geométrica10 ​ número entero es .

Distribución
Distribución uniforme continua en , cuya densidad es un múltiplo
uniforme
de la función indicadora de .
continua11 ​

Distribución Distribución uniforme continua con soporte , cuya densidad es la

exponencial11 ​ función .

Distribución de Distribución en , cuya densidad es la función ,

Poisson12 ​
en la que .

Distribución en , cuya densidad es la función

Distribución para todo positivo, en la que es la
χ² 13 ​
función gamma.
Distribución de probabilidad continua, cuya densidad es la función
Distribución para todo positivo, en la que es
, y
gamma13 ​
la función gamma.

La desviación estándar de una distribución de probabilidad de una sola variable es igual a la desviación estándar de
una variable aleatoria con la misma distribución. No todas las variables aleatorias tienen desviación estándar, ya que
los valores esperados pueden no existir. Por ejemplo, la desviación estándar de una variable que sigue una
distribución de Cauchy es indefinida, porque el valor de la media de la distribución es indefinida.14 ​

Estimación
Véase también: Varianza

Es posible encontrarse con la desviación estándar de una población completa en casos donde se conoce el valor de
todos y cada uno de los miembros de una población. En los casos en que esto no se puede hacer (en general, por
tratarse con poblaciones muy grandes), la desviación estándar σ se estima examinando una muestra de la población
tomada aleatoriamente, y calculando un tratamiento estadístico de la muestra dada, que se utiliza como una
estimación de la desviación estándar de la población. Dicha estadística se denomina un estimador, y el estimador (o
el valor del estimador, a saber, la estimación) se denomina desviación estándar de la muestra y se denota con s
(posiblemente con modificadores). Sin embargo, a diferencia del caso de estimar la media poblacional, para la que la
media muestral es un estimador simple con muchas propiedades deseables (sin sesgo, eficiente y con máxima
probabilidad), no existe un estimador único para la desviación estándar con todas estas propiedades, y la estimación
de la desviación estándar no sesgada es un problema con muchas implicaciones técnicas. La mayoría de las veces, la
desviación estándar se calcula utilizando la desviación estándar de la muestra corregida (usando N - 1, definida a
continuación), y que a menudo se conoce simplemente como la "desviación estándar de la muestra", sin
calificadores. Sin embargo, otros estimadores son mejores en algunos aspectos: el estimador no corregido (que usa
N) produce un error cuadrático medio más bajo, mientras que el uso de N  −  1.5 (para una distribución normal)
elimina el sesgo casi por completo.

Desviación estándar no corregida de una muestra

La fórmula para la desviación estándar de una población (de una población finita) se puede aplicar a la muestra,
utilizando el tamaño de la muestra como el tamaño de la población (aunque el tamaño real de la población de la que
se extrae la muestra sea mucho más grande). Este estimador, denotado por sN, se conoce como la desviación
estándar de la muestra no corregida, o algunas veces como la desviación estándar de la muestra (considerada
como la población total), y se define como sigue:

donde son los valores observados de los elementos de la muestra y es el valor medio de estas
observaciones, mientras que el denominador  N representa el tamaño de la muestra: esta es la raíz cuadrada de la
varianza de la muestra, que es el promedio de las desviaciones al cuadrado respecto a la media muestral.

Este es un estimador consistente (porque converge en probabilidad al valor de la población cuando el número de
muestras llega al infinito), y posee la máxima verosimilitud estimada cuando la población está normalmente
distribuida.

Sin embargo, posee un sesgo estadístico, ya que el número de observaciones es generalmente demasiado bajo. El
sesgo disminuye a medida que crece el tamaño de la muestra, disminuyendo como 1/N, y por lo tanto es más
significativo para tamaños de muestra pequeños o moderados; para el sesgo es inferior al 1 %. Por lo tanto,
para tamaños de muestra muy grandes, la desviación estándar de la muestra no corregida es generalmente aceptable.
Este estimador también tiene un error cuadrático medio uniformemente más pequeño que la desviación estándar
corregida de la muestra.

Desviación estándar corregida de una muestra

Si la varianza sesgada (el segundo momento central de la muestra, que es una estimación sesgada hacia abajo de la
varianza de la población) se utiliza para calcular una estimación de la desviación estándar de la población, el
resultado es

Aquí, al tomar la raíz cuadrada se introduce un sesgo más hacia abajo, por la desigualdad de Jensen, debido a que la
raíz cuadrada es una función cóncava. El sesgo en la varianza se corrige fácilmente, pero el sesgo de la raíz
cuadrada es más difícil de corregir y depende de la distribución en cuestión.

Se obtiene un estimador no sesgado de la varianza aplicando la corrección de Bessel, usando N − 1 en lugar de N
para obtener la varianza de la muestra no sesgada, denotada por s2:

Este estimador es insesgado si existe la varianza y los valores de la muestra se extraen independientemente con
reemplazo (es decir, cada elemento de la muestra se devuelve a la población antes de elegir el siguiente elemento).
N - 1 corresponde al número de grados de libertad del vector de desviaciones de la media,

Al calcular la raíz cuadrada se reintroduce un sesgo (porque la raíz cuadrada es una función no lineal, que no posee
la propiedad commutativa con respecto a la media), lo que produce la desviación estándar de la muestra
corregida, denotada por s:
Como se explicó anteriormente, mientras que s2 es un estimador no sesgado de la varianza poblacional, s sigue
siendo un estimador sesgado para la desviación estándar de la población, aunque es notablemente menos sesgado
que la desviación estándar de la muestra no corregida. Este estimador se usa comúnmente y generalmente se conoce
simplemente como la "desviación estándar de la muestra". El sesgo aún puede ser grande para muestras pequeñas (N
menor de 10). A medida que aumenta el tamaño de la muestra, el valor del sesgo disminuye. A medida que se
dispone de más información, la diferencia entre y se hace cada vez más pequeña.

Desviación estándar no sesgada de una muestra

Para la estimación de la desviación estándar no sesgada, no existe una fórmula que funcione en todas las
distribuciones, a diferencia de lo que sucede con la media y con la varianza. En su lugar, s se usa como base y se
escala según un factor de corrección para producir una estimación no sesgada. Por ejemplo, para la distribución
normal, un estimador no sesgado viene dado por s/c4, donde el factor de corrección (que depende de N) se da en
términos de la función gamma, y es igual a:

Esto se debe a que la distribución de la desviación estándar de la muestra sigue una distribución χ (escalada), y el
factor de corrección es la media de la distribución χ.

Se puede dar una aproximación reemplazando N − 1 por N − 1.5, dando como resultado:

El error en esta aproximación decae de forma cuadrática (como 1/N2), y es adecuado para todas las muestras,
excepto las más pequeñas o cuando se requiere una precisión máxima: para N = 3, el sesgo es igual al 1.3%, y para
N = 9 el sesgo ya es menor del 0.1%.

Una aproximación más precisa es reemplazar el anterior por .15 ​

Para otras
distribuciones, la fórmula correcta depende de la distribución, pero una regla de oro es usar el refinamiento adicional
de la aproximación:

donde γ2 denota la curtosis de la población. El exceso de curtosis puede ser conocido de antemano para ciertas
distribuciones, o estimado a partir de los datos.

Intervalo de confianza de la desviación estándar de una muestra

Véanse también: Error muestral, Varianza y Distribución t de Student.

La desviación estándar que se obtiene de una muestra de una distribución no es del todo precisa, por razones
matemáticas (de acuerdo con el intervalo de confianza) y por razones prácticas de medición (error de medición). El
efecto matemático puede ser descrito por el intervalo de confianza o CI.

Para mostrar cómo una muestra más grande hace que el intervalo de confianza sea más estrecho, considérense los
siguientes ejemplos:
Una pequeña población de N = 2 tiene solo 1 grado de libertad para estimar la desviación estándar. El resultado es
que un IC del 95% de la desviación estándar se extiende desde 0.45  ×  s a 31.9  ×  s; los factores son aquí los
siguientes:

donde es el p-cuantil de la distribución χ² con k grados de libertad, y es el nivel de confianza. Esto es

equivalente a lo siguiente:

Con k=1, y . Los recíprocos de las raíces cuadradas de estos dos números
proporcionan los factores 0.45 y 31.9 dados anteriormente.

Una población mayor de N = 10 tiene 9 grados de libertad para estimar la desviación estándar. Los mismos cálculos
anteriores proporcionan en este caso un IC del 95%, que va desde 0.69 × SD a 1.83 × SD. Por lo tanto, incluso con
una población de 10 muestras, la desviación estándar real puede ser casi dos veces mayor que la de la muestra. Para
una población con una muestra de N = 100, esto se reduce a 0.88 × SD a 1.16 × s. Para estar más seguros de que la
desviación estándar de la muestra queda cerca de la real, se necesita una muestra con un gran número de datos.

Estas mismas fórmulas se pueden usar para obtener intervalos de confianza con la varianza de los residuos de un
ajuste por mínimos cuadrados según la teoría normal estándar, donde k sería el número de grados de libertad del
error.

Identidades y propiedades matemáticas

La desviación estándar es invariante bajo los cambios del origen de coordenadas utilizado para la toma de los datos,
y es directamente proporcional con respecto a la escala de la variable aleatoria. Por lo tanto, para una constante c y
variables aleatorias X e Y:

La desviación estándar de la suma de dos variables aleatorias se puede relacionar con sus desviaciones estándar
individuales y la covarianza entre ellas:

donde y representan la varianza y la covarianza respectivamente.

El cálculo de la suma de las desviaciones al cuadrado se puede relacionar con los momentos calculados directamente
a partir de los datos. En la siguiente fórmula, la letra E se interpreta como el valor esperado, es decir, la media.

La desviación estándar de la muestra se puede calcular como:

Para una población finita con probabilidades iguales en todos los puntos, se tiene

Esto significa que la desviación estándar es igual a la raíz cuadrada de la diferencia entre el promedio de los
cuadrados de los valores y el cuadrado del valor promedio.

Consúltese la fórmula de cálculo de la varianza para un resultado análogo con la desviación estándar de la muestra.

Interpretación y aplicación
Véanse también: Intervalo de predicción e Intervalo de confianza.

Una gran desviación estándar indica que los

puntos de datos pueden extenderse lejos de la
media y una pequeña desviación estándar
indica que están agrupados cerca de la media.

Por ejemplo, cada una de las tres poblaciones

{0, 0, 14, 14}, {0, 6, 8, 14} y {6, 6, 8, 8} tiene
una media de 7. Sus desviaciones estándar son
7, 5 y 1, Respectivamente. La tercera población
tiene una desviación estándar mucho más
pequeña que las otras dos porque sus valores
son todos cercanos a 7. La desviación estándar
posee las mismas unidades que los propios
datos. Si, por ejemplo, el conjunto de datos {0,
6, 8, 14} representa las edades de una
población de cuatro hermanos en años, la
desviación estándar es de 5 años. Como otro Ejemplo de muestras de dos poblaciones con la misma media pero
ejemplo, la población {1000, 1006, 1008, con desviaciones estándar diferentes. La población representada en
1014} puede representar las distancias rojo tiene media 100 y s 10; la azul tiene media 100 y s 50
recorridas por cuatro atletas, medidas en metros.
Tiene una media de 1007 metros y una
desviación estándar de 5 metros.

La desviación estándar puede servir como una medida de incertidumbre. En física, por ejemplo, la desviación
estándar de un conjunto de mediciones sucesivas de una misma magnitud (como por ejemplo, de la velocidad de la
luz), indica la precisión de esas mediciones. Al determinar si las mediciones concuerdan con una predicción teórica,
la desviación estándar de esas mediciones es de crucial importancia: si la media de las mediciones está demasiado
alejada de la predicción (con la esta distancia medida según la desviación estándar), entonces la teoría que se está
probando probablemente necesita ser revisada. Esto tiene sentido, ya que se encuentran fuera del rango de valores
que podrían esperarse razonablemente si la predicción fuera correcta y la desviación estándar se cuantificara
adecuadamente (véase intervalo de predicción).

Si bien la desviación estándar determina en qué medida se alejan los datos de la media, hay otras medidas
disponibles. Un ejemplo es la desviación media, que podría considerarse una medida más directa de la distancia
promedio, en comparación con la raíz de las distancias al cuadrado inherente a la desviación estándar.

Interpretación gráfica

Para un conjunto de datos finito, la desviación estándar se calcula a partir de la raíz cuadrada de la media de las
desviaciones entre los valores y el promedio de los valores de los datos elevado al cuadrado.16 ​
A continuación, se incluye el desarrollo numérico del ejemplo gráfico
mostrado en la ilustración de la derecha:

Sean las notas de 8 estudiantes ( ) 2, 4, 4, 4, 5, 5, 7, 9. La media de las

notas de los 8 estudiantes es:

Las desviaciones entre las notas y la media de las notas elevadas al cuadrado
son:

La varianza o el promedio de todos los valores es:

Visualización geométrica de la
. varianza de una distribución:
Imagen 1: Se construye la
La desviación estándar o la raíz cuadrada de la varianza es . Esto es, distribución de frecuencias.
Imagen 2: El centroide de la
la desviación estándar es igual a 2.16 ​
distribución proporciona la media.
Imagen 3: Se construye para cada
Interpretación geométrica valor un cuadrado cuyo lado es igual
a la diferencia de cada valor
Para obtener algunas ideas y aclaraciones geométricas, se plantea una respecto a la media.
población con tres valores, x1, x2 y x3. Esto define un punto P = (x1, x2, x3) Imagen 4: Se reorganizan los
en R3. Considérese la recta L = {(r, r, r): r ∈ R}. Esta es la "diagonal cuadrados en un rectángulo con un
principal" pasando por el origen. Si los tres valores dados fueran todos lado igual al número de valores,
iguales, entonces la desviación estándar sería cero y P estaría en L. Por lo resultando el otro lado igual a la
tanto, es lógico suponer que la desviación estándar está relacionada con la varianza de la distribución .
distancia de P con respecto a L. Ese es de hecho el caso. Para desplazarse
ortogonalmente desde L hasta el punto P, se comienza en el punto:

cuyas coordenadas son la media de los valores de partida.

 Demostración

Sea . está en , por lo tanto, con

La línea debe ser ortogonal al vector de a . Por lo tanto:

Mediante un poco de álgebra, se demuestra que la distancia entre P y M (que es la misma que la distancia ortogonal
entre P y la recta L) es igual a la desviación estándar del vector (x1, x2, x3), multiplicado por la

raíz cuadrada del número de dimensiones del vector (3 en este caso).

Ejemplos de aplicación

El valor práctico de comprender la desviación estándar de un conjunto de valores reside en apreciar su grado de
variación con respecto a la media.

Experimentos, pruebas industriales y de hipótesis

La desviación estándar a menudo se usa para comparar datos del mundo real con un modelo para probar el modelo.
Por ejemplo, en aplicaciones industriales, el peso de los productos que salen de una línea de producción puede
necesitar cumplir con un valor legalmente requerido. Al pesar alguna fracción de los productos, se puede determinar
un peso promedio, que siempre será ligeramente diferente al promedio a largo plazo. Al utilizar la desviación
estándar, se puede calcular un valor mínimo y máximo tales que el peso promedio estará dentro en un porcentaje
muy alto de las ocasiones (un 99.9% o más). Si cae fuera del rango, es posible que el proceso de producción deba
corregirse. Pruebas estadísticas como estas son particularmente importantes cuando la obtención de medidas es
relativamente cara. Por ejemplo, si el producto necesita ser abierto y drenado para pesarse, o si el producto es
alterado por la prueba.

En la ciencia experimental, se utiliza un modelo teórico de la realidad. Por ejemplo, la física de partículas usa
convencionalmente un estándar de "5 sigma" para la declaración de un descubrimiento.17 ​Un nivel de cinco sigma
se traduce en una posibilidad entre 3.5 millones de que una fluctuación aleatoria produzca el resultado predicho.
Este nivel de certeza era necesario para afirmar que se había descubierto una partícula consistente con el bosón de
Higgs en dos experimentos independientes realizados por la Organización Europea para la Investigación Nuclear,18 ​
y este fue también el nivel de relevancia que llevó a la declaración de la detección de ondas gravitacionales por
primera vez.19 ​

Meteorología
Como ejemplo simple, considérense las temperaturas máximas promedio diarias de dos ciudades, una interior y otra
en la costa. Es útil comprender que el rango de temperaturas máximas diarias para las ciudades cercanas a la costa es
menor que para las ciudades del interior. Por lo tanto, si bien estas dos ciudades pueden tener la misma temperatura
máxima promedio, la desviación estándar de la temperatura máxima diaria para la ciudad costera será menor que la
de la ciudad interior, ya que, en cualquier día en particular, la temperatura máxima real es más probable que se sitúe
más lejos de la temperatura máxima promedio en la ciudad interior que en la costera.

Finanzas

En finanzas, la desviación estándar se usa a menudo como una medida del riesgo asociado con las fluctuaciones de
precio de un activo determinado (acciones, bonos, propiedad, etc.), o con el riesgo de una cartera de activos20 ​
(fondos mutuos administrados activamente, índice mutuo de fondos, o fondos cotizados). El riesgo es un factor
importante para determinar cómo administrar de manera eficiente una cartera de inversiones porque determina la
variación en los rendimientos del activo y/o la cartera y brinda a los inversores una base matemática para tomar
decisiones de inversión (según una disciplina conocida como teoría moderna de carteras). El concepto fundamental
de riesgo es que a medida que aumenta, el rendimiento esperado de una inversión también debería aumentar, según
un aumento conocido como la prima de riesgo. En otras palabras, los inversores deben esperar un mayor
rendimiento de una inversión cuando esa inversión conlleva un mayor nivel de riesgo o incertidumbre. Al evaluar
las inversiones, los inversores deben estimar tanto el rendimiento esperado como la incertidumbre de los
rendimientos futuros. La desviación estándar proporciona una estimación cuantificada de la incertidumbre de los
rendimientos futuros.

Por ejemplo, supongase que un inversor tiene que elegir entre dos acciones. Las acciones A en los últimos 20 años
tuvieron un rendimiento promedio del 10 por ciento, con una desviación estándar de 20 puntos porcentuales (pp) y
las acciones B, durante el mismo período, tuvieron rendimientos promedio del 12 por ciento, pero una desviación
estándar más alta de 30 pp. Como base del riesgo y la rentabilidad, un inversor puede decidir que la acción A es la
opción más segura, ya que los dos puntos porcentuales adicionales de la acción B no valen la desviación estándar
adicional de 10 pp (mayor riesgo o incertidumbre de la rentabilidad esperada). Es probable que las acciones B no
alcancen la inversión inicial (pero también que excedan la inversión inicial) con mayor frecuencia que las acciones
A en las mismas circunstancias, y se estima que en promedio solo retornarán un dos por ciento más. En este
ejemplo, se espera que la acción A gane alrededor del 10 por ciento, más o menos 20 pp (un rango del 30 por ciento
al -10 por ciento), aproximadamente dos tercios de los rendimientos del año futuro. Al considerar rendimientos o
resultados más extremos en el futuro, un inversor debe esperar resultados de hasta un 10 por ciento más o menos 60
pp, o un rango del 70 por ciento al 50 por ciento, que incluye los resultados en un rango de tres desviaciones
estándar del rendimiento promedio (alrededor del 99.7 por ciento de los rendimientos probables).

El cálculo del promedio (o media aritmética) del rendimiento de un valor en un período determinado generará el
rendimiento esperado del activo. Para cada período, se resta el rendimiento esperado de los resultados reales con
respecto de la media. Al elevar al cuadrado la diferencia en cada período y tomar el promedio, se obtiene la varianza
general del rendimiento del activo. Cuanto mayor sea la variación, mayor será el riesgo que conlleva. Calculando la
raíz cuadrada de esta variación se obtiene la desviación estándar de la herramienta de inversión en cuestión.

Se sabe que las series temporales financieras son series no estacionarias, mientras que los cálculos estadísticos
anteriores, como la desviación estándar, se aplican solo a las series estacionarias. Para aplicar las herramientas
estadísticas anteriores a las series no estacionarias, la serie primero debe transformarse en una serie estacionaria,
permitiendo el uso de herramientas estadísticas con una base válida desde la que poder trabajar en términos
homogéneos.

Reglas para datos con una distribución normal

Teorema del límite central

El teorema del límite central establece que la distribución de un promedio de
muchas variables aleatorias independientes e idénticamente distribuidas
tiende hacia la famosa distribución normal en forma de campana con una
función de densidad de probabilidad de

El color azul oscuro representa el

intervalo de la desviación estándar a
donde μ es la esperanza matemática de las variables aleatorias, σ equivale a ambos lados de la media. Para la
la desviación estándar de su distribución dividida por n1/2, y n es el número distribución normal, esto representa
de variables aleatorias. Por lo tanto, la desviación estándar es simplemente el 68.27 por ciento del conjunto;
una variable de escala que ajusta la amplitud de la curva, aunque también mientras que dos desviaciones
aparece en la constante de normalización. estándar de la media (azul medio y
oscuro) representan 95.45 por ciento;
Si una distribución de datos es aproximadamente normal, entonces la tres desviaciones estándar (azul
proporción de valores de datos dentro de z desviaciones estándar de la claro, medio y oscuro) representan el
media, se define por: 99.73 por ciento; y cuatro
desviaciones estándar representan el
99.994 por ciento. Los dos puntos de
ó la curva situados a una desviación
estándar de la media son también
los puntos de inflexión de la gráfica.
donde es la función error. La proporción que es menor o igual a un
número, x, viene dada por la función de distribución:21 ​

Si una distribución de datos es aproximadamente normal, cerca del 68 por ciento de los valores de los datos estarán
dentro de una desviación estándar de la media (matemáticamente, μ ± σ, donde μ es la media aritmética), del orden
del 95 por ciento estarán dentro de dos desviaciones estándar, y en torno a un 99.7 por ciento estarán dentro de tres
desviaciones estándar (3σ ). Esto se conoce como la regla 68-95-99.7, o la regla empírica.

Para varios valores de z, el porcentaje de valores que se espera que se encuentren dentro y fuera del intervalo
simétrico, CI = (-zσ, zσ), son los siguientes:

Porcentaje dentro de (z)

 z para el porcentaje abarcado

Intervalo
Proporción dentro Proporción fuera
de Confianza Porcentaje Porcentaje Fracción
0.318 639 σ 25 % 75 % 3/4
0,674490 σ 50 % 50 % 1 / 2
0,994458 σ 68 % 32 % 1 / 3,125
1σ 68,2689492 % 31,7310508 % 1 / 3,1514872
1,281552 σ 80 % 20 % 1 / 5
1,644854 σ 90 % 10 % 1 / 10
1,959964 σ 95 % 5 % 1 / 20
2σ 95,4499736 % 4,5500264 % 1 / 21,977895
2,575829 σ 99 % 1 % 1 / 100
3σ 99,7300204 % 0,2699796 % 1 / 370,398
3,290527 σ 99,9 % 0,1 % 1 / 1000
3,890592 σ 99,99 % 0,01 % 1 / 10 000
4σ 99,993666 % 0,006334 % 1 / 15 787
4,417173 σ 99,999 % 0,001 % 1 / 100 000
3.4 / 1 000 000
4.5 σ 99,9993204653751 % 0,0006795346249 %
(a cada lado de la media)
4,891638 σ 99,9999 % 0,0001 % 1 / 1 000 000
5σ 99,9999426697 % 0,0000573303 % 1 / 1 744 278
5,326724 σ 99,99999 % 0,00001 % 1 / 10 000 000
5,730729 σ 99,999999 % 0,000001 % 1 / 100 000 000
6σ 99,9999998027 % 0,0000001973 % 1 / 506 797 346
6,109410 σ 99,9999999 % 0,0000001 % 1 / 1 000 000 000
6,466951 σ 99,99999999 % 0,00000001 % 1 / 10 000 000 000
6,806502 σ 99,999999999 % 0,000000001 % 1 / 100 000 000 000
7σ 99,9999999997440 % 0,000000000256 % 1 / 390 682 215 445

Desigualdad de Chebyshov

Una observación cualquiera rara vez se sitúa a más de unas pocas desviaciones estándar de la media. La desigualdad
de Chebyshov garantiza que, para todas las distribuciones para las que se define la desviación estándar, la cantidad
de datos dentro de una serie de desviaciones estándar de la media es al menos la que se indica en la siguiente tabla.
 Distancia respecto a Población mínima
la media abarcada

50%

2σ 75%
3σ 89%
4σ 94%
5σ 96%
6σ 97%

22 ​ Regiones de probabilidad de los intervalos de la desigualdad de

Chebyshov en una distribución simétrica

Relación entre la desviación estándar y la media

En estadística descriptiva, la media y la desviación estándar de un conjunto de datos son generalmente facilitadas
juntas. En cierto sentido, la desviación estándar es una medida "natural" de las medidas de dispersión si el centro de
los datos se mide alrededor de la media. Esto se debe a que la desviación estándar respecto a la media es menor que
desde cualquier otro punto. La declaración precisa es la siguiente:

Supóngase que x1, ..., xn son números reales y se define la función:

Usando el cálculo infinitesimal o completando el cuadrado, es posible demostrar que σ(r) tiene un mínimo único en
la media:

La variabilidad también puede medirse mediante el coeficiente de variación, que es la relación de la desviación
estándar con respecto a la media. Es una magnitud adimensional.

Desviación estándar de la media

A menudo, se requiere información sobre la precisión de la media obtenida. Este parámetro se puede obtener
determinando la desviación estándar de la media de la muestra. Suponiendo una independencia estadística de los
valores de la muestra, la desviación estándar de la media está relacionada con la desviación estándar de la
distribución por:

donde N es el número de observaciones de la muestra utilizada para estimar la media. Esto se puede probar
fácilmente con (véanse las propiedades básicas de la varianza):

(se supone la independencia estadística de los datos).

por lo tanto

De aquí se deduce que:

Se debe enfatizar que para estimar la desviación estándar de la media es necesario conocer de antemano la
desviación estándar de toda la población . Sin embargo, en la mayoría de las aplicaciones este parámetro es
desconocido. Por ejemplo, si se realiza una serie de 10 mediciones de una cantidad previamente desconocida en un
laboratorio, es posible calcular la media de la muestra resultante y la desviación estándar de la muestra, pero es
imposible calcular la desviación estándar de la media.

Métodos de cálculo rápido

Véase también: Algoritmos para calcular la varianza

Las dos fórmulas siguientes permiten calcular una desviación estándar agregando datos. Un conjunto de dos sumas
de potencias s1 y s2 se calculan sobre un conjunto de N valores de x, denotado como x1, ... , xN:

Dados los resultados de estas sumas en ejecución, los valores N, s1, s2 se pueden usar en cualquier momento para
calcular el valor actual de la desviación estándar de ejecución:

Donde N, como se mencionó anteriormente, es el tamaño del conjunto de valores (o también puede considerarse
como s0).

Del mismo modo, para la desviación estándar de la muestra,

En un programa de ordenador, a medida que las sumas de tres sj se hacen grandes, se debe considerar el error de
redondeo y el desbordamiento aritmético (por rebosamiento de grandes cantidades o por la pérdida de la mantisa). El
siguiente método calcula el método de las sumas con errores de redondeo reducidos.23 ​ Se trata de un algoritmo de
"una pasada" para calcular la varianza de n muestras sin la necesidad de almacenar los datos anteriores durante el
cálculo. La aplicación de este método a una serie devuelve valores sucesivos de la desviación estándar
correspondiente a n datos a medida que n crece con cada nueva muestra, en lugar de un cálculo que requiera
analizar en su totalidad el nuevo conjunto de datos.

Para k = 1, ..., n:
donde A es el valor medio.

Nota: desde o

Varianza de la muestra:

Varianza de la población:

Cálculo ponderado

Cuando los valores xi se ponderan con pesos desiguales wi, las sumas de potencias s0, s1, s2 se computan como:

y las ecuaciones de la desviación estándar se mantienen sin cambios. Téngase en cuenta que s0 es ahora la suma de
los pesos y no el número de muestras N.

El método incremental con errores de redondeo reducidos también se puede aplicar, con cierta complejidad
adicional.

Se debe calcular una suma de pesos para cada k desde 1 hasta n:

y los lugares donde se usa 1/n anteriormente deben reemplazarse por wi/Wn:

En la división final,

y
o

donde n es el número total de elementos, y n' es el número de elementos con ponderaciones distintas de cero.
Las
fórmulas anteriores se hacen iguales a las fórmulas más simples dadas arriba si los pesos se toman como iguales a
uno.

Historia
El término desviación estándar fue utilizado por primera vez en un escrito por Karl Pearson,24 ​ en una
comunicación a la Royal Society25 ​ de 1894, aunque ya lo había utilizado en sus clases. Esta denominación
sustituyó a otros nombres anteriores de la misma idea: por ejemplo, Gauss usó la expresión error medio.26 ​

Véase también
Regla 68-95-99.7 Correlación de la Propagación de Error estándar
Precisión y distancia errores Unidad tipificada
exactitud Barra de error Percentil Volatilidad
Desigualdad de Desviación Puntuación bruta (finanzas)
Chebyshov estándar geométrica Coeficiente de Parámetro
Desigualdad de Distancia de variación estadístico
Samuelson Mahalanobis Media cuadrática Desviación
Cumulante Error absoluto Tamaño de la estándar robusta
Desviación medio muestra Método de
(estadística) Varianza agrupada Seis Sigma Yamartino

Referencias
1. Bland, J.M.; Altman, D.G. (1996). «Statistics
notes: measurement error» (https://www.ncbi.nl
m.nih.gov/pmc/articles/PMC2351401). BMJ
312 (7047): 1654. PMC  2351401 (https://www.ncbi.nl
m.nih.gov/pmc/articles/PMC2351401). PMID 8664723 (htt
ps://www.ncbi.nlm.nih.gov/pubmed/8664723).
doi:10.1136/bmj.312.7047.1654 (https://dx.doi.org/10.113
6%2Fbmj.312.7047.1654).
2. UPTC. Desviación típica. Fórmulas (http://virtua
l.uptc.edu.co/ova/estadistica/docs/libros/ftp.bio
estadistica.uma.es/libro/node22.htm)
3. Gauss, Carl Friedrich (1816). «Bestimmung der
Genauigkeit der Beobachtungen». Zeitschrift
für Astronomie und verwandte Wissenschaften
1: 187-197.
4. Walker, Helen (1931). Studies in the History of
the Statistical Method. Baltimore, MD: Williams
& Wilkins Co. pp. 24-25.
5. Logan, Murray (2010), Biostatistical Design and
10. Saporta, Gilbert (2006). Probabilités – Analyse
Analysis Using R (http://users.monash.edu.au/~
murray/BDAR/) (First edición), Wiley-Blackwell.
6. Furness, R.W.; Bryant, D.M. (1996). «Efecto del
viento en la tasa metabólica de los petreles del
norte». Ecology 77: 1181-1188.
doi:10.2307/2265587 (https://dx.doi.org/10.2307%2F2265
587).
7. Weisstein, Eric W. «Bessel's Correction» (http://
mathworld.wolfram.com/BesselsCorrection.htm
l). En Weisstein, Eric W, ed. MathWorld (en
inglés). Wolfram Research.
8. Saporta, Gilbert (2006). Probabilités – Analyse
des Données et Statistiques (https://archive.or
g/details/probabilitsanaly00sapo). París:
Éditions Technip. p. 30 (https://archive.org/detai
ls/probabilitsanaly00sapo/page/n59) de 662.
9. Saporta, Gilbert (2006). Probabilités – Analyse
des Données et Statistiques (https://archive.or
g/details/probabilitsanaly00sapo). París:
Éditions Technip. p. 31 (https://archive.org/detai
ls/probabilitsanaly00sapo/page/n60) de 622.
des Données et Statistiques (https://archive.or
 g/details/probabilitsanaly00sapo). París:
Éditions Technip. p. 38 (https://archive.org/detai
ls/probabilitsanaly00sapo/page/n67) de 622.
11. Saporta, Gilbert (2006). Probabilités – Analyse
des Données et Statistiques (https://archive.or
g/details/probabilitsanaly00sapo). París:
Éditions Technip. p. 39 (https://archive.org/detai
ls/probabilitsanaly00sapo/page/n68) de 622.
12. Saporta, Gilbert (2006). Probabilités – Analyse
des données et Statistiques (https://archive.org/
details/probabilitsanaly00sapo). París: Éditions
Technip. p. 33 (https://archive.org/details/proba
bilitsanaly00sapo/page/n62) de 622.
13. Dodge, Yadolah (2010). The Concise
Encyclopaedia of Statistics (https://archive.org/
details/conciseencyclope00ydod). New York:
Springer. p. 71 (https://archive.org/details/conci
seencyclope00ydod/page/n76) de 622.
14. Dodge, Yadolah (2010). The Concise
Encyclopaedia of Statistics (https://archive.org/
details/conciseencyclope00ydod). New York:
Springer. p. 60 (https://archive.org/details/conci
seencyclope00ydod/page/n65) de 622.
15. John Gurland and Ram C. Tripathi (1971), «A
Simple Approximation for Unbiased Estimation
of the Standard Deviation», The American
Statistician 25 (4): 30-32, doi:10.2307/2682923 (http
s://dx.doi.org/10.2307%2F2682923).
16. Martins, Maria Eugénia Graça. «Desvio Padrão
Amostral» (https://www.fc.up.pt/pessoas/jfgome
s/pdf/vol_1_num_1_18_art_desvioPadraoAmo
stral.pdf). Revista de Ciência Elementar 1 (1).
Consultado el 6 de febrero de 2017.
17. «CERN | Accelerating science» (http://public.w
eb.cern.ch/public/). Public.web.cern.ch.
Consultado el 10 de agosto de 2013.
18. «CERN experiments observe particle
consistent with long-sought Higgs boson |
CERN press office» (http://press-archive.web.c
ern.ch/press-archive/PressReleases/Releases
2012/PR17.12E.html). Press.web.cern.ch. 4 de
julio de 2012. Consultado el 30 de mayo de
2015.
19. ((LIGO Scientific Collaboration)), ((Virgo
Collaboration)) (2016), «Observation of
Enlaces externos
Wikimedia Commons alberga una galería multimedia sobre Desviación típica.
Simulación de la desviación típica de una variable discreta con (http://cajael.com/mestadisticos/T1E
Descriptiva/node7.php)R (lenguaje de programación)
Hazewinkel, Michiel, ed. (2001), «Quadratic deviation» (http://www.encyclopediaofmath.org/index.p
hp?title=p/q076030), Encyclopaedia of Mathematics (en inglés), Springer, ISBN 978-1556080104.
A simple way to understand Standard Deviation (https://standard-deviation.appspot.com/)
Gravitational Waves from a Binary Black Hole
Merger», Physical Review Letters 116 (6):
061102, Bibcode:2016PhRvL.116f1102A (http://adsabs.
harvard.edu/abs/2016PhRvL.116f1102A), PMID 26918975
(https://www.ncbi.nlm.nih.gov/pubmed/26918975),
arXiv:1602.03837 (https://arxiv.org/abs/1602.03837),
doi:10.1103/PhysRevLett.116.061102 (https://dx.doi.org/1
0.1103%2FPhysRevLett.116.061102).
20. «What is Standard Deviation» (http://www.edup
ristine.com/blog/what-is-standard-deviation).
Pristine. Consultado el 29 de octubre de 2011.
21. Eric W. Weisstein. «Distribution Function» (htt
p://mathworld.wolfram.com/DistributionFunctio
n.html). MathWorld—A Wolfram Web
Resource. Consultado el 30 de septiembre de
2014.
22. Ghahramani, Saeed (2000). Fundamentals of
Probability (2nd Edition). Prentice Hall: New
Jersey. p. 438.
23. Welford, BP (August 1962). «Note on a Method
for Calculating Corrected Sums of Squares and
Products» (https://web.archive.org/web/201702
02061010/http://zach.in.tu-clausthal.de/teachin
g/info_literatur/Welford.pdf). Technometrics 4
(3): 419-420. doi:10.1080/00401706.1962.10490022 (htt
ps://dx.doi.org/10.1080%2F00401706.1962.10490022).
Archivado desde el original (http://zach.in.tu-cla
usthal.de/teaching/info_literatur/Welford.pdf) el
2 de febrero de 2017. Consultado el 1 de
diciembre de 2018.
24. Dodge, Yadolah (2003). The Oxford Dictionary
of Statistical Terms (https://archive.org/details/o
xforddictionary0000unse). Oxford University
Press. ISBN 0-19-920613-9.
25. Pearson, Karl (1894). «On the dissection of
asymmetrical frequency curves». Philosophical
Transactions of the Royal Society A 185: 71-
110. Bibcode:1894RSPTA.185...71P (http://adsabs.harv
ard.edu/abs/1894RSPTA.185...71P).
doi:10.1098/rsta.1894.0003 (https://dx.doi.org/10.1098%2
Frsta.1894.0003).
26. Miller, Jeff. «Earliest Known Uses of Some of
the Words of Mathematics» (http://jeff560.tripod.
com/mathword.html).
 Standard Deviation – an explanation without maths (http://www.techbookreport.com/tutorials/stddev-
30-secs.html)
The concept of Standard Deviation is shown in this 8 pies (2,4 m) Probability Machine (named Sir
Francis) comparing stock market returns to the randomness of the beans dropping through the
quincunx pattern. (https://www.youtube.com/watch?v=AUSKTk9ENzg) en YouTube. from Index
Funds Advisors IFA.com (http://www.ifa.com)

Obtenido de «https://es.wikipedia.org/w/index.php?title=Desviación_típica&oldid=143529352»

Esta página se editó por última vez el 14 may 2022 a las 14:14.

El texto está disponible bajo la Licencia Creative Commons Atribución Compartir Igual 3.0;
pueden aplicarse cláusulas
adicionales. Al usar este sitio, usted acepta nuestros términos de uso y nuestra política de privacidad.
Wikipedia® es una marca registrada de la Fundación Wikimedia, Inc., una organización sin ánimo de lucro.