DESVIACIÓN ESTANDAR

¿Qué es la Desviación Estándar’?

La desviación estándar es una estadística que mide la dispersión de un conjunto de
datos en relación con su media y se calcula como la raíz cuadrada de la varianza. Se
calcula como la raíz cuadrada de la varianza determinando la variación entre cada punto
de datos en relación con la media. Si los puntos de datos están más alejados de la
media, hay una mayor desviación dentro del conjunto de datos; por lo tanto, cuanto más
dispersos estén los datos, mayor será la desviación estándar.
En finanzas, la desviación estándar es una medida estadística; cuando se aplica a
la tasa anual de rendimiento de una inversión, arroja luz sobre la volatilidad histórica de
esa inversión. Cuanto mayor sea la desviación estándar de un valor, mayor será la
varianza entre cada precio y la media, que muestra un rango de precios más amplio.
Por ejemplo, un valor volátil tiene una desviación estándar alta, mientras que la
desviación de un valor de primera clase estable suele ser bastante baja.

DESGLOSANDO la Desviación Estándar

En el sector de los servicios financieros, la desviación estándar es una de las principales
medidas de riesgo fundamental que utilizan los analistas, los gestores de cartera, los
asesores en gestión de patrimonios y los planificadores financieros. Las empresas de
inversión informan de la desviación típica de sus fondos de inversión y otros productos.
Una gran dispersión muestra hasta qué punto el rendimiento del fondo se está
desviando de los rendimientos normales esperados. Debido a que es fácil de entender,
esta estadística es reportada regularmente a los clientes finales e inversionistas.
¿Cuál es la diferencia entre la desviación estándar y la media?
En su forma más simple, la media es la media de todos los puntos de datos de un
conjunto. Al invertir, por ejemplo, es posible que desee conocer el precio medio de cierre
de los últimos 20 días. Puede encontrar esto sumando los precios de cierre de cada
sesión y dividiéndolos por 20. Debido a que los mercados son volubles, los operadores
y analistas utilizan medias móviles que se ajustan diariamente para incorporar los datos
más recientes.
Esto significa que el cálculo siempre tiene en cuenta los movimientos de las sesiones
más recientes, y las sesiones más antiguas disminuyen a medida que pierden
relevancia. Se puede calcular un promedio móvil exponencial ponderando cada punto
de datos, dando mayor importancia a los datos más recientes.
La desviación estándar se calcula a partir de la media. La distancia de cada punto de
datos desde la media es cuadrada, sumada y promediada para encontrar la varianza.
O dicho de otra manera: La varianza se obtiene tomando la media de los puntos de
datos, restando la media de cada punto de datos individualmente, cuadrando cada uno
de estos resultados y luego tomando otra media de estos cuadrados. La desviación
estándar es la raíz cuadrada de la varianza.

Cálculo de una desviación estándar

La fórmula para la desviación estándar utiliza tres variables. La primera variable debe
ser el valor de cada punto dentro del conjunto de datos, tradicionalmente listado como
x, con un subnúmero que denota cada variable adicional (x, x1, x2, x3, etc.). La media,
o promedio, de los puntos de datos se aplica al valor de la variable M, y el número de
puntos de datos involucrados se asigna a la variable n.
Para determinar el valor medio, se deben sumar los valores de los puntos de datos y, a
continuación, dividir ese total por el número de puntos de datos incluidos. Por ejemplo,
si los puntos de datos fueran 5, 7, 3 y 7, el total sería 22. Entonces se dividiría 22 por
el número de puntos de datos, en este caso cuatro, resultando en una media de 5.5.
Esto lleva a las siguientes determinaciones: M = 5,5 y n = 4.
La varianza se determina restando el valor de la media de cada punto de datos,
resultando en -0.5, 1.5, -2.5 y 1.5. Cada uno de estos valores es entonces al cuadrado,
resultando en 0.25, 2.25, 6.25 y 2.25. A continuación, se suman los valores cuadrados,
lo que da como resultado un total de 11, que a continuación se divide por el valor de n-
1, que en este caso es 3, lo que da como resultado una desviación de aproximadamente
3,67.
A continuación se calcula la raíz cuadrada de la desviación, lo que da como resultado
una desviación estándar de aproximadamente 1,915.

Desviación Estándar vs. Desviación

La desviación ayuda a determinar el tamaño de la dispersión de los datos en
comparación con el valor medio. A medida que la varianza aumenta, se produce una
mayor variación en los valores de los datos, y puede haber una mayor brecha entre un
valor de datos y otro. Si los valores de los datos están todos juntos, la desviación será
menor. Sin embargo, esto es más difícil de comprender que las desviaciones estándar,
porque las desviaciones representan un resultado cuadrado que puede no expresarse
de manera significativa en el mismo gráfico que el conjunto de datos original.
Las desviaciones estándar suelen ser más fáciles de imaginar y aplicar. La desviación
estándar se expresa en la misma unidad de medida que los datos, lo que no es
necesariamente el caso con la varianza. Usando la desviación estándar, los estadísticos
pueden determinar si los datos tienen una curva normal u otra relación matemática. Si
los datos se comportan en una curva normal, entonces el 68% de los puntos de datos
estarán dentro de una desviación estándar del promedio o punto de datos promedio.
Desviaciones mayores causan que más puntos de datos queden fuera de la desviación
estándar

¿Para qué se Utiliza la Desviación Estándar?

La desviación estándar es una herramienta especialmente útil en las estrategias de
inversión y de negociación, ya que ayuda a medir la volatilidad del mercado y de la
seguridad, y a predecir las tendencias de rendimiento.
En lo que se refiere a la inversión, por ejemplo, se puede esperar que un fondo índice
tenga una desviación típica baja en comparación con su índice de referencia, ya que el
objetivo del fondo es replicar el índice. Por otra parte, cabe esperar que los fondos de
crecimiento agresivo tengan una alta desviación estándar de los índices bursátiles
relativos, ya que sus gestores de cartera hacen apuestas agresivas para generar
rendimientos superiores a la media.
Una desviación estándar más baja no es necesariamente preferible. Todo depende de
las inversiones que uno está haciendo y de su voluntad de asumir riesgos. Al tratar con
la cantidad de desviación en sus carteras, los inversionistas deben considerar su
tolerancia personal a la volatilidad y sus objetivos generales de inversión. Los
inversores más agresivos pueden sentirse cómodos con una estrategia de inversión
que opte por vehículos con una volatilidad superior a la media, mientras que los
inversores más conservadores pueden no estarlo.

Distribución normal estándar N(0, 1)

La distribución normal con media y desviación típica se

llama distribución normal estándar, o tipificada, o reducida. La función de densidad
de probabilidad (f.d.p) de la distribución normal tipificada usualmente se denota por el
símbolo y la función de distribución (f.d) se denota por el símbolo . Entonces:
Su función de densidad de probabilidad es:

Y su función de distribución es:

donde el símbolo u se utiliza en la ecuación anterior como variable muda de integración.

Además, la gráfica de la f.d.p es:

La probabilidad de la variable dependerá del área del recinto sombreado en la figura. Y

para calcularla utilizaremos una tabla.

Tipificación o normalización de la variable

Para poder utilizar la tabla tenemos que transformar la variable que sigue una
distribución en otra variable que siga una distribución . Por lo que
la operación necesaria es la siguiente:
Distribución normal
Normal distribution
Fernando Quevedo Ricardi

Resumen
En la sección Series, Medwave publica artículos relacionados con el desarrollo y discusión de herramientas
metodológicas para la investigación clínica, la gestión en salud, la gesión de la calidad y otros temas de
interés. En esta edición se presentan dos artículos que forman parte del programa de formación en Medicina
Basada en Evidencias que se dicta por e-Campus de Medwave. El artículo siguiente pertenece a la
Serie "Estadística Aplicada a la Investigación en Salud".

Se dice que muchos fenómenos en el campo de la salud se distribuyen normalmente. Esto significa que si uno
toma al azar un número suficientemente grande de casos y construye un polígono de frecuencias con alguna
variable continua, por ejemplo peso, talla, presión arterial o temperatura, se obtendrá una curva de
características particulares, llamada distribución normal. Es la base del análisis estadístico, ya que en ella se
sustenta casi toda la inferencia estadística.

La gráfica de la distribución normal tiene la forma de una campana, por este motivo también es conocida
como la campana de Gauss. Sus características son las siguientes:

• Es una distribución simétrica.

• Es asintótica, es decir sus extremos nunca tocan el eje horizontal, cuyos valores tienden a infinito.
• En el centro de la curva se encuentran la media, la mediana y la moda.
• El área total bajo la curva representa el 100% de los casos.
• Los elementos centrales del modelo son la media y la varianza.

Esta distribución es un modelo matemático que permite determinar probabilidades de ocurrencia para
distintos valores de la variable. Así, para determinar la probabilidad de encontrar un valor de la variable que
sea igual o inferior a un cierto valor xi, conociendo el promedio y la varianza de un conjunto de datos, se debe
reemplazar estos valores (media, varianza y xi) en la fórmula matemática del modelo. El cálculo resulta
bastante complejo pero, afortunadamente, existen tablas estandarizadas que permiten eludir este
procedimiento.

En el gráfico, el área sombreada corresponde a la probabilidad de encontrar un valor de la variable que sea
igual o inferior a un valor dado. Esa probabilidad es la que aprenderemos a determinar usando una tabla
estandarizada.
Tabla de la distribución normal
La tabla de la distribución normal presenta los valores de probabilidad para una variable estándar Z, con
media igual a 0 y varianza igual a 1.

Para usar la tabla, siempre debemos estandarizar la variable por medio de la expresión:

Siendo el valor de interés; la media de nuestra variable y su desviación estándar. Recordemos

que y corresponden a parámetros, o sea valores en el universo, que generalmente no conocemos, por lo que
debemos calcular Z usando los datos de nuestra muestra.

En general, el valor de Z se interpreta como el número de desviaciones estándar que están comprendidas entre
el promedio y un cierto valor de variable x. En otras palabras, se puede decir que es la diferencia entre un
valor de la variable y el promedio, expresada esta diferencia en cantidad de desviaciones estándar.

Suena abstracto, pero con un ejemplo se podrá entender mejor:

Supongamos un conjunto de personas con edad promedio 25 años y desviación estándar 3,86. Nuestro valor
de interés (x) es 30 años. El valor de Z correspondiente será:

Este valor de Z nos dice que la edad de 30 años está a 1,29 desviaciones estándar sobre el promedio.

Ahora bien, la tabla de la distribución normal, entrega valores de probabilidad para los distintos valores de Z.
¿Cómo se usa la tabla de Z?
Lo averiguaremos con un valor concreto: ¿cuál es la probabilidad de encontrar un valor de Z menor o igual a
1,96?

Vamos a la tabla y familiaricémonos con algunas de sus características.

▪ En la primera columna de la tabla aparece el entero y primer decimal del valor de Z, vemos que los valores
van desde -3,4 a 3,3. En la primera fila (arriba), aparece el segundo decimal del valor de Z y, como es lógico,
hay 10 números (0,00 a 0,09).

▪ Entonces, para nuestro valor de Z = 1,96 buscaremos 1,9 en la primera columna de la tabla y 0,06 en la
primera fila de la tabla. Trazaremos líneas perpendiculares desde esos valores y llegaremos a un número en el
cuerpo de la tabla (véase la tabla más abajo, que tiene marcadas las dos perpendiculares de las que hablamos.
El número que encontramos y que está destacado es: 0,9750.

▪ Por lo tanto, la probabilidad asociada a Z=1,96 es 0,9750, es decir, la probabilidad de encontrar un valor de
Z menor o igual a 1,96 es 0,9750.

En nuestro ejemplo anterior, con la edad 30 años, vemos que el valor Z = 1,29 tiene una probabilidad asociada
de 0,9014. Entonces, la probabilidad de encontrar una persona con edad de 30 años o menos, en este grupo
humano, es 0,9014.
Tabla de distribución normal.
 Distribución binomial

Francisco Javier Marco Sanjuán

Lectura: 3 min

Una distribución binomial es una distribución de probabilidad discreta que

describe el número de éxitos al realizar n experimentos independientes entre
sí, acerca de una variable aleatoria.

Existen una gran diversidad de experimentos o sucesos que pueden ser

caracterizados bajo esta distribución de probabilidad. Imaginemos el lanzamiento
de una moneda en el que definimos el suceso “sacar cara” como el éxito. Si
lanzamos 5 veces la moneda y contamos los éxitos (sacar cara) que obtenemos,
nuestra distribución de probabilidades se ajustaría a una distribución binomial.

Por lo tanto, la distribución binomial se entiende como una serie de pruebas o

ensayos en la que solo podemos tener 2 resultados (éxito o fracaso), siendo el
éxito nuestra variable aleatoria.

Propiedades de la distribución binomial

Para que una variable aleatoria se considere que sigue una distribución binomial,
tiene que cumplir las siguientes propiedades:

 En cada ensayo, experimento o prueba solo son posibles dos resultados (éxito o fracaso).
 La probabilidad del éxito ha de ser constante. Esta se representa mediante la letra p. La
probabilidad de que salga cara al lanzar una moneda es 0,5 y esta es constante dado que
la moneda no cambia en cada experimento y las probabilidades de sacar cara es
constate.
 La probabilidad de fracaso ha de ser también constate. Esta se representa mediante la
letra q = 1-p. Es importante fijarse que mediante esa ecuación, sabiendo p o sabiendo q,
podemos obtener la que nos falte.
 El resultado obtenido en cada experimento es independiente del anterior. Por lo tanto lo
que ocurra en cada experimento no afecta a los siguientes.
 Los sucesos son mutuamente excluyentes, es decir, no pueden ocurrir los 2 al mismo
tiempo. No se puede ser hombre y mujer al mismo tiempo o que al lanzar una moneda
salga cara y cruz al mismo tiempo.
 Los sucesos son colectivamente exhaustivos, es decir, al menos uno de los 2 ha de
ocurrir. Si no se es hombre, se es mujer y si se lanza una moneda, si no sale cara ha de
salir cruz.
 La variable aleatoria que sigue una distribución binomial se suele representar como
X~(n,p). n representa el número de ensayos o experimentos y p la probabilidad de éxito.

Formula de la distribución binomial

La fórmula para calcular la distribución normal es:

Donde:

n = número de ensayos/experimentos

x = número de éxitos

p = probabilidad de éxito

q = probabilidad de fracaso (1-p)

Es importante resaltar que la expresión entre corchetes no es una expresión

matricial, sino que es un resultado de una combinatoria sin repetición. Este se
obtiene con la siguiente formula:

El signo de exclamación en la expresión anterior, representa el símbolo de

factorial.

Ejemplo de distribución binomial

Imaginemos que un 80% de personas en el mundo han visto el partido de la final
del último mundial de futbol. Tras el evento, 4 amigos se reúnen a conversar,
¿Cuál es la probabilidad de que 3 de ellos hayan visto?

Definamos las variables del experimento:

n = 4 (es el total de la muestra que tenemos)

x = número de éxitos, que en este caso es igual a 3, dado que buscamos la

probabilidad de que 3 de los 4 amigos lo hayan visto.

p = probabilidad de éxito (0,8)

q = probabilidad de fracaso (0,2). Este resultado se obtiene al restar 1-p.

Tras definir todas nuestras variables, simplemente sustituimos en la formula.

El numerador del factorial se obtendría de multiplicar 4*3*2*1 = 24 y en el

denominador tendríamos 3*2*1*1 = 6. Por lo tanto el resultado del factorial sería
24/6=4.
Fuera del corchete tenemos dos números. El primero sería 0,8^3=0,512 y el
segundo 0,2 (dado que 4-3 = 1 y cualquier número elevado a 1 es el mismo).

Por tanto nuestro resultado final sería: 4*0,512*0,2 = 0,4096. Si multiplicamos por
100 tenemos que hay una probabilidad del 40,96% de que 3 de los 4 amigos
hayan visto el partido de la final del mundial.