Error estándar de la estimación

Esta calculadora del error estándar de la estimación mide con qué ajuste se pegan los valores observados de y a una recta ajustada. Usted suministra dos matrices paralelas de números emparejados—valores independientes en x y dependientes en y—con al menos tres pares. El motor ajusta la recta de mínimos cuadrados ordinarios ŷ igual a m por x más b, forma la suma de cuadrados residual SSE como la suma de las diferencias al cuadrado entre cada y y su predicción, y luego informa el error estándar de la estimación SEE igual a la raíz cuadrada de SSE dividida por n menos dos. Ese único número es el tamaño típico del residual alrededor de la recta: un SEE menor indica que los puntos quedan más cerca de las predicciones; uno mayor, más dispersión vertical tras eliminar la tendencia lineal. También recibe el tamaño muestral, los grados de libertad, las medias, la pendiente, el intercepto, el propio SSE, una cadena compacta de ecuación y la etiqueta de la fórmula, de modo que hojas de trabajo y scripts puedan contrastar cada intermedio. El camino es aritmética determinista pura, sin llamadas de red, sin remuestreo bootstrap y sin comportamiento dependiente de la fecha.

Qué mide el error estándar de la estimación y en qué se diferencia del SEM

El error estándar de la estimación responde a una pregunta de regresión: después de ajustar una recta a datos emparejados, ¿cuán grandes son los residuales verticales típicos? Algebraicamente, el residual de cada punto es la y observada menos la ŷ predicha en la recta de mínimos cuadrados, SSE es la suma de esos residuales al cuadrado y SEE es la raíz cuadrada de SSE sobre n menos dos.

El denominador n menos dos son los grados de libertad residuales de la regresión lineal simple con intercepto: se estimaron dos parámetros en la misma muestra, de modo que se consumen dos grados de libertad antes de resumir la varianza residual. Esa construcción es deliberadamente distinta del error estándar de la media. El SEM es la desviación estándar muestral dividida por la raíz cuadrada de n y describe la precisión de un promedio de una sola muestra; nunca ajusta una recta ni necesita valores x emparejados.

Quien busca una calculadora del error estándar de la estimación suele querer la dispersión residual en torno a una tendencia, no la incertidumbre de una media. Por eso esta página devuelve siempre las cantidades del ajuste que definen el SEE—pendiente, intercepto, SSE, grados de libertad y el propio SEE—en lugar de una media univariante y s sobre la raíz de n.

Los valores x idénticos también se rechazan porque la pendiente de mínimos cuadrados es indefinida cuando no hay varianza en la variable independiente, de modo que ni la recta ni el SEE pueden formarse. Números no finitos, longitudes de serie desiguales, listas vacías y matrices fuera de los límites publicados de longitud o magnitud fallan del mismo modo con mensajes claros a nivel de campo y no se facturan.

Dónde encaja el SEE en el estudio, la ciencia, el producto y los informes

Los estudiantes encuentran el error estándar de la estimación cuando un curso de estadística pasa de diagramas de dispersión a la regresión lineal simple y pide un solo número que resuma la dispersión residual en torno a la recta ajustada. Los profesores pueden pregenerar claves de respuesta para series emparejadas modestas sin confiar en aplicaciones opacas que redondean de forma distinta los cuadrados intermedios u ocultan si usaron n, n menos uno o n menos dos.

Los grupos de laboratorio e ingeniería usan el SEE al calibrar instrumentos, relacionar un ajuste de control con una respuesta medida, o comprobar con qué ajuste un modelo lineal sigue a un sensor tras un ajuste rutinario. Economistas y científicos sociales informan el SEE junto a las estimaciones de pendiente para que el lector vea la escala del error de predicción en las mismas unidades que y, no solo un R-cuadrado adimensional.

Los equipos de producto y analítica vigilan el error residual de modelos de tendencia lineal para latencia frente a carga, conversión frente a gasto o demanda frente a precio cuando una recta de primer orden es la línea base antes de modelos más elaborados. Combínelo con la calculadora de regresión lineal cuando también necesite R-cuadrado y vectores residuales, y con la calculadora del error estándar de la media cuando su pregunta sea la precisión de un promedio y no el tamaño residual en torno a una recta.