Intervalos de confianza para los

principales parámetros
El caso de la media (1)
En este caso, en lugar de indicar simplemente un único valor como estimación del
parámetro, lo que haremos es ofrecer un intervalo de valores que sea asumible con
cierta probabilidad por el parámetro que queremos estimar.

-Intervalo de confianza: Es el intervalo de las estimaciones (probables) sobre el

parámetro.
-Límites de los intervalos de confianza: Son los dos valores extremos del intervalo
de confianza
Intervalos de confianza para los principales
parámetros: El caso de la media (2)

Ahora bien, ¿cuán grande habrá de ser el intervalo de confianza?

Evidentemente, si decimos que el intervalo de confianza va de menos infinito a

más infinito, seguro que acertamos...pero eso no es muy útil. Por su parte, el
extremo es la estimación puntual, en la que lo usual es que no demos con el valor
del parámetro...

La idea es crear unos intervalos de confianza de manera que sepamos en qué

porcentaje de casos el parámetro estará dentro del intervalo crítico.
¿Y cómo fijamos tal porcentaje de casos? Usualmente se asume un porcentaje
del 95%. Al calcular un intervalo de confianza sobre la media al 95% ello quiere
decir que el 95% de las veces que repitamos el proceso de muestreo (y
calculemos la media muestral), la media poblacional estará dentro de tal intervalo.
Intervalos de confianza para los principales
parámetros: El caso de la media (3)

Pero, ¿cómo calculamos estos dos límites?

Sabemos que la distribución subyacente es normal, lo cual nos ayuda

enormemente.
En una distribución normal tipificada, es muy fácil saber qué puntuación típica (z)
deja a la izquierda el 2.5% de los datos (yendo a las tablas es -1.96) y cuál
deja a la izquierda el 97.5% de los datos (o a la derecha el 2.5% de los datos:
1.96).
Ahora habrá que pasar esos datos a puntuaciones directas....
Intervalos de confianza para los principales
parámetros: El caso de la media (3)

Pero, ¿cómo calculamos estos dos límites?

Vamos a ver DOS casos.

Primero, veremos el caso de que sepamos la varianza poblacional.
Segundo, veremos el caso de que NO sepamos la varianza poblacional
Intervalos de confianza para los principales
parámetros: El caso de la media (4)

Conocemoss 2

Nuestra distribución es normal, pero con cierta media y cierta desviación típica, las
cuales sabemos por el tema anterior:
1) La media de la distribución muestral de medias es la media poblacional m
2) La varianza de la distribución muestral de medias es s2/n
O lo que es lo mismo, la desviación típica de la dist.muestral de medias es s
n
Intervalos de confianza para los principales
parámetros: El caso de la media (5)

Conocemoss 2

Y para pasar directas-típicas:

Estimador de m es X Xi − X
Recordad que zi =
s/ n

s
O lo que es análogo X i = zi  +X
n
 Intervalos de confianza para los principales
parámetros: El caso de la media (6)

Conocemoss 2

En Punt.típicas z 0’025 z 0’975

Aplicando la lógica
de pasar de
puntuaciones típicas
s s
X + z0.025  a directas X + z0.975 
n n
En Punt.directas

 s s 
En definitiva 
P X + z 0.025   m  X + z 0.975   = 0.95
n n
Intervalos de confianza para la media: CASO DE
DESCONOCER LA VARIANZA POBLACIONAL

Para la media (cuando conocemos la varianza poblacional), tenemos la

expresión
 s s 
P  X + z0.025   m  X + z0.975   = 0.95
 n n

Pero si no conocemos la varianza poblacional, no podemos emplear s 2

n
s2
En su lugar hemos de emplear
n

Ahora la distribución ya no es exactamente una distribución normal...

Por el tema anterior sabemos que la distribución muestral de X −m
no es una distribución normal, sino una distribución t de
Student con n-1 grados de libertad. s/ n
Recordad, en el caso de Xi − m
zi =
varianza conocida teníamos: s/ n
 Intervalos de confianza para la media: CASO DE
DESCONOCER LA VARIANZA POBLACIONAL

En definitiva, para la media (cuando conocemos la varianza poblacional),

tenemos la expresión

 s s 
P  X + z0.025   m  X + z0.975   = 0.95
 n n

Pero si no conocemos la varianza poblacional (el caso realista), tenemos la

expresión:

 s s 
P  X + 0.025 tn −1   m  X + 0.975 tn −1   = 0.95
 n n

En todo caso, recordad que si "n" es grande, la distribución t de Student será

virtualmente una distribución normal N(0,1). En otras palabras, si "n" es grande, ambas
fórmulas dan unos intervalos virtualmente idéntico, y emplear la distribución normal es
correcto.
Intervalos de confianza para los principales
parámetros: El caso de la media (7)

¿Qué quiere decir la expresión siguiente?

 s s 
P  X + z0.025   m  X + z0.975   = 0.95
 n n

Quiere decir que cada vez que extraigamos una muestra y hallemos la
media, el parámetro desconocido m estará entre los límites de dicho
intervalo el 95% de las veces. (O el 99% si hubiéramos elegido un
intervalo al 99%, etc.)
 Intervalos de confianza para los principales
parámetros: Tamaño muestral y la amplitud del
intervalo de confianza

Para el caso de la media hemos visto que

 s s 
P  X + z0.025   m  X + z0.975   = 0.95
 n n

Es claro que a medida que el tamaño muestral aumente, la amplitud del intervalo
disminuye. (Evidentemente, esto es general, no sólo para la media.) Veamos, en
todo caso un ejemplo:
Caso A1. Media muestral=10, varianza pobl=4, tamaño muestral=12
 2 2 
P 10 + (−1.96)   m  10 + 1.96   = P (8.87  m  11.13) = 0.95
 12 12 

Caso A2. Media muestral=10, varianza pobl=4, tamaño muestral=20

 2 2 
P 10 + (−1.96)   m  10 + 1.96   = P ( 9.12  m  10.88 ) = 0.95
 20 20 
 Intervalos de confianza para los principales
parámetros: Amplitud del intervalo de confianza
y el valor del índice de confianza

El caso "usual" (por defecto) es emplear intervalos al 95%.

 s s 
P  X + z0.025   m  X + z0.975   = 0.95
 n n

Pero evidentemente es posible emplear intervalos a, digamos, el 99%. En tal caso,

tendremos más seguridad de que el parámetro de interés se halle en los límites del
intervalo. El problema es que incrementar tal índice aumenta así mismo la amplitud del
intervalo.
Caso A1. Media muestral=10, varianza pobl.=4, tamaño muestral=12. Intervalo al 95%
 2 2 
P 10 + (−1.96)   m  10 + 1.96   = P (8.87  m  11.13) = 0.95
 12 12 

Caso A2. Media muestral=10, varianza pobl=4, tamaño muestral=12. Intervalo al 99%
 2 2 
P 10 + (−2.57)   m  10 + 2.57   = P (8.52  m  11.48 ) = 0.99
 12 12 
 Intervalos de confianza para OTROS parámetros

Intervalos de confianza para las proporciones

Caso de muestras grandes

 P(1 − P)   P(1 − P)  
P  P + z.025      P + z.975   = 0.95
 n   n  

Caso de muestras pequeñas

Intervalos de confianza para OTROS parámetros

Intervalos de confianza para la varianza

 n  S 2   n  S 2

P  2 
s  
2
2 
= 0.95
 .975  n −1   .025  n −1  