Estimación Por Intervalos de Confianza

ESTIMACIÓN POR INTERVALOS DE CONFIANZA
Una estimación por intervalo n por intervalo es un rango, generalmente de ancho finito,
que se espera que contenga el parámetro.
dar un intervalo donde afirmaremos o pronosticaremos que en su interior se encontrará el

parámetro a estimar, con una probabilidad de acertar previamente fijada y que trataremos
que sea la mayor posible, es decir próxima a 1.
Sean µS y σS la media y la desviación estándar (error estándar), respectivamente, de la

distribución muestral de un estadístico S. Entonces, si la distribución muestral de S es
aproximadamente normal (lo que se sabe que es así para muchos estadísticos si el tamaño de la
muestra es N ≥ 30), se puede esperar que exista un estadístico muestral S que se encuentre en
los intervalos µS − σS a µS + σS, µS − 2σS a µS + 2σS o µS − 3σS a µS + 3σS, a 68.27%, 95.45% y
99.73% de las veces, respectivamente.
De igual manera, se puede hallar (o se puede tener confianza de hallar) µS en los intervalos S −
σS a S + σS, S − 2σS a S + 2σS o S − 3σS a S + 3σS a 68.27, 95.45 y 99.73% de las veces,
respectivamente. Debido a ello, a estos intervalos se les llama intervalos de confianza de 68.27%,
95.45% y 99.73% para estimar µS. A los números de los extremos de estos intervalos (S ± σS, S ±
2σS y S ± 3σS) se les llama límites de confianza o límites fiduciales. De igual manera, S ± 1.96σS
y S ± 2.58σS son los límites de confianza de 95% y de 99% (o de 0.95 y 0.99) para S. Al porcentaje
de confianza se le suele llamar nivel de confianza
Un estimado puntual, por ser un sólo número, no proporciona por sí mismo información
alguna sobre la precisión y confiabilidad de la estimación. Por ejemplo, imagine que se
usa la media de una muestra para estimar (estimador puntual) la resistencia real a la
ruptura de toallas de papel de cierta marca y suponga que 𝑥̅ = 9322.7. Debido a la
variabilidad de la muestra, casi nunca se tendrá el caso de que 𝑥̅ = 𝜇. El estimador
puntual nada dice sobre lo cercano que esta de 𝜇. Una alternativa para reportar el valor
del parámetro que se esté estimando es calcular un intervalo de valores factibles, es decir
un límite de confianza o mite de confianza o intervalo de confianza intervalo de confianza
Un intervalo de confianza intervalo de confianza se calcula siempre seleccionando
primero un nivel de confianza nivel de confianza, que es una medida del grado de
confiabilidad en el intervalo.
Un nivel de confianza de 95% implica que 95% de las muestras daría lugar a un intervalo
que incluye m o cualquier otro parámetro que se esté estimando, y sólo 5% de las muestras
producirá un intervalo erróneo. Cuanto mayor sea el nivel de confianza podremos creer
que el valor del parámetro que se estima está dentro del intervalo.
Si, por ejemplo, queremos tener un nivel de confianza de 95% (lo cual es muy común),
entonces usamos la distribución normal estándar y encontramos los valores que incluyen
a 95% del área.
Al porcentaje de confianza se le suele llamar nivel de confianza. A los números 1.96, 2.58, etc.,
que aparecen en los límites de confianza, se les llama coeficientes de confianza o valores críticos
y se denotan 𝑧𝑐 . A partir de los niveles de confianza se pueden encontrar los coeficientes de
confianza y viceversa.
En la siguiente tabla se presentan los valores de 𝑧𝑐 que corresponden a varios niveles de
confianza que se usan en la práctica. Los valores de 𝑧𝑐 para niveles de confianza que no estén
en esta tabla se pueden encontrar en las tablas de áreas de la curva normal.
INTERVALO DE CONFIANZA PARA LAS MEDIAS

La media de una distribución muestral de medias es igual a 𝜇 :
𝜇 = 𝜇𝑥̅
Y el error estándar es
𝜎
𝜎𝑚 =
√𝑁
Para nuestro ejemplo, la distribución muestral de la media tendría una media de 90 y una
desviación estándar de 36/3 = 12. Recordemos que la desviación estándar de una
distribución muestral es igual al error estándar.
La siguiente figura muestra esta distribución en donde el área sombreada representa el 95% del
total, encontrándose entre los valores de 66.48 y 113.52. Estos límites fueron calculados
añadiendo y restando 1.96 desviaciones estándar del valor de la media de 90, lo que equivale al
95% del área bajo una curva normal estándar, es decir:
90 - (1.96 x 12) =
90 - 23.52 = 66.48
90 + (1.96 x 12) =
90 + 23.52 = 113.52
Lo que nos muestra la figura es que 95% de las medias se encontrarían a no más de 23.52 de la
media de 90 (o sea a 1.96 desviaciones estándar). Ahora si consideramos la probabilidad de que
la media de una muestra aleatoria se encuentre a cierta distancia de la media de la población,
entonces podemos decir que como 95% de la distribución está a 23.5 de 90, la probabilidad de
que la media de cualquier muestra esté a 23.52 de 90 es de 0.95.
Lo anterior significa que si calculamos repetidamente la media de una muestra, 𝑥̅ , y

consideramos un intervalo que vaya de 𝑥̅ − 23.52 a 𝑥̅ + 23.52, este intervalo contendrá a la
media de la población 95% de las veces. En general, podemos calcular el intervalo de confianza
con la siguiente fórmula:
Notar que no es otra cosa que

𝜎 despejar 𝜇 de la fórmula para el
𝜇 = 𝑥̅ ± 𝑧𝑐
√𝑁 valor 𝑧𝑐 de la distribución de
medias
Donde 𝑧𝑐 es el valor de la curva estandar normal para la confianza que se requiere. En el caso
de 95% de confianza:
𝜎
𝜇 = 𝑥̅ ± 1.96
√𝑁
De esta fórmula se puede observar que tanto el tamaño de la muestra como el valor de σ se
deben conocer. 𝑧𝑐 se puede obtener de la tabla de la distribución normal a partir del nivel de
confianza establecido.
Como en muchas ocasiones se desconoce 𝜎 en esos casos lo correcto es utilizar otra distribución
para muestras (la llamada “t” de student) si la población de donde provienen los datos es
normal.
En este caso se puede utilizar una estimación puntual de la desviación estándar de la población
por medio de la desviación estándar de la muestra, es decir ( 𝜎 ~ 𝑠).
Si el muestreo se hace ya sea de una población infinita o de una población finita, pero con
reposición, y están dados por:
𝜎 𝑁𝑝 − 𝑁
𝑥̅ ± 𝑧𝑐 √
√𝑁 𝑁𝑝 − 1
si el muestreo se hace sin reposición de una población de tamaño finito 𝑁𝑝 . Por lo general no se
conoce la desviación estándar poblacional 𝜎; de manera que, para obtener los límites de
confianza anteriores, se usa la estimación muestral 𝑠̂ o 𝑠. El resultado es satisfactorio si 𝑁 ≥
30. Si 𝑁 < 30, la aproximación es pobre y se debe emplear la teoría del muestreo para
muestras pequeñas
EJEMPLO
Se encuentra que la concentración promedio de zinc de una muestra de 36 cereales es de 2.6
gramos por miligramo. Encuentre los intervalos de confianza de 95% y 99% para la
concentración media de zinc en el cereal. Suponga que la desviación estándar de la población es
0.3. Solución: La estimación puntual de 𝜇 es 𝑥 = 2.6 (el valor de la media de la muestra). El
valor de z para un nivel de confianza del 95% es 1.96, por lo tanto:
𝑧𝜎 (1.96)(0.3)
𝜇 = 𝑥̅ ± = 2.6 ± = 2.50 𝑦 2.70
√𝑁 √36
Para un nivel de confianza de 99% el valor de z es de 2.575 por lo que el intervalo será más
amplio:
𝑧𝜎 (2.575)(0.3)
𝜇 = 𝑥̅ ± = 2.6 ± = 2.47 𝑦 2.73
√𝑁 √36

Estimación Por Intervalos de Confianza

Cargado por

Copyright:

Formatos disponibles

Estimación Por Intervalos de Confianza

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estimación Por Intervalos de Confianza

Cargado por

Copyright:

Formatos disponibles

ESTIMACIÓN POR INTERVALOS DE CONFIANZA

dar un intervalo donde afirmaremos o pronosticaremos que en su interior se encontrará el

Sean µS y σS la media y la desviación estándar (error estándar), respectivamente, de la

INTERVALO DE CONFIANZA PARA LAS MEDIAS

Lo anterior significa que si calculamos repetidamente la media de una muestra, 𝑥̅ , y

Notar que no es otra cosa que

También podría gustarte