Estimacion Por Intervalos de Confianza

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 11

Estimación por intervalos de confianza

Representa una técnica de estimación que se utiliza en el campo de la


inferencia estadística.
Un intervalo de confianza nos va a permitir calcular dos valores alrededor de
una media muestral (uno superior y otro inferior). Estos valores van a acotar
un rango dentro del cual, con una determinada probabilidad, se va a localizar
el parámetro poblacional.
Intervalo de confianza = media +- margen de error
Conocer el verdadero poblacional, por lo general, suele ser algo muy
complicado. Pensemos en una población de 4 millones de personas.
¿Podríamos saber el gasto medio en consumo por hogar de esa población?
En principio sí. Simplemente tendríamos que hacer una encuesta entre todos
los hogares y calcular la media. Sin embargo, seguir ese proceso sería
tremendamente laborioso y complicaría bastante el estudio.

Ante situaciones así, se hace más factible seleccionar una muestra


estadística. Por ejemplo, 500 personas. Y sobre dicha muestra, calcular la
media. Aunque seguiríamos sin saber el verdadero valor poblacional,
podríamos suponer que este se va a situar cerca del valor muestral. A esa
media le sumamos el margen de error y tenemos un valor del intervalo de
confianza. Por otro lado, le restamos a la media ese margen de error y
tendremos otro valor. Entre esos dos valores estará la media poblacional.

En conclusión, el intervalo de confianza no sirve para dar una estimación


puntual del parámetro poblacional, si nos va a servir para hacernos una idea
aproximada de cuál podría ser el verdadero de este. Nos permite acotar
entre dos valores en dónde se encontrará la media de la población.
Factores de los que depende un intervalo de confianza
El cálculo de un intervalo de confianza depende principalmente de los
siguientes factores:

Tamaño de la muestra seleccionada: Dependiendo de la cantidad de datos


que se hayan utilizado para calcular el valor muestral, este se acercará más o
menos al verdadero parámetro poblacional.
Nivel de confianza: Nos va a informar en qué porcentaje de casos nuestra
estimación acierta. Los niveles habituales son el 95% y el 99%.
Margen de error de nuestra estimación: Este se denomina como alfa y nos
informa de la probabilidad que existe de que el valor poblacional esté fuera
de nuestro intervalo.
Lo estimado en la muestra (media, varianza, diferencia de medias…): De esto
va a depender el estadístico pivote para el cálculo del intervalo.

El estadístico pivote utilizado para el cálculo sería el siguiente:

El intervalo resultante sería el siguiente:


Vemos como en el intervalo a la izquierda y derecha de la desigualdad
tenemos la cota inferior y superior respectivamente. Por tanto, la expresión
nos dice, que la probabilidad de que la media poblacional se sitúe entre esos
valores es de 1-alfa (nivel de confianza).

Veamos mejor lo anterior con un ejercicio resuelto a modo de ejemplo.

Se desea estimar la media del tiempo que un corredor emplea para


completar una maratón. Para ello se han cronometrado 10 maratones y se ha
obtenido una media de 4 horas con una desviación típica de 33 minutos (0,55
horas). Se desea obtener un intervalo al 95% de confianza.

Para obtener el intervalo, no tendríamos más que sustituir los datos en la


fórmula del intervalo.

El intervalo de confianza, sería la parte de la distribución que queda


sombreada en azul. Los 2 valores acotados por este serían los
correspondientes a las 2 líneas de color rojo. La línea central que parte la
distribución en 2 sería el verdadero valor poblacional.

Es importante resaltar que en este caso, dado que la función de densidad de


la distribución N(0,1) nos da la probabilidad acumulada (desde la izquierda
hasta el valor crítico), tenemos que encontrar el valor que nos deja a la
izquierda 0,975% (este es 1,96).

Nivel de confianza

El nivel de confianza estadístico es una medida de la certeza o seguridad con


la que se puede afirmar que un parámetro poblacional se encuentra dentro
de un intervalo estimado a partir de una muestra de datos. Por lo general, se
expresa como un porcentaje y representa la probabilidad de que el intervalo
estimado contenga el verdadero valor del parámetro.

Por ejemplo, si se estima un intervalo de confianza del 95% para la media de


una población, significa que hay un 95% de probabilidad de que la verdadera
media poblacional esté dentro de ese intervalo.

El nivel de confianza elegido generalmente está relacionado con el grado de


certeza que se requiere en la inferencia estadística. Los niveles de confianza
comunes incluyen el 90%, 95% y 99%. Cuanto mayor sea el nivel de
confianza, más amplio será el intervalo de confianza y, por lo tanto, más
seguro será el resultado, pero también se requerirá una muestra más grande
para lograr ese nivel de precisión.

NIVEL DE ERROR
El nivel de error, en el contexto estadístico, puede referirse a diferentes
conceptos dependiendo del contexto en el que se utilice. Aquí te explico dos
de los más comunes:
Error de muestreo: Este tipo de error se refiere a la diferencia entre una
estimación basada en una muestra y el valor verdadero de la población. Se
determina principalmente por el tamaño de la muestra y la variabilidad de la
población. Cuanto mayor sea el tamaño de la muestra, menor será el error de
muestreo, siempre y cuando la muestra sea representativa de la población y
se hayan seguido los procedimientos adecuados de muestreo.

Error de estimación o medida: Este tipo de error se refiere a la imprecisión o


inexactitud en las mediciones o estimaciones realizadas. Puede deberse a
factores como la calidad de los instrumentos de medición, errores humanos,
errores de diseño experimental, entre otros. La determinación del error de
estimación generalmente implica la evaluación de la precisión de los
instrumentos de medición y el control de los factores que puedan afectar la
precisión de las mediciones.

En ambos casos, la determinación del nivel de error implica evaluar la


precisión y la fiabilidad de los datos y las estimaciones realizadas, así como
identificar y controlar los factores que puedan contribuir a la variabilidad o
inexactitud en los resultados.

-Desviación estándar del estimador (estadístico)

La desviación estándar del estimador, también conocida como error


estándar, es una medida de cuánto varía un estimador (estadístico calculado
a partir de una muestra) alrededor de su valor esperado o verdadero en
múltiples muestras aleatorias. Es una medida de la precisión del estimador.
Por ejemplo, si estamos estimando la media de una población a partir de una
muestra, la desviación estándar del estimador (error estándar) nos indica
cuánto varían las medias muestrales alrededor de la verdadera media
poblacional.

La fórmula para calcular la desviación estándar del estimador depende del


tipo de estimador y del modelo estadístico específico que se esté utilizando.
En algunos casos, puede calcularse de forma analítica, mientras que en otros
casos puede requerir métodos de simulación o técnicas de inferencia más
avanzadas.

la desviación estándar del estimador es una medida importante para evaluar


la precisión de nuestras estimaciones y para tener una idea de cuánto
podemos confiar en los resultados obtenidos a partir de una muestra
particular. Cuanto menor sea la desviación estándar del estimador, mayor
será su precisión y menor será la incertidumbre asociada con la estimación.

-Error de estimación

El error de estimación, también conocido como error de predicción o error de


pronóstico, se refiere a la diferencia entre el valor real y el valor estimado o
predicho de una variable. Este concepto es comúnmente utilizado en el
contexto de modelos estadísticos o de aprendizaje automático, donde se
intenta predecir o estimar un valor basado en datos observados.

Por ejemplo, si estás utilizando un modelo de regresión para predecir el


precio de una casa en función de sus características (como el tamaño, la
ubicación, etc.), el error de estimación sería la diferencia entre el precio real
de la casa y el precio predicho por el modelo.
El error de estimación puede ser positivo o negativo, dependiendo de si la
estimación está por encima o por debajo del valor real. Además, se pueden
utilizar diferentes medidas para cuantificar el error de estimación, como el
error absoluto medio (MAE), el error cuadrático medio (MSE) o el error
porcentual absoluto medio (MAPE), entre otros.

Reducir el error de estimación es uno de los objetivos principales en la


construcción y evaluación de modelos predictivos, ya que indica la precisión
con la que el modelo puede hacer predicciones sobre datos nuevos o no
observados. Un menor error de estimación generalmente indica un modelo
más preciso y confiable.

-Presente simbólicamente las fórmulas de los intervalos de confianza para:


Medias, proporción,
diferencias de medias y diferencias de proporciones

Intervalo de confianza para la media (con desviación estándar poblacional


conocida σ):

Intervalo de confianza para la media (con desviación estándar muestral s):

Intervalo de confianza para la proporción:

Intervalo de confianza para la diferencia de medias (muestras


independientes, varianzas poblacionales conocidas):
Intervalo de confianza para la diferencia de medias (muestras
independientes, varianzas poblacionales desconocidas y iguales):

Donde s2p es la varianza conjunta de las muestras, calculada como:

Intervalo de confianza para la diferencia de proporciones:

En estas formulas:
Pasos para una estimación por intervalo:
los pasos generales para realizar una estimación por intervalos:

Recopilación de datos: Recolecta los datos relevantes para tu estudio. Esto


puede incluir datos observacionales, experimentales o muestras de una
población.

Identificación del parámetro a estimar: Determina qué parámetro de la


población deseas estimar. Esto puede ser una media, una proporción, una
diferencia entre medias o proporciones, etc.

Selección del nivel de confianza: Decide el nivel de confianza que deseas


asociar con tu intervalo de confianza. Los niveles de confianza comunes son
90%, 95% y 99%.

Elección del método de estimación: Dependiendo del parámetro que estés


estimando y de si conoces o no la desviación estándar poblacional, selecciona
el método de estimación adecuado. Por ejemplo, para estimar la media de
una población con una desviación estándar conocida, puedes utilizar el
método del valor crítico z. Si no conoces la desviación estándar poblacional,
puedes usar el método del valor crítico t.

Cálculo del intervalo de confianza: Utiliza la fórmula correspondiente al


método de estimación elegido para calcular el intervalo de confianza. Esto
implica calcular la estimación puntual del parámetro y luego determinar el
margen de error basado en el nivel de confianza y la distribución de
probabilidad asociada.
Interpretación del intervalo de confianza: Una vez que hayas calculado el
intervalo de confianza, interpreta su significado en el contexto del problema
que estás estudiando. Por ejemplo, si estás estimando la media de una
población, puedes decir que estás 95% seguro de que la verdadera media
poblacional está dentro del intervalo calculado.

Comunicación de resultados: Finalmente, comunica tus resultados de


manera clara y precisa, incluyendo el intervalo de confianza y su
interpretación. Es importante proporcionar contexto y explicar cualquier
suposición o limitación asociada con el análisis realizado.
-Explique la interpretación de los valores resultantes de una estimación por
intervalos de confianza
La interpretación de los valores resultantes de una estimación por intervalos
de confianza depende del parámetro estimado y del nivel de confianza
seleccionado. Aquí te doy algunas pautas generales para interpretar estos
intervalos:

Para una media poblacional: Por ejemplo, si calculas un intervalo de


confianza del 95% para la media de una población y obtienes (10, 15), puedes
interpretarlo como: "Estoy 95% seguro de que la verdadera media de la
población se encuentra entre 10 y 15 unidades".

Para una proporción poblacional: Si calculas un intervalo de confianza del


90% para la proporción de personas que prefieren un producto y obtienes
(0.3, 0.5), puedes interpretarlo como: "Estoy 90% seguro de que la verdadera
proporción de personas que prefieren el producto está entre el 30% y el
50%".

Para una diferencia de medias o proporciones: Por ejemplo, si calculas un


intervalo de confianza del 99% para la diferencia entre las medias de dos
poblaciones y obtienes (-5, 2), puedes interpretarlo como: "Estoy 99% seguro
de que la verdadera diferencia entre las medias de las dos poblaciones está
entre -5 y 2 unidades".

Para cualquier intervalo de confianza: Si el intervalo de confianza incluye el


valor nulo (como 0 en una diferencia de medias o proporciones), significa que
no hay evidencia suficiente para afirmar que existe una diferencia
significativa entre los grupos comparados.

la interpretación de los valores resultantes de un intervalo de confianza


implica expresar con cierto grado de certeza dónde se encuentra el
verdadero parámetro poblacional de interés. El nivel de confianza
seleccionado proporciona una medida de la certeza asociada con esta
estimación.

También podría gustarte