114

Intervalos de confianza
Hasta ahora los estimadores estudiados son puntuales, es decir, exhiben
un solo valor como estimación del parámetro de interés. Pero en muchos
casos esto no es suficiente. A veces se requiere de un rango de posibles
valores para el parámetro de interés, es decir, un intervalo real donde se
cree estará el valor del parámetro con una alta confianza.

Sea θ un parámetro de interés y θ̂ un estimador puntual de θ por inter-

valo, es un intervalo real de la forma (l , u) (l < θ < u), donde l y μ
dependen de θ̂ y de la distribución de θ̂.

Cada muestra aleatoria proporcionará un valor diferente para θ̂ y por

lo tanto valores diferentes para l y μ. Ası́, los extremos del intervalo en
cuestión se convierten en v.a, las cuales denotaremos L y U . El intervalo
(L , U ) es llamado Intervalo Aleatorio.

Usando θ̂ y su distribución es posible determinar L y U tales que

P (L < θ < U ) = 1 − α, α ∈ (0 , 1) , α dado. Para una muestra
particular se obtiene el intervalo (l , u) donde se espera esté el verdade-
ro valor de θ.
El intervalo (l , u) será llamado un Intervalo de Confianza al
100 (1 − α) % para θ . l y μ son llamados Lı́mites de Confianza.

Por notación se escribe : I. C. al 100 (1 − α) % para θ. El intervalo

(l , μ) se conoce como intervalo de confianza bilateral para θ.
”De todos los posibles intervalos de confianza al 100 (1 − α) % para θ
se espera que el 100 (1 − α) % de ellos contenga el verdadero valor de
θ”.

Los intervalos (l , +∞) ó (−∞ , μ) son llamados intervalos de confianza

unilaterales para θ. Usando θ̂ y su distribución es posible determinar L
tal que P (L < θ) = 1 − α, α ∈ (0 , 1) , α dado. Similarmente es
posible determinar U tal que P (θ < U ) = 1 − α, α ∈ (0 , 1) , α
dado. Para una muestra particular se obtienen los intervalos (l , +∞) y
(−∞ , μ), intervalos de confianza unilaterales al 100 (1 − α) % para θ.
 115

En un I. C. bilateral la longitud μ − l es una medida de la calidad de

la información obtenida. El valor max{θ − l , μ − θ} se conoce como
presición del estimador. Aquı́ es necesario aclarar que entre mayor sea
la longitud de un I.C. menor será su precisión y viceversa, entre menor
sea la longitud del intervalo, mayor será su precisión. Lo ideal es tener
I. C. angostos con una alta confianza. En los intervalos de confianza
unilaterales, no se puede hablar de precisión.

Obtención de un I. C.
Sea X 1 , · · · , X n una m.a. de una distribución f (x) que depende de un
parámetro θ desconocido ( dicha distribución es usualmente denotada
f (x ; θ)). Sea θ̂ un estimador puntual para θ. Como θ̂ es función de
la m.a, se suele escribir θ̂ = h(X 1 , · · · , X n ). Suponga además que
la distribución de θ̂ NO depende de otros parámetros desconocidos,
pero puede depender de θ. Entonces, para α ∈ (0 , 1) dado, se pueden
encontrar constantes a y b tal que

P (a < h (X 1 , · · · , X n ; θ) < b) = 1 − α .

Esto es posible ya que la distribución de θ̂ es conocida y solo depende

posiblemente de θ.
Suponga que de la desigualdad anterior es posible despejar a θ, de esta
manera se obtiene

P (L (X 1 , · · · , X n ) < θ < U (X 1 , · · · , X n )) = 1 − α .

Para una m.a. particular calculamos l (X 1 , · · · , X n ) y μ (X 1 , · · · , X n ).

Sea l = l (X 1 , · · · , X n ) y μ = μ (X 1 , · · · , X n ).
El intervalo (l , μ) es un intervalo de confianza al 100 (1 − α) % para θ.

Para los intervalos de confianza unilaterales se procede igual, solo que

las ecuaciones probabilı́sticas a resolver son de la forma:

P (a < h (X 1 , · · · , X n ; θ)) = 1 − α y P (h (X 1 , · · · , X n ; θ) < b) = 1 − α .

las cuales al despejar θ se convierten en:

P (L (X 1 , · · · , X n ) < θ) = 1−α y P (θ < U (X 1 , · · · , X n )) = 1−α

116

Usando Bootstrap
Sea θ̂ un estimador puntual para θ. La distribución de θ̂ puede depender
aprox
de θ. Por el T. L. C. sabemos que X̄ −
√μ
σ/ n
∼ n(0 , 1). Además, si σ 2 es
aprox
desconocida X̄ −
√μ
S/ n
∼ n(0 , 1).
Ahora
   
X̄ − μ X̄ − μ
P √ < 1.96 ≈ 0.975 y P √ < −1.96 ≈ 0.025 .
s/ n s/ n

1.96 √Sn y −1.96 √Sn son los percentiles aproximados de la distribución

de X̄ − μ.

Ası́,  
S S
P −1.96 √ < X̄ − μ < 1.96 √ ≈ 0.95
n n

Si θ̂ es insesgado para θ, un estimador para θ puede obtenerse como

θ̂ = θ̄. De esta manera un I. C. aproximado al 95 % para θ se obtiene
como:
 
θ̂ − percentil 97.5 de (θ̂ − θ), θ̂ − percentil 2.5 de (θ̂ − θ) ,

ya que
 
P Percentil 2.5 < θ̂ − θ < Percentil 97.5 ≈ 0.95 .

¿Cómo proceder?
Suponga que X 1 , · · · , X n es una m.a de f (x ; θ), θ desconocido. De
esta muestra obtenemos θ̂ = θ 0 .

Se generan m muestras de tamaño n de f (x ; θ 0 ).

Con cada muestra se calcula θ̂ 1 , θ̂ 2 , · · · , θ̂ m y luego

1 
m
θ̄ˆ = θ̂i .
m i=0
 117

Calcule θ̂ 1 − θ̄ˆ , θ̂ 2 − θˆ¯1 , · · · , θ̂ m − θ̄ˆ.

Halle el percentil 2.5 y 97.5 de los m valores obtenidos en el paso
anterior, los cuales se denotan P97.5 y P2.5 .
El intervalo Bootstrap al 95 % para θ está dado por:
 
θ̂ − P97.5 , θ̂ − P2.5 .

Intervalos de Confianza para la Media

Sea X 1 , · · · , X n una muestra aleatoria de una población normal
n (μ , σ 2 ) con media μ desconocida y varianza σ 2 conocida.
Halle L y U tales que P (L < μ < U ) = 1 − α , α dado

P (L < μ < U ) = P (−U < −μ < −L)

 
= P X̄ − U < X̄ − μ < X̄ − L
 
X̄ − U X̄ − μ X̄ − L
= P √ < √ < √
σ/ n σ/ n σ/ n
= P (z1 < Z < z2 ) = 1 − α

Fig. 22: Intervalo de Confianza para la media

Haciendo
P (Z < z1 ) = P (Z > z2 ) = α/2 .