Region de Confianza

Intervalos de confianza casos general
Stalyn Guerrero1
1 Msc Ciencias estadı́stica universidad nacional sede Bogotá
Mayo de 2020
Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 1 / 35

Contenido
1 Intervalos de confianza para una función del parámetro θ
2 Intervalos de confianza para poblaciones no normales
3 Intervalos de confianza para muestras grandes
4 Intervalos de confianza Bootstrap

Intervalos bootstrap t

Intervalos de confianza para una función del parámetro θ
Intervalos de confianza para g (θ)
Definición (IC bilateral)

Dada una muestra aleatoria con parámetro desconocido θ, que está en el
intervalo de confianza (Li , Ls ) de 100× (1 − α) %, entonces
• Sea g una función estrictamente creciente, entonces un intervalo de
confianza para g (θ) es (g (Li ) , g (Ls ))
• Sea g una función estrictamente decreciente, entonces un intervalo de
confianza para g (θ) es (g (Ls ) , g (Li ))

Definición (IC unilateral superior)

intervalo de confianza (∞, Ls ) de 100× (1 − α) %, entonces
confianza para g (θ) es (∞, g (Ls ))
confianza para g (θ) es (g (Ls ) , ∞)
Definición (IC unilateral superior)

intervalo de confianza (∞, Ls ) de 100× (1 − α) %, entonces
confianza para g (θ) es (∞, g (Ls ))
confianza para g (θ) es (g (Ls ) , ∞)
Definición (IC unilateral Inferior)

intervalo de confianza (Li , ∞) de 100× (1 − α) %, entonces
confianza para g (θ) es (g (Li ) , ∞)
confianza para g (θ) es (∞, g (Li ))
IC para Pob. no normales
Intervalos de confianza para poblaciones no normales
Inicialmente se deben definir las variables pivote para los parámetros de

escala y localización.
Definición (Parámetro de escala)
Sea X una variable aleatoria con función de densidad de probabilidad
fX (x), la cual depende de un parámetro θ, se dice que θ es un parámetro
de escala si la distribución de la variable X /θ o θX no depende de θ.

Inicialmente se deben definir las variables pivote para los parámetros de

escala y localización.
Definición (Parámetro de escala)
de escala si la distribución de la variable X /θ o θX no depende de θ.
Definición (Parámetro de localización)

de localización si la distribución de la variable X + θ o X − θ no depende
de θ.

Observación
Para probar que un parámetro es de escala, es necesario encontrar la
función de distribución de X /θ o θX .
Observación
Si fX (x) depende de más de un parámetro y se desea verificar que un
parámetro especifico sea de localización o escala, los demás parámetros se
consideran constantes.
Examples (Distribución normal)

Sea X una variable
aleatoria con distribución N (µ, σ). Se tiene que
X − µ ∼ N 0, σ 2 , y por consiguiente, µ es un parámetro de localización.

Nota
Si se conoce la función de distribución de X , hay tres alternativas para
encontrar la distribución de X /θ o θX :
• Utilizar directamente la función de distribución o la función de
densidad cuando estas sean fáciles.
• Utilizar el teorema de la transformación cuando las funciones de
distribución y de densidad sean complicadas.
• Utilizar la función generadora de momentos.

Definición
Sea X1 , . . . , Xn una muestra aleatoria proveniente de una distribución con
función de densidad f (x, θ), y sea θ∗ el estimador de máxima verosimilitud
de θ, entonces
• Si θ es un parámetro de localización, entonces θ∗ − θ o θ∗ + θ es un
pivote para θ
• Si θ es un parámetro de escala, entonces θ∗ /θ o θ∗ θ es un pivote para
θ

Ejemplo (Distribución exponencial)

Sea X una variable aleatoria con distribución exp (θ) con E (X ) = θ.
Determine un intervalo de confianza para θ.


Sea X una variable aleatoria con distribución exp (θ) con E (X ) = θ.
Determine un intervalo de confianza para θ.
Solución
Se tiene que Xθ ∼ exp (1) y por consiguiente, θ es un parámetro de escala.
Para encontrar la distribución de θ/X usamos directamente la función de
distribución como sigue:
Z xθ
X 1 −t t xθ
FX /θ (x) = P ≤ x = P (X ≤ xθ) = e θ dt = e − θ 0
θ 0 θ
−x
= FX (θx) = 1 − e
que corresponde al función de distribución

Proposición
Si X1, , . . . , Xn son una muestra variables aleatorias independientes
proveniente de una población exp (θ), entonces Y = ni=1 Xi tiene
P
distribución Gamma (n, θ)
Ejercicio
Si X1, , . . . , Xn son una muestra variables aleatorias independientes
Pn
Xi
proveniente de una población exp (θ), entonces Y = i=1 θ tiene
distribución Gamma (n, 1)


Proof.
Dado que Xi ∼ exp (θ) entonces su función generadora de momentos está
dada por
1
mXi (t) =
1 − θt
luego,
mY (t) = mPni=1 Xi (t) = mX1 (t) × · · · × mXn (t)

1 1
= × ··· ×
1 − θt 1 − θt
n
1
=
1 − θt
Que corresponde a la fgm de la función Gamma (n, θ)


Recordemos que θ̂MV = X̄ , por lo tanto, X̄θ es una variable pivote para θ,
luego demos encontrar Li y Ls tales que

X̄
P Li ≤ ≤ Ls = 1−α
θ
Pn
i=1 Xi
P nLi ≤ ≤ nLs = 1−α
θ
Intervalo de confianza para θ

Haciendo los cálculos necesarios, se obtiene que el IC para θ es
!  
Pn Pn
i=1 Xi i=1 Xi 2nX̄ 2nX̄ 
, 0  2 , 2
Gamma (1, n)1− α Gamma (1, n) α χ 1− α ,2n χ α ,2n
2 2 ( 2 ) (2 )

Definición (Intervalo de confianza con distribución de Poisson)

Sea X1 , . . . , Xn variables aleatorias con distribución de Pois (λ) que
constituye una muestra aleatoria. Garwood (1936) Propone P construir el
intervalo de confianza para λ usando la estadı́stica Y = Xi cuya
distribución es Pois (nλ) y con algunos desarrollos llega al intervalo

1 2 1 2
χ , χ
2n 2y0 ,α/2 2n 2(y0 +1),1−α/2
En el caso de que y0 se toma χ22y0 ,α/2 = 0, y el limite inferior del anterior

intervalo será 0

Intervalos de confianza para muestras grandes
Si el tamaño muestral n es suficentemente grande, se puede hacer uso de

las propiedades asintóticas de los estimadores estudiados previamente.
Definición (Intervalos de confianza para un parámetro θ cualquiera)
Para determinar el intervalo de confianza de un parámetro θ, siempre que
el tamaño de la muestra sea grande , se puede partir del estimador de
máxima verosimilitud.
El estimador MV es asintóticamente insesgado, asintóticamente eficiente y
tiene una distribución asintóticamente normal
r !
d
θ→N θ, V θ̂


La varianza asintótica coincide con el inverso de la información de Fisher,
1
V θ̂ = [I (θ)]−1 = 2
nE ∂ ln ∂θ
f (x;θ)
de donde se define la cantidad pivotal

θ̂ − θ d
T (X; θ) = r → N (0, 1)
V θ̂
luego, el intervalo de confianza

r r
θ̂ − k V θ̂ , θ̂ + k V θ̂

Si V θ̂ no se conoce, podemos usar su estimación.


Una población con distribución exponencial dada por
1 −x
e θ,x ≥ 0
f (x; θ) =
θ
se extrae una muestra de tamaño n = 100 donde ni=1 xi = 214,
P
determine el intervalo de confianza del 90% para el parámetro θ.


Una población con distribución exponencial dada por
1 −x
e θ,x ≥ 0
f (x; θ) =
θ
se extrae una muestra de tamaño n = 100 donde ni=1 xi = 214,
P
determine el intervalo de confianza del 90% para el parámetro θ.
Solución

θ2
Sabemos que el estimador θ̂MV = x̄ con V θ̂MV = n, la estimación de
la varianza está dada por
x̄ 2
V̂ θ̂MV =
n
Solución (Continuando)

Para la muestra obtenida tenemos que x̄ = 2.14 y V̂ θ̂MV = 0.045796,
luego un intervalo de confianza al 90% para θ viene dado por
√ √
2.14 − 1.64 0.045796 , 2.14 + 1.64 0.045796
[2.105, 2.491]

Intervalos de confianza Bootstrap
• En el campo de los intervalos de confianza existen diferentes técnicas

bootstrap y es un área de desarrollo teórico en evolución constante
• La técnica de bootstrap consiste en obtener la distribución de un
estadı́stico (al menos de forma aproximada) utilizando la información
que se deriva de una sola muestra (y sus réplicas).
• El bootstrap se puede usar para mejorar los intervalos de confianza;
de hecho, cuando n es muy grande los intervalos bootstrap y los
aproximados convergen a los mismos valores.


• Sea X1 , . . . Xn una muestra aleatoria de una distribución desconocida
F.
• Si el tamaño muestral n es grande la
distribución de θ̂ converge a una
normal de media θ y varianza V θ̂ , es decir
b
θ̂ − θ
r ∼ N (0, 1)
Vb θ̂
• De este modo, se obtiene un intervalo de confianza estándar con

probabilidad 1 − α
r r
θ̂ − z1− α2 V̂ θ̂ , θ̂ + z1− α2 V̂ θ̂
donde z α2 es el valor que proviene de la distribución normal estándar.

Ejemplo
Sea X1 , . . . X30 una muestra aleatoria proveniente de una población
exponencial dada por
1 −x
f (x; θ) = e 10 , x ≥ 0
10
determine el intervalo de confianza Bootstrap del 95% para el parámetro θ.
> set.seed(123)
> n = 30; theta = 1/10
> x <- rexp(n, theta); round(x,2)
[1] 8.43 5.77 13.29 0.32 0.56 3.17 3.14 1.45 27.26 0.
[13] 2.81 3.77 1.88 8.50 15.63 4.79 5.91 40.41 8.43 9.
[25] 11.69 16.06 14.97 15.71 0.32 5.98
>
> set.seed(123)
> Ftheta <- function(x){
+ xi <- sample(x, length(x), replace = TRUE); mean(xi) }
> thetai <- replicate(1000, Ftheta(x))

0.2
^ ^ 
f θ
0.1
0.0
5.0 7.5 10.0 12.5 15.0
θ^b


●
●● ●
●
●●
●
●●●●
●●
●●
●
●●
●
●
●
●●
●
●●
●
●●
●
●●
12 ●●
●
●●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●●
●
●
●
●
●●
●
●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●●
●
●●
●
●●
●
●
●
●
●
●●
●
●
●
●●
●
●
●
●
●●
●
●●
●●
●
●●
●
●
●●
●
●
●●
θ^
●●
●
●
●●
●
●
9 ●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●●
●
●
●●
●
●●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●
●●
●
●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●●
●
●●
●●
●
●
●
●
●●
●
●
●●
●
●●
●
●
●
●
●●
●
●●
●
●
●
●●
●●
●
●●
●
●
●●
●
●●
●
6 ●●●
●●
●
●●●
●●●
●●
●
−2 0 2
θ

> PTheta = mean(thetai); hatV <- var(thetai)

> Alpha <- 0.05;
> Alpha <- c (LimInf = 1 - Alpha /2 , LimSup = Alpha/2)
> ICBoot <- sapply ( Alpha ,
+ function ( Alpha ) PTheta - qnorm(Alpha)*sqrt(hatV))
> ##################################################
> media = mean(x)
> ICExacto <- sapply ( Alpha ,
+ function ( Alpha ) (2*n* media )/ qchisq ( Alpha ,2*n ))

LimInf LimSup Lon

ICExacto 6.56 13.51 6.94
ICBoot 6.05 12.09 6.04
¿Qué se concluye?

LimInf LimSup Lon

ICExacto 6.56 13.51 6.94
ICBoot 6.05 12.09 6.04
Ejercicio
Para la muestra X1 , . . . X30 construir un intervalo de confianza para la
mediana.

30
20
^ ^ 
f θ
10
0
0.050 0.075 0.100 0.125 0.150
θ^b
¿El gráfico muestra una tendencia normal?


●
0.15
●
●
●
●●
●
0.12 ●●
●●
●
●
●●
●●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
θ^
●
●
●
●●
●
●
●
●
0.09 ●
●
●
●
●
●
●●
●
●
●●
●
●●
●
●●
●
●
●
●
●
●●
●
●●
●
●
●
●●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●
●
●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●
●●
●
●
●●
●
●
●
●●
●
●●
●
●
●●
●
●
●●
●
●●
●
●
●
●●
●
●
●
●●
●
●
●●
●
●
●
●
●
●●
●
●●
●
●
●●
●●
●
●
●●
●
●
●
●●
●
●●
●
●
●●
0.06 ●
●
●●
●
●
●●
●
●
●●
●
●●
●
●●
●
●
●
●●
●
●
●●
●
●●
●
●
●●
●●
●
●●
●●
●
●●●●●
● ● ●●●
0.03
−2 0 2
θ

Shapiro-Wilk normality test
data: thetai
W = 0.96951, p-value = 1.229e-13
Dado que p − valor ≤ 0.05, entonces se rechaza la hipótesis de normalidad,
por lo tanto, los observaciones no siguen una distribución normal.

Intervalos de confianza Bootstrap Intervalos bootstrap t
• Usando el bootstrap se pueden obtener intervalos ajustados sin

necesidad de asumir normalidad en los datos.
• Los intervalos que se construyen reciben el nombre de aproximación
bootstrap-t.
• En este método se calcula una tabla de cuantiles de t directamente a
partir de los datos que se tienen.
• Esta tabla se usa entonces para construir intervalos de confianza de la
misma manera que en el caso de los intervalos clásicos.

• El método consiste en generar B muestras bootstrap X∗1 , . . . , X∗B . A
continuación, para cada una de ellas se calcula
θ̂∗ − θ̂
Zb∗ = rb
V̂ θ̂b∗
∗ ∗
donde,
r θ̂ b a la estimación de θ obtenida a partir de Xb y

V̂ θ̂b∗ = seb θ̂b∗ es el valor estimado del error estándar de θ
obtenida a partir de X∗b
• El α-esimo percentil de Zb∗ se estima mediante el valor t̂α tal quec
# Zb∗ ≤ t̂α

= α
B
• De este modo, el estimador bootstrap-t que queda es

r r
θ̂ − t̂1−α × V̂ θ̂ , θ̂ + t̂α × V̂ θ̂
• Es necesario considerar un número de réplicas B mayor que en el caso

del cálculo de los errores estándar bootstrap.
• Por otro lado, los percentiles bootstrap-t pueden diferir bastante de
los percentiles t de Student habituales.

> Ftheta3 <- function(x){

+ xi <- sample(x, length(x), replace = TRUE)
+ (mean(xi)-mean(x)) / (mean(xi)/sqrt(length(x)) ) }
> set.seed(123)
> thetai <- replicate(5000, Ftheta3(x))
> quantile(thetai, 1-Alpha)
2.5% 97.5%
-2.446544 1.488940
> qt(1-Alpha, n-1)
LimInf LimSup
-2.04523 2.04523


Linea azul son los cuantiles de la distribución tn−1 y la linea negra son los
empı́ricos obtenidos mediante bootstrap.
1.00
Acumulada empírica
0.75
0.50
0.25
0.00
−2 0 2
t
LimInf LimSup Lon

ICExacto 6.56 13.51 6.94
ICBoot 6.05 12.09 6.04
ICT 6.47 11.75 5.28
ICTboot 7.19 12.27 5.08

Lecturas adicionales
Bibliografı́a
Garwood, F. (1936). Fiducial limits for the Poisson distribution.

Biometrika, 28(3/4), 437-442.

Region 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

Region de Confianza

Cargado por

Copyright:

Formatos disponibles

Intervalos de confianza casos general

1 Msc Ciencias estadı́stica universidad nacional sede Bogotá

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 1 / 35

1 Intervalos de confianza para una función del parámetro θ

2 Intervalos de confianza para poblaciones no normales

3 Intervalos de confianza para muestras grandes

4 Intervalos de confianza Bootstrap

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 2 / 35

Intervalos de confianza para g (θ)

Definición (IC bilateral)

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 3 / 35

Definición (IC unilateral superior)

Definición (IC unilateral superior)

Definición (IC unilateral Inferior)

Intervalos de confianza para poblaciones no normales

Inicialmente se deben definir las variables pivote para los parámetros de

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 5 / 35

Intervalos de confianza para poblaciones no normales

Inicialmente se deben definir las variables pivote para los parámetros de

Definición (Parámetro de localización)

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 5 / 35

Intervalos de confianza para poblaciones no normales

Examples (Distribución normal)

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 6 / 35

Intervalos de confianza para poblaciones no normales

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 7 / 35

Intervalos de confianza para poblaciones no normales

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 8 / 35

Intervalos de confianza para poblaciones no normales

Ejemplo (Distribución exponencial)

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 9 / 35

Intervalos de confianza para poblaciones no normales

Ejemplo (Distribución exponencial)

que corresponde al función de distribución

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 9 / 35

Intervalos de confianza para poblaciones no normales

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 10 / 35

Intervalos de confianza para poblaciones no normales

mY (t) = mPni=1 Xi (t) = mX1 (t) × · · · × mXn (t)

Que corresponde a la fgm de la función Gamma (n, θ)

Intervalos de confianza para poblaciones no normales

Intervalo de confianza para θ

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 12 / 35

Intervalos de confianza para poblaciones no normales

Definición (Intervalo de confianza con distribución de Poisson)

En el caso de que y0 se toma χ22y0 ,α/2 = 0, y el limite inferior del anterior

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 13 / 35

Intervalos de confianza para muestras grandes

Si el tamaño muestral n es suficentemente grande, se puede hacer uso de

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 14 / 35

Intervalos de confianza para muestras grandes

de donde se define la cantidad pivotal

luego, el intervalo de confianza

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 15 / 35

Intervalos de confianza para muestras grandes

Ejemplo (Distribución exponencial)

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 16 / 35

Intervalos de confianza para muestras grandes

Ejemplo (Distribución exponencial)

Intervalos de confianza para muestras grandes

Stalyn Guerrero (UNAL) Intervalos de confianza casos general Mayo de 2020 17 / 35

Intervalos de confianza Bootstrap

• En el campo de los intervalos de confianza existen diferentes técnicas