PROCEDIMIENTO DE OBTENCIÓN DE INTERVALOS DE ESTIMACIÓN

Sea 𝜃 la característica a estimar, 𝑥⃗ = (𝑥1 , 𝑥2 , … … , 𝑥n ) la muestra aleatoria y

𝑋⃗ = (𝑋1 , 𝑋2 , … … , 𝑋n ) las variables aleatorias asociadas a las observaciones muestrales.

Paso 1: obtener una variable aleatoria 𝐻�𝑋⃗, 𝜃� con distribución de probabilidad totalmente
determinada.

Paso 2: hallar dos valores ℎ1 y ℎ2 que verifican la condición 𝑃�ℎ1 ≤ 𝐻�𝑋⃗, 𝜃� ≤ ℎ2 � = 1 − 𝛼

Paso 3: desde la desigualdad anterior despejar el parámetro 𝜃 y obtener la relación equivalente

𝑃 �𝑡1 �𝑋⃗, ℎ1 , ℎ2 � ≤ 𝜃 ≤ 𝑡2 �𝑋⃗, ℎ1 , ℎ2 �� = 1 − 𝛼

Paso 4: sustituir 𝑋⃗ por las observaciones muestrales 𝑥⃗ y obtener un intervalo numérico

[𝑡1 (𝑥⃗, ℎ1 , ℎ2 ), 𝑡2 (𝑥⃗, ℎ1 , ℎ2 ) ] que ofrecerá una confianza 1 − 𝛼 de contener al valor del parámetro
𝜃

El concepto de confianza de un intervalo expresa las garantías que ofrece de contener al valor
desconocido del parámetro 𝜃.

Este procedimiento de obtención de intervalos de estimación presenta cierto grado de

ambigüedad; ya que los valores ℎ1 y ℎ2 que verifiquen la relación anterior no son únicos. El mejor
intervalo es el de amplitud mínima, es decir, que minimizan la diferencia (ℎ1 − ℎ2 ) sujeta a la
restricción 𝑃�ℎ1 ≤ 𝐻�𝑋⃗, 𝜃� ≤ ℎ2 � = 1 − 𝛼.

La amplitud de un intervalo de estimación y su confianza determinan la precisión del mismo.

Los niveles de confianza más usuales son 0.9, 0.95, 0.975 y 0.99.

1
 INTERVALOS DE ESTIMACIÓN PARA UNA POBLACIÓN

INTERVALOS DE CONFIANZA PARA LA MEDIA POBLACIONAL

a) Distribución poblacional no especificada. Tamaño muestral grande

Paso 1: el estadístico media muestral 𝑋� tiene una distribución aproximada Normal a partir del
𝜎 2
Teorema Central del Límite, 𝑋� → 𝑁 �𝜇, 𝑛 �. Tipificando se obtiene una variable aleatoria cuya

distribución es totalmente conocida

𝑋� − 𝜇
𝜎 → 𝑁(0, 1)
� 𝑛
√

Paso 2 considerando que el intervalo de mínima amplitud es el que está centrado en 0 se obtienen
los valores ℎ1 y ℎ2 que verifican la igualdad:

𝑋� − 𝜇
𝑃 �ℎ1 ≤ 𝜎 ≤ ℎ2 � = 1 − 𝛼
� 𝑛
√

Paso 3: desde los valores ℎ1 = −𝑧𝛼�2 y ℎ2 = 𝑧𝛼�2 y operando se obtiene el intervalo aleatorio:

�𝑋� − 𝑧𝛼�2 𝜎� , 𝑋� + 𝑧𝛼�2 𝜎� �

√𝑛 √𝑛

Paso 4: sustituyendo 𝑋⃗ por las observaciones muestrales 𝑥⃗ tenemos el intervalo de confianza

aproximada (1 − 𝛼):

�𝑥̅ − 𝑧𝛼�2 𝜎� , 𝑥̅ + 𝑧𝛼�2 𝜎� �

√𝑛 √𝑛

La confianza de este intervalo es aproximada, ya que para su obtención se utiliza la

aproximación del T.C.L.

Inconveniente: en la práctica es que los extremos del intervalo dependen de 𝜎 que suele ser
desconocida. Sin embargo, al considerar tamaños muestrales grandes, la aproximación de 𝜎 por s es
aceptable. Con esa aproximación el intervalo que se obtiene es:

�𝑥̅ − 𝑧𝛼�2 𝑠� , 𝑥̅ + 𝑧𝛼�2 𝑠� �

√𝑛 √𝑛

Este intervalo está centrado en 𝑥̅ , y ±𝑧𝛼�2 𝜎� es el error máximo que se cometerá al estimar 𝜇
√𝑛
mediante 𝑥̅ con una confianza (1 − 𝛼).

2
b) Distribución población Normal

b1) 𝜎 conocida o tamaño muestral grande

Dado que 𝑋 → 𝑁(𝜇, 𝜎 2 ), aplicando propiedades de la distribución Normal se obtiene que

𝜎2
𝑋� → 𝑁 �𝜇, �
𝑛

Operando como en el caso anterior el intervalo que ofrece una confianza (1 − 𝛼) de contener a
la media poblacional 𝜇 es:

�𝑥̅ − 𝑧𝛼�2 𝜎� , 𝑥̅ + 𝑧𝛼�2 𝜎� �

√𝑛 √𝑛

Un inconveniente de este intervalo es que los extremos del intervalo dependen de 𝜎.

Si 𝜎 es desconocida pero el tamaño de la muestra es elevado el problema se resuelve

sustituyendo 𝜎 por s.

b2) 𝜎 desconocida

Existe otra solución cuando la varianza poblacional 𝜎 2 es desconocida. Su principal atractivo

está en el hecho de que no requiere grandes tamaños muestrales.

En poblaciones Normales se conoce que

𝜎2 𝑛𝑛 2
𝑋� → 𝑁 �𝜇, � 𝑦 2
→ 𝜒(𝑛−1)
𝑛 𝜎2

y que estas variables son independientes entre sí.

Paso 1: una variable aleatoria con distribución totalmente especificada es:

𝑋� − 𝜇
𝜎
� 𝑛
√ = 𝑋� − 𝜇 → 𝑡
(𝑛−1)
𝑛𝑛 2 𝑆�
� 𝜎2 √𝑛 − 1
𝑛−1

Paso 2: los valores ℎ1 = −𝑡𝑛−1,𝛼�2 y ℎ2 = 𝑡𝑛−1,𝛼�2 dan el intervalo de amplitud mínima y

verifican

𝑋� − 𝜇
𝑃 �−𝑡𝑛−1,𝛼�2 ≤ ≤ 𝑡𝑛−1,𝛼�2 � = 1 − 𝛼
𝑆�
√𝑛 − 1

3
 Paso 3: operando se tiene el intervalo de extremos aleatorios

𝑆 𝑆
�𝑋� −𝑡𝑛−1,𝛼�2 , 𝑋� +𝑡𝑛−1,𝛼�2 �
√𝑛 − 1 √𝑛 − 1

Paso 4: sustituyendo los datos muestrales tenemos el intervalo numérico que ofrece una
confianza (1 − 𝛼) de contener a la media poblacional 𝜇
𝑠 𝑠
�𝑥̅ −𝑡𝑛−1,𝛼�2 , 𝑥̅ +𝑡𝑛−1,𝛼�2 �
√𝑛 − 1 √𝑛 − 1

INTERVALO DE CONFIANZA PARA LA PROPORCIÓN

Sea una variable con distribución de Bernoulli, 𝑋 → 𝐵𝐵(𝑝), donde 𝜇 = 𝑝 y 𝜎 2 = 𝑝(1 − 𝑝).

Para una muestra (𝑥1 , 𝑥2 , … … , 𝑥n ) con tamaño muestral elevado el problema de estimar una
proporción p puede plantearse de manera equivalente al de estimar la media de una población, 𝜇.

En este caso el intervalo para 𝜇 que ofrece una confianza (1 − 𝛼) es:

�𝑥̅ − 𝑧𝛼�2 𝜎� , 𝑥̅ + 𝑧𝛼�2 𝜎� �

√𝑛 √𝑛

Sustituyendo 𝜎 = �𝑝(1 − 𝑝) y denotando a la proporción muestral de unidades clasificadas en

la categoría de interés por 𝑟 = 𝑥̅ , se obtiene que el intervalo para p con una confianza aproximada
(1 − 𝛼) es:

𝑝(1 − 𝑝) 𝑝(1 − 𝑝)
�𝑟 − 𝑧𝛼�2 � , 𝑟 + 𝑧𝛼�2 � �
𝑛 𝑛

El inconveniente de este intervalo es que sus extremos dependen de p que es desconocido. No

obstante, como n es grande, es posible sustituir 𝑝(1 − 𝑝) por una aproximación muestral, 𝑟(1 − 𝑟).

Por lo tanto, el intervalo para p, de confianza aproximada (1 − 𝛼) con muestras grandes es:

𝑟(1 − 𝑟) 𝑟(1 − 𝑟)
�𝑟 − 𝑧𝛼�2 � , 𝑟 + 𝑧𝛼�2 � �
𝑛 𝑛

4
 INTERVALO DE CONFIANZA PARA LA VARIANZA POBLACIONAL

Para obtener un intervalo de estimación de la varianza poblacional, 𝜎 2 es necesario admitir una

distribución poblacional Normal, 𝑋 → 𝑁(𝜇, 𝜎 2 ).

Paso 1: una variable con distribución completamente especificada es:

𝑛 2 2
𝑆 → 𝜒(𝑛−1)
𝜎2

2 2
Paso 2: utilizando ℎ1 = 𝜒(𝑛−1),1− 𝛼� y ℎ2 = 𝜒(𝑛−1), 𝛼� se tiene:
2 2

2 𝑛𝑆 2 2
𝑃 �𝜒(𝑛−1),1− 𝛼� ≤ ≤ 𝜒(𝑛−1), 𝛼� � = 1 − 𝛼
2 𝜎2 2

Paso 3: operando se obtiene que el intervalo de extremos aleatorios que contiene 𝜎 2 con una
probabilidad (1 − 𝛼) es:

𝑛𝑆 2 𝑛𝑆 2
� 2 , 2 �
𝜒(𝑛−1), 𝛼� 𝜒(𝑛−1),1− 𝛼�
2 2

Paso 4: sustituyendo los datos muestrales, se tiene el intervalo numérico que ofrece una
confianza (1 − 𝛼) de contener al valor de 𝜎 2

𝑛𝑠 2 𝑛𝑠 2
� 2 , 2 �
𝜒(𝑛−1), 𝛼� 𝜒(𝑛−1),1− 𝛼�
2 2