Capítulo 4: Error Estándar e Intervalos de Confianza

Contents
1 Introducción 1

2 Intervalo de confianza para la media. 2

2.1 Caso 1: Si NO conocemos la varianza o desviación estándar de la población . . . . . . . . . . 5
2.2 Caso 2: Si conocemos la varianza o la desviación estándar de la población . . . . . . . . . . . 5

3 Intervalo de confianza para las diferencias de medias 6

3.1 Caso 1: Si NO se conoce la varianza o desviación estándar de las poblaciones . . . . . . . . . 7
3.2 Caso 2: Si se conoce la varianza o desviación estándar de la población . . . . . . . . . . . . . 9

4 Intervalo para la media de muestras pareadas 10

5 Intervalo para una proporción 11

5.1 Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
5.2 Intervalo de Wald . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
5.3 Intervalo de Agresti-Coull . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
5.4 Intervalo de Wilson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
5.5 Intervalo de Clopper-Pearson . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

6 Intervalo para dos proporciones 17

6.1 Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
6.2 Método de Wald . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
6.3 Agresti-Caffo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
6.4 Newcombe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

7 Intervalo para una Varianza 21

7.1 Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22

8 Intervalo para dos Varianzas 23

8.1 Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

9 Intervalo para una regresión lineal 25

9.1 Intervalo de confianza de la pendiente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
9.2 Intervalo de confianza del intercepto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
9.3 Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

1 Introducción
Anteriormente se dijo que cuando tomamos una muestra, y obunemos de esa muestra estadísticos que son
una inferencia sobre los parámetros de la población. Estos estadísticos son estimaciones puntuales de los
parámetros. De manera que la media muestral es estimador puntual de la media poblacional, la proporción
muestral es un estimador puntual de la proporción población y así sucesivamente.

1
Sin embargo, es de esperar que los estimadores puntuales no sean iguales a los parámetros de la población, y
la diferencia entre el estadístico y el valor del parámetro se llama error muestral y entre mayor sea el tamaño
de nuestra muestra menor será el error muestral.
Aun así, en muchas ocasiones resulta más informativo realizar una estimación por intervalo en vez de una
estimación puntual. Es decir, un rango de valores que esperamos representa al parámetro de la población en
vez de un solo valor.
La forma general de la mayoría de los intervalos de confianza es tomar el estimador puntual y sumar y restar
al estimador una cantidad llamada margen de error.
El objetivo de los intervalos de confianza es aportar información sobre qué tan cerca se encuentra la estimación
puntual, de la muestra, del valor del parámetro poblacional.
Un intervalo de confianza se refiere a un rango (o un intervalo) de valores para estimar el valor real de un
parámetro de la población. Usamos los estadísticos para construir un intervalo del verdadero valor de un
parámetro asociado a un nivel de confianza.
Es necesario que seleccionemos un nivel de confianza para estimar un intervalo de confianza, ya que se refiere
a la probabilidad 1 − α de que el intervalo de confianza contenga el parámetro de la población en el largo
plazo. Es decir, suponiendo que repetimos el proceso de de estimación muchas veces. Los niveles de confianza
más comunes son del 90%, 95% y 99%.
Debemos ser cuidados con la interpretación de un intervalo de confianza. Repasemos con cuidado el parrado
anterior el nivel de confianza . . . “se refiere a la probabilidad 1 − α de que el intervalo de confianza contenga
el parámetro de la población en el largo plazo”.
Supongamos que tenemos una muestra y calculamos un intervalo de confianza del 95% para la media, el cual
da por resultado un rango A - B; entonces podemos concluir que tenemos una confianza del 95% de que
el intervalo A-B contiene el verdadero valor la media población. Esto quiere decir que si tomamos muchas
muestras del mismo tamaño de esta población de análisis y construimos los correspondientes intervalos de
confianza, el 95% de ellos contendrá a la media poblacional. En otras palabras, tal como indica Triola (2018),
el nivel de confianza se refiere a la tasa de éxito del proceso para estimar la media poblacional.
Es fácil caer en la idea que este intervalo de confianza indica que existe una probabilidad del 95% de que la
verdadera media de la población se encuentra entre A y B. Esta interpretación no es correcta, recuerda que se
refiere a la distribución muestral. Otra interpretación errónea seria, 95% de las medias muestral estarán entre
A y B, esto es incorrecto ya que los valores A y B dependen del estimador puntual actual y no describen el
comportamiento de todas las medias.
La tasa de éxito del proceso del 95% indica que a largo plazo, los límites del intervalo contienen a la verdadera
media población el 95% de las veces. Cuando la tasa de éxito es igual al nivel de confianza seleccionado se
dice que el intervalo tiene buena probabilidad de cobertura. Sin embargo, esto no siempre sucede, sí elegimos
un nivel de confianza del 95% y descubrimos que a largo plazo los límites del intervalo contienen al valor del
parámetro de la población un porcentaje menor al nivel de confianza seleccionado, entonces el intervalo tiene
poca probabilidad de cobertura y el método para estimar el intervalo no es adecuado, esto es importante
para las proporciones.
En este capítulo nos concentraremos en estimar e interpretar intervalos de confianza para diversas situaciones,
ya sea para una o dos muestras, proporciones, varianzas y de los coeficientes de una regresión lineal.

2 Intervalo de confianza para la media.

Cuando trabajamos con un conjunto de datos es usual considerar que la información de la que disponemos es
una muestra. Es decir, no corresponde con toda la información existente. Por ejemplo, supongamos que es de
nuestro interés determinar la edad promedio de las personas en México. Para saberlo lo ideal sería preguntar
la edad de los más de 125 millones de mexicanos. Sin embargo, este procedimiento es muy costoso (tan

2
costoso que en nuestro sólo se hace una vez cada 10 años) por lo tanto, lo más factibles es tomar lo que se
conoce como una muestra representativa. Una muestra es una parte de la población y debe ser representativa.
Por lo tanto en ella se deben incluir personas de todo el país. Si tomamos únicamente personas de la Ciudad
de México no se trataría de una muestra representativa.
De esta manera los resultados obtenidos de la muestra son aplicables para la población. Considera que con el
objetivo de determinar la edad de la población en México, tomamos 10 muestras del mismo tamaño. Cada
muestra contiene a diferentes individuos y si obtenemos la edad promedio de cada una de las diez muestras,
muy seguramente obtendremos diferentes promedios. Si en lugar de tomar diez muestras tomamos 1000 y
registramos todos los valores obtenidos, podemos graficar un histograma y determinar la distribución de la
media muestral.
Para ejemplificar esta idea, generemos un conjunto de datos y supongamos que el objeto poblacion contiene
la edad de todas las personas de un país imaginario que llamaremos ABC.
Esta simulación se genera con el comando runif que generara números entre 5 y 90. Usamos el comando
round, para asegurarnos que serán únicamente números enteros.
poblacion <- round(runif(400000, 5, 90),0)

Tomemos una muestra de tamaño 20 de la población y obtengamos la media. Para ello usamos el comando
sample. En este comando incluimos la opción replace=FALSE, para indicar que una vez que se ha seleccionado
una persona, no se es posible volver a seleccionarla.
muestra<- sample(poblacion,size=20,replace=FALSE)
mean(muestra)

## [1] 42.8
Observamos que la media de la muestra arroja 42.8. Esto nos llevaría a decir que la edad promedio del país
ABC es 42.8. Tomemos una segunda y tercer muestra y obtengamos nuevamente la media.
muestra2<- sample(poblacion,size=20,replace=FALSE)
mean(muestra2)

## [1] 50.05
muestra3<- sample(poblacion,size=20,replace=FALSE)
mean(muestra3)

## [1] 47.15
Observamos que los valores promedio de las tres muestras son diferentes. Podemos repetir este procedimiento
de muestreo 100 veces y obtendremos 100 valores diferentes para la edad promedio del país ABC. Para ello
efectuamos un ciclo con el comando for. Este comando efectuará la misma instrucción 100 veces, es decir,
tomará una muestra de la población, obtendrá la media y la guardará en el objeto de nombre media_muestral,
durante 100 ocasiones. En cada ocasión obtendremos un valor promedio diferente.
n <- 100
media_muestral <- matrix(0, n,1)
for (i in 1:n) {
media_muestral[i,1]=mean(sample(poblacion,size=20,replace=FALSE))
}

¿Cuál diríamos entones que sería la edad promedio de nuestro país imaginario ABC ?
Una mejor aproximación seria obtener la media de todas las medias muestrales.
mean(media_muestral)

## [1] 47.739

3
Si comparamos este valor con la media verdadera de la población tenemos
mean(poblacion)

## [1] 47.48587
Observamos que son valores más cercanos entre sí.
Además, en lugar de proponer un sólo número es posible proponer lo que se llama intervalo de confianza.
Un intervalo de confianza es un rango de valores sobre los cuales esperamos encontrar, en este caso la media
de la población.
Es decir, en lugar de considerar que la edad promedio es de 49 o 45 o 44 años, decimos que la edad promedio
se ubica por decir algo entre 42 y 49 años.
Para determinar un intervalo de confianza, debemos usar un nivel de confianza. De esta manera podemos
decir que tan confiados estamos de nuestra afirmación. Los niveles de confianza más comunes son 90%, 95%
y 99%. Entre más confiados estamos en un intervalo de confianza, más grande debe ser el intervalo.
Para elaborar un intervalo de confianza es necesario determinar la distribución de probabilidad de la media
muestral. Recuerda que con un histograma podemos darnos una idea de la distribución
hist(media_muestral, main="Histograma de la media muestral", n=30)

Histograma de la media muestral

10
8
Frequency

6
4
2
0

35 40 45 50 55 60 65

media_muestral
La distribución de la media muestral está dada por
 
σ
X = N µ, √
n
Los parámetros de la media muestral están dados por la media µ de la población y la desviación estándar
que se calcula como la desviación estándar de la población σ entre el número de observaciones contenidas en
la muestra.
La desviación estándar de la distribución del muestreo realizado √σn se conoce como error estándar de la
media. Entre mayor sea el valor de n, menor será el error estándar y mejor la aproximación de la media de
la muestra a la media verdadera.

4
Para calcular un intervalo de confianza para la media de la población, tenemos dos casos. Cual usar dependerá
si conocemos o no la desviación estándar de la población.

2.1 Caso 1: Si NO conocemos la varianza o desviación estándar de la población

Cuando la desviación estándar de la población (es decir la real) no es conocida la mejor forma de aproximarla
es usar la desviación estándar de la muestra s. De esta manera el intervalo d confianza para la media de la
población será

s
y ± tdf × √
n

Es decir, el intervalo de confianza para la media es igual al valor promedio calculado de la muestra y
mas/menos un valor que llamaremos tdf multiplicado por la desviación estándar de la muestra dividida entre
el número de datos √sn . El valor tdf determinará el nivel de confianza del intervalo. Para ello este comando
requiere de dos valores, uno que se relaciona con el nivel de confianza en decimales (nc) de acuerdo a la
siguiente formula nc + (1 − nc)/2 y otro al numero de observaciones de la muestra menos uno, df = n − 1
• Para un nivel de confianza del 90% (.9+(1-.9)/2=.95) con una muestra de tamaño 20, tenemos (20-1)
qt(0.95, df=19)
• Para un nivel de confianza del 95% con una muestra de tamaño 20, tenemos qt(0.975, df=19)
• Para un nivel de confianza del 99% con una muestra de tamaño 20, tenemos qt(0.995, df=19)
Cuando decimos más/menos nos referimos a que se debe efectuar tanto una suma como una resta. Por lo
cual un intervalo de confianza tiene un valor superior y un valor inferior.
Para calcular un intervalo de confianza en R usamos el comando t.test(). Por ejemplo, usando la muestra2
tenemos que el intervalo de confianza al 90% para la media de la población es
t.test(muestra2, conf.level =.90)[["conf.int"]]

## [1] 42.13558 57.96442

## attr(,"conf.level")
## [1] 0.9
En este caso el nivel de confianza se especifica usando conf.level =.90. Este comando ofrece una amplia
variedad de resultados y pruebas. Por lo pronto agregamos la indicación [[“conf.int”]], para que muestre
únicamente los resultados del intervalo.
Entonces, si redondeados a dos decimales, podemos concluir que con 95% de confianza la edad media de la
población del país ABC cumple 42.1356 ≤ µ ≤ 57.9644

2.2 Caso 2: Si conocemos la varianza o la desviación estándar de la población

Consideremos que de alguna manera sabemos que la varianza de la población con la que estamos trabajando
es de 602.5. En este caso podemos usar este valor para mejorar el intervalo de confianza. Para ello tenemos
que usar la siguiente regla

σ
y±z× √
n
Observa que ahora la formula incluye una z y no una t, ademas de una σ en lugar de una s. Esto es porque
antes no teníamos el dato sobre la varianza de la población.
Los valores z se calculan con el comando qnorm, usando un único parámetro, que depende del nivel de
confianza en decimales (nc) de acuerdo con la siguiente formula nc + (1 − nc)/2.

5
 • Para un nivel de confianza del 90% (.9+(1-.9)/2=.95), qnorm(0.95)
• Para un nivel de confianza del 95% (.95+(1-.95)/2=.975), qnorm(0.975)
• Para un nivel de confianza del 99% (.99+(1-.99)/2=.995), qnorm(0.995)
Siguiendo la regla para el intervalo de confianza con la muestra al 95% tenemos que es necesario conocer los
siguientes parametros:
• y la muestra
• σ representando la desviación estándar de la población (raíz de la varianza)
• nc de acuerdo con el nivel de confianza
Podemos construir una función para determinar este intervalo de confianza, para ello tenemos
ic_media_var_pob <- function(y, sigma, nc, variable)
{
z <- qnorm(nc+(1-nc)/2)
n <- length(y)
i_sup <- mean(y)+z*sigma/sqrt(n)
i_inf <- mean(y)-z*sigma/sqrt(n)
texto <- sprintf("Estamos %s%% seguros que el promedio de %s está entre %.2f y %.2f.",
(nc*100), variable, i_inf, i_sup)
return(list(texto))
}

Para utilizar esta función se requerirán los 4 parametros citados anteriormente. Se ha incluido uno extra en el
que se guarda el nombre de la variable que estamos analizando. Esta con el fin de que la función proporcione
como resultado un texto.
Definamos una variable sigma= 24.55
ic_media_var_pob(muestra2,sigma,.95,"edad")

## [[1]]
## [1] "Estamos 95% seguros que el promedio de edad está entre 39.09 y 61.01."
Observa que la función consume: la muestra de los datos, el valor sigma equivalente a la desviación estándar
de la población, un intervalo de confianza y el nombre de la variable. Esta función te puede ser de utilidad
en el futuro, cuando tengas la información sobre la varianza de la población. En la práctica es más común
usar el caso 1 y el caso 2 se deja específicamente para casos en los que por alguna razón, principalmente por
levantamiento anteriores, se conoce la desviación de la población.

3 Intervalo de confianza para las diferencias de medias

En ocasiones buscamos comparar las medias de dos muestras distintas. Una forma de hacerlo es efectuar un
intervalo de confianza para las diferencias de esas medias. Usaremos los datos del capítulo que llevan por
nombre “enoe.xlsx”.
library(readxl)
setwd("~/Dropbox/Curso Est R/Cap_4")
enoe <- read_xlsx("enoe.xlsx")

Estos datos contienen el ingreso mensual reportado en la Encuesta Nacional de Empleo en México. Nuestro
objetivo es determinar un intervalo de confianza para la diferencia de las medias del salario que ganan
los hombres y el que ganan las mujeres.
Al igual que antes, la forma del intervalo dependerá si conocemos o no la desviación estándar de la población.

6
3.1 Caso 1: Si NO se conoce la varianza o desviación estándar de las poblaciones

Cuando no conocemos la varianza de la población debemos considerar que pueden existir dos opciones: que
la varianza de las dos muestras se la misma o que la varianza de las dos muestras diferente. La mayoría de
los casos caemos en alguno de estos supuestos
Desarrollemos ambos casos. Para ello separemos la información correspondiente al ingreso de los hombres y
de las mujeres.
library(dplyr)
hombres <- subset(enoe, sex=="Hombre")
hombres<-hombres$ingreso_mensual
mujeres <- subset(enoe, sex=="Mujer")
mujeres <- mujeres$ingreso_mensual

3.1.1 Caso 1.1: Las dos muestras tienen igual varianza

El intervalo de confianza tiene esta forma

1 1
r
(y1 − y2 ) ± tdf Sagrup +
n1 n2

Donde ttd es el mismo parámetro que anteriormente. Con la diferencia que ahora

df = n1 + n2 − 2

En este caso
(n1 − 1)s21 + (n2 − 1)s22
Sagrup =
n1 + n2 − 2

3.1.2 Caso 1.2: Las muestras tienen diferente varianza

El intervalo de confianza tiene esta forma

s
s21 s2
(y1 − y2 ) ± tdf + 2
n1 n2
Donde ttd es el mismo parámetro que anteriormente. Con la diferencia que ahora
2
s21 s22

n1 + n2
df =  2 2  2
s1 s22
1
n1 −1 n1 + n21−1 n2

En este caso será necesario redondear el valor de df, para obtener un número entero.
De manera automática R dispone del comando t.test() para cualquiera de las posibilidades que ofrece el
caso 1. Como mencionamos anteriormente, este comando proporciona varias funcionalidades. Lo usaremos en
combinación con una función propia, para obtener el intervalo de confianza cuando no conocemos la varianza
de la población.

7
ic_dosmedias_nvp <- function(x,y,var_ig, nc, variable)
{
t <- t.test(x, y, var.equal = var_ig, conf.level = nc)[["conf.int"]]
i_inf <- t[1]
i_sup <- t[2]
texto <- sprintf("Estamos %s%% seguros que la diferencia del %s promedio entre
ambas muestras está entre %.2f y %.2f.",
(nc*100), variable, i_inf, i_sup)
resumen <- sprintf("%s%% IC: %.2f a %.2f",
(nc*100), i_inf, i_sup)
return(list(texto, resumen))
}

• Si la varianza entre ambas muestras es la misma usamos var_ig=TRUE. Observa que en este caso el
comando consume las muestras y pregunta si consideramos que las muestras tienen la misma varianza
o no. Si es la misma usamos
ic_dosmedias_nvp (x=hombres, y=mujeres, var_ig=TRUE, nc=.95, variable="salario")[[1]]

## [1] "Estamos 95% seguros que la diferencia del salario promedio entre \n ambas mues
ic_dosmedias_nvp (x=hombres, y=mujeres, var_ig=TRUE, nc=.95, variable="salario")[[2]]

## [1] "95% IC: 1510.55 a 1974.88"

• Si la varianza entre ambas muestras es diferente usamos var_ig=FALSE
ic_dosmedias_nvp (x=hombres, y=mujeres, var_ig=FALSE, nc=.95, variable="salario")[[1]]

## [1] "Estamos 95% seguros que la diferencia del salario promedio entre \n ambas mues
ic_dosmedias_nvp (x=hombres, y=mujeres, var_ig=FALSE, nc=.95, variable="salario")[[2]]

## [1] "95% IC: 1521.01 a 1964.42"

En los ejemplos que hemos realizado hemos usado el mismo conjunto de datos para estimar el intervalo de
confianza para la diferencia entre los salarios de los hombres y el salario de las mujeres, bajo los supuestos
que la varianza de ambas muestras es igual, pero también suponiendo que no lo son. Hicimos esto solo para
ejemplificar cómo funcionan los comandos que calculan esto de forma directa en R. Estrictamente en una
investigación real, debemos analizar primero como son las varianzas de las muestras. En la práctica será
mucho más común que las varianzas sean diferentes, sin embargo es necesario establecer que puede darse el
caso en que son iguales.
var(hombres)

## [1] 38953016
var(mujeres)

## [1] 26173669
En muestro ejemplo tenemos que la varianza de las muestras es diferente, por tanto la mejor aproximación es
la que hemos planteado en el caso 1.1, que nos llevó a concluir
## [[1]]
## [1] "Estamos 99% seguros que la diferencia del salario promedio entre \n ambas mues
##
## [[2]]
## [1] "99% IC: 1451.32 a 2034.10"

8
3.2 Caso 2: Si se conoce la varianza o desviación estándar de la población

En algunos casos es posible que conozcamos la varianza de población, por lo tanto es posible estimar la
varianza de las muestras de las cuales deseamos un intervalo de confianza para su diferencia. En tales casos
el procedimiento para realizar el intervalo, cambia un poco, la estimación dependerá si la varianza de las
muestras es la misma o es diferente. Supongamos que de alguna manera sabemos que la varianza de la
población de la cual provienen las muestras sobre los salarios de hombres es de 48654016 y la de las mujeres
es de 16974669. Usaremos estos datos para obtener un mejor intervalo de confianza.

3.2.1 Caso 2.1: Las dos muestran tienen la misma varianza

En este caso el intervalo de confianza esta dado por;

1 1
r
(y1 − y2 ) ± zσ +
n1 n2

Donde σ corresponde con la varianza de alguna de las poblaciones.

3.2.2 Caso 2.2 Las muestras tienen diferente varianza

Cuando tenemos diferentes varianzas en cada muestra el intervalo de confianza se construye de la siguiente
manera
s
σ12 σ2
(y1 − y2 ) ± z + 2
n1 n2
De manera directa establezcamos una función que permita efectuar el intervalo de confianza para cualquiera
de las opciones del caso 2.
ic_dosmedias_svp <- function(y1, y2,nc,var_ig, sigma1, sigma2, variable)
{
z <- qnorm(nc+(1-nc)/2)
n1<-length(y1)
n2<-length(y2)
if(var_ig==TRUE){
i_sup <- (mean(y1)-mean(y2))+z*sigma1*sqrt(1/n1+1/n2)
i_inf <- (mean(y1)-mean(y2))-z*sigma1*sqrt(1/n1+1/n2)
resumen <- sprintf("%s%% IC: %.2f a %.2f", (nc*100), i_inf, i_sup)
texto <- sprintf("Estamos %s%% seguros que la diferencia del %s promedio entre
ambas muestras está entre %.2f y %.2f.",
(nc*100),variable, i_inf, i_sup, variable)
return(list(texto, resumen))
}
if(var_ig==FALSE){
i_sup <- (mean(y1)-mean(y2))+z*sqrt(sigma1^2/n1+sigma2^2/n2)
i_inf <- (mean(y1)-mean(y2))-z*sqrt(sigma1^2/n1+sigma2^2/n2)
resumen <- sprintf("%s%% IC: %.2f a %.2f", (nc*100), i_inf, i_sup)
texto <- sprintf("Estamos %s%% seguros que la diferencia del %s promedio entre
ambas muestras está entre %.2f y %.2f.",
(nc*100),variable, i_inf, i_sup)
return(list(texto, resumen))
}

9
}
sigma1 <- sqrt(48654016)
sigma2 <- sqrt(16974669)

Si la varianza de las dos muestras es la misma tenemos

ic_dosmedias_svp(y1=hombres, y2=mujeres, nc=.95, var_ig=TRUE, sigma1=sigma1,
sigma2 = sigma2,
variable = "salario")[[1]]

## [1] "Estamos 95% seguros que la diferencia del salario promedio entre \n ambas
ic_dosmedias_svp(y1=hombres, y2=mujeres, nc=.95, var_ig=TRUE, sigma1=sigma1,
sigma2 = sigma2,
variable = "salario")[[2]]

## [1] "95% IC: 1465.28 a 2020.15"

Si la varianza de las dos muestras es diferente
ic_dosmedias_svp(y1=hombres, y2=mujeres, nc=.95, var_ig=FALSE, sigma1=sigma1,
sigma2 = sigma2, variable = "salario")[[1]]

## [1] "Estamos 95% seguros que la diferencia del salario promedio entre \n ambas
ic_dosmedias_svp(y1=hombres, y2=mujeres, nc=.95, var_ig=FALSE, sigma1=sigma1,
sigma2=sigma2, variable = "salario")[[2]]

## [1] "95% IC: 1528.17 a 1957.25"

Con todos los elementos hemos construido cuatro intervalos de confianza para la diferencia entre el salario
promedio de hombres y mujeres, usando datos de la Encuesta de Ocupación y Empleo.
Varianza_Muestras Misma Varianza Diferente Varianza
Var_Pob_NO_Conocida 95% IC: 1510.55 a 1974.88 95% IC: 1521.01 a 1964.42
Var_Pob_Conocida 95% IC: 1465.28 a 2020.15 95% IC: 1528.17 a 1957.25
¿Cuál de estos intervalos es la mejor aproximación?
En primer lugar los datos que tenemos pertenecen a una muestra (encuesta), por lo tanto no contamos con la
información real de la varianza de la población. El dato que hemos usado fue sólo para ejemplificar pero en
realidad no lo tenemos. Por lo tanto, debemos descartar las opciones de la columna que Var_Pob_Conocida.
Para validar si la varianza de ambas muestras es la misma, es necesario efectuar pruebas formales. Estas
pruebas se desarrollarán en el capítulo 5. Por ahora, sólo debemos entender como elaborar un intervalo de
confianza para el promedio de la diferencia entre dos muestras.

4 Intervalo para la media de muestras pareadas

Considera que dispones de la siguiente tabla con información de los resultados de un test que busca medir la
autoestima de una persona. Mayor puntaje en el test, mayor autoestima en confianza en sí mismo reporta
una persona. El mismo test se aplicó antes y después de tomar una serie de charlas motivacionales. Después
del ciclo de charlas algunos estudiantes incrementaron su calificación y algunos otros la disminuyeron.
X 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15
Antes 150 121 86 89 101 120 94 97 120 149 113 101 100 89 134
Despues 170 127 78 81 110 128 91 92 180 168 118 117 119 88 145

10
El objetivo es determinar un intervalo con el 95% de confianza para el incremento promedio observado. Este
tipo de problemas corresponde a lo que se conoce como muestra pareadas. Reciben este nombre porque cada
observación esta emparejada (pareada o relacionada). Podríamos decir que tenemos dos muestras, una que
contiene la información de antes (MA) y otra la de después (MD). La diferencia es que ahora cada observación
de MA estaá relacionada con la MD.
En este caso el intervalo de confianza esta dado por;
sd
d ± tdf ∗ √
n

Donde d, sd corresponde con la media y la desviación estándar de las diferencias de ambas muestras emparejadas.
En este caso td representará el valor para el intervalo que depende del nivel de confianza y df = n − 1.
Para nuestro ejemplo comencemos poniendo los datos en un vector para manipularlos en R
MA <- c(150, 121, 86, 89, 101, 120, 94, 97, 120, 149, 113,
101, 100, 89, 134)
MD <- c(170, 127, 78, 81, 110, 128, 91, 92, 180, 168, 118,
117, 119, 88, 145)

La función t.test() no ayuda nuevamente a efectuar el intervalo de confianza. En este caso debemos incluir la
opción ´paired = TRUE´ para indicar que se trata de una muestra pareada.
t.test(MA, MD, paired = TRUE, conf.level = 0.95)[["conf.int"]]

## [1] -19.2363274 -0.4970059

## attr(,"conf.level")
## [1] 0.95
Con los resultados tenemos que -19.2363274 ≤ µantes − µdespues ≤ -0.4970059
Por lo tanto, con 95% de confianza podemos decir que la diferencia de la medición de la autoestima entre
antes y después de las charlas está entre -19.24 y -0.5 puntos.
Observa que si introducimos de forma intercambiada los datos, tenemos el intervalo de confianza multiplicado
por menos uno.
t.test(MD, MA, paired = TRUE, conf.level = 0.95)[["conf.int"]]

## [1] 0.4970059 19.2363274

## attr(,"conf.level")
## [1] 0.95
En este caso tendríamos
0.4970059 ≤ µdespues − µantes ≤ 19.2363274
Por lo tanto, con 95% de confianza podemos decir que en promedio las charlas incrementaron la medida de
autoestima de los estudiantes entre 0.5 y 19.24 puntos

5 Intervalo para una proporción

Al construir un intervalo de confianza de una proporción a través de una muestra, obtendremos un rango de
valores, el cual creemos que contiene al verdadero valor de la proporción población. Escogemos un nivel de
confianza, ya sea del 90%, 95 o 99%, que nos indica qué tan probable es que la verdadera proporción de la
población se encuentre dentro de ese intervalo. Como resultado, el intervalo provee mejor información que la
estimación puntual de un estadístico.

11
Al igual otras estimaciones por intervalo, entre mayor sea el nivel de confianza elegido, mayor será el rango
del intervalo estimado que contiene al valor de la población, y a diferencia de otras estimaciones por intervalo,
cuando se trata de proporción existen diferentes fórmulas para calcularlo.
En esta sección discutiremos cuatro métodos para estimar un intervalo de confianza para una proporción.
1. Intervalo de wald: Es el método tradicional y análogo para estimar el intervalo de la media, sin embargo,
este método es consistente y extremadamente inexacto, a menos, que se tenga una muestra muy grande
y la proporción no se encuentre muy cerca a los extremos 0,1.
2. Intervalo de Agresti-Coull: Este intervalo es un ajuste al método de Wald, fácil de calcular analiticamente
y razonablemente exacto.
3. Intervalo de Clopper-Pearson (exact): Este método asegura una gran probabilidad cobertura, la cual
será siempre mayor al nivel de confianza elegido, sin embargo requiere de una transformación inversa de
la distribución beta, por lo tanto no se analiza analíticamente. Aunque es el método más exacto, genera
los intervalos más de confianza más amplios.
4. Intervalo de Wilson: Es también una mejora del método de Wald, más exacto que este y es conveniente
cuando se tienen muestras pequeñas o donde la proporción es cercana a los extremos 0,1.
El método tradicional de Wald, es poco preciso, ya que si generamos un intervalo de confianza del 95% y
generamos muchas muestras, en el largo plazo esperamos obtener una probabilidad de cobertura igual al
nivel de confianza, es decir, que el 95% de las veces, el valor del parámetro este dentro de los límites del
intervalo de confianza. En realidad, el método de Wald tiene una probabilidad de cobertura menor al nivel
de confianza, al rededor del 70% a 85% de las veces el intervalo captura el verdadero valor de la proproción,
por esta razón no se recomienda utilizar este intervalo, sin embargo, el método de Agresti-Coull, al ser una
modificación de este, requiere que lo describamos brevemente aunque no deba utilizarse.

5.1 Datos

Para los ejemplos de esta sección utilizaremos los mismos datos de le ENOE que utilizamos en la sección
anterior Analizaremos la proporción de personas que tiene un nivel de escolaridad media superior y superior
y construiremos un intervalo de confianza de este porcentaje.
setwd("~/Dropbox/Curso Est R/Cap_4")
rm(list=ls())
library(readxl)
library(dplyr)
library(tidyverse)
library(PropCIs)
enoe <- read_xlsx("enoe.xlsx")

Generaremos una nueva variable dicotómica, que sea igual a 1 cuando la persona tenga un nivel educativo
igual a “Medio superior y superior”:
enoe <- enoe %>%
mutate(medio_superior = case_when(
nivel_edu=="Medio superior y superior" ~ 1,
nivel_edu!="Medio superior y superior" ~ 0))

# Porcentaje de personas con este nivel educativo

mean(enoe$medio_superior)

## [1] 0.3244163

12
5.2 Intervalo de Wald

La construcción del intervalo de Wald es similar al de la media, es decir, se construye a partir de la proporción
más/menos un margen de error. En este caso el estimador se refiere a la proporción muestral p̂ y el margen
de error se construye a partir del error estándar y el valor z asociado al nivel de confianza elegido.
Recordemos que los valores z se calculan con el comando qnorm, usando un único parámetro, que depende
del nivel de confianza:
• Para un nivel de confianza del 90%, z = 1.645
• Para un nivel de confianza del 95%, z = 1.96
• Para un nivel de confianza del 99%, z = 2.58
La forma específica del intervalo de confianza de una proporción con el método de Wald:

p̂ ± z ∗ SE(p̂)

p̂ ± z ∗ (p̂q̂)/n
p

La proporción p̂ es el porcentaje de observaciones que cumple la condición y q̂ es el porcentaje de observaciones

que no cumple la condición q̂ = 1 − p̂
Para construir el intervalo de Wald, generamos la siguiente función
waldic <- function(x,n,confianza){
z <- qnorm(confianza+(1-confianza)/2)
p = x/n
se <- sqrt(((1-p)*p)/n)*z
li <- p-se
ls <- p+se
cint <- c(li, ls)
rval <- list(proporcion = p,intervalo = cint)
return(rval)
}

La función anterior requiere de entrada un valor x, el cual el indica el número total de casos de éxito, es decir,
la suma de todos los valores 1. El valor n indica el tamaño de la muestra. A partir de estos dos valores, la
función estima la proporción. También requiere indicar el nivel de confianza en forma de tasa.
Utilizamos esta forma de introducir los valores para que el usuario se familiarice con el resto de las funciones
que estiman intervalos de una proporción, las cuales, en su mayoría, en vez de dar como insumo un vector de
datos, requieren dos valores; el total de casos de éxito y el tamaño de la muestra.
Con esta función podemos generar un intervalo con los tres niveles de confianza, observa cómo cambia el
rango. Para tener un código que pueda leerse mejor generamos los dos valores que requiere la función:
exito <- sum(enoe$medio_superior)
n <- length(enoe$medio_superior)

waldic(exito, n, confianza= 0.90)

## $proporcion
## [1] 0.3244163
##
## $intervalo
## [1] 0.3168214 0.3320112
waldic(exito, n, confianza= 0.95)

## $proporcion

13
## [1] 0.3244163
##
## $intervalo
## [1] 0.3153665 0.3334662
waldic(exito, n, confianza= 0.99)

## $proporcion
## [1] 0.3244163
##
## $intervalo
## [1] 0.3125228 0.3363099

5.3 Intervalo de Agresti-Coull

El invervalo de Agresti-Coull es una modificación del intervalo de Wald, el cual añade dos observaciones al
número de casos de éxito (cuando la variable de interés es igual a 1) y 2 observaciones al número de casos de
fracaso (cuando la variable de interés es igual a 0) de modo que el total de observaciones aumentó en cuatro.
Con esta simple modificación el intervalo mejora su probabilidad de cobertura. También se le conoce como el
método más cuatro.
Para este cálculo necesitamos la libreria PropCIs, la cual requiere instalación previa. La función que
utilizaremos se llama add4ci. Esta función requiere de tres valores, el total de casos de éxito, el tamaño de la
muestra y el nivel de confianza.
Para estimar los intervalos de confianza con los tres niveles:
add4ci(exito, n,conf.level = 0.90)

##
##
##
## data:
##
## 90 percent confidence interval:
## 0.3168908 0.3320785
## sample estimates:
## [1] 0.3244846
add4ci(exito, n,conf.level = 0.95)

##
##
##
## data:
##
## 95 percent confidence interval:
## 0.3154360 0.3335332
## sample estimates:
## [1] 0.3244846
add4ci(exito, n,conf.level = 0.99)

##
##
##
## data:

14
##
## 99 percent confidence interval:
## 0.3125928 0.3363765
## sample estimates:
## [1] 0.3244846

5.4 Intervalo de Wilson

El intervalo de Wilson o intervalo de confianza de la puntuación de Wilson, tiene buena probabilidad de

cobertura y se recomienda usar cuando la muestra es pequeña o la proporción muestral es cercana a 0 o 1.
La fórmula para calcular este intervalo es:
r
Z2
α/2
2 p̂q̂+
p̂ ± Zα/2 n
4n

2
Zα/2
1+ n

Afortunadamente, el software realizará los calculos por nosotros. El comando que utilizaremos se llama
scoreci, el cual también forma parte de la paqueteria PropCIs
Para calcular este intervalo con los tres niveles de confianza:
scoreci(exito, n,conf.level = 0.90)

##
##
##
## data:
##
## 90 percent confidence interval:
## 0.3169 0.3321
scoreci(exito, n,conf.level = 0.95)

##
##
##
## data:
##
## 95 percent confidence interval:
## 0.3154 0.3335
scoreci(exito, n,conf.level = 0.99)

##
##
##
## data:
##
## 99 percent confidence interval:
## 0.3126 0.3364

5.5 Intervalo de Clopper-Pearson

Es un método “exacto” en el sentido de utiliza la distribución binomial exacta en lugar de una aproximación
de una distribución. Cuando se elige un nivel de confianza, la probabilidad de cobertura suele ser mayor a

15
este. La estimación del intervalo es complicada, sin embargo, dependeremos del software para estimar este
intervalo.
Utilizando la función exactci de la paqueteria PropCIs, la sintaxis es similar al resto de las funciones:
exactci(exito, n,conf.level = 0.90)

##
##
##
## data:
##
## 90 percent confidence interval:
## 0.3168102 0.3320960
exactci(exito, n,conf.level = 0.95)

##
##
##
## data:
##
## 95 percent confidence interval:
## 0.3153686 0.3335636
exactci(exito, n,conf.level = 0.99)

##
##
##
## data:
##
## 99 percent confidence interval:
## 0.3125579 0.3364381
Para comparar los diferentes métodos de un intervalo, observa cómo cambian para esta proporción:
print("Wald")

## [1] "Wald"
waldic(exito, n, confianza= 0.95)

## $proporcion
## [1] 0.3244163
##
## $intervalo
## [1] 0.3153665 0.3334662
print("A-C")

## [1] "A-C"
add4ci(exito, n,conf.level = 0.95)

##
##
##
## data:
##

16
## 95 percent confidence interval:
## 0.3154360 0.3335332
## sample estimates:
## [1] 0.3244846
print("Wilson")

## [1] "Wilson"
scoreci(exito, n,conf.level = 0.95)

##
##
##
## data:
##
## 95 percent confidence interval:
## 0.3154 0.3335
print("Exacto")

## [1] "Exacto"
exactci(exito, n,conf.level = 0.95)

##
##
##
## data:
##
## 95 percent confidence interval:
## 0.3153686 0.3335636

6 Intervalo para dos proporciones

Al igual que cuando tenemos dos medias muestrales, cuando deseamos analizar el comportamiento de dos
proporciones, analizamos las diferencias de dos proporciones. Al construir un intervalo de esta diferencia
determinamos un rango de valores que creemos contiene el verdadero valor de la población. Al igual que los
casos anteriores podemos elegir un nivel de confianza del 90%, 95% o 99%, el cual nos indica, en el largo
plazo, que tan probable es que la verdadera diferencia de las proporciones se encuentre en el rango estimado.
Una estimación por intervalo es mejor que una estimación puntual.
En esta sección analizaremos tres métodos para estimar un intervalo de confianza de una diferencia de dos
proporciones:
• Método de Wald: Es el método más común, pero también es menos exacto. Al igual que el método de
Wald para una proporción, no es recomendable utilizarlo, a menos que se tenga una muestra grande y
las proporciones no estén cerca de los límites 0,1. También se le conoce como intervalo de Wald sin
corrección de continuidad.
• Método de Agresti-Caffo: Se recomienda usar si se desea un intervalo de confianza preciso y también
que sea fácil de calcular analíticamente.
• Método de Newcombe: Es dificil de calcular analíticamente por lo que dependeremos del software para
estimarlo. Es muy preciso y se recomienda ampliamente por investigadores ya que provee de un buen
balance entre la probabilidad de cobertura y precisión.
Similar al caso de una proporción, es importante elegir el intervalo de confianza correcto debido a la
probabilidad de cobertura.

17
6.1 Datos

Al igual que el caso anterior, utilizaremos una submuestra de la encuesta ENOE para analizar la proporción de
personas que tiene un nivel de escolaridad media superior y superior y por sexo. Y construiremos un intervalo
de confianza para la diferencia entre el porcentaje de hombres y mujeres con este nivel de escolaridad.

6.2 Método de Wald

Primero necesitamos dividir nuestra muestra en dos grupos, uno de hombres y uno de mujeres.
mujer <- enoe %>%
filter(sex=="Mujer")

hombre <- enoe %>%

filter(sex=="Hombre")
# porcentaje de personas con educación media superior y superior
mean(mujer$medio_superior)

## [1] 0.3478261
mean(hombre$medio_superior)

## [1] 0.3099102
# Diferencia entre porcentajes (Mujer-Hombre)
mean(mujer$medio_superior)-mean(hombre$medio_superior)

## [1] 0.03791589
El método de Wald para la diferencia de dos proporciones tiene la forma tradicional, el estimador puntual
más menos un margen de error. La forma específica del intervalo es:

(pˆ1 − pˆ2 ) ± z ∗ SE(pˆ1 − pˆ2 )

El error estándar se calcula de la siguiente forma:

pˆ1 qˆ1 pˆ2 qˆ2

r
( + )
n1 n2
La proporción hatp1 se refiere al porcentaje de mujeres con educación media superior y superior, mientras
que hatp2 se refiere al porcentaje de hombres con este nivel de escolaridad, también se requiere calcular los
complementos qˆ1 , qˆ2 que los porcentajes de fracaso, es decir, qˆ1 = 1 − pˆ1 , qˆ2 = 1 − pˆ2 .
Para calcular en R este intervalo necesitamos tener un vector con el número total de casos de éxito para
cada grupo y un vector con número total de observaciones de cada grupo. La función prop.test requiere de
entrada de estos dos vectores para calcular las proporciones correspondientes y el intervalo de confianza.
Además, necesitamos especificar la opción “correct” con el valor “FALSE”, ya que de manera predeterminada
la función estima el intervalo con corrección por continuidad. Si queremos estimar el método tradicional del
Wald, es necesario desactivar esta opción:
# Total de casos de éxito para cada grupo
exito_mh <- c(sum(mujer$medio_superior),sum(hombre$medio_superior))
# Total de observaciones en cada grupo
n_mh <- c(length(mujer$medio_superior),length(hombre$medio_superior))

prop.test(exito_mh,n_mh,correct = FALSE, conf.level = .95)

18
##
## 2-sample test for equality of proportions without continuity
## correction
##
## data: exito_mh out of n_mh
## X-squared = 15.928, df = 1, p-value = 6.58e-05
## alternative hypothesis: two.sided
## 95 percent confidence interval:
## 0.01918081 0.05665098
## sample estimates:
## prop 1 prop 2
## 0.3478261 0.3099102

6.2.1 Método de Wald con corrección por continuidad

Para mejorar el método de Wald, se puede hacer una corrección por continuidad, es un ajuste que se realiza
cuando se usa una distribución normal continua para aproximar una distribución binomial discreta.
Para calcular este intervalo en R simplemente debemos cambiar especificar la opción correct con el valor
TRUE de función prop.test:
prop.test(exito_mh,n_mh,correct = TRUE, conf.level = .95)

##
## 2-sample test for equality of proportions with continuity correction
##
## data: exito_mh out of n_mh
## X-squared = 15.755, df = 1, p-value = 7.208e-05
## alternative hypothesis: two.sided
## 95 percent confidence interval:
## 0.01897490 0.05685689
## sample estimates:
## prop 1 prop 2
## 0.3478261 0.3099102
Existe otra función con la cual podemos calcular este intervalo, utilizando la función pairwiseCI de la libreria
con el mismo nombre pairwiseCI.
Esta función requiere de insumos con una estructura diferente. En vez de tener dos vectores con el total de
casos de éxito y el tamaño del grupo. Podemos tener una sola tabla de datos con total de casos de éxito, el
tamaño del grupo, el total de fracasos y una variable categórica que indica a que grupo pertenecen estos
valores.
enoe_grupo <- enoe %>%
mutate(total=1) %>%
group_by(sex) %>%
summarise(medio_superior=sum(medio_superior), n=sum(total)) %>%
mutate(fracaso=n-medio_superior)

## `summarise()` ungrouping output (override with `.groups` argument)

enoe_grupo

## # A tibble: 2 x 4
## sex medio_superior n fracaso
## <chr> <dbl> <dbl> <dbl>
## 1 Hombre 1967 6347 4380

19
## 2 Mujer 1368 3933 2565
Para calcular el intervalo usamos la siguiente sintaxis:
library(pairwiseCI)

## Loading required package: MCPAN

## Loading required package: coin
## Loading required package: survival
pairwiseCI(cbind(medio_superior, fracaso) ~ sex, data=enoe_grupo,conf.level = 0.95,
method = "Prop.diff", CImethod="CC")

##
## 95 %-confidence intervals
## Method: Continuity corrected interval for the difference of proportions
##
##
## estimate lower upper
## Mujer-Hombre 0.0379 0.019 0.0569
##
##
Puedes notar que con ambas funciones se llega al mismo resultado.

6.3 Agresti-Caffo

El método de Agresti-Caffo es una modificación al método de Wald, el cuál mejora la probabilidad de

cobertura del intervalo incluso cuando el tamaño de la muestra es bajo o las proporciones estan cerca de los
limites 0,1.
Este método consiste en recalcular las proporciones de ambos grupos añadiendo un caso de éxito a cada uno
y dos observaciones al tamaño de cada grupo, idea similar al método de Agresti-Coull de una proporción.
Con estos cambios, el intervalo mejora su probabilidad de cobertura.
En R podemos utilizar dos funciones para calcularlo, la primera es la función wald2ci de la paqueria PropCIs
y la función pairwiseCI de la libreria pairwiseCI.
Para calcular el intervalo de Agresti-Caffo con la función wald2ci, se utiliza la siguiente sintaxis, la función
requiere el total de casos de éxito de cada grupo y el tamaño de la muestra de cada grupo, ambos elementos
ya fueron calculados anteriormente en los objetos exito_mh y n_mh
library(PropCIs)
wald2ci(exito_mh[1],n_mh[1],exito_mh[2],n_mh[2],
conf.level = 0.95, adjust=TRUE)

##
##
##
## data:
##
## 95 percent confidence interval:
## 0.01920138 0.05666533
## sample estimates:
## [1] 0.03793336

20
Para calcular el intervalo con la función pairwiseCI, utilizamos la siguiente sintaxis, nota que es la misma
función que usamos anteriormente, solo debemos cambiar el valor de opción CImethod por el valor “AC”:
pairwiseCI(cbind(medio_superior, fracaso) ~ sex, data=enoe_grupo,
conf.level = 0.95, method = "Prop.diff", CImethod="AC")

##
## 95 %-confidence intervals
## Method: Agresti-Caffo interval for the difference of proportions
##
##
## estimate lower upper
## Mujer-Hombre 0.0379 0.0192 0.0567
##
##

6.4 Newcombe

Este método es ampliamente recomendado, excepto cuando se tiene muestras pequeñas. Para calcular este
intervalo usamos la función pairwiseCI con la misma sintaxis de los ejemplos anterior, cambiando la opción
del método CImethod por “NHS” que se refiere al método de Newcombe.
pairwiseCI(cbind(medio_superior, fracaso) ~ sex, data=enoe_grupo,
conf.level = 0.95, method = "Prop.diff", CImethod="NHS")

##
## 95 %-confidence intervals
## Method: Newcombes Hybrid Score interval for the difference of proportions
##
##
## estimate lower upper
## Mujer-Hombre 0.0379 0.0192 0.0567
##
##

7 Intervalo para una Varianza

La varianza muestral s2 es un estimador puntual de la varianza poblacional σ 2 . Al construir un intervalo de
confianza a partir de una muestra, podemos determinar un rango de valores que creemos contiene el verdadero
valor de la varianza poblacional. Escogemos un nivel de confianza, ya sea del 90%, 95 o 99%, que nos indica
qué tan probable es que la verdadera varianza de la población se encuentre dentro de ese intervalo. Como
resultado, el intervalo provee mejor información que la estimación puntual de un estadístico.
Para construir un intervalo de confianza necesitamos conocer la distribución muestral de la varianza. A
diferencia de otros intervalos de confianza, el intervalo de una varianza no es simétrico alrededor de la varianza
muestral, además, es sensible a si nuestra población tiene una distribución normal o no, como resultado la
distribución muestral de la varianza es una distribución χ2 con grados de libertad igual a n − 1. Cuando se
asume normailidad de la población (y solo bajo este supuesto) el error estándar de la varianza se calcula
con la siguiente formula. El error estándar nos indica cuánto se dispersa el promedio de las varianzas de
una distribución muestral, el error estándar es una característica de las distribuciones muestrales, no de la
población.

21
 2
r
SE(σ ) = s
2 2
n−1

Para la construcción de un intervalo de confianza de la varianza, al ser asimétrico se construye con la siguiente
formula:

(n − 1)s2 2 (n − 1)s2
≤ σ ≤
χ2mayor χ2menor
Para calcular este intervalo necesitamos conocer el tamaño de la muestra y la varianza muestral. Además
necesitamos determinar dos valores de la distribución chi-cuadrada (χ2 ) de tal manera que proporcionen que
el área (o probabilidad) entre ambos valores sea igual al nivel de confianza elegido.
Pensemos en un nivel de confianza del 95%. La probabilidad total que se encuentra entre χ2menor y χ2mayor
es igual a 95% (0.95), por lo tanto, la probabilidad que se encuentra a la izquierda del valor χ2menor y a la
derecha de χ2mayor es igual a 5%, equivalente a 2.5% a cada extremo.
Para encontrar el valor χ2menor necesitamos encontrar el valor de la distribución asociado a una probabilidad
de 0.025 (2.5%) a la izquierda y grados de libertad n − 1, es decir, cuando el área desde cero hasta χ2menor es
de 0.025.
Para encontrar el valor χ2mayor necesitamos encontrar el valor de la distribución asociado a una probabilidad
de 0.975 (97.5%) a la izquierda y grados de libertad n − 1, es decir, cuando el área desde cero hasta χ2mayor
es de 0.975.
Esto resulta más sencillo de obtener a través de la función qchisq la cual nos reporta el valor de la distribución
chi-cuadrada asociado a una probabilidad que va desde 0 hasta el valor requerido y grados de libertad n − 1,
de esta manera para los diferentes niveles de confianza necesitamos los siguientes valores de chi-cuadrado
menor y mayor:
• Nivel de confianza del 90%:
– χmenor = qschisq(0.05, df = (n − 1))
– χmayor = qschisq(0.95, df = (n − 1))
• Nivel de confianza del 95%:
– χmenor = qschisq(0.025, df = (n − 1))
– χmayor = qschisq(0.975, df = (n − 1))
• Nivel de confianza del 99%:
– χmenor = qschisq(0.005, df = (n − 1))
– χmayor = qschisq(0.995, df = (n − 1))

7.1 Datos

Usando el mismo extracto de la muestra ENOE, construyamos un intervalo de confianza para la varianza del
ingreso mensual. Los cálculos son sencillos de realizar sin utilizar ninguna función específica:
# Varianza del ingreso
varianza <- var(enoe$ingreso_mensual)

# Chi menor
chi_menor <- qchisq(0.025,df=(length(enoe$ingreso_mensual)-1))

# Chi mayor
chi_mayor <- qchisq(0.995,df=(length(enoe$ingreso_mensual)-1))

22
# limite inferior
li <- ((length(enoe$ingreso_mensual)-1)*varianza)/chi_mayor
# limite superior
ls <- ((length(enoe$ingreso_mensual)-1)*varianza)/chi_menor

limites <- c(li, ls)

intervalo_varianza <- list(varianza = varianza,intervalo = limites)

intervalo_varianza

## $varianza
## [1] 34778240
##
## $intervalo
## [1] 33560162 35748988

8 Intervalo para dos Varianzas

En ocasiones nos interesa comparar las varianzas de dos grupos o de dos poblaciones. Para ello se obtienen
datos de dos muestras aleatorias independientes, y para poder comparar las varianzas de la muestra uno s21
con la varianza de la muestra dos s22 , analizamos el cociente de ambas varianzas, es decir s21 /s22 .
Al construir un intervalo de confianza a partir de las muestras, podemos determinar un rango de valores
que creemos contiene el verdadero valor del cociente de las varianzas poblaciones. Escogemos un nivel de
confianza, ya sea del 90%, 95 o 99%, que nos indica qué tan probable es que el verdadero cociente de las
varianzas de la población se encuentre dentro de ese intervalo. Como resultado, el intervalo provee mejor
información que la estimación puntual de este cociente.
Para poder realizar este intervalo, necesitamos conocer la distribución muestral del cociente de las varianzas
s21 /s22 , al igual que el caso de una varianza, el intervalo de dos varianzas no es simetrico alrededor del valor
puntual, además, también es sensible a si nuestra población tiene una distribución normal o no.
La distribución muestral del cociente s21 /s22 es una distribución F con n1 −1 grados de libertad en el numerador
y n2 − 1 grados de libertad en el denominador.
La forma del intervalo de confianza sigue la siguiente formula, la cual no sigue la regla del estimador puntual
más menos un margen de error. Es más parecida a la formula del intervalo de confianza de una varianza.

s21 σ12 s21

Fmenor ≤ ≤ Fmayor
s22 σ22 s22
Para calcular este intervalo necesitamos conocer el tamaño de cada muestra y su varianza muestral. Además
necesitamos determinar dos valores de la distribución F de tal manera que proporcionen que el área (o
probabilidad) entre ambos valores sea igual al nivel de confianza elegido.
Pensemos en un nivel de confianza del 95%. La probabilidad total que se encuentra entre Fmenor y Fmayor
es igual a 95% (0.95), por lo tanto, la probabilidad que se encuentra a la izquierda del valor Fmenor y a la
derecha de Fmayor es igual a 5%, equivalente a 2.5% a cada extremo.
Para encontrar el valor Fmenor necesitamos encontrar el valor de la distribución asociado a una probabilidad
de 0.025 (2.5%) a la izquierda y grados de libertad n1 − 1 en el numerador y n2 − 2 en el denominador, es
decir, cuando el área desde cero hasta Fmenor es de 0.025.

23
Para encontrar el valor Fmayor necesitamos encontrar el valor de la distribución asociado a una probabilidad
de 0.975 a la izquierda y grados de libertad n1 − 1 en el numerador y n2 − 2 en el denominador, es decir,
cuando el área desde cero hasta Fmayor es de 0.975.
Esto resulta más sencillo de obtener a través de la función qf la cuál nos reporta el valor de la distribución
F asociado a una probabilidad que va desde 0 hasta el valor requerido y grados de libertad n1 − 1 en el
numerador y n2 − 1 en el denominardor, de esta manera para los diferentes niveles de confianza necesitamos
los siguientes valores de F menor y mayor:
• Nivel de confianza del 90%:
– Fmenor = qf (0.05, df 1 = (n1 − 1), df 2 = (n2 − 1))
– Fmayor = qf (0.95, df = (n − 1))
• Nivel de confianza del 95%:
– Fmenor = qf (0.025, df 1 = (n1 − 1), df 2 = (n2 − 1))
– Fmayor = qf (0.975, df 1 = (n1 − 1), df 2 = (n2 − 1)))
• Nivel de confianza del 99%:
– Fmenor = qf (0.005, df 1 = (n1 − 1), df 2 = (n2 − 1))
– Fmayor = qf (0.995, , df 1 = (n1 − 1), df 2 = (n2 − 1))

8.1 Datos

Con los sobre ingresos de los trabajadores de la encuesta ENOE, podemos construir un intervalo de confianza
para el
var_mujer <- enoe %>%
filter(sex=="Mujer") %>%
mutate(total=1) %>%
summarise(var=var(ingreso_mensual), n=sum(total))

var_hombre<- enoe %>%

filter(sex=="Hombre") %>%
mutate(total=1) %>%
summarise(var=var(ingreso_mensual), n=sum(total))

F_menor <- qf(0.025,df1=var_mujer$n-1,df2=var_hombre$n-1)

F_mayor <- qf(0.975,df1=var_mujer$n-1,df2=var_hombre$n-1)

limites <- c((var_mujer$var/var_hombre$var)*F_menor,

(var_mujer$var/var_hombre$var)*F_mayor)

intervalo_varianza <- list(cociente = var_mujer$var/var_hombre$var,intervalo = limites)

intervalo_varianza

## $cociente
## [1] 0.6719292
##
## $intervalo
## [1] 0.6350494 0.7106829
Observa que el intervalo no incluye el valor 1, cuando s21 es igual a s22 , por lo tanto, podemos concluir que
existe evidencia suficiente para decir que la variación en el ingreso de hombres y mujeres es diferente, pues

24
tenemos una confianza del 95% de que el intervalo 0.63 - 0.71 realmente contiene el valor verdadero del
cociente de las varianzas.

9 Intervalo para una regresión lineal

Cuando realizamos una regresión lineal, nos interesa también construir intervalos de confianza para los
parámetros estimados, en el caso de una regresión lineal simple, del intercepto (o constante) y la pendiente.
Al tener una muestra y estimar una regresión lineal obtenemos una estimación puntual de la constante (α̂)
y la pendiente (β̂), al construir un intervalo al rededor de estos valores, podemos determinar un rango de
valores el cuál creemos que contiene el verdadero valor de la población. El intervalo provee mejor información
que la estimación puntual de este estos parámetros.

9.1 Intervalo de confianza de la pendiente

Para calcular un intervalo de confianza de la pendiente es necesario conocer la distribución muestral de este,
es decir, toda la colección de posibles resultados que se obtendrían que tomar muchas muestras y estimamos
una regresión lineal. Para cada estimación tendremos un coeficiente de la pendiente. Todos los posibles
coeficientes dibujan una distribución normal, en cuyo centro se encuentra el verdadero valor la pendiente, y a
la cuál podemos calcular la desviación estándar.
La desviación estándar de la pendiente de la regresión se refiere al error estándar, nos indica cuánto se
dispersa el promedio de estos coeficientes de una distribución muestral, el error estándar es una característica
de las distribuciones muestrales, no de la población.
La forma general del intervalo es similar al de la media, un estimador puntual, más menos un margen de
error. La forma específica es la siguiente formula:

β̂ ± tdf SE(β̂)
Donde β̂ se refiere al estimador puntual de la pendiente, que se obtiene al estimar la regresión lineal, tdf al
valor de tdf asociado al nivel de confianza seleccionado y los grados de libertad del tamaño de muestra SE(β̂)
es el error estándar de la pendiente el cual depende de los residuales de la regresión.
El error estándar de la pendiente es el error estándar de los residuales Se y dividirlo entre la desviación
estándar de la variable independiente x Sx multiplicado por la raíz de n − 1
S
SE(β̂) = √e
Sx n − 1
rP
(residuales)2
A su vez, Se = n−2

9.2 Intervalo de confianza del intercepto

Cuando se estima el intervalo de confianza del intercepto se utiliza la misma idea que para una pendiente, el
estimador puntal más menos un margen de error. La forma específica de este intervalo es la siguiente formula:

α̂ ± tdf SE(α̂)

Donde α̂ se refiere al estimador puntual del intercepto, que se obtiene al estimar la regresión lineal, tdf al
valor de tdf asociado al nivel de confianza seleccionado y los grados de libertad del tamaño de muestra SE(α̂)

25
es el error estándar del intercepto el cual depende de la desviación estándar de la variable dependiente, de la
suma de las desviaciones de la variable independiente respecto a su media.
q
x2
El error estándar del intercepto es SE(α̂) = Sy,x n1 + SS donde SSxx = (xi − x)2
P
xx

Afortunadamente R facilita estos cálculos a través del comando confit

9.3 Datos

Usando datos del Banco Mundial para un grupo de países del continente Americano, analizaremos cual es la
relación lineal que existe entre el PIB per cápita y la esperanza de vida.
Para evitar una gran dispersión entre los datos, analizaremos la relación lineal entre el logaritmo natural
de la esperanza de vida como variable dependiente y el logaritmo natural del PIB per cápita como variable
independiente.
Estos datos se pueden encontrar el archivo “csv” llamado “indicadores_banco_mudial”.
setwd("~/Dropbox/Curso Est R/Cap_4")
rm(list=ls())
data <- read_csv("indicadores_banco_mudial.csv")

data <- data %>%

mutate(lnpib=log(pib_pc),
lnesperanza=log(esperanza))

modelo <- lm(lnesperanza ~ lnpib, data=data)

summary(modelo)

##
## Call:
## lm(formula = lnesperanza ~ lnpib, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -0.19796 -0.02828 0.01268 0.04448 0.10005
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 3.290856 0.052032 63.25 <2e-16 ***
## lnpib 0.110455 0.005999 18.41 <2e-16 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.06562 on 529 degrees of freedom
## Multiple R-squared: 0.3906, Adjusted R-squared: 0.3894
## F-statistic: 339 on 1 and 529 DF, p-value: < 2.2e-16
Nota que en el resumen del modelo, obtenemos el error estándar tanto del intercepto como de la pendiente.
Por lo que podemos calcular manualmente los intervalos de confianza, sin embargo podemos ahorrar algunas
líneas de código al utilizar la función confit.
Para calcular los intervalos solo es necesario indicar el objeto en el cual se guardó el modelo de regresión
y el nivel confianza que seleccionamos, de esta manera obtenemos los limites inferior y superior de ambos
coeficientes:

26
confint (modelo, level=0.95)

## 2.5 % 97.5 %
## (Intercept) 3.18864052 3.3930715
## lnpib 0.09867111 0.1222394
Con estos intervalos podemos concluir y tener un mejor indicador que los estimados puntuales.
Con una confianza del 95%, el verdadero valor del intercepto se encuentra en el rango 3.18 - 3.39 y la verdadera
pendiente de la regresión lineal se encuentra en el rango 0.098 - 0.122.
Además del intervalo de confianza de la pendiente, podemos ver gráficamente con un diagrama de dispersión,
junto con la recta de regresión, el intervalo de confianza del valor medio de la variable dependiente, además
de un intervalo de predicción.
El intervalo de confianza del valor medio de y: Se refiere a un intervalo del valor medio de las y que
corresponden a un valor dado de x. Tenemos una confianza del A% de que la respuesta media para un valor
dado de x se encontrará entre los limites inferior y superior.
El intervalo de predicción: Se refiere a un rango de valores el cuál esperamos que contenga el valor predicho
de un solo valor y en una ecuación de regresión para un solo valor dado de x. Tenemos una confianza de A%
de que cualquier observación predicha a partir de la variable independiente estará dentro de este rango. Por
esta razón los intervalos de predicción son más amplios.
Para poder graficar estos intervalos podemos utilizar la función plot.add.ci que fue elaborada por John Gosink:
plot.add.ci <- function(x, y, interval='prediction', level=0.9,
regressionColor='red', ...) {
xOrder <- order(x)
x <- x[xOrder]
y <- y[xOrder]
fit <- lm(y ~ x, data=data.frame(x=x, y=y))
newX <- data.frame(x=jitter(x))
fitPred <- predict.lm(fit,newdata=newX,interval=interval,level=level, ...)
abline(lm(y ~ x), col=regressionColor)
lines(newX$x, fitPred[,2], lty=2, ...)
lines(newX$x, fitPred[,3], lty=2, ...)
}

La función de manera predeterminada estima el intervalo de predicción, para poder graficar el intervalo de
confianza tenemos que cambiar la opción interval. La línea roja indica la recta de regresión, la línea verde el
intervalo de predicción y la azul el intervalo de confianza.
plot(data$lnpib,data$lnesperanza, pch=1,
main="Intervalo de predicción y confianza")

# Intervalo de predicción
plot.add.ci(data$lnpib, data$lnesperanza, col="green", level=0.95, lwd="3")

# Intervalo de confianza
plot.add.ci(data$lnpib, data$lnesperanza, col="blue", level=0.95, interval = "confidence", lwd=3)

27
 Intervalo de predicción y confianza

4.3
data$lnesperanza

4.2
4.1
4.0

7.5 8.0 8.5 9.0 9.5

data$lnpib

28