Intervalos de Confianza

Intervalos de Confianza
Contenido
Estimacin de parmetros
Estimacin de intervalos
Intervalo de confianza para la media
Intervalo de confianza para la varianza
Otros Intervalos de Confianza
Intervalos de tolerancia
Ints. de confianza y regresin lineal
UMSNH-FIE
Estimacin de Parmetros
Parmetros poblacionales y Estadsticos Muestrales

Parmetros:
Histograma de la Poblacion
160
140 Media (m)

120
100
Varianza(s2)
Frecuencia
Datos 80
60
Desv. Est. (s)
(Poblacin de Inters) 40
20
0
Etc.
-4 -2 0 2 4
Clases
Inferencias
Muestreo Histograma de la Muestra
Estadsticos:
16
14
12 Promedio ( X )
Frecuencia
10
Muestras 8 Varianza muestral(S2)

6
4 Desv. Est. muestral(S)

2
0
-4 -2 0 2 4 Etc.
Clases
UMSNH - FIE
Ejemplo: Estimacin de la media de una poblacin
Parmetro que se pretende estimar : La media de la poblacin ( ) que en

general no se conoce, no se puede conocer, o se conoce slo un valor terico:
Estimador: La media muestral ( X ) que se calcula a partir de una muestra de

N datos como sigue:
____
1
X N
(x1 x 2 ... x N )
El estimador (en el ejemplo la media muestral) puede tomar diferentes

valores (aleatorios) dependiendo de la muestra (aleatoria) considerada, es
decir, el estimador es una variable aleatoria
Es natural preguntarse : Cul ser la distribucin de probabilidad del

estimador? De hecho cules sern sus parmetros? tendrn que ver con los
de la poblacin?
UMSNH - FIE
Ejemplo: Lanzamiento de un dado
Poblacin de inters : El conjunto de datos obtenidos al lanzar un dado legal
en diversas ocasiones
Parmetro de inters : La media () de la poblacin
____
1
Estimador: La media muestral ( X ) X N (x 1 x 2 ... x N )
Experimento aleatorio : Lanzar un dado

Variable aleatoria X= nmero obtenido en la cara superior
Espacio muestral = {1, 2 , 3, 4, 5 , 6}
Distribucin de la variable aleatoria X: Uniforme
Media terica: =3.5
UMSNH - FIE
Distribucin de la variable aleatoria (X) del experimento
Funcin de Probabilidad: f(x) = P(X=x)
x 1 2 3 4 5 6
f(x) 1/6 1/6 1/6 1/6 1/6 1/6
Funcin de Probabilidad
0.2
0.15
f(x)
0.1
m
0.05
0
1 2 3 4 5 6
x
UMSNH - FIE
Distribucin del estadstico X .
Diferentes clculos de X para N=10:

Muestra x1 x2 x3 x4 x5 x6 x7 x8 x9 x10 X
1 1 3 5 1 1 2 2 4 2 2 2.1
2 1 5 3 6 3 3 6 4 2 5 3.8
3 6 1 5 3 5 4 5 3 2 2 3.2
4 2 5 2 4 1 5 3 6 6 4 3.8
5 3 6 5 4 5 4 3 2 3 4 3.7
... ...
Cada muestra puede considerarse como:
10 valores de la variable aleatoria X,
1 slo valor para 10 variables aleatorias X1,X2,...,X10
UMSNH - FIE
Distribucin del estadstico X .
Si obtenemos 1000 muestras, obtendremos 1000 valores de X , para

estos 1000 valores realizamos el histograma:
Distribucin de la media muestral
0.25
0.2
frecuencia relativa
0.15
0.1
0.05
0
1 2 3 4 5 6
X
UMSNH - FIE
Cdigo en Matlab:
%se simula el dado
x=round(rand(N,n)*6+0.5);
M=sum(x)/N;
[X,c]=hist(M,15);
%se grafica el histograma de frecuencia relativa en p.u.
X=X/n;
bar(c,X)
Recordatorio: Cada muestra puede considerarse como:

10 valores de la variable aleatoria X,
1 slo valor para 10 variables aleatorias X1,X2,...,X10
UMSNH - FIE
^ que pretende estimar un parmetro

En general: un estadstico Q
q es una v. a. Que depende de las N variables aleatorias que
forman una muestra, es decir
^
Q = f(X1,X2,...,XN)
As, una muestra es un conjunto de valores (x1,x2,...,xN) tomados

por las variables aleatorias (X1,X2,...,XN).
Es natural suponer que la distribucin f(Xi)=P(Xi=xi) de cada

variable de la muestra es igual a la de la poblacin
Sin embargo, la distribucin f( ^ ^ ^

q) = P( Q = q ) del estadstico
como se vi en el ejemplo del dado es otra cosa.
UMSNH - FIE
Estimacin de Intervalos
^ produce un valor ^
En la explicacin previa, un estimador Q q
que pretende aproximar a un parmetro q. A este enfoque se le
llama estimacin puntual
En el enfoque de estimacin de intervalos, para un parmetro q

no se estima un valor, sino un intervalo de la forma l q u,
donde los valores extremos l, u dependen del valor numrico del
estadstico ^
q para una muestra en particular y de la distribucin
de muestreo de Q ^
Es decir, l,u dependen de la muestra, por lo tanto son valores de

variables aleatorias L, U
UMSNH - FIE
^ , es posible
Partiendo de la distribucin de muestreo para Q
determinar valores de L,U tales que se cumpla lo siguiente:
P(L q U) =1 a
Donde 0 < a < 1
Es decir, se puede garantizar con una probabilidad de 1-a que

la muestra elegida contendr el valor verdadero de q
Al intervalo resultante l q u se le conoce como el intervalo

de confianza del 100(1 a) % para el parmetro desconocido q
UMSNH - FIE
Ejemplo: Construccin repetida de un intervalo de confianza

para la media m:
m
Si los intervalos de confianza mostrados son del 95% significa

que si se construye un gran nmero de ellos, el 95% de ellos
contendr a la media UMSNH - FIE
En la prctica se obtiene solamente una muestra y se calcula con

ella un intervalo de confianza dicho intervalo contiene o no
contiene a m, no es razonable asignar una probabilidad a este
evento.
La proposicin a decuada es que el intervalo contiene a m con

una confianza del 95%
La longitud del intervalo de confianza (u-l) es una medida de la

calidad de la informacin obtenida en la muestra, al semi
intervalo u-q, o q-l se le llama Precisin del estimador.
Qu significado tiene un intervalo grande?

s deseable que sea grande o que sea pequeo?
Qu relacin tiene con el valor de 1-a?
UMSNH - FIE
Intervalo para la Media (Varianza conocida)
Situacin: Se tiene una poblacin con media desconocida m, pero

se supone conocida la varianza s2.
Se toma una muestra aleatoria (X1,X2,...,XN). Con esta muestra

se calcula el estadstico X el cual es un estimador puntual
insesgado para la media m desconocida. Se puede obtener un
intervalo de confianza del 100(1-a) % para m si consideramos
los siguientes hechos acerca de la distribucin de X :
UMSNH - FIE
Intervalo para la media
1. Si la poblacin es Normal, la distribucin de X es Normal
2. Si la poblacin no es Normal, el Teorema del lmite central nos

garantiza una distribucin de X aproximadamente normal
cuando N
3. La media de X es m ( X es insesgado)
4. La varianza de X es s2/N
Teorema del Lmite Central:

Afirma que la media muestral tiene una distribucin Normal
aunque la poblacin original no la tenga, siempre y cuando la
muestra sea muy grande (de manera prctica N>30)
UMSNH - FIE
De acuerdo a lo anterior, podemos suponer que la variable
___
Z X
/ N
Tiene una distribucin N(0,1)
a/2 a/2
-za/2 za/2 Z
de la figura: P{-za/2 Z za/2 }=1-a.

Con lo cual el intervalo de confianza del 100(1-a)% para la media es
__ __
xz / N x z /2/ N
/2
UMSNH - FIE
Ejemplo: Los siguientes son datos de conductividad trmica de cierto tipo de
hierro (en BTU/hr-ft-F):
41.60 41.48 42.34 41.95 41.86
42.18 41.72 42.26 41.81 42.04
Una estimacin puntual para la media, es X = 41.924. Hallar un intervalo de
confianza del 95 % y uno del 99% para la media.
Se supone que la poblacin tiene una distribucin Normal con s=0.3
__ __
Usamos la expresin x z / N x z / N para encontrar el

/2 /2
intervalo de confianza para la media: Usando Matlab para calcular za/2 =

norminv(0.025,0,1)
l = 41.924 - 1.96(0.3)/10 = 41.738, u = 41.924+1.96(0.3)/10 = 42.110
Entonces el intervalo de confianza del 95% es
41.738 m 42.11
Y la longitud de este intervalo es 3.92s/ N
UMSNH - FIE
Seleccin del tamao de la muestra:
La precisin del intervalo de confianza es za/2s/N esto significa
que al usar X para estimar m, el error de estimacin, dado por
E=| X - m| es menor o igual que za/2s/N, con una confianza de
100(1-a)%.
El problema inverso consiste en calcular N para obtener un error

E con una confianza del 100(1-a)% previamente especificado:
N1/2= za/2s/E
Ejercicio: Calcular el tamao adecuado de la muestra para lograr

que el error de estimacin de conductividad del hierro sea menor
de 0.05 Btu/hr-ft-F con una confianza del 95%
UMSNH - FIE
Intervalo para la Media (Varianza desconocida)
Si no se conoce la varianza s2 de la poblacin, una posibilidad es
utilizar la varianza muestral S2 en las ecuaciones obtenidas para
estimar intervalos en el caso de varianza conocida
Este procedimiento funciona para muestras grandes (N>30), por

ello los intervalos de confianza anteriores se les suele llamar
intervalos de confianza para muestras grandes.
Si las muestras son pequeas el enfoque anterior no funciona y

para lograr un procedimiento vlido se supondr que la poblacin
tiene una distribucin Normal
UMSNH - FIE
Si la poblacin es Normal, la siguiente estadstica
X
T= S/ N
Tiene una distribucin t con N-1 grados de libertad
a/2 a/2
-ta/2,N-1 ta/2,N-1 T
UMSNH - FIE
X a/2 a/2
T= S/ N
-ta/2,N-1 ta/2,N-1 T
de la figura: P{-ta/2,N-1 T ta/2,N-1 }=1-a. Con lo cual el

intervalo de confianza del 100(1-a)% para la media es
x t /2,N1 s/ N x t /2,N1 s/ N
Ejercicio: Repetir el ejemplo de la conductividad del hierro

suponiendo que no se conoce la varianza
UMSNH - FIE
Intervalo para la Varianza
Intervalo para la Varianza de una distribucin
Normal
Si la Poblacin es Normal, la distribucin muestral del estadstico
siguiente
2
S
X N 1) 2

Donde S2 es la varianza muestral usada como estimador puntual de s2
Es de tipo Ji-cuadrada con N-1 grados de libertad
a/2 a/2
0 c2a/2,N-1 c21a/2,N-1 X
UMSNH - FIE
Intervalo para la Varianza de una distribucin Normal
2 a/2 a/2
S
X N 1) 2

0 c2a/2,N-1 c21a/2,N-1 X
De acuerdo a la figura, P(c21-a/2,N-1 X c2a/2,N-1) = 1-a

Por lo tanto, el intervalo de confianza del 100(1-a)% buscado
para la varianza es
N 1)s 2 N 1)s 2
2
2
1/2,N1 2
/2,N1
Ejercicio: Hallar el intervalo de confianza del 95% para la

varianza en el ejemplo de la conductividad del hierro
UMSNH - FIE
Intervalos de confianza unilaterales.- En el caso de la varianza es

ms comn buscar cotas inferiores o superiores que ambas a la vez
Intervalo de confianza inferior.- Se obtiene reemplazando el lmite

superior por y c21a/2,N-1 por c21a,N-1, obteniendo:
N 1)s 2
2
2
1,N1
Intervalo de confianza superior.- En forma similar, se reemplaza el

lmite inferior por 0 y c2a/2,N-1 por c2a,N-1, obteniendo:
N 1)s 2
2 2
,N1
UMSNH - FIE
Ejercicio: Un fabricante de detergente lquido est interesado

en la efectividad de su proceso para llenar envases de
detergente. La norma dice que no se debe tener una desviacin
estndar s en el proceso mayor de 0.15, ya que de lo contrario
habr envases ms vacos de lo permitido.
Se toma una muestra aleatoria de 20 envases y se obtiene una
varianza muestral s2=0.0153 onzas2. Es esta medicin una
evidencia de que se est cumpliendo la norma con una
confianza del 95% ?
Sugerencia: se puede usar la funcin chi2inv de Matlab
UMSNH - FIE
Otros intervalos de Confianza
Intervalo de confianza para una Proporcin
Se toma una muestra de tamao N de una poblacin muy grande y

resulta que X datos de la muestra pertenecen a alguna clase de
inters. Entonces un estimador puntual de la proporcin p de los
datos de la poblacin que pertenecen a la clase en cuestin es:
^P=X/N
Ntese que N y p son los parmetros de una distribucin binomial
^ se puede considerar
La distribucin de muestreo de P
aproximadamente Normal con media p y varianza p(1-p)/N,
siempre que p no est muy cerca de 0 o de 1 y si N es
relativamente grande
UMSNH - FIE
De lo anterior, la distribucin de la variable

Pp
Z p1p)
N
Es aproximadamente N(0,1)
Entonces, partiendo de P{-za/2 Z za/2 }=1-a
Obtenemos el siguiente intervalo de confianza aproximado del

100(1-a)% para la proporcin p de la poblacin que pertenece a la
clase dada:
p1p) p1p)
p z /2 N p p z /2 N
UMSNH - FIE
Ejemplo: De 1000 casos de cncer pulmonar seleccionados al

azar, 823 son de pacientes que fallecieron. Construya un intervalo
de confianza del 95% para la tasa de mortalidad del cncer
pulmonar
Solucin: La tasa de mortalidad es la proporcin de los que

mueren a los que contraen el cncer pulmonar, de la muestra
tenemos que p^ = 0.823. Por otro lado z0.025=1.96, entonces:
0.82310.823) 0.82310.823)
0.823 1.96 1000 p 0.823 1.96 1000
Es decir, 0.799 p0.847
UMSNH - FIE
Intervalo de confianza para el cociente de varianzas de dos
distribuciones Normales
Situacin: Se tienen dos poblaciones normales e independientes
con varianzas desconocidas s12, s22 respectivamente. Se tienen
disponibles dos muestras aleatorias de tamaos N1, N2 una de
cada poblacin respectivamente. Sean S12 S22 las varianzas
muestrales respectivas. Se busca un intervalo de confianza del
100(1-a)% del cociente de varianzas s12/ s22
Para hallar el intervalo de confianza se debe recordar que la

distribucin de muestreo del estadstico siguiente
S 22 /22
F S 21 /21
Es de tipo F con N2-1 y N1-1 grados de libertad en el numerador y

denominador respectivamente. (Ver la figura siguiente)
UMSNH - FIE
S 22 /22
F S 21 /21
a/2 a/2
f /2,N2 1,N1 1 f1/2,N11,N 1

2 1
0 fa/2,N2-1,N1-1 f1a/2,N2-1,N1-1 F
As, de la figura: P{fa/2,N2-1,N1-1 F f1a/2,N2-1,N1-1}=1-a
Por lo tanto, el intervalo de confianza buscado es:

S 21 21 S 21
f /2,N 21,N 11
S 22
2 S 2 f 1/2,N 2 1,N 1 1
2 2
UMSNH - FIE
Ejemplo: Una compaa fabrica piezas para turbinas. Tiene dos procesos distintos para
hacer el esmerilado de las piezas y ambos procesos producen terminados con la misma
rugosidad promedio. El ingeniero del proceso desea seleccionar el proceso con la menor
variabilidad en la rugosidad de la superficie. Para ello toma una muestra de 12 piezas
del primer proceso, obteniendo una desviacin estndar muestral s1= 5.1 micropulgadas,
luego toma una muestra de 15 piezas del segundo proceso, obteniendo s2= 4.7. Puede
elegir el primer poceso con una confianza del 90% de tener menor variabilidad en la
rugosidad?
Solucin: Suponiendo que los dos procesos son Normales e independientes.

Usando la funcin finv de Matlab, obtenemos f0.95=2.7386 y f0.05=0.3898, por
lo tanto, 5.1 2 2
0.3898) 2 /2 5.1 2.7386)
4.7 2 1 2 4.7 2
Haciendo operaciones: 0.46 2 /

1
2 3.23
2
Como el intervalo incluye la unidad, no se puede concluir que los procesos

tengan variabilidad sgnificativamente diferente con una confianza del 90%
UMSNH - FIE
Resumen de intervalos de confianza
Parmetros de inters Suposiciones

Dist. Muestral Normal (o N grande) s2 conocida
La media m
s2 desconocida (Dist. Muestral T)
La varianza s2 Dist. Normal (Dist. Muestral Ji2 )
Proporcin p Dist. Muest. Normal (N grande, p alejado de 0 y de 1)
Cociente de varianzas Dos poblaciones Normales e independientes (Dist.
s12/s22 Muestral tipo F)
s12 y s22 conocidas
Diferencia de medias Distribuciones
s12 = s22 desconocidas (Dist muest T)
m1m2 normales,
s12 s22 desconocidas (Dist muest T)
Diferencia entre dos Dist. Muestral Normal (N1 y N2 grandes, p1 y p2
proporciones p1-p2 alejados de 0 y de 1)
Otras... (Ver libros de estadstica)
UMSNH - FIE
Intervalos de Tolerancia
Concepto
En ocasiones no nos interesa estimar algn parmetro, sino

establecer un rango en donde se puede esperar que caigan
observaciones (datos) individuales en un proceso.
La respuesta es muy sencilla si se conoce la distribucin y los

parmetros de la poblacin, por ejemplo, si se obtuvo una muestra
aleatoria de una poblacin Normal con media m y varianza s2
conocidas, se esperar que el 95% de los datos caern entre los
lmites
m 1.96s
A este intervalo se le llama intervalo de tolerancia y si m y s son
conocidos la cobertura del 95% es exacta
UMSNH - FIE
Intervalos de Tolerancia
Concepto
Si m y s son desconocidos a veces se puede determinar una

constante k tal que los lmites x ks constituyan un intervalo de
tolerancia para una distribucin normal
En este caso los lmites del intervalo son variables aleatorias y la

proporcin de datos cubierta por el intervalo no es exacta.
Entonces se debe introducir un intervalo de confianza para la
proposicin de los lmites del intervalo de tolerancia.
En la bibliografa se pueden consultar tablas para elegir estos

lmites dada una confianza deseada para el caso Normal.
UMSNH - FIE
Intervalos de Confianza y Regresin Lineal
Intervalo de Confianza para la Respuesta Media
En la regresin lineal se supone un modelo de la forma

y = mx + b
Para describir la respuesta y del proceso bajo la entrada x
Para una muestra de N puntos (valores de x, y) se calculan valores

^ ^
estimados m, b de m, b resolviendo las ecuaciones normales, de
manera que se obtiene un modelo estimado ^ y =^ mx + ^b
As, para un dato x0, se puede estimar una prediccin puntual para
my/xo (respuesta media) mediante: my/xo = ^
^ mx0+ ^
b
Se puede encontrar un intervalo de confianza para la respuesta

media my/xo dado un valor x0 como se explica a continuacin
UMSNH - FIE
Un intervalo de confianza alrededor de la respuesta media my/xo

del 100(1-a)% para el valor de x=x0 est dado por:
x 0 x) 2 x 0 x) 2
Yx 0 t /2 2 N1 S xx Yx 0 Yx 0 t /2 2 N1 S xx
Donde m^y/xo se calcula a partir del modelo de regresin estimado

^ 2 _2
Adems, s = S(yi - (m xi+b) ) /(N-2) y Sxx = S(xi-x) .
2 ^
Obsrvese_ que el ancho de este intervalo

_ de confianza es mnimo
para x0= x y crece a medida que |x0 - x| aumenta. En la siguiente
grfica se muestra un comportamiento tpico de este intervalo
UMSNH - FIE
Lmites del intervalo de confianza

para la respuesta media
Puntos experimentales
Recta de regresin
Observacin: Estos lmites de intervalo estn basados en los puntos experimentales

dados, no se pueden usar para predecir intervalos sobre datos nuevos. A los lmites
para nuevos datos se les llama lmites de prediccin y son ms amplios que los lmites
para la respuesta media UMSNH - FIE

Intervalos de Confianza

Cargado por

Información del documento

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

Intervalos de Confianza

Cargado por

Copyright:

Formatos disponibles

Intervalos de Confianza

Intervalo de confianza para la media

Intervalo de confianza para la varianza

Otros Intervalos de Confianza

Ints. de confianza y regresin lineal

Parmetros poblacionales y Estadsticos Muestrales

140 Media (m)

Muestras 8 Varianza muestral(S2)

4 Desv. Est. muestral(S)

Parmetro que se pretende estimar : La media de la poblacin ( ) que en

Estimador: La media muestral ( X ) que se calcula a partir de una muestra de

El estimador (en el ejemplo la media muestral) puede tomar diferentes

Es natural preguntarse : Cul ser la distribucin de probabilidad del

Experimento aleatorio : Lanzar un dado

Distribucin del estadstico X .

Diferentes clculos de X para N=10:

Distribucin del estadstico X .

Si obtenemos 1000 muestras, obtendremos 1000 valores de X , para

Recordatorio: Cada muestra puede considerarse como:

^ que pretende estimar un parmetro

As, una muestra es un conjunto de valores (x1,x2,...,xN) tomados

Es natural suponer que la distribucin f(Xi)=P(Xi=xi) de cada

Sin embargo, la distribucin f( ^ ^ ^

En el enfoque de estimacin de intervalos, para un parmetro q

Es decir, l,u dependen de la muestra, por lo tanto son valores de

Es decir, se puede garantizar con una probabilidad de 1-a que

Al intervalo resultante l q u se le conoce como el intervalo

Ejemplo: Construccin repetida de un intervalo de confianza

Si los intervalos de confianza mostrados son del 95% significa

En la prctica se obtiene solamente una muestra y se calcula con

La proposicin a decuada es que el intervalo contiene a m con

La longitud del intervalo de confianza (u-l) es una medida de la

Qu significado tiene un intervalo grande?

Situacin: Se tiene una poblacin con media desconocida m, pero

Se toma una muestra aleatoria (X1,X2,...,XN). Con esta muestra

2. Si la poblacin no es Normal, el Teorema del lmite central nos

Teorema del Lmite Central:

de la figura: P{-za/2 Z za/2 }=1-a.

Usamos la expresin x z / N x z / N para encontrar el

intervalo de confianza para la media: Usando Matlab para calcular za/2 =

El problema inverso consiste en calcular N para obtener un error

Ejercicio: Calcular el tamao adecuado de la muestra para lograr

Este procedimiento funciona para muestras grandes (N>30), por

Si las muestras son pequeas el enfoque anterior no funciona y

de la figura: P{-ta/2,N-1 T ta/2,N-1 }=1-a. Con lo cual el

Ejercicio: Repetir el ejemplo de la conductividad del hierro

Es de tipo Ji-cuadrada con N-1 grados de libertad

De acuerdo a la figura, P(c21-a/2,N-1 X c2a/2,N-1) = 1-a

Ejercicio: Hallar el intervalo de confianza del 95% para la

Intervalos de confianza unilaterales.- En el caso de la varianza es

Intervalo de confianza inferior.- Se obtiene reemplazando el lmite

Intervalo de confianza superior.- En forma similar, se reemplaza el

Ejercicio: Un fabricante de detergente lquido est interesado

Sugerencia: se puede usar la funcin chi2inv de Matlab

Se toma una muestra de tamao N de una poblacin muy grande y

Ntese que N y p son los parmetros de una distribucin binomial

De lo anterior, la distribucin de la variable

Entonces, partiendo de P{-za/2 Z za/2 }=1-a

Obtenemos el siguiente intervalo de confianza aproximado del

Ejemplo: De 1000 casos de cncer pulmonar seleccionados al

Solucin: La tasa de mortalidad es la proporcin de los que

Es decir, 0.799 p0.847

Para hallar el intervalo de confianza se debe recordar que la

Es de tipo F con N2-1 y N1-1 grados de libertad en el numerador y