INTERVALO DE CONFIANZA

ESTIMACION- repaso

2 maneras de estimar:

• Estimaciones puntuales (ya visto)

• Estimaciones por intervalo

 Qué toma en cuenta la estimación por
intervalo...?

“Distribución muestral” (repaso)

Es la distribución de todos los valores

posibles que puede tomar un
estadístico, calculados a partir de
muestras del mismo tamaño, extraídas
aleatoriamente de la misma población.
 Distribución de medias muestrales
Generalización (repaso)

• La media de la distribución muestral es μ.

• La varianza de la distribución muestral es: VAR( X )   2 / n
y el desvío (error standard):
2 
x  
n n
 Teorema central del limite
(repaso)
Dado una variable aleatoria X , con media µ y varianza σ2 , la
distribución muestral de la media, basada en muestras aleatorias de
tamaño n , tiene las siguientes características:

1. La media de la distribución muestral es µ.

2. La varianza de la distribución muestral es σ2 /n
3. Si la distribución de la variable X es normal, entonces la
distribución muestral también lo es.
4. Si la distribución de la variable no es normal, la forma de la
distribución muestral tiende a ser normal si el tamaño
muestral n es suficientemente grande.
Aplicaciones del teorema Central del limite

Siendo X una V.A. con distribución normal de media µ

y varianza σ2 , la distribución de

X 
/ n

• es normal con media = 0 y desvío estándar = 1

• usualmente llamada z o normal tipificada.
 ESTIMACION POR INTERVALO (I)
• La estimación puntual ê pierde interés si no la
completamos con una determinada imprecisión I.
• La probabilidad que e pertenezca a ese intervalo es:

P( Ê  I  e  Ê  I )  P( Êi  e  Ês )

• En el caso de la estimación de una media:

P( X  I    X  I )

• En el caso de la estimación de una proporción:

P( P̂  I  p  P̂  I )
 ESTIMACION POR INTERVALO (II)

• Para determinar el tamaño del intervalo, debemos

definir la probabilidad que estamos dispuestos a
considerar para la variación del estimador:

P( Êi  e  Ês )  1  

• Este intervalo es llamado intervalo de confianza al 1-

α.

• A 1-α lo llamamos “nivel de confianza”. (0.95-0.99)

• Alfa (α) es el error que estamos dispuestos a cometer

y le llamamos “nivel de significación” o tipo I (0.05-
0.01)
 ESTIMACION POR INTERVALO (III)

• Los intervalos que determinaremos, tanto para la

media como para proporciones, tienen la forma
general:
Ê  Q Var( Ê )

• Donde Q depende del nivel de confianza y de la

distribución del estimador.
 IC para una media (I)

1) Varianza poblacional conocida (σ²). Limites del IC:

Li  x  Z 2 Var( x )
Ls  x  Z 2 Var( x )

Donde Q = Z (Variable normal tipificada), cuyos

valores se encuentran tabulados. Y además:

2
Var( x ) 
n
 IC para una media (II)

Por lo tanto el intervalo de confianza (IC) para

estimar una media poblacional queda de la
manera siguiente:

IC : x  Z 2
n

Y la imprecisión I:

I  Z 2
n
 IC para una media - ejemplo

Deseamos estimar el promedio de edad de cierta población.

Tomamos una muestra de tamaño 100 en la cual se obtuvo una
media muestral de 35. La variable considerada tiene
distribución normal con una varianza igual a 3. Calcular el
intervalo de confianza al 95 % e indicar la imprecisión.

Solución: aplicando simplemente la fórmula para calcular los

límites del intervalo de confianza (IC), tenemos:

3
35  1.96
100
3
I  1.96  0.339
100
 IC para una media (III)
2) Varianza poblacional no conocida, variable X
normal.
(reemplazando σ² por su estimación s²)
Limites del IC:
s
x  t ,n 1
n
En donde tα corresponde a los valores del 1-α central de
la distribución T, con n-1 grados de libertad (ddl)
 IC para una media - ejemplo

Deseamos estimar la presión sistólica promedio de cierta población.

Tomamos una muestra de tamaño 20 en la cual se obtuvo una media
muestral de 150 mmHg con una varianza muestral igual a 9. La variable
considerada tiene distribución normal. Calcular el intervalo de confianza al
95 % para la media poblacional, e indicar la imprecisión .

Solución: Dado que se desea un nivel de confianza del 95%, el error =0.05
y utilizando:
s
x  t0.05
n

Reemplazando t0.05 = 2.09 (buscado en la tabla de la distr. T para dos

extremos, valor-p ó =0.05 y 19 gl):

9
150  2.09
20
 IC para una media (IV)

3) Varianza poblacional no conocida, variable X no

normal.

Pero si el tamaño muestral (n) es lo suficientemente

grande (>30), entonces la distribución de las medias es
normal (Teorema Central del Límite).

s
IC : x  Z 2
n
 IC para una media (V)
Algunas apreciaciones:
• El valor poblacional es fijo y lo que fluctúa son los
intervalos (variables aleatorias) dado que
dependen de la muestra tomada.
 IC para proporciones (I)

1) Muestras grandes (aproximación normal)

(np ó nq >5)
p̂( 1  p̂ )
IC : p̂  Z 2
n
p̂( 1  p̂ )
I  Z 2
n

Donde: p̂( 1  p̂ )
Var( p̂ ) 
n
 IC para proporciones (II)

2) Muestras pequeñas (np ó nq < 5)

• No se puede aproximar la distr. Binomial por la

Normal.

• La distrib. Binomial no siempre es simétrica respecto

a su valor medio y por lo tanto el IC tampoco.

• Para determinar los IC utilizaremos tablas ya

confeccionadas para cada p observado y n de la
muestra.
 CALCULO DEL TAMAÑO MUESTRAL

Es necesario:

• Precisión deseada en la estimación

• Nivel de confianza (o el alfa)
• Algún otro parámetro poblacional previo
• Depende de la estrategia del muestreo (solo
nos remitiremos para el MAS)
 CALCULO DEL TAMAÑO MUESTRAL

Para estimar una media

Supongamos que deseamos tener una imprecisión I en la
estimación de la media con un nivel de confianza 1-α y
deseamos encontrar n . En este caso la imprecisión
corresponde a:

I  Z 2
n
Despejando n:

( Z 2 )  2 2

n
I2
 CALCULO DEL TAMAÑO MUESTRAL

Para estimar una proporción

Suponemos que deseamos tener una imprecisión I en la

estimación con un nivel de confianza 1-α y deseamos encontrar n.
En este caso la imprecisión corresponde a:

p̂( 1  p̂ )
I  Z 2
n
Despejando n:
( Z 2 )2 p̂( 1  p̂ )
n
I2