Documente Academic
Documente Profesional
Documente Cultură
k=x
_
n
k
_
p
k
0
(1 p
0
)
nk
= /2
y
x
k=0
_
c
k
_
p
k
0
(1 p
0
)
nk
= /2
respectivamente. Para este intervalo, el lmite inferior es 0 cuando x = 0 y el lmite
superior es 1 cuando x = n.
Es fcil mostrar (Brown et al. 2002) que el lmite inferior es el cuantil /2 de
una distribucin beta con parmetros x y xn+1, denotada por B(x, xn+1), y
que el lmite superior es el cuantil 1/2 de una distribucin B(x+1, nx). Este
intervalo tiene probabilidad de cobertura mayor que o igual al nivel de conanza
nominal; sin embargo, es muy conservador y su uso prctico solo es til cuando
esta caracterstica es necesaria (Agresti & Coull 1998).
El intervalo de score (Agresti & Coull 1998, Newcombe & Merino 2006), tam-
bin conocido como el intervalo de Wilson, se forma al invertir las aproximaciones
del teorema del lmite central para la familia de pruebas a dos colas de H
0
: p = p
0
.
Entonces, no se rechaza H
0
, con base en la aproximacin por el teorema de lmite
central, si y solo si p
0
est en el intervalo. El intervalo de score tiene la forma
IC
score
= p
z
/2
n
_
_
p q +
z
2
/2
4n
_
/n (2)
donde x = p +
z
2
/2
2n
, n = 1 + z
2
/2
/n, p =
x
n
, p =
x
n
y q = 1 p.
La probabilidad de cobertura del parmetro p por este intervalo est mucho
ms cercana al nivel de conanza nominal que la del intervalo exacto y que el
intervalo de Wald (Agresti & Coull 1998), aun sin considerar el tamao de la
muestra ni las frecuencias o proporciones observadas (Newcombe & Merino 2006).
Agresti & Coull (1998) presentan una nueva propuesta de intervalo basada
en una correccin del intervalo de conanza de Wald, conocido como el intervalo
de Wald ajustado. El ajuste propuesto para estos intervalos est basado en la
aproximacin al intervalo score por el intervalo de Wald. En (1), el valor medio
del intervalo se remplaza por p; as, el intervalo queda denido como
IC
WaldAdj
= p z
/2
_
p(1 p)/ n (3)
donde x = x + z
2
/2
/2, n = n + z
2
/2
y p =
x
n
.
Para el caso particular del intervalo de (1 )100 % = 95 % de conanza,
z
2
0.025
= 1.96
2
4. Esto equivale a aadir 4 pseudo observaciones: dos xitos y
Revista Colombiana de Estadstica 31 (2008) 211228
Intervalos de conanza e intervalos de credibilidad para una proporcin 215
dos fracasos al clculo de la proporcin muestral (Agresti & Coull 1998). Agresti
& Coull (1998) recomendaron la implementacin de este intervalo ajustado en los
cursos elementales de estadstica debido a su sencillez y a que se comporta mejor
que el intervalo de Wald (1) para los niveles usuales de conanza. Adems, Agresti
& Cao (2000) argumentan que la adicin de pseudo observaciones est motivada
por el sesgo que presenta la distribucin binomial cuando p se aproxima a 0 o a
1, por lo cual p no debe ser el punto medio del intervalo. El nmero de pseudo
observaciones aadidas, algunas veces denotado por k
2
, vara de acuerdo con el
nivel de conanza deseado para el intervalo. El valor k
2
empleado para el nivel de
conanza de 90 % es 2.7 3 pseudo observaciones; para 95 % es 4; y para 99 % es
5.4 5.
2.2. Intervalos de credibilidad
En la aproximacin bayesiana, la estimacin por intervalos se dene por una
evaluacin simple de las distribuciones a posteriori de los parmetros. As, si
es una cantidad desconocida, C es una regin de 100(1 ) % de credibilidad
para si P( C | x) 1 . En este caso, 1 es llamado el nivel de
credibilidad. Si es un escalar, la regin C est dada usualmente por un intervalo
[c
1
, c
2
] (Migon & Gamerman 1999, Bernardo & Smith 2000).
2.2.1. Intervalos sin informacin previa
Histricamente, el uso de distribuciones a priori no informativas ha mostra-
do propiedades frecuentistas buenas (Wasserman 1991, citado por Newcombe &
Merino 2006). En esta seccin se consideran regiones de conanza para una pro-
porcin, considerando primero, como informacin a priori, una distribucin B(1, 1)
y, luego, una a priori no informativa de Jereys.
En el primer caso, el intervalo bayesiano de dos colas iguales y de 1 de
credibilidad est dado por
IC
no informativo
=
_
B(x + 1, n x + 1, /2), B(x + 1, n x + 1, 1 /2)
(4)
donde B(m
1
, m
2
, ) denota el cuantil de una distribucin B(m
1
, m
2
).
En el segundo caso, considerando la distribucin a priori no informativa de
Jereys, B(1/2, 1/2), el intervalo de colas iguales y 1 de credibilidad est dado
por
IC
Jereys
=
_
B(x + 1/2, n x + 1/2, /2), B(x + 1/2, n x + 1/2, 1 /2)
(5)
Tanto el intervalo de Wilson (2) como el intervalo de Jereys tienen un excelente
funcionamiento en trminos de la probabilidad de cobertura media; la del intervalo
de Jereys es ligeramente superior. La cobertura media del intervalo de Jereys
est muy cercana al nivel nominal, aun para valores bastante pequeos de n (Brown
et al. 2002).
Revista Colombiana de Estadstica 31 (2008) 211228
216 Edilberto Cepeda-Cuervo et al.
2.2.2. Intervalos con informacin previa
En algunos estudios se tiene informacin a priori acerca de la proporcin en
consideracin. Por ejemplo, existen lneas de produccin automatizadas donde se
tiene conocimiento experto que el margen de error en la lnea de produccin no
supera 0.5 %. Este conocimiento puede ser incorporado en la obtencin del intervalo
de conanza para la proporcin p a travs de una distribucin a priori informativa
que haga uso de este conocimiento. Si la informacin a priori se incorpora a travs
de una distribucin beta B(a, b), el intervalo de conanza para p est denido por
los cuantiles de la distribucin a posteriori, como en (6):
IC
Informativo(a,b)
=
_
B( + x, n + x, /2), B(a + x, n + b x, 1 /2)
(6)
En la seccin 5 se analizan dos propuestas de distribuciones a priori posibles
cuando se conoce que el parmetro p es pequeo. La primera propone una distri-
bucin B(0.5, 2); la segunda, una B(1.5, 5). Estas dos distribuciones pertenecen a
la clase conjugada de distribuciones a priori de la distribucin binomial (Migon &
Gamerman 1999, Bernardo & Smith 2000, Henderson & Meyer 2001).
3. Metodologa
Al evaluar intervalos de conanza (o de credibilidad), se consideran dos con-
ceptos importantes para determinar cules mtodos son ms ecaces: la longitud
del intervalo, que indica su precisin, y la probabilidad de cobertura, denida te-
ricamente como P(L
inf
p L
sup
), donde L
inf
y L
sup
son variables aleatorias
que indican, respectivamente, el lmite inferior y el lmite superior del intervalo.
Un tercer elemento importante en la seleccin de estos mtodos es la varianza de
la longitud del intervalo, el cual es incluido en este artculo.
Tanto la probabilidad de cobertura (PC) como los lmites de un intervalo son
funciones del nmero x de xitos observados en la muestra a travs de los lmites
inferior y superior del intervalo. La probabilidad de cobertura para una proporcin
p es
PC =
n
x=0
I(x, p)P
p
(x) (7)
con I(x, p) igual a 1 si el intervalo contiene a p cuando X = x, e igual a 0 si este
no contiene a p si P
p
(x) =
_
n
x
_
p
x
(1 p)
nx
. Los lmites del intervalo, presentados
en la seccin 2.2, estn denidos de acuerdo con el mtodo elegido y su longitud
est dada por L
sup
L
inf
. En todos los casos, la PC, los lmites del intervalo y la
longitud esperada del intervalo y su varianza son calculados mediante la ecuacin
E
p
(f(X)) =
x
f(x)P
p
(x) (8)
Con el n de comparar los valores de la PC y de la longitud de cada uno de
los intervalos expuestos, as como sus varianzas, se obtuvieron los n + 1 posibles
Revista Colombiana de Estadstica 31 (2008) 211228
Intervalos de conanza e intervalos de credibilidad para una proporcin 217
intervalos para cada tamao de muestra desde 1 hasta 500 y se calcularon los
valores esperados y las varianzas bajo los valores de p = 0(0.01)1. Esta metodologa
fue implementada a travs del software estadstico R (R Development Core Team
2007).
4. Comparacin de intervalos de conanza y de
intervalos de credibilidad para una proporcin
Para la comparacin de los mtodos usados para la estimacin de intervalos,
se determina el comportamiento de los intervalos propuestos, estableciendo en la
seccin 4.1 su probabilidad de cobertura y en la seccin 4.2 el valor esperado y la
varianza de su longitud. Un buen mtodo debe proponer intervalos con probabili-
dades de cobertura muy cercanas a los niveles de conanza nominal y con valores
pequeos del valor esperado y de la varianza de su longitud.
4.1. Comparacin de la probabilidad de cobertura
Con el n de observar el comportamiento de la probabilidad de cobertura de
cada uno de los intervalos relacionados en la seccin 2, se obtuvo su valor esperado
para diferentes valores de p y de n, como se indica en la seccin 3. En la gura 1
se representa esta probabilidad para p = 0.01, 0.1, 0.3, 0.5 y n = 1, 2, 3, . . . , 500; en
la gura 2, la probabilidad de cobertura, como una funcin de p para n = 10, 50
y 100 en un nivel nominal de 95 %. Se observa que la probabilidad de cobertura
del intervalo de Wald est muy lejana de la nominal para todos los tamaos de
muestra y que, aun con tamaos muy grandes de la muestra, esta probabilidad es
siempre menor que el valor nominal.
De la gura 1, se obtienen las siguientes conclusiones. El intervalo exacto tiene
probabilidades de cobertura por encima del nivel nominal para todos los tamaos
de muestra. El intervalo de Wald ajustado presenta probabilidades de cobertura
mucho ms cercanas al valor nominal que el intervalo de Wald y que el exacto.
Para valores de p cercanos a 0 o a 1, esta probabilidad de cobertura es mayor que
el valor nominal.
Puede observarse tambin, en las guras 1 y 2, que el intervalo de score presenta
una probabilidad de cobertura que ucta alrededor del valor nominal para todos
los tamaos de muestra y que el intervalo bayesiano con distribucin a priori
uniforme presenta cadas muy fuertes en la probabilidad de cobertura respecto al
valor nominal cuando el tamao de muestra es pequeo, n = 10. Para tamaos
de muestra mayores, las uctuaciones en la probabilidad de cobertura son muy
similares a las presentadas por el intervalo de score. El intervalo bayesiano con
a priori de Jereys presenta cadas ms fuertes que el intervalo bayesiano con
distribucin a priori uniforme en tamaos de muestra pequeos, como n = 10 y
n = 50. En tamaos de muestra grandes, presenta uctuaciones ms cercanas al
valor nominal que todos los dems intervalos.
Revista Colombiana de Estadstica 31 (2008) 211228
218 Edilberto Cepeda-Cuervo et al.
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Score
p = 0.01
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Score
p = 0.1
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Score
p = 0.3
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Score
p = 0.5
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes (unif.)
p = 0.01
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes (unif.)
p = 0.1
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes (unif.)
p = 0.3
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes (unif.)
p = 0.5
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes (Jeffreys)
p = 0.01
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes (Jeffreys)
p = 0.1
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes (Jeffreys)
p = 0.3
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes (Jeffreys)
p = 0.5
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Wald
p = 0.01
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Wald
p = 0.1
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Wald
p = 0.3
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Wald
p = 0.5
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Wald ajustado
p = 0.01
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Wald ajustado
p = 0.1
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Wald ajustado
p = 0.3
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Wald ajustado
p = 0.5
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Exacto
p = 0.01
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Exacto
p = 0.1
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Exacto
p = 0.3
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Exacto
p = 0.5
n
Figura 1: Probabilidad de cobertura de los intervalos de conanza para distintos tama-
os de muestra y valores de p en un nivel nominal de 95 %.
Revista Colombiana de Estadstica 31 (2008) 211228
Intervalos de conanza e intervalos de credibilidad para una proporcin 219
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Score
n = 10
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Score
n = 50
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Score
n = 100
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Bayes (unif.)
n = 10
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Bayes (unif.)
n = 50
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Bayes (unif.)
n = 100
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Bayes (Jeffreys)
n = 10
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Bayes (Jeffreys)
n = 50
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Bayes (Jeffreys)
n = 100
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Wald
n = 10
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Wald
n = 50
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Wald
n = 100
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Wald ajustado
n = 10
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Wald ajustado
n = 50
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Wald ajustado
n = 100
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Exacto
n = 10
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Exacto
n = 50
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Exacto
n = 100
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Score
n = 10
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Score
n = 50
p
0.0 0.2 0.4 0.6 0.8 1.0
0.80
0.85
0.90
0.95
1.00
Score
n = 100
p
Figura 2: Probabilidad de cobertura de los intervalos de conanza para diferentes ta-
maos de muestra en un nivel nominal de 95 %.
Revista Colombiana de Estadstica 31 (2008) 211228
220 Edilberto Cepeda-Cuervo et al.
Para tamaos grandes de muestra, todos los intervalos presentan probabilida-
des de cobertura muy cercanas al valor nominal, excepto para valores de p muy
prximos a 0 y a 1. Sin embargo, las tendencias sealadas previamente para cada
uno de los intervalos se conservan.
La gura 3 representa la probabilidad de cobertura como una funcin de p
y del tamao de la muestra. En ella se resume y complementa, para cada uno
de los intervalos analizados, el comportamiento de la probabilidad de cobertura
observado en las guras 1 y 2.
p
0.2
0.4
0.6
0.8
n
100
200
300
400
0.0
0.2
0.4
0.6
0.8
1.0
Score
p
0.2
0.4
0.6
0.8
n
100
200
300
400
0.0
0.2
0.4
0.6
0.8
1.0
Bayes (unif.)
p
0.2
0.4
0.6
0.8
n
100
200
300
400
0.0
0.2
0.4
0.6
0.8
1.0
Bayes (Jeffreys)
p
0.2
0.4
0.6
0.8
n
100
200
300
400
0.0
0.2
0.4
0.6
0.8
1.0
Wald
p
0.2
0.4
0.6
0.8
n
100
200
300
400
0.0
0.2
0.4
0.6
0.8
1.0
Wald ajustado
p
0.2
0.4
0.6
0.8
n
100
200
300
400
0.0
0.2
0.4
0.6
0.8
1.0
Exacto
Figura 3: Probabilidad de cobertura de los intervalos analizados variando p y n.
Revista Colombiana de Estadstica 31 (2008) 211228
Intervalos de conanza e intervalos de credibilidad para una proporcin 221
4.2. Comparacin de la longitud de los intervalos de conanza
y de los intervalos de conabilidad para una proporcin
Lo ideal para obtener estimaciones de intervalos de conanza (o de credibilidad)
es determinarlas a partir de propuestas que tengan probabilidad de cobertura
prxima a la nominal, longitud esperada ms corta y varianza de la longitud del
intervalo ms pequea.
En la gura 4 la longitud esperada de los intervalos analizados se representa
como funcin del parmetro p para distintos tamao de muestra. Los intervalos
de Wald, exacto y Wald ajustado presentan un comportamiento diferente al de los
intervalos de score y bayesianos. Esta diferencia es clara para tamaos de muestra
pequeos, n = 10 y n = 50, donde se observa que los intervalos de Wald ajustado
y exacto tienen longitud mayor que la de los dems intervalos, y que el intervalo
de Wald tiene mayor longitud que la de los intervalos de score, Wald ajustado y
bayesianos para valores de p prximos a 0.5 y longitudes mucho menores que las
de los dems intervalos para valores de p prximos a los extremos del intervalo
(0, 1).
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
n = 10
p
Score
Bayes (unif.)
Bayes (Jeffreys)
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
n = 10
p
Wald
Wald ajustado
Exacto
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
n = 50
p
Score
Bayes (unif.)
Bayes (Jeffreys)
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
n = 50
p
Wald
Wald ajustado
Exacto
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
n = 100
p
Score
Bayes (unif.)
Bayes (Jeffreys)
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
n = 100
p
Wald
Wald ajustado
Exacto
Figura 4: Longitud esperada de los intervalos para distintos tamaos de muestra y
distintos valores de p en un nivel nominal de 95 %.
Los intervalos score y bayesianos presentan longitudes muy similares entre s
para cualquier valor de p y de n. Cuando n es igual o mayor que 50, los valores
esperados de las longitudes de todos los intervalos se hacen similares, excepto para
el intervalo de Wald, cuya longitud tiende a 0 cuando p tiende a 0 o a 1.
La gura 5 muestra el intervalo esperado, como una funcin de p, para cada uno
de los seis casos considerados en este estudio. En todos los casos, se consideraron
tamaos de muestra n = 10, 50, 100. Se observa con claridad el comportamiento del
Revista Colombiana de Estadstica 31 (2008) 211228
222 Edilberto Cepeda-Cuervo et al.
intervalo esperado a travs de los valores posibles de p y a medida que el tamao
de la muestra se hace mayor.
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Score
p
n = 10
n = 50
n = 100
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Bayes (unif.)
p
n = 10
n = 50
n = 100
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Bayes (Jeffreys)
p
n = 10
n = 50
n = 100
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Wald
p
n = 10
n = 50
n = 100
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Wald ajustado
p
n = 10
n = 50
n = 100
0.0 0.2 0.4 0.6 0.8 1.0
0.0
0.2
0.4
0.6
0.8
1.0
Exacto
p
n = 10
n = 50
n = 100
Figura 5: Intervalos de conanza esperados en un nivel nominal de 95 %.
En la gura 6 se muestra la varianza de la longitud de los intervalos. El in-
tervalo de Wald ajustado presenta la menor varianza de todos los intervalos para
cualquier tamao de muestra y para cualquier valor de p. Los intervalos score y
bayesiano con a priori uniforme presentan varianzas muy similares para los distin-
tos tamaos de muestra; lo mismo ocurre a los intervalos exacto y bayesiano con a
priori de Jereys. El intervalo de Wald presenta la mayor variablilidad entre todos
los intervalos presentados.
5. Intervalos de credibilidad con informacin previa
5.1. Comparacin de la probabilidad de cobertura
En la gura 7 se presenta el comportamiento de la probabilidad de cobertura
de los intervalos bayesianos con informacin previa dada por las distribuciones
B(0.5, 2) y B(1.5, 5), junto con el del intervalo score, para n = 1, 2, . . . 500 y
p = 0.01, 0.1, 0.3, 0.5; en la gura 8, para distintos valores de p (0, 0.5) y n =
10, 50, 100, 500. Puede verse que la uctuacin del valor de cobertura es menor
en los intervalos bayesianos con informacin previa siempre que p no est muy
prximo a 0, p 0.01, o que n sea grande, n 500. Sin embargo, para el intervalo
con distribucin a priori B(0.5, 2), ucta alrededor del valor nominal, mientras
que el intervalo con a priori B(1.5, 5) presenta sub y sobre coberturas sistemticas
para los diferentes valores de p.
Revista Colombiana de Estadstica 31 (2008) 211228
Intervalos de conanza e intervalos de credibilidad para una proporcin 223
0.0 0.2 0.4 0.6 0.8 1.0
0.00
0.01
0.02
0.03
0.04
0.05
Score
p
n = 10
n = 20
n = 50
0.0 0.2 0.4 0.6 0.8 1.0
0.00
0.01
0.02
0.03
0.04
0.05
Bayes (unif.)
p
n = 10
n = 20
n = 50
0.0 0.2 0.4 0.6 0.8 1.0
0.00
0.01
0.02
0.03
0.04
0.05
Bayes (Jeffreys)
p
n = 10
n = 20
n = 50
0.0 0.2 0.4 0.6 0.8 1.0
0.00
0.01
0.02
0.03
0.04
0.05
Wald
p
n = 10
n = 20
n = 50
0.0 0.2 0.4 0.6 0.8 1.0
0.00
0.01
0.02
0.03
0.04
0.05
Wald ajustado
p
n = 10
n = 20
n = 50
0.0 0.2 0.4 0.6 0.8 1.0
0.00
0.01
0.02
0.03
0.04
0.05
Exacto
p
n = 10
n = 20
n = 50
Figura 6: Varianza de la longitud del intervalo en un nivel nominal de 95 %.
5.2. Comparacin de la longitud de los intervalos
Las guras 9 y 10 muestran las longitudes de los intervalos bayesianos con
informacin previa, como se consider en la seccin 5.1, y del intervalo de score.
Los intervalos bayesianos con informacin previa tienen una longitud de intervalo
menor que el intervalo score. El intervalo con a priori B(0.5, 2) tiene la menor
longitud.
En la gura 11 se presenta la varianza de la longitud de los intervalos bayesianos
con informacin previa, como se consider en la seccin 5.1, y del intervalo de score.
El intervalo con a priori B(0.5, 2) presenta la mayor varianza de los tres; el intervalo
con a priori B(1.5, 5), la menor.
6. Otros intervalos de conanza para una proporcin
6.1. Intervalo logit
El intervalo logit para una proporcin p est denido por la expresin
IC
Logit
=
_
e
I
1 + e
I
,
e
S
1 + e
S
_
Revista Colombiana de Estadstica 31 (2008) 211228
224 Edilberto Cepeda-Cuervo et al.
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(0.5, 2)
p = 0.01
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(0.5, 2)
p = 0.1
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(0.5, 2)
p = 0.3
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(0.5, 2)
p = 0.5
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(1.5, 5)
p = 0.01
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(1.5, 5)
p = 0.1
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(1.5, 5)
p = 0.3
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(1.5, 5)
p = 0.5
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Score
p = 0.01
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Score
p = 0.1
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Score
p = 0.3
n
0 100 200 300 400 500
0.80
0.85
0.90
0.95
1.00
Score
p = 0.5
n
Figura 7: Probabilidad de cobertura del intervalo de conanza bayesiano con a priori
informativa para diferentes tamaos de muestra en un nivel nominal de 95 %
donde
I
=
Z
1/2
V
1
2
y
I
=
+Z
1/2
V
1
2
. Se obtiene invirtiendo el intervalo
de conanza IC
=
_
Z
1/2
V
1
2
,
+ Z
1/2
V
1
2
_
donde
= log
_
p
1 p
_
= log
_
X
n X
_
V = V ar
_
_
=
n
X(n X)
Este intervalo se comporta muy bien en trminos de cobertura de p lejos de 0
y de 1, pero su longitud esperada es an mayor que la longitud del intervalo de
Clopper-Pearson (Brown et al. 2002), la cual se muestra en la gura 4.
6.2. Intervalo arc sen
El intervalo arc sen para una proporcin p est denido por la expresin
IC
arcsine
=
_
sen
2
_
arc sen
_
p
1
2
_
1
2
Z
/2
n
1
2
_
, sen
2
_
arc sen
_
p
1
2
_
+
1
2
Z
/2
n
1
2
__
Revista Colombiana de Estadstica 31 (2008) 211228
Intervalos de conanza e intervalos de credibilidad para una proporcin 225
0.0 0.1 0.2 0.3 0.4 0.5
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(0.5, 2)
n = 10
p
0.0 0.1 0.2 0.3 0.4 0.5
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(0.5, 2)
n = 50
p
0.0 0.1 0.2 0.3 0.4 0.5
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(0.5, 2)
n = 100
p
0.0 0.1 0.2 0.3 0.4 0.5
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(0.5, 2)
n = 500
p
0.0 0.1 0.2 0.3 0.4 0.5
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(1.5, 5)
n = 10
p
0.0 0.1 0.2 0.3 0.4 0.5
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(1.5, 5)
n = 50
p
0.0 0.1 0.2 0.3 0.4 0.5
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(1.5, 5)
n = 100
p
0.0 0.1 0.2 0.3 0.4 0.5
0.80
0.85
0.90
0.95
1.00
Bayes informativo B(1.5, 5)
n = 500
p
0.0 0.1 0.2 0.3 0.4 0.5
0.80
0.85
0.90
0.95
1.00
Score
n = 10
p
0.0 0.1 0.2 0.3 0.4 0.5
0.80
0.85
0.90
0.95
1.00
Score
n = 50
p
0.0 0.1 0.2 0.3 0.4 0.5
0.80
0.85
0.90
0.95
1.00
Score
n = 100
p
0.0 0.1 0.2 0.3 0.4 0.5
0.80
0.85
0.90
0.95
1.00
Score
n = 500
p
Figura 8: Probabilidad de cobertura del intervalo de conanza bayesiano con a priori
informativa a lo largo de (0, 0.5] en un nivel nominal de 95 %.
0.0 0.1 0.2 0.3 0.4 0.5
0.0
0.2
0.4
0.6
0.8
1.0
Bayes informativo B(0.5, 2)
p
n = 10
n = 50
n = 100
0.0 0.1 0.2 0.3 0.4 0.5
0.0
0.2
0.4
0.6
0.8
1.0
Bayes informativo B(1.5, 5)
p
n = 10
n = 50
n = 100
0.0 0.1 0.2 0.3 0.4 0.5
0.0
0.2
0.4
0.6
0.8
1.0
Score
p
n = 10
n = 50
n = 100
Figura 9: Intervalos bayesianos esperados con a priori informativa en un nivel nominal
de 95 %.
donde p = X/n. Se obtiene invirtiendo el intervalo de conanza IC
de = g(p) =
arc sen
_
p
1
2
_
:
IC
=
_
arc sen
_
p
1
2
_
1
2
Z
/2
n
1
2
, arc sen
_
p
1
2
_
+
1
2
Z
/2
n
1
2
_
donde
= g( p) = arc sen
_
p
1
2
_
y V ar( p) =
_
g
( p)
2
V ar( p) = 1/4n.
Revista Colombiana de Estadstica 31 (2008) 211228
226 Edilberto Cepeda-Cuervo et al.
0.0 0.1 0.2 0.3 0.4 0.5
0.0
0.2
0.4
0.6
n = 10
p
Bayes B(0.5,2)
Bayes B(1.5,5)
Score
0.0 0.1 0.2 0.3 0.4 0.5
0.0
0.2
0.4
0.6
n = 50
p
Bayes B(0.5,2)
Bayes B(1.5,5)
Score
0.0 0.1 0.2 0.3 0.4 0.5
0.0
0.2
0.4
0.6
n = 100
p
Bayes B(0.5,2)
Bayes B(1.5,5)
Score
Figura 10: Longitud esperada de los intervalos bayesianos con a priori informativa en
un nivel nominal de 95 %.
0.0 0.1 0.2 0.3 0.4 0.5
0.000
0.002
0.004
0.006
0.008
0.010
Bayes informativo B(0.5, 2)
p
n = 10
n = 20
n = 50
0.0 0.1 0.2 0.3 0.4 0.5
0.000
0.002
0.004
0.006
0.008
0.010
Bayes informativo B(1.5, 5)
p
n = 10
n = 20
n = 50
0.0 0.1 0.2 0.3 0.4 0.5
0.000
0.002
0.004
0.006
0.008
0.010
Score
p
n = 10
n = 20
n = 50
Figura 11: Varianza de la longitud de los intervalos bayesianos con a priori informativa
en un nivel nominal de 95 %.
Este intervalo se comporta razonablemente bien para valores de p no prximos
a 0 o a 1, pero la probabilidad de cobertura est prxima a 0 para valores de p
prximos a estos valores; presenta un comportamiento peor que el del intervalo de
Jereys.
6.3. Intervalo basado en verosimilitud relativa
Este intervalo se construye a partir de la prueba de razn de verosimilitud que
acepta H
0
: p = p
0
si 2 log() k
2
, donde
n
=
L(p
0
)
Sup
p
L(p)
=
p
X
0
(1 p
0
)
nX
(X/n)
X
(1 X/n)
nX
donde L es la funcin de verosimilitud.
Brown et al. (2002) muestran que este intervalo tiene buenas propiedades. Sin
embargo, no es fcil de calcular.
7. Conclusiones
Se ha encontrado que el carcter discreto de las variables observadas provoca
comportamientos inesperados en la obtencin de intervalos de conanza de una
Revista Colombiana de Estadstica 31 (2008) 211228
Intervalos de conanza e intervalos de credibilidad para una proporcin 227
proporcin binomial, independientemente del mtodo empleado para construirlos
(Agresti & Min 2001).
Con respecto a la probabilidad de cobertura y a la longitud esperada de los
intervalos, los resultados obtenidos en esta investigacin coinciden con los repor-
tados por Agresti & Coull (1998), Brown et al. (2001), Brown et al. (2002) y
Henderson & Meyer (2001). En cuanto a la varianza de longitud de los intervalos,
la menor corresponde al intervalo de Wald ajustado. Luego, las correspondientes
a los intervalos score y bayesiano con distribucin a priori uniforme. Despus se
encuentran las varianzas de la longitud de los intervalos exacto y de Bayes con
distribucin a priori de Jereys. Finalmente, la mayor varianza corresponde a la
longitud del intervalo de Wald. En consecuencia, en ningn caso se recomienda el
uso del intervalo de Wald, incluso en cursos bsicos de estadstica, donde es con-
veniente el uso del intervalo de Wald ajustado, dado que es fcil de estimar, tiene
la menor varianza entre todos los intervalos analizados, no presenta subcobertura
respecto al valor nominal y tiene una formulacin simple.
Si la interpretacin deseada para el grado de conanza del intervalo es que
en promedio se tenga una cobertura de 100(1 ) %, entonces la alternativa ms
recomendada est dada por el intervalo de score y bayesiano con distribucin a
priori uniforme, ya que presentan mejor comportamiento en longitud esperada del
intervalo, en su varianza y en probabilidad de cobertura que ucta alrededor del
valor nominal sin importar los valores de n y p. Si adems se tiene informacin
previa acerca de los parmetros, la mejor propuesta es el intervalo bayesiano con
distribucin a priori. Si se piensa que p est en el intervalo (0, 0.5], la mejor alter-
nativa est dada por el intervalo bayesiano con informacin previa con distribucin
a priori B(0.5, 2), n de un tamao moderado y p no muy cercano a 0.
_
Recibido: enero de 2008 Aceptado: septiembre de 2008
Referencias
Agresti, A. & Cao, B. (2000), Simple and Eective Condence Intervals for
Proportion and Dierences of Proportions Result from Adding Two Successes
and Two Failures, The American Statistician 54, 280288.
Agresti, A. & Coull, B. (1998), Approximate is Better than Exact for Interval
Estimation of Binomial Proportions, The American Statistician 52, 119126.
Agresti, A. & Min, Y. (2001), On Small-Sample Condence Intervals for Parame-
ters in Discrete Distribution, Biometrics 57, 963971.
Bernardo, J. M. & Smith, A. F. M. (2000), Bayesian Theory, John Wiley & Sons,
Ltd., Chichester, England.
Brown, L., Cai, D. & DasGupta, A. (2001), Interval Estimation for a Binomial
Proportion, Statistical Science 16, 101133.
Revista Colombiana de Estadstica 31 (2008) 211228
228 Edilberto Cepeda-Cuervo et al.
Brown, L., Cai, D. & DasGupta, A. (2002), Condence Intervals for a Binomial
Proportion and Asymptotic Expansions, The Annals of Statistics 30, 160
201.
Canavos, G. (1988), Probabilidad y Estadstica: Aplicaciones y mtodos, McGraw
Hill, Mxico D. F., Mxico.
Correa, J. & Sierra, E. (2003), Intervalos de conanza para la comparacin de dos
proporciones, Revista Colombiana de Estadistica 26, 6175.
Henderson, M. & Meyer, M. (2001), Exploring the Condence Interval for a Bi-
nomial Parameter in a First Course in Statistical Computing, The American
Statistician 55, 337344.
Migon, H. & Gamerman, D. (1999), Statistical Inference: An Integrated Aproach,
Oxford University Press Inc., Madison Avenue, United States.
Newcombe, R. & Merino, C. (2006), Intervalos de conanza para las estimaciones
de proporciones y las diferencias entre ellas, Interdisciplinaria 23, 141154.
R Development Core Team (2007), R: A Language and Environment for Statistical
Computing, R Foundation for Statistical Computing, Vienna, Austria. ISBN
3-900051-07-0.
*http://www.R-project.org
Wasserman, L. (1991), An Inferential Interpretation of Default Priors, Technical
report, Dept. Statistics, Carnegie Mellon Univ.
Revista Colombiana de Estadstica 31 (2008) 211228