Intervalos de Confianza

Ing Luis Sakibaru

 Estimación de Parámetros

Parámetros poblacionales y Estadísticos Muestrales

Parámetros:
Histograma de la Poblacion
160

140 Media (m)

120

100
Varianza(s2)

Frecuencia
Datos 80

60
Desv. Est. (s)
(Población de Interés) 40

20

0
Etc.
-4 -2 0 2 4
Clases

Inferencias
Muestreo Histograma de la Muestra
Estadísticos:
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
 Estimación de Parámetros
Ejemplo: Estimación de la media de una población

Parámetro que se pretende estimar : La media de la población ( µ ) que en

general no se conoce, no se puede conocer, o se conoce sólo un valor teórico:

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

N datos como sigue:
____
1
X = (x1 + x 2 + ... + x N )
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 : ¿Cuál será la distribución de probabilidad del

estimador? De hecho ¿cuáles serán sus parámetros? ¿tendrán que ver con los
de la población?
 Estimación de Parámetros
Ejemplo: Lanzamiento de un dado
Población de interés : El conjunto de datos obtenidos al lanzar un dado legal
en diversas ocasiones
Parámetro de interés : La media (µ) de la población
____
1
Estimador: La media muestral ( X ) X = N (x 1 + x 2 + ... + x N )

Experimento aleatorio : Lanzar un dado

Variable aleatoria X= número obtenido en la cara superior
Espacio muestral = {1, 2 , 3, 4, 5 , 6}
Distribución de la variable aleatoria X: Uniforme
Media teórica: µ=3.5
 Estimación de Parámetros
Ejemplo: Lanzamiento de un dado
Distribución de la variable aleatoria (X) del experimento
Función 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
Función de Probabilidad
0.2

0.15
f(x)

0.1

m
0.05

0
1 2 3 4 5 6
x
 Estimación de Parámetros
Ejemplo: Lanzamiento de un dado

Distribución del estadístico X .

Diferentes cálculos 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 sólo valor para 10 variables aleatorias X1,X2,...,X10
 Estimación de Parámetros
Ejemplo: Lanzamiento de un dado

Distribución del estadístico X .

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

estos 1000 valores realizamos el histograma:
Distribución de la media muestral
0.25

0.2
frecuencia relativa

0.15

0.1

0.05

0
1 2 3 4 5 6
X
 Estimación de Parámetros
^ que pretende estimar un parámetro
En general: un estadístico Q
q es una v. a. Que depende de las N variables aleatorias que
forman una muestra, es decir
^
Q = f(X1,X2,...,XN)

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

por las variables aleatorias (X1,X2,...,XN).

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

variable de la muestra es igual a la de la población

Sin embargo, la distribución f( ^ ^ ^

q) = P( Q = q ) del estadístico
como se vió en el ejemplo del dado es otra cosa.
 Estimación de Intervalos
^ produce un valor ^
En la explicación previa, un estimador Q q
que pretende aproximar a un parámetro q. A este enfoque se le
llama estimación puntual

En el enfoque de estimación de intervalos, para un parámetro q

no se estima un valor, sino un intervalo de la forma l  q  u,
donde los valores extremos l, u dependen del valor numérico del
estadístico ^
q para una muestra en particular y de la distribución
de muestreo de Q ^

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

variables aleatorias L, U
 Estimación de Intervalos
^ , es posible
Partiendo de la distribución 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 contendrá 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 parámetro desconocido q
 Estimación de Intervalos
Ejemplo: Construcción 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 número de ellos, el 95% de ellos
contendrá a la media
 Estimación de Intervalos

En la práctica 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 proposición 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 información obtenida en la muestra, al semi
intervalo u-q, o q-l se le llama Precisión del estimador.

¿Qué significado tiene un intervalo grande?

¿És deseable que sea grande o que sea pequeño?
¿Qué relación tiene con el valor de 1-a?
 Estimación de Intervalos
Intervalo para la Media (Varianza conocida)

Situación: Se tiene una población 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 estadístico 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 distribución de X:
 Intervalo para la media
Intervalo para la Media (Varianza conocida)
1. Si la población es Normal, la distribución de X es Normal

2. Si la población no es Normal, el Teorema del límite central nos

garantiza una distribución 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 Límite Central:

Afirma que la media muestral tiene una distribución Normal
aunque la población original no la tenga, siempre y cuando la
muestra sea muy grande (de manera práctica N>30)
 Intervalo para la media
Intervalo para la Media (Varianza conocida)
De acuerdo a lo anterior, podemos suponer que la variable
___

Z= X −μ
σ/ N
Tiene una distribución 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
__ __

x−z α/2 σ/ N  μ  x + z α/2σ/ N

 Intervalo para la media
Intervalo para la Media (Varianza conocida)
Ejemplo: Los siguientes son datos de conductividad térmica 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 estimación 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 población tiene una distribución Normal con s=0.3
__ __

Usamos la expresión x − z σ/ N  μ  x + z σ/ N para encontrar el

α/2 α/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