2019

Intervalos de Confianza

Oscar R. Diaz
Piensa Estadística
14-5-2019
 Universidad de El Salvador
Facultad de Ingeniería y Arquitectura
Unidad de Ciencias Básicas
Probabilidad y Estadística
Unidad VI: Intervalos de Confianza.
Por Oscar Díaz

S uponga que estamos interesados en estimar la me-

dia μ de una población con varianza 𝜎 2 . Selecciona-
mos una muestra aleatoria de tamaño 𝑛 de esta po-
blación y calculamos la media muestral 𝑋̅ como un estima-
Intervalo de Confianza para la Media. Caso de σ
Conocida (muestra grande o pequeña).
Ejemplo 1: Cuando un proceso de manufactura opera
adecuadamente, la longitud promedio de cierta pieza
dor puntual de μ. Si la muestra es grande, el TLC predice fabricada es de 6.175 pulgadas. La desviación estándar con
que la distribución de muestreo de 𝑋̅ es aproximadamente la que opera el proceso es de 0.0080 pulgadas. Si una
normal con media μ y varianza 𝜎 2 ⁄𝑛. Bajo estas condicio- muestra aleatoria de 50 ítems de este proceso produce una
nes podemos verificar que media muestral de 6.168 pulgadas, construya un intervalo
𝑃(−1.96 ≤ 𝑍 ≤ 1.96) = 0.95 de confianza de 95% para la verdadera longitud de la pieza.
𝑋̅ − 𝜇 ¿Sugiere la información contenida en esta muestra que el
𝑃 (−1.96 ≤ ≤ 1.96) = 0.95 proceso opera adecuadamente?
𝜎/√𝑛
Si reescribimos esta expresión de la siguiente manera Solución: con 𝑋̅ = 6.168, 𝑛 = 50 y 𝜎 = 0.0080 el intervalo es
𝜎 𝜎
𝜎 𝜎 𝑋̅ − 1.96 ≤ 𝜇 ≤ 𝑋̅ + 1.96
𝑃 (−1.96 ≤ 𝑋̅ − 𝜇 ≤ 1.96 ) = 0.95 √𝑛 √𝑛
√𝑛 √𝑛
𝜎 𝜎 0.008 0.008
𝑃 (−𝑋̅ − 1.96 ≤ −𝜇 ≤ −𝑋̅ + 1.96 ) = 0.95 6.168 − 1.96 ≤ 𝜇 ≤ 6.168 + 1.96
√𝑛 √𝑛 √50 √50
𝜎 𝜎
𝑃 (𝑋̅ − 1.96 ≤ 𝜇 ≤ 𝑋̅ + 1.96 ) = 0.95
√𝑛 √𝑛 6.166 ≤ 𝜇 ≤ 6.170

Podemos interpretar la expresión como el intervalo Como el intervalo no incluye a 6.175, esto sugiere que
aletorio quizas el proceso no esté operando adecuadamente.
𝜎 𝜎 Interpretación del Intervalo
𝑋̅ − 1.96 ≤ 𝜇 ≤ 𝑋̅ + 1.96
√𝑛 √𝑛 Un intervalo de confianza es un intervalo de valores
tal como se muestra en la siguiente figura plausibles para un parámetro desconocido en la población
𝜎 𝜎 (por ejemplo, la media) basado en datos de una muestra
1.96 1.96 aleatoria. Los puntos finales inferiores y superiores de este
√𝑛 √𝑛 intervalo se calculan a partir de los datos de la muestra y
tenemos «cierta confianza» en que el verdadero parámetro
𝜎 𝜎 de la población (pero desconocido) se encuentra dentro de
𝑋̅ − 1.96 𝑋̅ 𝑋̅ + 1.96
√𝑛 √𝑛 los límites calculados.

La interpretación correcta de un intervalo de confianza del

Otros niveles de confianza pueden ser incluidos cambiando
95% es que, cuando se toman muestras aleatorias
el valor de 1.96. Si llamamos a estos valores 𝑍∝/2 y al nivel
repetidas del mismo tamaño de la misma población y se
de confianza 1−∝ entonces
calcula el intervalo de confianza para cada una de estas
𝜎 𝜎 muestras, en promedio, el 95% de estos intervalos incluirá
(𝑋̅ − 𝑍∝/2 ≤ 𝜇 ≤ 𝑋̅ + 𝑍∝/2 )
√𝑛 √𝑛 el parámetro poblacional. Después de seleccionar una
muestra en particular y calcular el intervalo para ese
Es un intervalo de confianza de 100(1−∝)%

1
parámetro, este intervalo puede o no cubrir el valor del
parámetro; Es una cuestión de incertidumbre.
Así, tenemos una confianza (no una probabilidad) del 95%
de que el intervalo 6.166 ≤ 𝜇 ≤ 6.170 contenga al
verdadero parámetro poblacional. De esta manera, el nivel
de confianza de un intervalo mide la confiabilidad del
método usado para calcular el intervalo. Un intervalo de
confianza del 95% se calcula mediante un método que, a la
larga, dará como resultado que la media poblacional se
sitúe en una proporción de 0.95 todas las veces que se
utilice. Es decir que, si construimos una y otra vez el
intervalo de confianza, los resultados podrían parecerse a
los siguientes
En esta simulación, 7 de 100 intervalos construidos no
contienen a la verdadera media (se esperaba que 5 no lo
hiceran).
Muestra pequeña y σ desconocida.
En el caso de muestras pequeñas, 𝑠 podría no estar cercana
a σ y 𝑋̅ podría no ser aproximadamente normal. Sin
embargo, si la población es aproximadamente normal,
entonces 𝑋̅ también será aproximadamente normal incluso
𝑋̅ −𝜇
para tamaños de muestra pequeña. La cantidad 𝑠/√𝑛 ahora
tiene una distribución 𝑡 con 𝜈 = 𝑛 − 1 grados de libertad.
Un intervalo de confianza de 95% para μ está dado por
𝑠 𝑠
𝑋̅ − 𝑡∝/2,𝑛−1 ≤ 𝜇 ≤ 𝑋̅ + 𝑡∝/2,𝑛−1
√𝑛 √𝑛
Ejemplo 2: La cantidad de chatarra que genera un
determinado proceso de manufactura es en promedio de
25.5 kg. Se pienza que un nuevo ajuste del proceso reducirá
esta cantidad. Durante 10 dias de prueba, los kilogramos de
chatarra que se producen con el ajuste son de 25.0, 21.9,
23.5, 25.2, 22.0, 23.0, 24.5, 25.0, 26.1 y 22.8
Construya un intervalo de confianza del 95% para el
promedio de chatarra despues del ajuste. ¿Los datos
sugieren una disminución en la cantidad de chatarra?
Solución: Como no sabemos si la población es normal,
primero debemos verificar si la muestra es
aproximadamente normal. El siguiente diagrama de caja
representa el comportamiento para los 10 días de prueba
Ya que no existe algún sesgo significativo en el gráfico,
podemos asumir normalidad en la población y por tanto,
con 𝑛 − 1 = 9 grados de libertad, un intervalo de confianza
del 95% está dado por
𝑠 𝑠
𝑋̅ − 𝑡∝/2,𝑛−1 ≤ 𝜇 ≤ 𝑋̅ + 𝑡∝/2,𝑛−1
√𝑛 √𝑛
1.46 1.46
23.9 − 2.262 ≤ 𝜇 ≤ 23.9 + 2.262
√10 √10
22.9 ≤ 𝜇 ≤ 24.9
A partir del intervalo podemos concluir que parece haber
una reducción significativa en la cantidad de chatarra
producida por el proceso.
Nota: en el caso de muestras pequeñas, si se conoce σ y la población es
proximadamente normal utilice la distribución normal.
̂
Intervalo de Confianza para la proporción 𝒑
Sea 𝑋 el número de éxitos en 𝑛 ensayos de Bernoulli inde-
pendientes con probabilidad de éxito 𝑝, por lo que
𝑋+2
𝑋 ~ 𝐵𝑖𝑛(𝑛, 𝑝). Se define 𝑛̃ = 𝑛 + 4 y 𝑝̃ =
𝑛̃
Un intervalo de confianza de nivel 100(1 − 𝛼)% para 𝑝 es
2
 𝑝̃(1 − 𝑝̃) 𝑝̃(1 − 𝑝̃)
𝑝̃ − 𝑧𝛼⁄2 √ ≤ 𝑝 ≤ 𝑝̃ + 𝑧𝛼⁄2 √
𝑛̃ 𝑛̃

Si el límite inferior es menor que cero, se reemplaza éste

con 0. Si el límite superior es mayor que 1, se reemplaza
éste con 1.

Ejemplo 3: Una empresa fabrica fusibles de 15 A para el uso

industrial. Como una medida del control de calidad, al final
de un día de producción se toma una muestra aleatoria de
75 fusibles y se prueban. Cierto día se encuentra que 17 de
los fusibles tuvieron una corriente de ruptura superior a los
15 A. Determine un intervalo de confianza de 95% para la Intervalo de confianza para la varianza
proporción de fusibles fabricados ese día con corrientes de
ruptura mayores a 15 A. (𝑛 − 1)𝑠 2 2
(𝑛 − 1)𝑠 2
2 ≤𝜎 ≤ 2
𝑋+2 19 𝜒𝑛−1,𝛼 ⁄2 𝜒𝑛−1,1−𝛼 ⁄2
Solución: con 𝑛̃ = 𝑛 + 4 = 79, 𝑧𝛼⁄2 = 1.96 y 𝑝̃ = 𝑛̃
=
79
el intervalo de confianza es: Ejemplo 4: Encuentre un intervalo de confianza del 95%
para la varianza y la desviación estándar del contenido de
𝑝̃(1 − 𝑝̃) 𝑝̃(1 − 𝑝̃) nicotina de cierta marca de cigarrillos si la desviación están-
𝑝̃ − 𝑧𝛼⁄2 √ ≤ 𝑝 ≤ 𝑝̃ + 𝑧𝛼⁄2 √ dar de una muestra aleatoria de 20 cigarrillos resultó ser de
𝑛̃ 𝑛̃
1.6 mg. Suponga una población aproximadamente normal.
0.2405(0.7595) 0.2405(0.7595)
0.2405 − 1.96√ ≤ 𝑝 ≤ 0.2405 + 1.96√
79 79 Solución: con 𝛼 = 0.05 y 19 grados de libertad
𝛼 𝛼
0.1463 ≤ 𝑝 ≤ 0.3348 𝛼 = 0.05 ⇒ = 0.025 y 1 − = 0.975
2 2

Intervalo de Confianza para Varianza y Desviación

Estándar.
En estadística, la varianza y desviación estándar de una va-
riable aleatoria resultan tan importantes como la media. 2 2
χ19,0.975 = 8.907 y χ19,0.025 = 32.852
Por ejemplo, cuando se fabrican productos que luego serán
ensamblados entre sí (por ejemplo, tornillos y sus roscas) (𝑛−1)𝑠2 (𝑛−1)𝑠2
2
𝜒𝑛−1,𝛼
≤ 𝜎 2 ≤ 𝜒2
resulta de mucha importancia controlar la variación de los ⁄2 𝑛−1,1−𝛼⁄2

diámetros de los productos de manera que sea lo más pe- (19)1.62 (19)1.62
≤ 𝜎2 ≤
queña posible, de otra manera no se acoplarán de manera 32.852 8.907
adecuada. En el caso de la elaboración de medicinas la va- 1.5 ≤ 𝜎 2 ≤ 5.5
rianza y desviación estándar de cada componente del me-
dicamento resultan de vital importancia para que el pa- Podemos tener una confianza del 95% que la varianza del
ciente reciba la dosis adecuada. contenido de nicotina está entre 1.5 y 5.5 mg2.

Para calcular el intervalo de confianza necesitamos una dis-
tribución que muestre el comportamiento de la varianza
muestral en el muestreo repetido. La distribución chi-cua-
𝑠2
drado se obtiene a partir de los valores de (𝑛 − 1) 𝜎2 cuando
se toman muestras aleatorias de una población distribuida
normalmente con varianza 𝜎 2 . En la siguiente figura se
muestra una familia de curvas de la distribución chi-cua-
drado (𝜒 2 ) que se diferencian por los grados de libertad
(d.f.)
Un IC del 95% para la desviación estándar es
1.2 ≤ 𝜎 ≤ 2.3
Elección del Tamaño de Muestra
En una situación práctica la primera pregunta que surge es
¿qué tamaño de muestra tomar para lograr cierto grado de
exactitud en los resultados? La respuesta no es simple, ya
que hay que considerar tres factores: el máximo error del
estimado (qué tan cerca al verdadero parámetro se desea
3
estar (¿una unidad? ¿dos?, etc.), la desviación estándar de revisión del programa actual de aseguramiento de calidad.
la población (¿se conoce o no?) y el nivel de confianza Se desea que la estimación esté dentro de 0.05 de la verda-
deseado (90%, 95%, etc.). dera proporción de los que están a favor de revisar el pro-
grama con un nivel de confianza del 90%. ¿Cuántos traba-
Una expresión para el tamaño de muestra se puede obte-
jadores deben de tomarse en cuenta?
ner a partir del error máximo del estimado –la máxima di-
ferencia posible entre el estimado puntual y el valor actual Solución: como no tenemos ningún conocimiento de 𝑝̃ usa-
del parámetro 𝐸– de la siguiente manera: mos 𝑝̃ = 0.5 y determinar así la muestra más grande para
𝜎 𝑧 𝛼 ⁄2 ∙ 𝜎
asegurar los resultados deseados. Entonces
𝐸 = 𝑧𝛼 ( 𝑛) ⇒ √𝑛 = 𝐸
2 √ 𝛼
1 − 𝛼 = 0.90 ⇒ 𝛼 = 0.10 y = 0.05. De tablas encontra-
2
De donde obtenemos mos que 𝑧0.05 = 1.645 . Con estos datos el tamaño de mues-
tra es
𝑧𝛼⁄2 ∙ 𝜎 2
𝑛=( ) 0.5(1−0.5)
𝐸 𝑛 = 1.6452 − 4 = 266.6 que finalmente redondea-
0.052
En el caso que no se conozca 𝜎, se recomienda hacer un mos a 𝑛 ≥ 267.
muestreo preliminar y estimar el valor de 𝜎 2 con 𝑠 2 . Como
último recurso puede estimar la desviación estándar divi- Intervalo de Confianza para la Diferencia de Me-
diendo el rango por 4. dias.
En ocasiones se está interesado en comparar dos medias
Ejemplo 5: Una empresa de manufactura está interesada poblacionales, lo cual se logra convenientemente esti-
en estimar la distancia promedio recorrida por sus trabaja- mando 𝑋̅1 − 𝑋̅2
dores. Un estudio preliminar indica que la desviación están-
dar de estas distancias es cercana a los 3 km. ¿Cuántos em- Caso de Poblaciones Normales con σ Conocida.
pleados debería incluir en la muestra si desea estimar con Un intervalo de confianza del 100(1 − 𝛼)% para 𝜇1 − 𝜇2 es
un error de 0.16 km del verdadero valor promedio a un ni-
𝜎12 𝜎22 𝜎12 𝜎22
vel de confianza del 95%? (𝑥̅1 − 𝑥̅2 ) − 𝑧𝛼 √ + ≤ 𝜇1 − 𝜇2 ≤ (𝑥̅1 − 𝑥̅2 ) + 𝑧𝛼 √ +
2 𝑛1 𝑛2 2 𝑛1 𝑛2

Solución: el intervalo resultante es de la forma 𝑥̅ ± 0.16

Caso de σ desconocida
con 1 − 𝛼 = 0.95. entonces
Si ambas muestras son grandes (en este caso 𝑛 > 40) el TLC
𝑧𝛼⁄2 ∙ 𝜎 2 1.96 ∙3 2 garantiza la validez del intervalo aun sin la asunción de
𝑛=( ) = ( ) = 36.752 = 1350.56 que re-
𝐸 0.16 normalidad en las poblaciones; en este caso, el nivel de
dondeamos a 𝑛 ≥ 1351 personas.
confianza es aproximadamente 100(1 − 𝛼)%. Además, el
En el caso de proporciones, el error está determinado por uso de las varianzas muestrales 𝑠12 y 𝑠22 proporciona un
intervalo válido para la diferencia de las verdaderas medias.
𝑝̃(1−𝑝̃) 𝑝̃(1−𝑝̃) En este caso
𝐸 = 𝑧𝛼 √ 𝑛̃
⇒ 𝑛̃ = 𝑧𝛼2 𝐸2
pero recuerde que 𝑛̃ =
2 2
𝑛 + 4 por lo que (𝑥̅1 − 𝑥̅2 ) − 𝑧𝛼 √
𝑠12
+
𝑠22
≤ 𝜇1 − 𝜇2 ≤ (𝑥̅1 − 𝑥̅2 ) + 𝑧𝛼 √
𝑠12
+
𝑠22
2 𝑛1 𝑛2 2 𝑛1 𝑛2
𝑝̃(1 − 𝑝̃)
𝑛= 𝑧𝛼2 −4 Es un intervalo de aproximadamente 100(1 − 𝛼)% para
2 𝐸2
𝜇1 − 𝜇2
La aplicación de esta fórmula depende de si conoce o no el
Ejemplo 7: Una firma desea comparar los contenidos de
valor de 𝑝̃. Si no lo conoce, que será la situación más común,
latas de refrescos que se producen en dos plantas ubicadas
puede llevar a cabo un muestreo preliminar y estimar su
en zonas francas diferentes. Los resultados de muestras
valor de la muestra. Si no es posible el muestreo preliminar,
1 aleatorias tomadas de manera independiente en ambas
use 𝑝̃ = 2 . Con este valor obtendrá el tamaño de muestra
plantas son los siguientes
más grande para garantizar los resultados deseados.
𝑛1 = 100 𝑥̅1 = 12 𝑜𝑛𝑧𝑎𝑠 𝑠12 = 6 𝑜𝑛𝑧𝑎𝑠 2
Ejemplo 6: Una firma desea estimar la proporción de traba-
jadores de la línea de producción que están a favor de la 𝑛2 = 100 𝑥̅2 = 9 𝑜𝑛𝑧𝑎𝑠 𝑠22 = 4 𝑜𝑛𝑧𝑎𝑠 2
4
Construya un intervalo de confianza del 90% para la Tabla 1
verdadera diferencia de las medias de los contenidos de
refresco.

Solución: estamos interesados en estimar 𝜇1 − 𝜇2 para el

caso donde las varianzas poblacionales son desconocidas.
𝛼
1 − 𝛼 = 0.9 ⇒ 𝛼 = .1 y 2 = 0.05. De tablas 𝑧𝛼 = 1.645
2

𝑠12 𝑠22 𝑠12 𝑠22

(𝑥̅1 − 𝑥̅2 ) − 𝑧𝛼 √ + ≤ 𝜇1 − 𝜇2 ≤ (𝑥̅1 − 𝑥̅2 ) + 𝑧𝛼 √ +
2 𝑛1 𝑛2 2 𝑛1 𝑛2

6 4 6 4
(12 − 9) − 1.645√ + ≤ 𝜇1 − 𝜇2 ≤ (12 − 9) + 1.645√ +
100 100 100 100

2.48 ≤ 𝜇1 − 𝜇2 ≤ 3.52

A partir del intervalo podemos inferir que 𝜇1 debe ser ma-

yor que 𝜇2 ya que la diferencia resulta positiva.
Nota: por tratarse de muestras grandes podemos estimar las varianzas Los diagramas de caja siguientes indican que puede asu-
poblacionales por medio de las varianzas muestrales. mirse que las varianzas son iguales (note como los diagra-
mas ocupan aproximadamente el mismo «espacio físico»
Caso de Muestras Pequeñas con Varianzas Iguales. en el eje horizontal).
Si ambas muestras aleatorias provienen de poblaciones
normales con varianzas iguales, un intervalo de confianza
para la diferencia de medias está dado por:
1 1 1 1
(𝑥̅1 − 𝑥̅ 2 ) − 𝑡𝛼,𝑣 𝑆𝑝 √ + ≤ 𝜇1 − 𝜇2 ≤ (𝑥̅1 − 𝑥̅2 ) + 𝑡𝛼,𝑣 𝑆𝑝 √ +
2 𝑛1 𝑛2 2 𝑛1 𝑛2

(𝑛1 −1)𝑆12 +(𝑛2 −1)𝑆22

Con 𝑆𝑝2 = y 𝜐 = 𝑛1 + 𝑛2 − 2
𝑛1 +𝑛2 −2

Supuestos:
• Ambas muestras son tomadas de manera aleatoria en
su respectiva población de interés.
• Las muestras son tomadas de manera independiente
una de otra.
• Ambas muestras son tomadas de poblaciones normales (𝑛1 −1)𝑆12 +(𝑛2 −1)𝑆22 14(2.8242 )+11(3.5972 )
Con 𝑆𝑝2 = = = 10.159
• Ambas poblaciones tienen la misma varianza (descono- 𝑛1 +𝑛2 −2 25

cida) es decir 𝜎12 = 𝜎22

y 𝑡𝛼⁄2 ,𝑣 = 𝑡0.025,25 = 2.060
Ejemplo 8: Un ingeniero industrial en una empresa de tex- (9.432 − 14.204) − (2.06)(3.19)√
1 1 1 1
+ 12 ≤ 𝜇1 − 𝜇2 ≤ (9.432 − 14.204) − (2.06)(3.19)√15 + 12
15
tiles está interesado en el denier promedio (el denier es una
unidad de medida de la densidad de masa lineal de las fi- −7.32 ≤ 𝜇1 − 𝜇2 ≤ −2.23

bras textiles) de los hilos producidos por dos máquinas. Se-
lecciona dos muestras aleatorias de ambas máquinas de
manera independiente. Los resultados se muestran en la
tabla 1. Construya un IC del 95% para 𝜇1 − 𝜇2
Solución: de las muestras obtenemos
Como el intervalo no contiene a cero y cae enteramente
antes de cero, podemos concluir que la media de la má-
quina 2 es significativamente mayor que el de la máquina
1.

𝑛1 = 15 𝑥̅1 = 9.432 𝑑𝑒𝑛𝑖𝑒𝑟 𝑠1 = 2.824 𝑑𝑒𝑛𝑖𝑒𝑟

𝑛2 = 12 𝑥̅2 = 14.204 𝑜𝑛𝑧𝑎𝑠 𝑠2 = 3.597 𝑑𝑒𝑛𝑖𝑒𝑟

5
Caso de Muestras Pequeñas con Varianzas Diferen-
tes.
En este caso el intervalo de confianza está dado por

𝑠2 𝑠2 𝑠2 𝑠2
(𝑥̅1 − 𝑥̅2 ) − 𝑡𝛼,𝑣 √ 1 + 2 ≤ 𝜇1 − 𝜇2 ≤ (𝑥̅1 − 𝑥̅2 ) + 𝑡𝛼,𝑣 √ 1 + 2
2 𝑛1 𝑛2 2 𝑛1 𝑛2

2
𝑆2 𝑆2
(𝑛1 +𝑛2 )
1 2
Con 𝜈 = 2 2 2 grados de libertad.
(𝑆1 /𝑛1 ) (𝑆2 /𝑛 )
+ 2 2
𝑛1 −1 𝑛2 −1

El resultado anterior por lo general no será un entero. Para

ser conservadores en los resultados redondearemos este
valor al entero menor. Los grados de libertad del estadístico a usar son
2
Ejemplo 9: El ingeniero del problema anterior decide com- 𝑆2 𝑆2 2.8242 0.6002
2
(𝑛1 +𝑛3 ) ( + )
1 3 15 12
parar la máquina 1 y la máquina 3. Los datos se muestran 𝜈= = = 15.56 ≈ 15
(𝑆2 /𝑛 )
2
(𝑆 2 /𝑛 )2 (2.8242 /15)
2
(0.6002 /12)
2
1
en la tabla 2: 1 + 3 3 14
+
11
𝑛1 −1 𝑛3 −1

Tabla 2 De tablas, 𝑡0.025,15 = 2.131 y el intervalo de confianza es

(−2.263) − 2.131√0.5617 ≤ 𝜇1 − 𝜇3 ≤ (−2.263) + 2.131√0.5617

−3.858 ≤ 𝜇1 − 𝜇3 ≤ −0.664

Como el intervalo no contiene a cero y cae enteramente

antes de cero, podemos concluir que la media de la má-
quina 3 es significativamente mayor que el de la máquina
1.

Construya un IC del 95% para 𝜇1 − 𝜇2

Solución: de las muestras obtenemos

𝑛1 = 15 𝑥̅1 = 9.432 𝑑𝑒𝑛𝑖𝑒𝑟 𝑠1 = 2.824 𝑑𝑒𝑛𝑖𝑒𝑟
𝑛3 = 12 𝑥̅3 = 11.693 𝑑𝑒𝑛𝑖𝑒𝑟 𝑠3 = 0.600 𝑑𝑒𝑛𝑖𝑒𝑟
Los diagramas de caja de las muestras nos sugieren que no
podemos asumir igualdad de varianzas (note como en este
caso los diagramas no ocupan el mismo «espacio físico» en
el eje 𝑥).