Estimación.

Intervalos de Confianza para la Media y para

las Proporciones
 Estimación

El objetivo principal de la estadística inferencial es la estimación, esto

es que mediante el estudio de una muestra de una población se quiere
generalizar las conclusiones hacia el total de dicha población. Como
vimos en la sección anterior, los estadísticos pueden variar mucho
dentro de sus distribuciones muestrales. Mientras menor sea el error
estándar de un estadístico, más cercanos serán sus valores. El Error
estandard podríamos expresarlo conceptualmente como el error que se
puede cometer al intentar conocer a una población por medio de una
muestra tomada de dicha población.
Existen dos tipos de estimaciones para parámetros; puntuales y por
intervalo.

•Una estimación puntual es un único valor estadístico y se usa para

estimar un parámetro. El estadístico usado se denomina estimador.

•Una estimación por intervalo es un rango, generalmente de ancho

finito, que se espera que contenga el parámetro.
Estimación por Intervalos

Un estimado puntual, por ser un sólo número, no proporciona por sí mismo

información alguna sobre la precisión y confiabilidad de la estimación.

Por ejemplo, imagine que se usa la media de una muestra x para estimar
(estimador puntual) la resistencia real a la ruptura de toallas de papel de
cierta marca y suponga que x = 9322.7.

Debido a la variabilidad de la muestra, casi nunca se tendrá el caso de que

x = . El estimador puntual nada dice sobre lo cercano que esta de . Una
alternativa para reportar el valor del parámetro que se esté estimando es
calcular un intervalo de valores factibles, es decir un límite de confianza o
intervalo de confianza (IC).
Un intervalo de confianza se calcula siempre seleccionando primero un
nivel de confianza, que es una medida del grado de confiabilidad en el
intervalo. Entonces, en el ejemplo anterior, si queremos un nivel de
confianza de 95% diríamos que es posible tener cualquier valor de m
entre 9162.5 y 9482.9.
Todo está muy bien, pero
¿cómo sabemos estos
valores?

Un nivel de confianza de 95% implica que 95% de las muestras daría

lugar a un intervalo que incluye m o cualquier otro parámetro que se
esté estimando, y sólo 5% de las muestras producirá un intervalo
erróneo. Cuanto mayor sea el nivel de confianza podremos creer que el
valor del parámetro que se estima está dentro del intervalo.
Si, por ejemplo, queremos tener un nivel de confianza de 95% (lo
cual es muy común), entonces usamos la distribución normal
estándar y encontramos los valores que incluyen a 95% del área.

Distribution Plot
Normal, Mean=0, StDev=1
0.95
0.4

0.3
Density

0.2

0.1

95% del área. 0.0

-1.96 0 1.96
z
En el siguiente ejemplo, tomado de una simulación efectuada con
Minitab se “crean” 100 muestras (n = 9) de una población con  =
80 y  = 5. Para 95% de confianza, 95 de los 100 intervalos
calculados contienen a .

95% Confidence Intervals for the Mean

200

150
Confidence Intervals

100
True mean

50

1 10 20 30 40 50 60 70 80 90 100
Interval Number

Los intervalos que no contienen al valor de  están marcados en rojo.

 Intervalos de confianza para la media

Supongamos que la estatura de los niños de 2 años está distribuída

normalmente con una media de 90 cm y una desviación estándar de 36
cm. ¿Cuál sería la distribución muestral de la media para una muestra de
tamaño 9? Recordemos que la media de una distribución muestral de
medias es igual a μ :

  x
Y el error estándar 
es: m 
n

Para nuestro ejemplo, la distribución muestral de la media tendría una

media de 90 y una desviación estándar de 36/3 = 12. Recordemos que la
desviación estándar de una distribución muestral es igual al error
estándar.
La siguiente figura muestra esta distribución en donde el área
sombreada representa el 95% del total, encontrándose entre los
valores de 66.48 y 113.52. Estos límites fueron calculados añadiendo y
restando 1.96 desviaciones estándar del valor de la media de 90, lo que
equivale al 95% del área bajo una curva normal estándar, es decir:

90 - (1.96 x 12) =
90 - 23.52 = 66.48
90 + (1.96 x 12) =
90 + 23.52 = 113.52

23.52
95% del área.

Lo que nos muestra la figura es que 95% de las medias se encontrarían a

no más de 23.52 de la media de 90 (o sea a 1.96 desviaciones estándar).
Ahora si consideramos la probabilidad de que la media de una muestra
aleatoria se encuentre a cierta distancia de la media de la población,
entonces podemos decir que como 95% de la distribución está a 23.5 de
90, la probabilidad de que la media de cualquier muestra esté a 23.52 de
90 es de 0.95.
Lo anterior significa que si calculamos repetidamente la media de una
muestra, x , y consideramos un intervalo que vaya de
x - 23.52 a x + 23.52, este intervalo contendrá a la media de la
población 95% de las veces. En general, podemos calcular el intervalo de
confianza con la siguiente fórmula:

Notar que no es otra

 cosa que despejar  de
 xz la fórmula para el valor
n Z de la distribución de
medias

Donde z es el valor de la curva estandar normal para la confianza que se

requiere. En el caso de 95% de confianza:


  x 1.96
n
De esta formula se puede observar que tanto el tamaño de la muestra
como el valor de  se deben conocer. Z se puede obtener de la tabla de
la distribución normal a partir del nivel de confianza establecido.

Como en muchas ocasiones se desconoce  en esos casos lo correcto es

utilizar otra distribución para muestras (la llamada “t” de student que
veremos en la siguiente sesión) si la población de donde provienen los
datos es normal.

En este caso se puede utilizar una estimación puntual de la desviación

estándar de la población por medio de la desviación estándar de la
muestra, es decir ( ~ s).
Ejemplos:

1. Se encuentra que la concentración promedio de zinc de una muestra

de 36 cereales es de 2.6 gramos por miligramo. Encuentre los intervalos
de confianza de 95% y 99% para la concentración media de zinc en el
cereal. Suponga que la desviación estándar de la población es 0.3.

Solución:
La estimación puntual de  es x = 2.6 (el valor de la media de la
muestra). El valor de z para un nivel de confianza del 95% es 1.96, por lo
tanto:

Valores z
Valores reales 2.5 2.6 2.7
Para un nivel de confianza de 99% el valor de z es de 2.575 por lo que el
intervalo será más amplio:

Z
Valores reales 2.47 2.6 2.73
2. Los vuelos de una empresa de aviación tienen una duración bimestral
aproximadamente distribuida de forma normal con una desviación
estándar de 40 horas. Si una muestra de 30 vuelos tiene una duración
promedio de 780 horas, encuentre los intervalos de confianza de 96%
para la media de la población de todos los vuelos de esta empresa.

Con un nivel de confianza del 96% se sabe que la duración media de los
vuelos está entre 765 y 795 horas.
Intervalos de confianza para la proporción

Un estimador puntual de la proporción P en un experimento binomial

está dado por la estadística P=X/N, donde X representa el número de
éxitos en N pruebas.
Por tanto, la proporción de la muestra p=x/n se utilizará como
estimador puntual del parámetro P.
Si no se espera que la proporción P desconocida esté demasiado cerca
de 0 ó de 1, se puede establecer un intervalo de confianza para P al
considerar la distribución muestral de proporciones.

Considerando el valor z para la distribución de proporciones

p P
z
P(1 P)
n
Si intentamos despejar el valor de P
nos encontramos con que

P(1 P)
P  p z
n
Pero ¿cómo podemos encontrar P si también está del lado derecho
de la ecuación?
Lo que haremos es aproximar la proporción de la población por la
de la muestra, es decir sustituir P por la proporción de la muestra
p siempre y cuando el tamaño de muestra no sea pequeño.

p(1 p)
P  p z
n
Cuando n es pequeña y la proporción desconocida P se considera
cercana a 0 ó a 1, el procedimiento del intervalo de confianza que se
establece aquí no es confiable ya que realmente se debería emplear
la distribución binomial, por tanto, no se debe utilizar. Para estar
seguros, se debe requerir que np y n(1-p) sea mayor o igual a 5.

El error de estimación será la diferencia absoluta entre p y P, y

podemos tener el nivel de confianza de que esta diferencia no
excederá el valor de

p(1 p)
z
n
 Ejemplos:
1. Un fabricante de reproductores de discos compactos utiliza un
conjunto de pruebas amplias para evaluar la función eléctrica de su
producto. Todos los reproductores de discos compactos deben pasar
todas las pruebas antes de venderse. Una muestra aleatoria de 500
reproductores tiene como resultado 15 que fallan en una o más
pruebas. Encuentre un intervalo de confianza de 90% para la
proporción de los reproductores de discos compactos de la población
que no pasarían todas las pruebas.

Solución:
0.03(1 0.03)
P  0.03  1.645
n=500 500
p = 15/500 = 0.03
z(0.90) = ±1.645 0.01752 < P < 0.042548
Distribution Plot
Normal, Mean=0, StDev=1

0.4

0.3

z=1.645 nos da un área de

Density
~0.05 a cada lado, si lo 0.2

buscamos en las tablas 0.1

encontraríamos el valor 0.05 0.05

de 0.04998 0.0
-1.64 0
z
1.64
Ejemplo 2.
En un estudio de 300 accidentes de automóvil en una ciudad
específica, 60 tuvieron consecuencias fatales. Con base en esta
muestra, construya un intervalo del 95% de confianza para
aproximar la proporción de todos los accidentes automovilísticos que
en esa ciudad tienen consecuencias fatales.

Solución:
n = 300
P= 60/300 = 0.20
0.20(1  0.20)
Z(0.95) = ± 1.96 P  0.20  1.96
300
El intervalo de confianza es entonces:
Distribution Plot
Normal, Mean=0, StDev=1

0.4

0.154737 < P < 0.245263

0.3
Density

0.2

0.1

0.025 0.025
0.0
-1.96 0 1.96
z