1 Fundamentos de los intervalos de confianza

1.1 ¿Qué es un intervalo de confianza?

Definición. Un intervalo de confianza (IC) es un procedimiento estadístico que, a partir de una muestra y de un método de construcción, produce dos límites entre los cuales se espera que se encuentre un parámetro poblacional desconocido con una cobertura de largo plazo determinada.

Un parámetro poblacional es una característica fija de la población, por ejemplo, la media \(\mu\), la proporción \(p\), la varianza \(\sigma^2\) o la desviación estándar \(\sigma\). Como normalmente no se observa toda la población, se utiliza una muestra para calcular un estimador puntual y cuantificar su incertidumbre mediante un intervalo.

Es importante distinguir:

  • Parámetro: cantidad fija, generalmente desconocida, que describe la población.
  • Estimador: regla o función de la muestra utilizada para estimar el parámetro. Es aleatorio antes de observar los datos.
  • Estimación: valor numérico que toma el estimador después de observar la muestra.
  • Intervalo: par de límites calculados mediante un procedimiento que depende de la muestra; antes de observarla, también es aleatorio.

Por ejemplo, \(\bar X\) es el estimador de la media poblacional \(\mu\), mientras que \(\bar x=23.4\) podría ser una estimación concreta obtenida de una muestra.

1.2 Estructura general

Para muchos intervalos simétricos:

\[ IC_{1-\alpha}=\text{estimación puntual}\pm (\text{cuantil crítico})(\text{error estándar}). \]

El margen de error es

\[ E=\text{cuantil crítico}\times EE, \]

y los límites son \(LI=\text{estimación}-E\) y \(LS=\text{estimación}+E\).

El error estándar mide la desviación típica de la distribución muestral del estimador. No es lo mismo que la desviación estándar de los datos: por ejemplo, para la media, bajo muestreo independiente, \(EE(\bar X)=\sigma/\sqrt n\), o se estima mediante \(s/\sqrt n\) cuando \(\sigma\) es desconocida.

Esta estructura no se aplica a todos los intervalos. El intervalo para la varianza basado en chi-cuadrado, por ejemplo, es asimétrico.

1.3 Interpretación frecuentista del nivel de confianza

Un nivel de confianza del 95 % significa que, si se repitiera indefinidamente el procedimiento de muestreo y construcción bajo las mismas condiciones, aproximadamente el 95 % de los intervalos obtenidos contendría el parámetro poblacional fijo.

No significa que, después de calcular un intervalo particular, exista una probabilidad frecuentista del 95 % de que el parámetro fijo esté dentro de él. Una vez observados los datos, el intervalo ya está determinado y el parámetro está dentro o fuera de él.

La cobertura del procedimiento es una propiedad de su comportamiento en repeticiones hipotéticas. Un intervalo más estrecho suele ser más preciso, pero su amplitud depende del tamaño de muestra, la variabilidad, el nivel de confianza y el método utilizado.

1.4 Simulación de la cobertura frecuentista

Se simulan muestras normales con \(\mu=50\), \(\sigma=10\) y \(n=30\). Como \(\sigma\) es conocida, se construye cada intervalo para \(\mu\) usando la distribución normal estándar.

set.seed(123)
mu_real <- 50
sigma_real <- 10
n <- 30
B <- 500
nivel_conf <- 0.95
z_critico <- qnorm(1 - (1-nivel_conf)/2)

resultados <- data.frame(muestra=1:B, media=numeric(B), li=numeric(B),
                         ls=numeric(B), contiene=logical(B))
for (i in seq_len(B)) {
  datos <- rnorm(n, mean=mu_real, sd=sigma_real)
  xb <- mean(datos)
  margen <- z_critico * sigma_real/sqrt(n)
  resultados$media[i] <- xb
  resultados$li[i] <- xb-margen
  resultados$ls[i] <- xb+margen
  resultados$contiene[i] <- resultados$li[i] <= mu_real && resultados$ls[i] >= mu_real
}
cat("Cobertura observada:", mean(resultados$contiene)*100, "%\n")
## Cobertura observada: 97.2 %
cat("Cobertura teórica del procedimiento: 95 %\n")
## Cobertura teórica del procedimiento: 95 %
# Se muestran 100 intervalos para facilitar la lectura del gráfico.
r <- resultados[1:100, ]
cols <- ifelse(r$contiene, "#205493", "#BE2D37")
plot(r$media, r$muestra, xlim=range(c(r$li,r$ls)), pch=19, col=cols,
     xlab="Valores de la media e intervalos", ylab="Muestra simulada",
     main="Cobertura de intervalos del 95 %")
segments(r$li, r$muestra, r$ls, r$muestra, col=cols, lwd=1.3)
abline(v=mu_real, col="#8B1223", lwd=2, lty=2)
legend("topright", legend=c("Contiene mu","No contiene mu","Mu verdadero"),
       col=c("#205493","#BE2D37","#8B1223"), lty=c(1,1,2), pch=c(19,19,NA), bty="n")

En una simulación finita no se exige obtener exactamente 95 %. El porcentaje observado fluctúa por variabilidad Monte Carlo; al aumentar el número de repeticiones, la proporción de cobertura tiende a aproximarse a la cobertura teórica del procedimiento.

2 Distribución normal estándar y valores críticos

2.1 Nivel de confianza y significación

Sea \(Z\sim N(0,1)\). Para un intervalo bilateral con nivel de confianza \(1-\alpha\), el área central es \(1-\alpha\), y queda un área total \(\alpha\) fuera del intervalo. Por simetría, cada cola tiene área \(\alpha/2\).

Se define \(z_{1-\alpha/2}\) como el cuantil que satisface

\[ P(Z\le z_{1-\alpha/2})=1-\frac{\alpha}{2}. \]

Por simetría, los límites estandarizados son \(-z_{1-\alpha/2}\) y \(+z_{1-\alpha/2}\). En R, el cuantil se obtiene con qnorm(1-alpha/2). La notación \(z_{\alpha/2}\) también se utiliza en algunos textos para representar el valor positivo cuya cola derecha tiene área \(\alpha/2\); por claridad, aquí se usará \(z_{1-\alpha/2}\).

2.2 Ejemplos de lectura de tabla

  • Confianza del 95 %: \(\alpha=0.05\), cada cola tiene 0.025 y el área acumulada a la izquierda del límite positivo es 0.975. Por tanto, \(z_{0.975}\approx1.96\).
  • Confianza del 90 %: \(\alpha=0.10\), cada cola tiene 0.05 y el área acumulada es 0.95. Por tanto, \(z_{0.95}\approx1.644854\), que suele redondearse a 1.645.

Una tabla normal puede presentar el área acumulada a la izquierda, el área entre 0 y \(z\), o el área de cola derecha. Antes de buscar un valor, se debe verificar qué tipo de tabla se está utilizando.

niveles <- c(0.80,0.90,0.95,0.99)
alfa <- 1-niveles
z <- qnorm(1-alfa/2)
tabla_z <- data.frame(Confianza=paste0(100*niveles," %"), Alfa=alfa,
                      Area_cada_cola=alfa/2,
                      Area_acumulada=1-alfa/2,
                      Cuantil_z=z)
knitr::kable(tabla_z, digits=5, align="c",
            caption="Cuantiles bilaterales de la distribución normal estándar")
Cuantiles bilaterales de la distribución normal estándar
Confianza Alfa Area_cada_cola Area_acumulada Cuantil_z
80 % 0.20 0.100 0.900 1.28155
90 % 0.10 0.050 0.950 1.64485
95 % 0.05 0.025 0.975 1.95996
99 % 0.01 0.005 0.995 2.57583
z95 <- qnorm(0.975)
x <- seq(-3.5,3.5,length.out=600)
y <- dnorm(x)
plot(x,y,type="l",lwd=2.5,col="#8B1223",xlab="Z",ylab="Densidad",
     main="Distribución normal estándar: confianza central del 95%")
xx <- seq(-z95,z95,length.out=300)
polygon(c(-z95,xx,z95),c(0,dnorm(xx),0),
        col=adjustcolor("#205493",alpha.f=0.3),border=NA)
xx1 <- seq(-3.5,-z95,length.out=100)
polygon(c(-3.5,xx1,-z95),c(0,dnorm(xx1),0),
        col=adjustcolor("#D4A017",alpha.f=0.5),border=NA)
xx2 <- seq(z95,3.5,length.out=100)
polygon(c(z95,xx2,3.5),c(0,dnorm(xx2),0),
        col=adjustcolor("#BE2D37",alpha.f=0.4),border=NA)
abline(v=c(-z95,z95),lty=2)
text(0,0.16,"95 % central")
text(-2.5,0.04,"2.5 %")
text(2.5,0.04,"2.5 %")

3 Intervalo central de valores individuales: ejemplo de neumáticos

Enunciado. La duración de los neumáticos se modela como una variable normal con media poblacional \(\mu=48\,000\) km y desviación estándar poblacional \(\sigma=3\,000\) km. Hallar el intervalo central que contiene el 80 % de las duraciones individuales.

Este problema no estima un parámetro desconocido: los parámetros se consideran conocidos. Se busca un intervalo de cobertura central para una observación individual \(X\).

Para el 80 % central, \(\alpha=0.20\), \(\alpha/2=0.10\) y \(z_{0.90}=1.281552\). Como \(Z=(X-\mu)/\sigma\), se destipifica mediante \(X=\mu+Z\sigma\):

\[ [\mu-z_{0.90}\sigma,\;\mu+z_{0.90}\sigma]. \]

mu_neumaticos <- 48000
sigma_neumaticos <- 3000
confianza <- 0.80
z80 <- qnorm((1+confianza)/2)
li_km <- mu_neumaticos-z80*sigma_neumaticos
ls_km <- mu_neumaticos+z80*sigma_neumaticos
cat("Cuantil crítico:",z80,"\n")
## Cuantil crítico: 1.281552
cat("Intervalo central del 80 %:",li_km,"a",ls_km,"km\n")
## Intervalo central del 80 %: 44155.35 a 51844.65 km

Interpretación: Bajo el modelo normal especificado, el 80 % de la distribución de duraciones individuales se encuentra aproximadamente entre 44 155.35 km y 51 844.65 km. No debe decirse que el fabricante tiene un 80 % de confianza en ese intervalo: es una afirmación probabilística sobre la distribución de una observación individual bajo el modelo.

4 Intervalo de confianza para la media poblacional

4.1 Caso A: desviación estándar poblacional conocida

Si se dispone de una muestra aleatoria independiente de una población normal, o se justifica una aproximación normal para la media muestral, y \(\sigma\) es conocida, se utiliza

\[ IC_{1-\alpha}(\mu)=\bar x\pm z_{1-\alpha/2}\frac{\sigma}{\sqrt n}. \]

Donde \(\bar x\) es la media muestral, \(\sigma\) la desviación estándar poblacional conocida y \(n\) el tamaño de muestra. El error estándar es \(\sigma/\sqrt n\).

4.2 Caso B: desviación estándar poblacional desconocida

Si \(\sigma\) es desconocida, se estima con la desviación estándar muestral \(s\). Para una muestra aleatoria independiente de una población normal:

\[ T=\frac{\bar X-\mu}{S/\sqrt n}\sim t_{n-1}, \]

por lo que

\[ IC_{1-\alpha}(\mu)=\bar x\pm t_{1-\alpha/2,n-1}\frac{s}{\sqrt n}. \]

La distribución t tiene colas más pesadas que la normal y depende de los grados de libertad \(n-1\). A medida que estos aumentan, se aproxima a la normal estándar.

Precisión sobre el teorema central del límite: el TCL puede justificar una aproximación normal de la distribución de la media bajo condiciones apropiadas, pero no convierte en exacta la distribución t de Student. La distribución t es exacta bajo el supuesto de población normal. Con muestras grandes puede utilizarse como aproximación en muchos contextos, pero deben examinarse independencia, diseño muestral, asimetría extrema y valores atípicos.


4.3 Intervalo de confianza para la media poblacional

4.3.1 1. Definición

Un intervalo de confianza para la media poblacional es un rango de valores calculado a partir de una muestra, que permite estimar entre qué límites podría encontrarse la media verdadera de una población (\(\mu\)).

Se utiliza cuando no conocemos la media de toda la población y necesitamos estimarla mediante los datos de una muestra.

4.3.2 2. Fórmula

Cuando la desviación estándar poblacional es desconocida, se utiliza la distribución t de Student:

\[ IC_{1-\alpha}= \bar{x}\pm t_{1-\alpha/2,n-1} \left(\frac{s}{\sqrt{n}}\right) \]

También se puede expresar mediante sus dos límites:

\[ LI=\bar{x}-t_{1-\alpha/2,n-1} \frac{s}{\sqrt{n}} \]

\[ LS=\bar{x}+t_{1-\alpha/2,n-1} \frac{s}{\sqrt{n}} \]

4.3.3 3. Significado de las variables

  • \(IC_{1-\alpha}\): intervalo de confianza para la media poblacional.
  • \(\bar{x}\): media aritmética de los datos de la muestra.
  • \(t_{1-\alpha/2,n-1}\): valor crítico de la distribución t de Student.
  • \(\alpha\): nivel de significancia. Se calcula como \(1-\text{nivel de confianza}\).
  • \(n\): tamaño de la muestra, es decir, número de observaciones.
  • \(n-1\): grados de libertad de la distribución t.
  • \(s\): desviación estándar muestral, que mide la dispersión de los datos.
  • \(\sqrt{n}\): raíz cuadrada del tamaño de la muestra.
  • \(\frac{s}{\sqrt{n}}\): error estándar de la media.
  • \(LI\): límite inferior del intervalo.
  • \(LS\): límite superior del intervalo.

4.3.4 4. Ejemplo sencillo: reemplazar los datos en la fórmula

Enunciado. Se selecciona una muestra de 20 estudiantes y se registra una calificación para cada uno. Se desea calcular un intervalo de confianza del 95 % para estimar la calificación media de la población.

Los datos obtenidos son:

muestra <- c(23, 25, 28, 32, 35, 18, 20, 22, 26, 30,
             31, 27, 29, 24, 33, 19, 21, 34, 36, 28)

Paso 1. Identificar los datos del ejercicio.

A partir de la muestra se obtienen los siguientes valores:

  • Tamaño de muestra: \(n=20\).
  • Nivel de confianza: \(1-\alpha=0.95\).
  • Nivel de significancia: \(\alpha=1-0.95=0.05\).
  • Media muestral: \(\bar{x}=27.05\).
  • Desviación estándar muestral: \(s=5.4818\).
  • Grados de libertad: \(n-1=20-1=19\).
  • Valor crítico: \(t_{0.975,19}=2.0930\).

Paso 2. Calcular el error estándar.

La fórmula es:

\[ EE=\frac{s}{\sqrt{n}} \]

Reemplazamos los valores:

\[ EE=\frac{5.4818}{\sqrt{20}} \]

\[ EE=\frac{5.4818}{4.4721}=1.2258 \]

Paso 3. Calcular el margen de error.

La fórmula es:

\[ E=t_{1-\alpha/2,n-1}\times EE \]

Reemplazamos:

\[ E=2.0930\times 1.2258 \]

\[ E=2.5656 \]

Paso 4. Calcular el intervalo de confianza.

La fórmula es:

\[ IC=\bar{x}\pm E \]

Reemplazamos:

\[ IC=27.05\pm 2.5656 \]

Límite inferior:

\[ LI=27.05-2.5656=24.4844 \]

Límite superior:

\[ LS=27.05+2.5656=29.6156 \]

Por tanto:

\[ \boxed{IC_{95\%}=[24.4844,\;29.6156]} \]

Interpretación.

Con un nivel de confianza del 95 %, el procedimiento utilizado produce un intervalo entre 24.4844 y 29.6156 para estimar la media poblacional de las calificaciones.

Esto significa que, si repitiéramos el procedimiento de muestreo muchas veces y construyéramos un intervalo en cada repetición, aproximadamente el 95 % de esos intervalos contendría la verdadera media poblacional.

4.3.5 5. Comprobación mediante R

Ahora realizamos los mismos cálculos utilizando R. Observa que el programa ejecuta las operaciones que acabamos de desarrollar manualmente.

# Datos de muestra
muestra <- c(23, 25, 28, 32, 35, 18, 20, 22, 26, 30,
             31, 27, 29, 24, 33, 19, 21, 34, 36, 28)

# Nivel de confianza
nivel_confianza <- 0.95

# Calcular los estadísticos muestrales
muestra_media <- mean(muestra)
desviacion_estandar <- sd(muestra)
tamano_muestra <- length(muestra)

# Calcular el error estándar
error_estandar <- desviacion_estandar / sqrt(tamano_muestra)

# Calcular el valor crítico de t de Student
valor_critico <- qt((1 + nivel_confianza) / 2,
                    df = tamano_muestra - 1)

# Calcular el margen de error
margen_error <- valor_critico * error_estandar

# Calcular los límites del intervalo
limite_inferior <- muestra_media - margen_error
limite_superior <- muestra_media + margen_error

# Mostrar los resultados
cat("Media muestral:", muestra_media, "\n")
## Media muestral: 27.05
cat("Desviación estándar:", desviacion_estandar, "\n")
## Desviación estándar: 5.481788
cat("Tamaño de muestra:", tamano_muestra, "\n")
## Tamaño de muestra: 20
cat("Error estándar:", error_estandar, "\n")
## Error estándar: 1.225765
cat("Valor crítico:", valor_critico, "\n")
## Valor crítico: 2.093024
cat("Margen de error:", margen_error, "\n")
## Margen de error: 2.565556
cat("Intervalo de confianza del 95 %: [",
    limite_inferior, ", ", limite_superior, "]\n")
## Intervalo de confianza del 95 %: [ 24.48444 ,  29.61556 ]

4.3.6 6. Verificación con la función t.test()

R también permite calcular directamente el intervalo de confianza:

t.test(muestra, conf.level = 0.95)
## 
##  One Sample t-test
## 
## data:  muestra
## t = 22.068, df = 19, p-value = 5.287e-15
## alternative hypothesis: true mean is not equal to 0
## 95 percent confidence interval:
##  24.48444 29.61556
## sample estimates:
## mean of x 
##     27.05

Importante: el resultado debe coincidir, salvo diferencias pequeñas por redondeo, con el intervalo calculado manualmente.

4.4 Ejemplo con mtcars

La base mtcars contiene 32 registros de automóviles y la variable mpg mide millas por galón. El siguiente código calcula el IC t para la media de los registros. La interpretación inferencial hacia una población más amplia requiere justificar que esos registros representan una muestra adecuada de dicha población; la base por sí sola no garantiza representatividad ni muestreo aleatorio.

data(mtcars)
x <- mtcars$mpg
n <- length(x)
media <- mean(x)
s <- sd(x)
EE <- s/sqrt(n)
conf <- 0.95
tcrit <- qt(1-(1-conf)/2,df=n-1)
E <- tcrit*EE
ic <- c(media-E,media+E)
cat("n =",n,"\nMedia =",media,"mpg\nDesviación estándar =",s,
    "mpg\nError estándar =",EE,"mpg\n")
## n = 32 
## Media = 20.09062 mpg
## Desviación estándar = 6.026948 mpg
## Error estándar = 1.065424 mpg
cat("t crítico =",tcrit,"con",n-1,"grados de libertad\n")
## t crítico = 2.039513 con 31 grados de libertad
cat("Margen de error =",E,"mpg\n")
## Margen de error = 2.172946 mpg
cat("IC del 95 % = [",ic[1],",",ic[2],"] mpg\n")
## IC del 95 % = [ 17.91768 , 22.26357 ] mpg
t.test(x,conf.level=0.95)$conf.int
## [1] 17.91768 22.26357
## attr(,"conf.level")
## [1] 0.95

Interpretación adecuada: el intervalo calculado describe la incertidumbre del procedimiento t para la media del proceso poblacional que se haya definido y del cual la muestra pudiera considerarse representativa, bajo sus supuestos. Sin una población objetivo y un diseño de selección defendibles, es más prudente describirlo como un intervalo calculado para los datos de mtcars, sin generalizar a todos los automóviles.

4.5 Código general para una muestra numérica

muestra <- c(22.5,24.1,23.8,25.0,21.9,23.4,24.7,22.8,23.9,24.3,
             23.1,22.7,24.5,23.6,24.0)
n <- length(muestra)
confianza <- 0.95
media <- mean(muestra)
s <- sd(muestra)
EE <- s/sqrt(n)
tcrit <- qt(1-(1-confianza)/2,df=n-1)
E <- tcrit*EE
IC <- c(media-E,media+E)
cat("Media:",media,"\nDesviación estándar:",s,
    "\nError estándar:",EE,"\nGrados de libertad:",n-1,
    "\nMargen de error:",E,"\nIC:",IC[1],"a",IC[2],"\n")
## Media: 23.62 
## Desviación estándar: 0.8800974 
## Error estándar: 0.2272402 
## Grados de libertad: 14 
## Margen de error: 0.4873817 
## IC: 23.13262 a 24.10738

5 Intervalo de confianza para una proporción poblacional

5.1 Definición y estimador

Para una variable binaria (éxito/fracaso), sea \(x\) el número de éxitos en \(n\) ensayos y \(p\) la proporción poblacional. El estimador puntual es

\[ \hat p=\frac{x}{n}. \]

Si las observaciones son independientes y siguen un modelo Bernoulli con probabilidad de éxito constante, \(X\sim Binomial(n,p)\). La varianza de \(\hat p\) es \(p(1-p)/n\), y su error estándar estimado es \(\sqrt{\hat p(1-\hat p)/n}\).

5.2 Aproximación normal: intervalo de Wald

Cuando hay suficientes éxitos y fracasos, puede utilizarse la aproximación normal:

\[ IC_{Wald}(p)=\hat p\pm z_{1-\alpha/2} \sqrt{\frac{\hat p(1-\hat p)}{n}}. \]

Como regla orientativa, se revisa que \(n\hat p\) y \(n(1-\hat p)\) sean suficientemente grandes. El criterio de 5 es una regla mínima tradicional; muchos cursos y textos recomiendan 10. Esta aproximación puede tener cobertura deficiente, especialmente con muestras pequeñas o proporciones cercanas a 0 o 1, e incluso producir límites fuera de \([0,1]\).

5.3 Alternativa recomendada: intervalo de Wilson

El intervalo de Wilson suele comportarse mejor que Wald y mantiene sus límites dentro de \([0,1]\). Para \(z=z_{1-\alpha/2}\):

\[ \frac{\hat p+\frac{z^2}{2n}\;\pm\; z\sqrt{\frac{\hat p(1-\hat p)}{n}+\frac{z^2}{4n^2}}} {1+\frac{z^2}{n}}. \]

El signo menos produce el límite inferior y el signo más el superior.

5.4 Ejemplo: satisfacción de clientes

Se observaron 156 clientes satisfechos de 200 encuestados. Se calcula el intervalo de Wald y el de Wilson para comparar sus resultados.

n <- 200
exitos <- 156
phat <- exitos/n
conf <- 0.95
alfa <- 1-conf
z <- qnorm(1-alfa/2)

# Wald
EE <- sqrt(phat*(1-phat)/n)
IC_wald <- c(phat-z*EE,phat+z*EE)

# Wilson
centro <- (phat+z^2/(2*n))/(1+z^2/n)
half <- z*sqrt(phat*(1-phat)/n+z^2/(4*n^2))/(1+z^2/n)
IC_wilson <- c(centro-half,centro+half)

cat("Proporción muestral:",phat,"\n")
## Proporción muestral: 0.78
cat("IC Wald 95 %:",IC_wald[1],"a",IC_wald[2],"\n")
## IC Wald 95 %: 0.7225894 a 0.8374106
cat("IC Wilson 95 %:",IC_wilson[1],"a",IC_wilson[2],"\n")
## IC Wilson 95 %: 0.717612 a 0.8318346
# Comprobación con una función de R: prop.test aplica corrección de continuidad por defecto.
prop.test(exitos,n,conf.level=conf,correct=FALSE)$conf.int
## [1] 0.7176120 0.8318346
## attr(,"conf.level")
## [1] 0.95

La proporción observada es 0.78, es decir, 78 % de la muestra. El intervalo estima la proporción del proceso o población objetivo bajo el diseño y los supuestos del muestreo; no convierte automáticamente a los encuestados en una muestra representativa.

5.5 Ejemplo con mtcars: proporción de transmisiones manuales

La variable am está codificada como 0 = automática y 1 = manual. Su media coincide con la proporción de unos. Se utiliza Wilson, y se advierte que la interpretación poblacional depende de la representatividad de los registros.

x <- sum(mtcars$am==1)
n <- nrow(mtcars)
phat <- x/n
conf <- 0.95
z <- qnorm(1-(1-conf)/2)
centro <- (phat+z^2/(2*n))/(1+z^2/n)
half <- z*sqrt(phat*(1-phat)/n+z^2/(4*n^2))/(1+z^2/n)
IC_wilson <- c(centro-half,centro+half)
cat("Autos manuales:",x,"de",n,"\nProporción:",phat,
    "\nIC Wilson 95 %:",IC_wilson[1],"a",IC_wilson[2],"\n")
## Autos manuales: 13 de 32 
## Proporción: 0.40625 
## IC Wilson 95 %: 0.2551963 a 0.5773998

6 Intervalo de confianza para la varianza y la desviación estándar

6.1 Fundamento de chi-cuadrado

Si \(X_1,\ldots,X_n\) es una muestra aleatoria independiente de una población normal, entonces

\[ \frac{(n-1)S^2}{\sigma^2}\sim\chi^2_{n-1}. \]

Esta distribución permite construir un intervalo para la varianza poblacional \(\sigma^2\). La condición de normalidad de la población es importante: a diferencia del intervalo t para la media, el intervalo chi-cuadrado para la varianza es muy sensible a desviaciones de la normalidad.

Con \(\nu=n-1\), el intervalo bilateral para la varianza es

\[ IC_{1-\alpha}(\sigma^2)=\left[ \frac{(n-1)s^2}{\chi^2_{1-\alpha/2,\nu}}, \frac{(n-1)s^2}{\chi^2_{\alpha/2,\nu}} \right], \]

donde \(\chi^2_{q,\nu}\) denota el cuantil que deja probabilidad acumulada \(q\) a su izquierda. El límite inferior usa el cuantil alto porque este aparece en el denominador; el límite superior usa el cuantil bajo.

Para obtener el intervalo de \(\sigma\), se toma raíz cuadrada de ambos límites:

\[ IC_{1-\alpha}(\sigma)=\left[ \sqrt{\frac{(n-1)s^2}{\chi^2_{1-\alpha/2,\nu}}}, \sqrt{\frac{(n-1)s^2}{\chi^2_{\alpha/2,\nu}}} \right]. \]

El intervalo es asimétrico porque la distribución chi-cuadrado es asimétrica y la transformación recíproca de los cuantiles no conserva simetría.

6.2 Código en R

datos <- mtcars$mpg
n <- length(datos)
s <- sd(datos)
s2 <- var(datos)
conf <- 0.95
alfa <- 1-conf
gl <- n-1

chi_alto <- qchisq(1-alfa/2,df=gl)
chi_bajo <- qchisq(alfa/2,df=gl)
IC_var <- c(gl*s2/chi_alto,gl*s2/chi_bajo)
IC_sigma <- sqrt(IC_var)

cat("n =",n,"; grados de libertad =",gl,"\n")
## n = 32 ; grados de libertad = 31
cat("Varianza muestral =",s2,"\nDesviación estándar muestral =",s,"\n")
## Varianza muestral = 36.3241 
## Desviación estándar muestral = 6.026948
cat("Cuantil chi-cuadrado bajo =",chi_bajo,"\n")
## Cuantil chi-cuadrado bajo = 17.53874
cat("Cuantil chi-cuadrado alto =",chi_alto,"\n")
## Cuantil chi-cuadrado alto = 48.23189
cat("IC 95 % para varianza = [",IC_var[1],",",IC_var[2],"]\n")
## IC 95 % para varianza = [ 23.34653 , 64.20343 ]
cat("IC 95 % para desviación estándar = [",IC_sigma[1],",",IC_sigma[2],"]\n")
## IC 95 % para desviación estándar = [ 4.831825 , 8.012704 ]

Advertencia metodológica: este ejemplo ilustra el cálculo con mtcars, pero la validez exacta del intervalo chi-cuadrado exige que las observaciones provengan de una población normal mediante un muestreo compatible con el modelo. No debe justificarse únicamente porque \(n=32\).

7 Comparación de intervalos

Parámetro Estimador Distribución o método Supuestos centrales Forma habitual
Media \(\mu\), \(\sigma\) conocida \(\bar X\) Normal \(Z\) Muestreo independiente; normalidad o aproximación válida para la media Simétrica
Media \(\mu\), \(\sigma\) desconocida \(\bar X\) t de Student, \(n-1\) gl Muestra independiente; normalidad para exactitud Simétrica
Proporción \(p\) \(\hat p\) Wald normal o Wilson Ensayos Bernoulli independientes, probabilidad constante Generalmente no simétrica para Wilson
Varianza \(\sigma^2\) \(S^2\) Chi-cuadrado, \(n-1\) gl Muestra aleatoria independiente de población normal Asimétrica
Desviación \(\sigma\) \(S\) Raíz del IC de varianza Los mismos supuestos del intervalo chi-cuadrado Asimétrica

8 Cómo seleccionar el intervalo adecuado

  1. Identificar el parámetro: ¿se desea estimar una media, una proporción, una varianza o una desviación estándar?
  2. Identificar el tipo de variable y el diseño: cuantitativa, binaria; observaciones independientes o dependientes; muestra aleatoria o diseño específico.
  3. Revisar qué parámetros son conocidos: en particular, si la desviación estándar poblacional \(\sigma\) es conocida.
  4. Verificar los supuestos: normalidad cuando sea necesaria, independencia, tamaño de muestra y condiciones de aproximación.
  5. Elegir el método y el cuantil: \(Z\), t, Wilson u otra técnica según el problema.
  6. Interpretar en el contexto: indicar el parámetro, la población objetivo, las unidades, el nivel de confianza y las limitaciones del diseño.

9 Funciones de R utilizadas

Función Uso
mean(x) Media muestral
sd(x) Desviación estándar muestral
var(x) Varianza muestral
length(x) Número de observaciones
qnorm(p) Cuantil normal estándar acumulado a la izquierda
qt(p, df) Cuantil t de Student
qchisq(p, df) Cuantil chi-cuadrado
t.test(x) Intervalo t para una media
prop.test(x, n) Inferencia para una proporción mediante aproximación chi-cuadrado

Regla de lectura de cuantiles: las funciones qnorm, qt y qchisq reciben una probabilidad acumulada a la izquierda. Por ejemplo, qnorm(0.975) devuelve aproximadamente 1.96.

10 Ejercicios propuestos

  1. Una muestra aleatoria de 25 estudiantes tiene media de 3.6 y desviación estándar de 0.5. Bajo el supuesto de normalidad, construya e interprete un IC del 95 % para la media poblacional.
  2. En una encuesta, 84 de 120 personas prefieren un producto. Calcule la proporción muestral y construya un IC de Wilson del 90 %. Interprete el resultado e indique qué representa la población objetivo.
  3. Una muestra normal de tamaño 20 presenta varianza muestral de 16. Construya un IC del 95 % para la varianza y para la desviación estándar poblacionales.
  4. Explique por qué el intervalo central de duración de neumáticos no es un intervalo de confianza para la media.
  5. Explique por qué el hecho de que una muestra tenga 32 observaciones no garantiza por sí solo que sea representativa ni que todos los intervalos tengan distribución exacta.