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:
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.
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.
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.
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$contiene)*100, "%\n")## Cobertura observada: 97.2 %
## Cobertura teórica del procedimiento: 95 %
# Se muestran 100 intervalos para facilitar la lectura del gráfico.
r <- resultados[1:100, ]
cols <- ifelse(r$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.
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 \(z_{1-\alpha/2}\).
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")| 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 %")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
## 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.
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 \(\sigma/\sqrt n\).
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.
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.
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:
\[ LI=\bar{x}-t_{1-\alpha/2,n-1} \frac{s}{\sqrt{n}} \]
\[ LS=\bar{x}+t_{1-\alpha/2,n-1} \frac{s}{\sqrt{n}} \]
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:
Paso 1. Identificar los datos del ejercicio.
A partir de la muestra se obtienen los siguientes valores:
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.
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
## Desviación estándar: 5.481788
## Tamaño de muestra: 20
## Error estándar: 1.225765
## Valor crítico: 2.093024
## Margen de error: 2.565556
## Intervalo de confianza del 95 %: [ 24.48444 , 29.61556 ]
R también permite calcular directamente el intervalo de confianza:
##
## 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.
mtcarsLa 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
## t crítico = 2.039513 con 31 grados de libertad
## Margen de error = 2.172946 mpg
## IC del 95 % = [ 17.91768 , 22.26357 ] mpg
## [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.
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
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 \(\sqrt{\hat p(1-\hat p)/n}\).
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 \([0,1]\).
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.
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
## IC Wald 95 %: 0.7225894 a 0.8374106
## 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)$conf.int## [1] 0.7176120 0.8318346
## attr(,"conf.level")
## [1] 0.95
La proporción observada es 0.78, es decir, 78 % de la muestra. El intervalo estima la proporción del proceso o población objetivo bajo el diseño y los supuestos del muestreo; no convierte automáticamente a los encuestados en una muestra representativa.
mtcars: proporción de transmisiones manualesLa variable am está codificada como 0 = automática y 1 =
manual. Su media coincide con la proporción de unos. Se utiliza Wilson,
y se advierte que la interpretación poblacional depende de la
representatividad de los registros.
x <- sum(mtcars$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
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.
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
## Varianza muestral = 36.3241
## Desviación estándar muestral = 6.026948
## Cuantil chi-cuadrado bajo = 17.53874
## Cuantil chi-cuadrado alto = 48.23189
## IC 95 % para varianza = [ 23.34653 , 64.20343 ]
## 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 \(n=32\).
| 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 |
| 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.