ESTIMACIÓN POR INTERVALOS DE CONFIANZA

En este método de estimación de un parámetro poblacional θ, se utilizan dos

estadígrafos o límites aleatorios L1 y L2 los cuales definen un intervalo o rango, dentro del cual se
espera con cierto nivel de confianza (1 - α)100%, se encuentre el verdadero valor del parámetro.
Evidentemente el cálculo de tales límites aleatorio debe conducir a un intervalo lo más estrecho
posible y con un alto nivel de confianza que tal intervalo incluya el verdadero valor del
parámetro, lo cual se expresa en término de probabilidades exigiendo que P(L1 ≤ θ ≤ L2) = 1 - α,
donde α es una probabilidad pequeña.

Para la construcción de los límites aleatorios L1 y L2, se utiliza el llamado método de

la variable pivote, el cual utiliza una variable aleatoria W = g(X1, X2, X3, . . . , Xn, θ) que depende
de la muestra aleatoria y de otros parámetros, donde el parámetro de interés θ es el único valor
desconocido. Por otra parte, esta variable pivote debe tener su distribución completamente
especificada, de modo que sea posible determinar percentiles w1 y w2 tales que:

P(w1 ≤ W ≤ w2) = 1 - α.
escribiendo la última expresión de la forma:

P(wα/2 ≤ g(X1, X2, X3, . . . , Xn, θ) ≤ w1-α/2) = 1 - α

y despejando en el argumento el parámetro de interés θ se llega a P(L1 ≤ θ ≤ L2) = 1 - α, lo cual
entrega las expresiones de cálculo de L1 y L2.

El conocimiento de los teoremas relativos a la media y varianza muestral vistos

anteriormente nos permite encontrar variables pivotes adecuadas para construir los límites
aleatorios que nos conduzca a la estimación de la media, varianza, diferencia de medias y
cuociente de varianzas de poblaciones normales, mediante un intervalo del (1 - α)100% de
confianza. Además cuando el tamaño muestral n es grande, basándose en el Teorema Central del
Límite, es posible obtener límites aleatorios aproximados para parámetros de poblaciones no
normales, como por ejemplo, para la probabilidad de éxito p de una población Bernoulli.

Algunos de estos límites aleatorios se muestran en el siguiente resumen:

-6-
 INTERVALOS DE CONFIANZA

• Límites de confianza de un nivel (1-α)100%, para la media µ de una población normal con
varianza σ² conocida.
σ σ
L1 = X − z α L2 = X + z α
1− n 1− n
2 2

• Límites de confianza de un nivel (1-α)100%, para la media µ de una población normal con
varianza σ² desconocida.
S S
L1 = X − t α L2 = X + t α
(1− , n −1) n (1− , n −1) n
2 2

donde el percentil t de Student tiene n-1 grados de libertad.

• Límites de confianza aproximados de un nivel (1-α)100%, para la probabilidad de éxito p de

una población Bernoulli.

 z2 α  z α  z2 α   z2 α  z α  z2 α 
$ 1−  1− 2 $ $ 1−  $ 1−  1− 2 $ $ 1− 
 P + 2n −  P(1 − P ) + 4n  P + 2n +  P(1 − P ) + 4n 
2 2 2 2

  n     n  
       
L1 = L2 =
z2 α z2 α
1− 1−
1+ 2
1+ 2

n n
n
X
donde P$ = y X = ∑ X i es el número de éxitos observados.
n i =1

Si n es muy grande (n > 200).

Pˆ (1 − Pˆ ) Pˆ (1 − Pˆ )
L1 = Pˆ − z α L2 = Pˆ + z α
1− n 1− n
2 2

• Límites de confianza de un nivel (1-α)100%, para la varianza σ ² de una población normal.

L1 =
(n − 1)S 2
L2 =
(n − 1)S 2
χ α χ α
(1− , n −1) ( , n −1)
2 2

donde los percentiles chi cuadrado tienen n-1 grados de libertad.

-7-
• Límites de confianza de un nivel (1-α)100%, para la diferencia de dos medias µ1 - µ2 de
poblaciones normales independientes con varianzas σ1² y σ2² conocidas.

σ 12 σ 22 σ 12 σ 22
L1 = X 1 − X 2 − z α + L2 = X 1 − X 2 + z α +
1−
2
n1 n2 1−
2
n1 n2

• Límites de confianza de un nivel (1-α)100%, para la diferencia de dos medias µ1 - µ2 de

poblaciones normales independientes con varianzas σ1² y σ2² desconocidas, pero
supuestamente iguales.

1 1 1 1
L1 = X 1 − X 2 − t α Sp + L2 = X 1 − X 2 + t α Sp +
(1− , n1 + n2 − 2 ) n1 n2 (1− , n1 + n2 − 2 ) n1 n2
2 2

donde el percentil t de Student tiene n1 + n2 - 2 grados de libertad y

Sp =
(n1 − 1)S12 + (n2 − 1)S 22
n1 + n2 − 2

• Límites de confianza aproximados de un nivel (1-α)100%, para la diferencia de dos medias µ1

- µ2 de poblaciones normales independientes con varianzas σ1² y σ2² desconocidas y
distintas.

S12 S 22 S12 S 22
L1 = X 1 − X 2 − t α + L2 = X 1 − X 2 + t α +
(1− ,ν ) n1 n2 (1− ,ν ) n1 n2
2 2

donde el percentil t de Student tiene ν grados de libertad que se calculan de la siguiente forma
redondeándolo al entero más cercano:
2
 s12 s 22 
 + 
ν=  n1 n2 
2
(
s1 n1 ) (
2

+
s 22 n2 )
2

n1 − 1 n2 − 1

• Límites de confianza aproximados de un nivel (1-α)100%, para la diferencia de dos

proporciones p1 - p2 de poblaciones Bernoulli independientes.

Pˆ1 (1 − Pˆ1 ) Pˆ2 (1 − Pˆ2 ) Pˆ1 (1 − Pˆ1 ) Pˆ2 (1 − Pˆ2 )

L1 = Pˆ1 − Pˆ2 − z α + L2 = Pˆ1 − Pˆ2 + z α +
1− n1 n2 1− n1 n2
2 2

-8-
• Límites de confianza de un nivel (1-α)100%, para el cuociente de dos varianzas σ1²/σ2² de
poblaciones normales independientes.

S12 S 22 S12 S 22 S12

L1 = L2 = = 2 f α
f α  f α 
S 2  1− 2 ,n2 −1,n1 −1 
 1− , n1 −1, n2 −1   , n1 −1, n2 −1 
 2   2 

donde los percentiles f tienen n1 - 1 grados de libertad en el numerador y n2 - 1 grados de

libertad en el denominador.

-9-