Estimación Por Intervalo 0218

Estimación por intervalo
Jaime Vázquez • Lizbeth Naranjo • Ruth Fuentes • Margarita Chávez
Proyecto PAPIME UNAM PE107117

“Estadística para estudiantes de ciencias”
Índice general
Índice general 1
Introducción 2
1. Estimación por intervalo 3

1.1. Intervalos de confianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1.1. Método pivotal para encontrar intervalos de confianza . . . . . . . . . 8
1.1.2. El método de la cantidad pivotal para funciones de distribución continuas 12
1.2. Intervalos de confianza para los parámetros de po-
blaciones normales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
1.2.1. Intervalos para la media . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.2.2. Intervalo para la varianza . . . . . . . . . . . . . . . . . . . . . . . . 19
1.2.3. Intervalo para la diferencia de medias de poblaciones inde-
pendientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
1.2.4. Intervalo para el cociente de varianzas de poblaciones inde-
pendientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.3. Intervalos de confianza para muestras grandes . . . . . . . . . . . . . . . . . 26
1.3.1. Intervalo de confianza para el parámetro p de una distribución Binomial 28
1.4. Enfoque Bayesiano en la estimación por intervalo . . . . . . . . . . . . . . . 31
1.5. Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Bibliografía 41
1
Introducción
La estadística inferencial es una disciplina que se basa en gran medida en la probabilidad y

que ayuda a resolver problemas mediante inferencias de alguna característica de la población
usando datos muestrales de la misma.
La estadística involucra conceptos y resultados que pueden resumirse en grandes temas:
análisis exploratorio de datos, distribuciones muestrales, estimación puntual, estimación por
intervalo y pruebas de hipótesis, los cuales son fundamentales en el estudio y la aplicación
de esta disciplina. En esta parte se abordarán los tópicos relacionados con la estimación por
intervalo.
Se inicia con la exposición del concepto de intervalo de confianza y el método pivotal, para
continuar con la deducción de los intervalos correspondientes a los parámetros de poblaciones
normales. Se concluye con la teoría para hallar intervalos en el caso de muestras grandes y
con una introducción al enfoque Bayesiano.
Para la lectura de este documento es importante contar con conocimientos de teoría
de la probabilidad, así como de cálculo diferencial e integral en una y varias variables. Se
recomienda la lectura previa de las notas introducción a la estadística y estimación puntual
de los mismos autores.
2
CAPÍTULO 1
Estimación por intervalo
Es usual iniciar el estudio de la inferencia estadística con el planteamiento de estimación

puntual para el parámetro (o los parámetros) de una distribución. En esta parte, se abordará
otro enfoque: el tema relacionado con la búsqueda de un margen de variación para el valor
que el parámetro puede tomar, es decir, el planteamiento de estimación por intervalo.
Desde esta perspectiva, para inferir respecto a una característica de la población, se

procede a su estimación a partir de los datos encontrados en la muestra y se prefiere ahora
proponer un rango de valores que tenga la posibilidad de contener al parámetro. Esto se logra
generalmente mediante un intervalo que es entendido como un conjunto de valores (calculado
a partir de los datos de una muestra) en el cual puede encontrarse el verdadero valor del
parámetro con un determinado nivel de certeza o confianza. Se comenzará introduciendo el
concepto de intervalo de confianza.
1.1. Intervalos de confianza

Es común que en los medios de comunicación como radio, televisión, revistas o periódi-
cos, así como en redes sociales, se presenten resultados de estudios estadísticos de los temas
más diversos. Las conclusiones suelen presentarse con frases como la siguiente: “El estudio
muestra que en el 75 % de los casos se experimenta una mejoría (de cierta enfermedad),
siendo el margen de error del 6 % y el nivel de confianza del 95 %”. El cálculo de intervalos
de confianza para la estimación de parámetros permite hacer declaraciones sobre qué valores
se pueden esperar para una característica que se esté estudiando; aunque, a diferencia de la
estimación puntual, se habla de un nivel de confianza que tendrá una influencia en el intervalo
3
Estimación por Intervalo Vázquez-Naranjo-Fuentes-Chávez
calculado: intuitivamente la confianza se refiere a la certeza con la que el método dará una
respuesta correcta, y por lo tanto se pedirá que ese nivel de confianza sea alto.
Replanteando el problema de encontrar un rango de valores para θ, se tiene lo siguiente:
si θ ∈ Θ (el espacio paramétrico) y se quiere disminuir el grado de desconocimiento de θ
en f (x; θ), se debe seleccionar un subconjunto Θ1 de Θ en el cual pueda afirmarse, con un
margen de error pequeño, que se encuentra el valor de θ que caracteriza la distribución de
la población. Por ejemplo, suponga que se tiene una muestra aleatoria X1 , . . . , Xn de una
población con distribución N(µ, σ 2 ), con σ 2 conocida y µ desconocida y se desea estimar el
parámetro µ. La estadística T (X) = X̄ tiene distribución N(µ, σ 2 /n), entonces,
X̄ − µ
Z := √ ∼ N(0, 1).
σ/ n
Note que
P[−1.96 < Z < 1.96] = φ(1.96) − φ(−1.96) = φ(1.96) − (1 − φ(1.96))
= 2φ(1.96) − 1 = 2(0.9725) − 1 = 0.95.
A partir de que se sabe que P[−1.96 < Z < 1.96] = 0.95, se obtiene lo siguiente:
X̄ − µ
−1.96 < √ < 1.96,
σ/ n
si y sólo si
σ σ
−1.96 √ < X̄ − µ < 1.96 √ ,
n n
si y sólo si
σ σ
X̄ − 1.96 √ < µ < X̄ + 1.96 √ ,
n n
de donde
σ σ
P X̄ − 1.96 √ < µ < X̄ + 1.96 √ = 0.95.
n n
Lo que indica la expresión

σ σ
P X̄ − 1.96 √ < µ < X̄ + 1.96 √ = 0.95,
n n
es que hay una probabilidad de 0.95 de obtener una muestra tal que el intervalo

σ σ
X̄ − 1.96 √ , X̄ + 1.96 √ ,
n n
incluya al valor de µ. Esto motiva la definición 1.1 de intervalo aleatorio, aunque en este
momento, y haciendo referencia al ejemplo anterior, se puede adelantar que un intervalo en
el que al menos uno de los extremos es una variable aleatoria se llama intervalo aleatorio.
4
Una vez usada la distribución de X̄ para establecer la conclusión anterior, se obtiene un

valor particular de x̄, con base en una muestra, y se determina el intervalo numérico

σ σ
x̄ − 1.96 √ , x̄ + 1.96 √ . (1.1)
n n
En este caso no tiene sentido hablar de la probabilidad de que el intervalo aleatorio contenga
al parámetro, ya que no hay ninguna variable aleatoria. Ahora, el 0.95 expresa el margen de
confianza con el que se puede afirmar que el valor desconocido de µ está entre los extremos del
intervalo, en el sentido de que repitiendo el muestreo un gran número de veces, se obtendrían
intervalos distintos, entre los cuales aproximadamente el 95 % de estos intervalos contienen
el valor correcto de µ.

Por lo tanto, el intervalo numérico x̄ − 1.96 √σn , x̄ + 1.96 √σn se llama intervalo de con-
fianza para µ con un nivel del 95 %.
Observación 1.1 Un ejercicio para analizar el concepto de intervalo de confianza consiste

en simular algunas muestras de una determinada población normal, calcular los intervalos
correspondientes a un cierto nivel de confianza y observar la proporción de estos intervalos
que contienen al verdadero valor de la media.
El resultado de un ejercicio de simulación se muestra resumido en las gráficas de la

figura 1.1, en donde se ha utilizado la expresión (1.1) para el cálculo de los intervalos.
- Cada una de las gráficas representa intervalos correspondientes a 100 muestras para
diferentes tamaños de muestra, todas con µ = 100 y diferentes valores de σ.
- El ejercicio se hizo utilizando el software estadístico R.
- Las líneas en negro representan los intervalos que no contienen al verdadero valor de la
media µ en cada uno de los casos considerados.
- Se usó un nivel de confianza del 95 %.
Así, la primera gráfica representa los intervalos correspondientes a 100 muestras de tamaño
10 de una distribución normal con media igual a 100 y σ = 10.
5
100
100
100
80
80
80
60
60
60
40
40
40
20
20
20
0
0
85 90 95 100 110 85 90 95 100 110 85 90 95 100 110
Figura 1.1: Intervalos correspondientes a 100 muestras para diferentes tamaños de muestra,
todas con µ = 100 y diferentes valores de σ.
Si se desea un intervalo del 99 % de confianza en este caso de la distribución normal,

primero se debe observar que:
P[−2.576 < Z < 2.576] = 0.99.
Entonces, a partir de la expresión anterior, se obtiene que

σ σ
x̄ − 2.576 √ , x̄ + 2.576 √
n n
es un intervalo del 99 % de confianza para µ. Note que a mayor nivel de confianza, mayor
es la longitud del intervalo. Usualmente se fija un nivel de confianza y entonces se genera el
intervalo.
σ σ
Observe también que en el primer ejemplo x̄ − 1.96 n , x̄ + 1.96 n no es el único inter-
√ √
valo del 95 % de confianza para µ, pues P[−1.74 < Z < 2.37)] = φ(2.37) − φ(−1.74) =
φ(2.37) − 1 + φ(1.74) = 0.95. Sin embargo, el de longitud mínima es el originado por
P[−1.96 < Z < 1.96] = 0.95.
En general, si para este caso de la distribución N (µ, σ 2 ) , se tiene que:

X̄ − µ
P a< √ < b = γ,
σ/ n
6
entonces,
X̄ − µ σ σ σ σ
a< √ < b ⇔ a √ < X̄ − µ < b √ ⇔ X̄ − b √ < µ < X̄ − a √ .
σ/ n n n n n
Suponga que se desea minimizar la longitud del intervalo dada por (b−a) √σn , con la restricción
de que P[a < Z < b] = 0.95, es decir, FZ (b) − FZ (a) = 0.95, donde FZ (z) es la función de
distribución de una población N (0, 1) . Para este problema de optimización, se define la
función
L = b − a − λ(FZ (b) − FZ (a) − 0.95).
Entonces,
∂L
= 0 ⇔ −1 + λfZ (a) = 0 ⇔ λfZ (a) = 1 y también
∂a
∂L
= 0 ⇔ 1 − λfZ (b) = 0 ⇔ λfZ (b) = 1.
∂b
De donde, fZ (a) = fZ (b); por lo tanto, a = −b debido a la simetría de fZ . Es decir, la
distancia b − a será minimizada (para un área fija) cuando fZ (a) = fZ (b).
Definición 1.1 Sea X1 , . . . , Xn una muestra aleatoria de la densidad f (x; θ) y τ (θ) una
función de θ. Sean T1 (X) y T2 (X) de forma que T1 ≤ T2 y P(T1 < τ (θ) < T2 ) = γ (γ no
depende de θ). Entonces a (T1 , T2 ) se le llama un intervalo aleatorio y a un valor del intervalo
aleatorio (t1 , t2 ), se le llama intervalo de confianza o un intervalo del γ(100 %) de confianza
para τ (θ).
Como ilustración, considere a X1 , . . . , Xn una muestra aleatoria de la población con dis-

tribución N(θ, 9). Suponga que T1 (X) = X̄ − √6n y T2 (X) = X̄ + √6n y que (T1 , T2 ) forma un
intervalo para τ (θ) = θ. En este caso,

6 6 X̄ − θ
P X̄ − √ < θ < X̄ + √ = P −2 < √ < 2 = φ(2) − φ(−2)
n n 3/ n
= 2φ(2) − 1 = 2(0.9972) − 1 = 0.9544,
siendo 0.9544 el nivel de confianza. Por ejemplo, si se tiene una muestra

aleatoria de 25 ob-

6 6
servaciones, con una media muestral de 17.5, entonces se dice que 17.5 − 25 , 17.5 + 25
√ √
es un intervalo del 95.44 % de confianza para θ.
Note que alguna de las dos estadísticas (pero no ambas) T1 (X) ó T2 (X) puede ser cons-
tante; es decir, alguno de los dos extremos del intervalo aleatorio (T1 , T2 ) puede ser constante.
7
Definición 1.2 Sea X1 , . . . , Xn una muestra aleatoria de la densidad f(x; θ). Sean T1 (X)
una estadística para la cual P(T1 < τ (θ)) = γ; entonces T1 induce el intervalo de confianza
unilateral inferior (t1 (x), ∞) con un nivel de confianza γ. De manera análoga, si T2 (X) es
una estadística para la cual P(τ (θ) < T2 ) = γ; entonces T2 induce el intervalo de confianza
unilateral superior (−∞, t2 (x)) con un nivel de confianza γ (γ no depende de θ).
Observación 1.2 Si ya se ha determinado un intervalo de confianza para θ, entonces, se
puede determinar una familia de intervalos de confianza. De manera más específica, para un
nivel de confianza del γ(100 %) dado; si se tiene un intervalo de confianza para θ al γ(100 %)
de confianza, entonces se puede obtener un intervalo con el mismo nivel de confianza para
τ (θ) donde τ es una función creciente (estricta). Por ejemplo, si τ es una función creciente
y (T1 , T2 ) es un intervalo de confianza para θ, entonces (τ (T1 ), τ (T2 )) es un intervalo de
confianza para τ (θ) pues
γ = P[T1 (X) < θ < T2 (X)] = P[τ (T1 (X)) < τ (θ) < τ (T2 (X))].
A continuación se describirá un método para encontrar intervalos de confianza, el cual se
conoce como el método de la cantidad pivotal o simplemente método pivotal.
1.1.1. Método pivotal para encontrar intervalos de confianza

Definición 1.3 Sea X1 , . . . , Xn una muestra aleatoria de la densidad f (x; θ). Sea Q =
q(X1 , X2 , ..., Xn ; θ), es decir Q es una función de la muestra aleatoria y de θ. Si la dis-
tribución de Q no depende de θ, entonces a Q se le llama cantidad pivotal.
Ejemplo 1.1 Sea X1 , . . . , Xn una muestra aleatoria de la población con distribución N (θ, 1)
X̄−θ)
y sea τ (θ) = θ. En este caso, X̄ ∼ N (θ, n1 ), entonces Q1 := (1/√ ∼ N (0, 1) por lo que Q1 es
n
una cantidad pivotal. También Q2 := X̄ − θ es una cantidad pivotal pues Q2 ∼ N(0, n1 ) (su
distribución no depende de θ). Pero Q3 := X̄θ no es una cantidad pivotal, pues Q3 ∼ N (1, θ21n ).
Definición 1.4 Método pivotal para intervalos de confianza. Sea Q = q(x1 , . . . , xn ; θ)
una cantidad pivotal. Entonces, para cualquier γ ∈ (0, 1), existirán q1 y q2 que dependen de
γ tal que
P [q1 < Q < q2 ] = γ.
Si para cada posible muestra (x1 , . . . , xn ) se cumple que
q1 < q(x1 , . . . , xn ; θ) < q2 ,
si y sólo si
t1 (x1 , . . . , xn ) < τ (θ) < t2 (x1 , . . . , xn ) ,
para funciones t1 y t2 que no dependen de θ, entonces (t1 , t2 ) es un intervalo del γ(100) % de
confianza para τ (θ).
8
En este método, la desigualdad q1 < Q < q2 se reescribe, invierte o pivotea como t1 (x) <
τ (θ) < t2 (x).
Como se vió antes en el ejemplo de la distribución normal, puede haber distintos interva-
los que proporcionen el mismo nivel de confianza, por lo que se busca el que tenga longitud
mínima. Desde una perspectiva más general, el siguiente resultado será de utilidad para en-
contrar el intervalo de confianza más corto cuando la cantidad pivotal tenga una distribución
con una densidad unimodal.
Proposición 1.1 Sea f (x) una densidad unimodal y F (x) su función de distribución aso-
ciada. Sea [a, b] un intervalo que satisface que
F (b) − F (a) = 1 − α, (1.2)
para α tal que 0 < α < 1. Entonces de entre todos los intervalos que cumplen (1.2), [a0 , b0 ]
tiene la longitud mínima si f (a0 ) = f (b0 ) > 0 y a0 ≤ x∗ ≤ b0 , donde
x∗ es la moda de f (x) .
Si además f (x) es simétrica, entonces a0 = F −1 2 y b0 = F −1 1 − α2 .
α
Demostración:
Se trata de minimizar la longitud b − a sujeta a F (b) − F (a) = 1 − α. Usando multipli-
cadores de Lagrange, se define:
L (a, b, λ) = b − a + λ(1 − α − F (b) + F (a)),
de donde:
∂L
= 1 − λf(a) = 0,
∂a
∂L
= 1 − λf (b) = 0
∂b
y
1 − α − F (b) + F (a) = 0.
De las primeras dos ecuaciones se obtiene que f(a) = f (b) > 0. Si x∗ ∈/ [a, b] y f(a) = f (b),
entonces b − a > b0 − a0 , pues f (x) es unimodal y F (b) − F (a) = F (b0 ) − F (a0 ) .
Así por ejemplo, si la cantidad pivotal tiene una distribución Ji cuadrada, los cuantiles
de orden α/2 y 1 − α/2 de esta distribución contendrán a la moda de la distribución para
α pequeño y, de acuerdo a la proposición anterior, proporcionarán el intervalo más corto de
tamaño 1 − α.
9
Algunos ejemplos
Ejemplo 1.2 Suponga que se tiene una variable aleatoria con una distribución exponencial
con parámetro λ = 1θ . Obtenga un intervalo del 90 % de confianza para θ.
Como X ∼exponencial, sus funciones de densidad y de distribución son, respectivamente,
1 −x/θ
f (x; θ) = e ,
θ
FX (x) = 1 − e−x/θ ,
X
con x > 0 y θ > 0. Sea Y = θ
, entonces
FY (y) = P [Y ≤ y]

X
= P ≤y
θ
= P [X ≤ θy]
= FX (θy),
que implica que Y ∼exponencial(1). Por lo tanto Y = Xθ puede ser una cantidad pivotal ya
que es una función de la muestra X y del parámetro θ, y su distribución no depende de θ.
Así que el intervalo del 90 % de confianza para θ puede determinarse a partir de

X
P a< < b = 0.90,
θ
donde

X
P < a = P [X < aθ]
θ
= 1 − e−a = 0.05
lo que implica que
e−a = 0.95
a = − log(0.95) = 0.051,
y por otro lado,

X
P >b = P [X > bθ]
θ
= e−b = 0.05
lo que implica que

b = − log(0.05) = 2.996,
10
entonces

X
0.051 < < 2.996 ,
θ

X X
<θ< .
2.996 0.051
X

Por lo tanto, , X
2.996 0.051
es el intervalo del 90 % de confianza para θ.
Ejemplo 1.3 Sea X una variable aleatoria con distribución uniforme en el intervalo (0, θ).
Obtener un intervalo del 95 % de confianza para θ.
Se sabe que
1 (x)
fX (x) = I(0,θ) ,
θ x
1 x
FX (x) = dt = .
0 θ θ
X
Sea Y una variable aleatoria definida como Y = θ
, entonces
FY (y) = P (Y ≤ y)

X
= P ≤y
θ
= P (X ≤ θy)
= FX (θy)
θy
=
θ
= y.
Por lo tanto, la variable aleatoria Y = Xθ tiene una distribución uniforme en el intervalo
(0, 1). Así, Q = Xθ es una cantidad pivotal ya que Q es una función de la muestra X y del
parámetro θ y la distribución de Q no depende de θ porque Q ∼ U nif orme (0, 1).
Para obtener un intervalo del 95 % de confianza para θ puede usarse la cantidad pivotal
de la siguiente manera:
P [a < Q < b] = 0.95.
Como Q ∼ U nif orme (0, 1), se pueden tomar cualesquiera cantidades a y b pertene-
cientes al intervalo (0, 1) tal que b − a = 0.95. Esto implica que se podría tomar a ∈ (0, 0.05)
y b = 0.95 + a. Entonces, el intervalo del 95 % confianza para θ estaría determinado por lo
siguiente:

X
P a< < b = 0.95
θ

X X
P <θ< = 0.95.
b a
11
X X
PorXlo tanto
X
,
b a
es un intervalo del 95 % de confianza para θ. O de manera equivalente,
,
0.95+a a
es un intervalo del 95 % de confianza para θ.
La longitud del intervalo es
X X
L= − ,
a 0.95 + a
y la longitud esperada del intervalo es

1 1
E [L] = − E [X] .
a 0.95 + a
Si se buscara un intervalo de confianza con menor longitud esperada, se buscaría minimizar

E [L], lo que equivale a encontrar el valor de a tal que E [L] alcance su mínimo, y este valor
es cuando a = 0.05, lo que implica
queb = 1. Por lo tanto, el intervalo del 95 % para θ con
1
longitud esperada mínima es X, 0.05 X .
Ejemplo 1.4 Suponga que

X 1 , X2 , . . . , Xn es una muestra aleatoria de una población con dis-
n
tribución
exponencial(θ). i=1 Xi es una estadística suficiente
y tiene distribución Gama(n, θ),
2 n i=1 Xi 2 2 n
i=1 Xi
además θ
∼ χ(2n) . Entonces la variable Q = θ
puede ser la cantidad pivotal para
obtener un intervalo del 100(1 − α) % de confianza para θ. Así que

2 ni=1 Xi
P qα/2 < < q1−α/2 = 1 − α,
θ
donde qα/2 y q1−α/2 son los cuantiles α/2 y 1 − α/2 de una distribución χ2(2n) . El intervalo
para θ que se deduce de esta última expresión es

n

2 i=1 Xi 2 ni=1 Xi
, .
q1−α/2 qα/2
La distribución χ2 es unimodal y como (qα/2 , q1−α/2 ) contiene a la moda de la distribución para

α razonablemente pequeño, la proposición

1.1 establece que (qα/2 , q1−α/2 ) tiene un intervalo
2 n
i=1 Xi
de
menor longitud que contiene a θ
con probabilidad 1 − α. Por lo tanto, el intervalo
n n
2 Xi 2 Xi
i=1
q1−α/2
, i=1
qα/2
es el de menor longitud.
1.1.2. El método de la cantidad pivotal para funciones de distribu-

ción continuas
Cuando se tiene una muestra aleatoria de una población cuya función de distribución
es continua en x, es posible construir una cantidad pivotal como lo muestra el siguiente
resultado.
12
Proposición 1.2 Sea X1 , ..., Xn una muestra aleatoria de la población con función de den-
sidad f (x; θ) , tal que la función de distribución correspondiente F (x; θ) es continua en x.

n
Entonces − ni=1 ln F (Xi ; θ) o alternativamente F (Xi ; θ), es una cantidad pivotal para
i=1
estimar θ.
Demostración:
F (Xi ; θ) tiene distribución uniforme en el intervalo (0, 1) , pues si U = F (X; θ) , se tiene
que
P (U ≤ u) = P [F (X; θ) ≤ u]

= P X ≤ F −1 (u)

= F F −1 (u)
= u,
para 0 < u < 1. Por lo tanto, − ln F (Xi ; θ) tiene distribución exponencial con parámetro 1,
debido a lo siguiente:
P [− ln F (Xi ; θ) ≥ u] = P [ln F (Xi ; θ) ≤ −u]

= P F (Xi ; θ) ≤ e−u
= e−u ,
para u > 0, es decir,

P [− ln F (Xi ; θ) ≤ u] = 1 − e−u ,
expresión que corresponde a la función de distribución de una variable aleatoria exponencial
(1) .
Así que puede concluirse que
n
− ln F (Xi ; θ) (1.3)
i=1
tiene distribución Gama con parámetros n y 1, al ser la suma de variables aleatorias inde-
pendientes con distribución exponencial (1) .
Ahora (1.3) puede usarse como una cantidad pivotal de la siguiente manera:
13
n
n

P q1 < − ln F (Xi ; θ) < q2 = P −q2 < ln F (Xi ; θ) < −q1
i=1 i=1
n

= P −q2 < ln F (Xi ; θ) < −q1
i=1
n

= P e−q2 < F (Xi ; θ) < e−q1
i=1
n

= P a< F (Xi ; θ) < b ,
i=1
donde q1 y q2 son los cuantiles de la distribución Gama (n, 1) que corresponderán al nivel de
confianza deseado y con 0 < a < b < 1. La expresión anterior es equivalente a
n

P − ln b < − ln F (Xi ; θ) < − ln a .
i=1
Por ejemplo, si se tiene una muestra aleatoria de tamaño n de la población con densidad
f (x; θ) = θxθ−1 , 0 < x < 1,
cuya función de distribución está dada por

x
F (x; θ) = θuθ−1 du
0
x
uθ
= θ = xθ ,
θ u=0
para 0 < x < 1. Si se seleccionan a y b tales que:

n

P a< F (Xi ; θ) < b = 1 − α
i=1
o
n

P q1 < − ln F (Xi ; θ) < q2 = 1 − α,
i=1
14
donde q1 = − ln b y q2 = − ln a son los cuantiles de una distribución Gama (n, 1) seleccionados

n n
de tal manera que la probabilidad sea de 1−α. Para este caso particular, F (Xi ; θ) = Xiθ ,
i=1 i=1
por lo que
n

1−α = P a< F (Xi ; θ) < b
i=1
n

= P a< Xiθ < b
i=1
n

= P ln a < ln Xiθ < ln b
i=1
n

= P ln a < ln Xiθ < ln b
i=1
n

= P ln a < θ ln Xi < ln b
i=1
n

= P ln a < θ ln Xi < ln b
i=1
 
 ln b ln a 
= P
 n < θ <
n
,

ln Xi ln Xi
i=1 i=1

n
donde la última desigualdad se sigue del hecho de que ln Xi es negativo. Entonces puede
i=1
concluirse que  
 ln b ln a 
 , 
 n n 
ln xi ln xi
i=1 i=1
es un intervalo del 100(1 − α) % de confianza para θ.
1.2. Intervalos de confianza para los parámetros de po-

blaciones normales
Primero se recordarán algunos resultados técnicos para facilitar la construcción de di-
chos intervalos. La demostración de dichos resultados se omitirá en virtud de que ya se han
15
estudiado.
(a) Si X ∼ N(0, 1), entonces X 2 ∼ χ2(1) .
(b) Si X1 , X2 , . . . , Xn son variables aleatorias independientes tales que para cualquier j ∈

{1, . . . , n} Xj ∼ χ2(mj ) , entonces X1 + X2 , · · · + Xn ∼ χ2(m1 +···+mn ) .
(c) Si X1 , X2 , . . . , Xn son variables aleatorias independientes tales que para cualquier j ∈

{1, . . . , n}, Xj ∼ N (µ, σ 2 ); entonces
n
(Xj − µ)2
2
∼ χ2(n) .
j=1
σ
(d) Si X1 , X2 , . . . , Xn son variables aleatorias independientes tales que para cualquier j ∈

{1, . . . , n}, Xj ∼ N (µ, σ 2 ); entonces
n−1 2
S ∼ χ2(n−1) .
σ2
(e) Si X y Y son variables aleatorias independientes tales que X ∼ N (0, 1) y Y ∼ χ2(k) ,

entonces
X
∼ t(k) .
Y /k
(f) Si X1 , X2 , . . . , Xn es una muestra aleatoria de una población con distribución N (µ, σ 2 ),

entonces
X̄ − µ
√ ∼ t(n−1) .
S/ n
(g) Si U y V son variables aleatorias independientes tales que U ∼ χ2(n) y V ∼ χ2(m) ,

entonces
U/n
∼ F(n,m) .
V /m
Ahora, se encontrarán intervalos de confianza para algunas cantidades relacionadas con

poblaciones Gaussianas.
16
1.2.1. Intervalos para la media

Caso 1: σ 2 conocida.
Sea X1 , . . . , Xn es una muestra aleatoria de una población con distribución N(µ, σ 2 ), con
2
σ conocida.
X̄−µ
Se sabe que X̄ ∼ N (µ, σ 2 /n), entonces √
σ/ n
∼ N(0, 1).
X̄−µ
La cantidad pivotal es Q = √ .
σ/ n
De aquí que Q ∼ N (0, 1).
Sean zα/2 , z1−α/2 ∈ R tales que P(Q ≤ zα/2 ) = α/2 y P(Q ≤ z1−α/2 ) = 1 − α/2.
Note que
P(zα/2 < Q < z1−α/2 ) = P(Q ≤ z1−α/2 ) − P(Q ≤ zα/2 )
= (1 − α/2) − α/2 = 1 − α.
También observe que por simetría de la densidad normal estándar zα/2 = −z1−α/2 .
Por ejemplo, si 1 − α = 0.95, entonces α = 0.05, 1 − α/2 = 0.975 y z0.975 = 1.96.
Así,
P(−z1−α/2 < Q < z1−α/2 ) = 1 − α,

si y sólo si
X̄ − µ
P −z1−α/2 < √ < z1−α/2 = 1 − α,
σ/ n
si y sólo si
σ σ
P −z1−α/2 √ < X̄ − µ < z1−α/2 √ = 1 − α,
n n
si y sólo si
σ σ
P −z1−α/2 √ − X̄ < −µ < z1−α/2 √ − X̄ = 1 − α,
n n
si y sólo si
σ σ
P X̄ − z1−α/2 √ < µ < X̄ + z1−α/2 √ = 1 − α.
n n
Por lo tanto, un intervalo del 100(1 − α) % de confianza para µ cuando σ 2 es conocida
está dado por
σ σ
X̄ − z1−α/2 √ , X̄ + z1−α/2 √ .
n n
17
Caso 2: σ 2 desconocida.
Sea X1 , . . . , Xn es una muestra aleatoria de una población con distribución N (µ, σ 2 ) donde
µ y σ 2 son desconocidos.
X̄−µ (n−1)S 2
Se sabe que √
σ/ n
∼ N(0, 1) y σ2
∼ χ2(n−1) . Entonces,
X̄−µ
√
σ/ n
∼ t(n−1) .
(n−1)S 2
σ2
n−1
Pero,
√ √
X̄−µ
√ X̄−µ
√ n(X̄−µ)
σ/ n σ/ n σ n(X̄ − µ) X̄ − µ
=! = S
= = √ ,
(n−1)S 2 S2 σ
S S/ n
σ2 σ2
n−1
√
donde S := S 2 .
X̄ − µ
∴ √ ∼ t(n−1) .
S/ n
X̄−µ
Es decir, la cantidad pivotal es Q = S/ √ .
n
1−α/2 1−α/2
Sea tn−1 ∈ R, tal que P Y ≤ tn−1 = 1 − α/2, donde Y ∼ t(n−1) . Entonces,

1−α/2 1−α/2
P −tn−1 <Q< tn−1 = 1 − α,
si y sólo si
1−α/2 X̄ − µ 1−α/2
P −tn−1 < √ < tn−1 = 1 − α,
S/ n
si y sólo si
1−α/2 S 1−α/2 S
P −tn−1 √ < X̄ − µ < tn−1 √ = 1 − α,
n n
si y sólo si
1−α/2 S 1−α/2 S
P −X̄ − tn−1 √ < −µ < −X̄ + tn−1 √ = 1 − α,
n n
si y sólo si
1−α/2 S 1−α/2 S
P X̄ − tn−1 √ < µ < X̄ + tn−1 √ = 1 − α.
n n
18
∴ Un intervalo del 100(1 − α) % de confianza para µ cuando σ 2 es desconocida está dado

por
1−α/2 S 1−α/2 S
X̄ − tn−1 · √ , X̄ + tn−1 · √ .
n n
1.2.2. Intervalo para la varianza

Sea X1 , X2 , . . . , Xn es una muestra aleatoria de una población con distribución N (µ, σ 2 )
con µ y σ 2 desconocidos.
(n−1)S 2
Se sabe que σ2
∼ χ2 (n − 1).
(n−1)S 2
Por tanto, la cantidad pivotal es Q = σ2
.
α/2 1−α/2
Se necesitan determinar los cuantiles χn−1 , χn−1 ∈ R tales que
α/2 1−α/2
P(χn−1 < Q < χn−1 ) = 1 − α.
1−α/2 α/2
Es decir, P(Q ≤ χn−1 ) − P(Q ≤ χn−1 ) = (1 − α/2) − (α/2) = 1 − α.
Ahora,
α/2 1−α/2
P(χn−1 < Q < χn−1 ) = 1 − α,
si y sólo si
α/2 (n − 1)S 2 1−α/2
P(χn−1 < < χn−1 ) = 1 − α,
σ2
si y sólo si " #
1 σ2 1
P α/2
> 2
> 1−α/2 = 1 − α,
χn−1 (n − 1)S χn−1
si y sólo si " #
(n − 1)S 2 (n − 1)S 2
P 1−α/2
< σ2 < α/2
= 1 − α.
χn−1 χn−1
∴ Un intervalo del 100(1 − α) % de confianza para σ 2 está dado por
" #
(n − 1)S 2 (n − 1)S 2
1−α/2
, α/2
.
χn−1 χn−1
Por ejemplo, si n = 12 y 1 − α = 0.99, entonces α = 0.01. Por lo tanto α/2 = 0.005 y

1 − α/2 = 0.995. Así, χ0.995
11 = 26.8 y χ0.005
11 = 2.60.
19
1.2.3. Intervalo para la diferencia de medias de poblaciones inde-

pendientes
Sean X1 , . . . , Xn una muestra aleatoria de la distribución N (µx , σ 2x ) y Y1 , . . . , Ym una
muestra aleatoria de la distribución N(µy , σ 2y ) donde Yj y Xi son independientes.
Caso 1: σ 2x y σ 2y conocidas.
Se sabe que X̄ ∼ N (µx , σ 2x /n) y Ȳ ∼ N (µy , σ 2y /m), entonces

σ 2 σ 2y
X̄ − Ȳ ∼ N µx − µy , x + .
n m
Por tanto,
X̄ − Ȳ − (µx − µy )
! ∼ N (0, 1).
σ 2x σ2y
n
+ m
Entonces, la cantidad pivotal está dada por
X̄ − Ȳ − (µx − µy )
Q= ! .
σ2x σ 2y
n
+ m
De aquí que

P −z1−α/2 < Q < z1−α/2 = 1 − α,
si y sólo si  
X̄ − Ȳ − (µx − µy )
P −z1−α/2 < ! < z1−α/2  = 1 − α,
σ2x σ 2y
n
+ m
si y sólo si
" #
σ 2x σ 2y σ 2x σ 2y
P −z1−α/2 + < X̄ − Ȳ − (µx − µy ) < z1−α/2 + = 1 − α,
n m n m
si y sólo si
σ 2x σ 2y
P −(X̄ − Ȳ ) − z1−α/2 + < −(µx − µy ) <
n m

σ 2x σ 2y
< −(X̄ − Ȳ ) + z1−α/2 + = 1 − α,
n m
20
si y sólo si

P (X̄ − Ȳ ) − z1−α/2 + < µx − µy < (X̄ − Ȳ ) + z1−α/2 + = 1 − α.
n m n m
∴ Un intervalo del 100(1 − α) % de confianza para µx − µy , cuando σ 2x y σ 2y son conocidas,

está dado por
" #
(X̄ − Ȳ ) − z1−α/2 + , (X̄ − Ȳ ) + z1−α/2 + .
n m n m
Caso 2: σ 2x y σ 2y desconocidas pero σ 2x = σ 2y = σ 2 .

(n−1)Sx2 (m−1)Sy2
Se sabe que σ2
∼ χ2(n−1) y σ2
∼ χ2(m−1) , entonces
(n − 1)Sx2 (m − 1)Sy2
2
+ 2
∼ χ2(n+m−2) .
σ σ
1
∴ 2
((n − 1)Sx2 + (m − 1)Sy2 ) ∼ χ2(n+m−2) . (1.4)
σ
Y también se sabe que
X̄ − Ȳ − (µx − µy )
! ∼ N (0, 1). (1.5)
2 1 1
σ n+m
Como se hace el supuesto de que las muestras son independientes, se tiene que (1.4) y
(1.5) son independientes, por lo que
X̄−Ȳ −(µx −µy )

σ2 ( n
1 1
+m )
! ∼ t(m+n−2) .
(n−1)Sx2 +(m−1)Sy2
σ 2 (n+m−2)
Pero,
X̄−Ȳ −(µx −µy )

σ2 ( n
1 1
+m ) X̄ − Ȳ − (µx − µy )
! = !
(n−1)Sx2 +(m−1)Sy2 1
2 2
1 (n−1)Sx +(m−1)Sy
σ2 (n+m−2) n
+ m n+m−2
X̄ − Ȳ − (µx − µy )
= ! ,
1 1 2
n
+ m
Sp
21
(n−1)Sx2 +(m−1)Sy2
donde Sp2 = n+m−2
.
Entonces,
X̄ − Ȳ − (µx − µy )
! ∼ t(m+n−2) .
1 1 2
n
+ m Sp
X̄−Ȳ −(µx −µy )
De aquí que Q = sea una cantidad pivotal tal que Q ∼ t(m+n−2) .
( n1 + m1 )Sp2
1−α/2
Ahora, si tn+m−2 representa el cuantil 1−α/2 de una distribución t de student con n+m−2
grados de libertad,

1−α/2 1−α/2
P −tn+m−2 < Q < tn+m−2 = 1 − α,
si y sólo si  
1−α/2 X̄ − Ȳ − (µx − µy ) 1−α/2
P −tn+m−2 < ! < tn+m−2  = 1 − α,
1
n
+ m1 Sp2
si y sólo si $
1−α/2 1 1
P −(X̄ − Ȳ ) − tn+m−2 + Sp2 < −(µx − µy ) <
n m
$
1−α/2 1 1
< −(X̄ − Ȳ ) + tn+m−2 + Sp2 = 1 − α,
n m
si y sólo si $
1−α/2 1 1
P (X̄ − Ȳ ) − tn+m−2 + Sp2 < µx − µy <
n m
$
1−α/2 1 1
< (X̄ − Ȳ ) + tn+m−2 + Sp2 = 1 − α.
n m
∴ Un intervalo del 100(1−α) % de confianza para µx −µy , cuando σ 2x y σ 2y son desconocidas
pero σ 2x = σ 2y = σ 2 , está dado por
" $ $ #
1−α/2 1 1 1−α/2 1 1
(X̄ − Ȳ ) − tn+m−2 + Sp2 , (X̄ − Ȳ ) + tn+m−2 + Sp2 .
n m n m
22
Ejemplo 1.5 Una operación de ensamble en una planta manufacturadora requiere aproxi-
madamente de un mes de periodo de entrenamiento para que un empleado nuevo alcance su
eficiencia máxima. Se sugirió un nuevo método de entrenamiento y se hizo una prueba para
comparar el método nuevo con el procedimiento estándar. Se entrenaron a dos grupos de nueve
empleados nuevos por un periodo de tres semanas, un grupo usando el nuevo método (Y ) y
el otro siguiendo el procedimiento de entrenamiento estándar (X). Se registró la duración
de tiempo (en minutos) requerido por cada empleado para ensamblar el aparato al final del
periodo de tres semanas.
Suponiendo que los tiempos de ensamblado se distribuyen aproximadamente normal y
que las varianzas de los tiempos de ensamblado son aproximadamente iguales para los dos
métodos, obtener un intervalo del 95 % de confianza para µx − µy .
Procedimiento Medidas
Estándar X 32 37 35 28 41 44 35 31 34
Nuevo Y 35 31 29 25 34 40 27 32 31
A partir de los datos se obtienen los siguientes valores:
x = 35.22, y = 31.56,
9
9
(xi − x)2 = 195.56, (yi − y)2 = 160.22,
i=1 i=1
9 9

1
Sp2 = 2
(xi − x) + 2
(yi − y) = 22.24.
n + m − 2 i=1 i=1
El cuantil 0.975 de una distribución t con n + m − 2 = 16 grados de libertad es t0.975

(16) = 2.120.
El intervalo del 100(1 − α) % de confianza para µx − µy es
" $ $ #
1−α/2 1 1 1−α/2 1 1
(X̄ − Ȳ ) − tn+m−2 + Sp2 , (X̄ − Ȳ ) + tn+m−2 + Sp2 .
n m n m
Por lo tanto, el intervalo del 95 % de confianza para µx − µy es

" #
18 18
(35.22 − 31.56) − (2.120) (22.24), (35.22 − 31.56) + (2.120) (22.24) ,
81 81
que aproximadamente es (−1.05, 8.37).

Observe que el intevalo para µx − µy contiene al 0 con un nivel de confianza del 95 %.
23
1.2.4. Intervalo para el cociente de varianzas de poblaciones inde-

pendientes
Sean X1 , . . . , Xn una muestra aleatoria de la distribución N (µx , σ 2x ) y Y1 , . . . , Ym una
muestra aleatoria de la distribución N(µy , σ 2y ) donde Yj y Xi son independientes.
(n−1)Sx2 (m−1)Sy2
Se sabe que σ 2x
∼ χ2(n−1) y σ2y
∼ χ2(m−1) , entonces
(n−1)Sx2
σ2x (n−1)
(m−1)Sy2
∼ F(n−1,m−1) .
σ2y (m−1)
Pero
Sx2
σ 2x Sx2 σ 2y
Sy2
= 2 2.
Sy σ x
σ2y
Sx2 σ2y
De aquí que Q = Sy2 σ 2x
sea una cantidad pivotal tal que Q ∼ F(n−1,m−1) .
α/2 1−α/2
Es necesario determinar los cuantiles fn−1,m−1 fn−1,m−1 , tales que:

α/2 1−α/2
P fn−1,m−1 < Q < fn−1,m−1 = 1 − α,
si y sólo si
α/2 Sx2 σ 2y 1−α/2
P fn−1,m−1 < 2 2 < fn−1,m−1 = 1 − α,
Sy σ x
si y sólo si
α/2 Sy2 σ 2y 1−α/2 Sy2
P fn−1,m−1 2 < 2 < fn−1,m−1 2 = 1 − α,
Sx σx Sx
o " #
1 Sx2 σ 2x 1 Sx2
P 1−α/2
< < α/2
= 1 − α.
fn−1,m−1 Sy2 σ 2y fn−1,m−1 Sy2
2
∴ Un intervalo del 100(1 − α) % de confianza para σσx2 está dado por
y
" #
1 Sx2 1 Sx2
1−α/2 2
, α/2 2
. (1.6)
fn−1,m−1 Sy fn−1,m−1 Sy
Observación 1.3 Los valores de la distribución F(n,m) están tabulados para valores altos de
1 − α (o equivalentemente valores bajos de α). Debido a que
α/2
α
P Q < fn,m = ,
2
24
con Q ∼ F(n,m) , y

1 1 1−α/2
P Q< 1−α/2
= P > fm,n
fm,n Q

1 1−α/2
= 1−P < fm,n (1.7)
Q
α α
= 1− 1− = ,
2 2
se tiene que
α/2 1
fn,m = 1−α/2
.
fm,n
1
(Note que en (1.7) se ha utilizado el hecho de que si Q ∼ F(n,m) , entonces Q
∼ F(m,n) ).
Por lo anterior, el intervalo (1.6) puede reescribirse de la siguiente manera:

" #
1 Sx2 1−α/2 Sx2
1−α/2
, fm−1,n−1 2 .
fn−1,m−1 Sy2 Sy
En general, para obtener intervalos para los parámetros de un población Normal, se

pueden usar las expresiones que acaban de deducirse, sustituyendo los correspondientes valo-
res de los datos. A manera de ilustración, suponga que el diámetro de una cisterna en la
mayoría de los casos es cercano a 3 metros. Se tiene un conjunto de mediciones de 12 cis-
ternas salidas de la fábrica y se desea obtener un intervalo de confianza para la varianza
σ 2 , suponiendo que el diámetro es una variable aleatoria normalmente distribuida. Los datos
correspondientes a los diámetros de las 12 cisternas a las que se hace referencia son:
3.01, 3.05, 2.99, 2.99, 3.0, 3.02, 2.98, 2.99, 2.97, 2.97, 2.02, 3.01.
Se dedujo que: " #
(n − 1)S 2 (n − 1)S 2
1−α/2
, α/2
χn−1 χn−1
es un intervalo del 100(1 − α) % de confianza para σ 2 . En este caso n = 12, 1 − α = 0.99,
α = 0.01 y
n
2 (xi − x)2
S = n=1 = 0.0005455.
n−1
Además:
χ0.995
11 = 26.8, χ0.005
11 = 2.60,
de esta manera el intervalo final queda como
(0.0002246, 0.00230791) .
25
1.3. Intervalos de confianza para muestras grandes

En esta sección se usará la propiedad asintótica de los estimadores máximo verosímiles,
la cual establece que si %
θM V es el estimador máximo verosímil de θ, en f (x; θ) que cumple
las condiciones de regularidad, entonces cuando n → ∞,

% 1
θM V ∼ N θ,
IX (θ)
y, de manera más general,

τ&
(θ)M V = τ %θM V ∼ N (τ (θ) , CICR) ,
donde CICR representa la Cota Inferior de Cramer y Rao para estimadores insesgados de
τ (θ) . A partir de estos resultados, puede construirse una cantidad pivotal para el parámetro
de interés.
Ejemplo 1.6 Sea X1 , ..., Xn una muestra aleatoria de la distribución exponencial (θ) . En-
contrar un intervalo del 100(1 − α) % de confianza para θ.
El estimador máximo verosímil de θ está dado por % θM V = X1 , mientras que la información
esperada de Fisher es IX (θ) = θn2 . Entonces por la propiedad asintótica de los estimadores
máximo verosímiles, se tiene que
1 θ2
∼ N θ,
X n
por lo que
1
X
−θ
! ∼ N (0, 1) ,
θ2
n
que puede reescribirse como

√ 1
n X −θ
Q= ∼ N (0, 1) .
θ
Así, √ 1
n X −θ
P −z1− α2 ≤ ≤ z1− α2 = 1 − α
θ
si y sólo si
1
−z1− α2 X
−θ z1− α
P √ ≤ ≤ √2 = 1 − α,
n θ n
26
si y sólo si
−z1−α/2 1 z1−α/2
P √ +1≤ ≤ √ + 1 = 1 − α,
n θX n
o
−z1−α/2 1 z1−α/2
P √ + 1 X ≤ ≤ √ + 1 X = 1 − α,
n θ n
de donde: " √ √ #
n n
√ , √ ,
x n + z1−α/2 x n − z1−α/2
es un intervalo del (1 − α) % de confianza para θ.
Ejemplo 1.7 Sea X la media muestral de una muestra aleatoria de tamaño n = 25 de una
distribución Gama(α, λ) con α = 4 y λ = β1 > 0. Use el teorema del límite central para
obtener un intervalo de confianza para la media de la distribución Gama con un coeficiente
de confianza de 0.954.
Por el teorema del límite central se sabe que

X −E X
! ∼ Normal(0, 1),
V ar X
donde
1
E X = nE [X] = αβ = 4β,
n
1 1 2 1 2
V ar X = nV ar (X) = αβ = 4β ,
n2 n n
entonces se desea encontrar un intervalo del 95.4 % de confianza para 4β.

Por el teorema del límite central se sabe que
X − 4β
! ∼ N ormal(0, 1),
1 2
n
4β
que implica que √

X − 4β nX √
! = − 2 n ∼ Normal(0, 1),
1
2β 2β
n
27
y además los cuantiles (1 − 0.954)/2 y 1 − (1 − 0.954)/2 de una distribución Normal(0, 1) son

−1.995393 y 1.995393, los cuales se aproximarán a −2 y 2, entonces,
√
nX √
0.954 = P −2 < −2 n<2
2β
√
√ nX √
= P −2 + 2 n < <2+2 n
2β
√ √
nX nX
= P √ < 2β < √
2+2 n −2 + 2 n
√ √
2 nX 2 nX
= P √ < 4β < √
2+2 n −2 + 2 n

2(5)X 2(5)X
= P < 4β <
2 + 2(5) −2 + 2(5)

5X 5X
= P < 4β < .
6 4

5X 5X
Por lo tanto, un intervalo del 95.4 % de confianza para 4β es 6 , 4 .
1.3.1. Intervalo de confianza para el parámetro p de una distribu-

ción Binomial
Sea X1 , . . . , Xm una muestra aleatoria de la distribución Binomial (n, p) , es decir, Xi ∼
Bin(n, p), ∀i = 1, . . . , m. Se procederá a encontrar el estimador máximo verosímil de p y la
expresión para la cota de Crámer y Rao para estimadores insesgados de p, en este caso:

n x
f (x; n, p) = p (1 − p)n−x , con x = 0, . . . , n.
x
La función de verosimilitud para p está dada por:
m m
n xi
L (p) = f(xi ; n, p) = p (1 − p)n−xi
i=1 i=1
x i
m
x1 +···+xm nm−(x1 +···+xm ) n (xi )
= p (1 − p) I ,
i=1
xi {0,...,n}
' () *
α
por lo que
l (p) = ln L (p) = (x1 + · · · + xm )ln(p) + (mn − (x1 + · · · + xm ))ln(1 − p) + ln(α)
28
y
∂l x1 + · · · + xm nm − (x1 + · · · + xm )
= − = 0.
∂p p̂ p̂ 1 − p̂
De donde,
m

Xi
i=1 X
p% = . =
nm n
Por otra parte, la información esperada de Fisher está dada por:
2
∂
IX = −mE ln(f (x; n, p)) ,
∂p2
así:
n
ln(f(x; n, p)) = x ln(p) + (n − x) ln(1 − p) + ln( ),
x
tomando la derivada con respecto a p:

∂ x n−x
ln(f (x; n, p)) = − ,
∂p p 1−p
y la segunda derivada es
∂2 −x n−x
ln(fX (x)) = 2 − .
∂p 2 p (1 − p)2
Tomando esperanza:

−x n−x np n np
E − =− 2 − 2 − ,
p2
(1 − p)2 p (1 − p) (1 − p)2
lo cual implica que

np n(1 − p)
IX = −m − 2 −
p (1 − p)2
mn mn mn
= + = .
p 1−p p(1 − p)
De esta manera, se obtiene que la Cota Inferior de Crámer y Rao para estimadores insesgados
de p está dada por:
p(1 − p)
CICR = .
mn
29
Sea Q una cantidad pivotal definida por

X √
p̂ − p n
−p mn(X − np)
Q= √ =! = .
CICR p(1−p) p(1 − p)n
mn
A partir de esta expresión se puede proceder como en el caso de la distribución exponencial

expuesto antes, es decir, suponiendo que esta cantidad pivotal tiene una distribución Normal
estándar y utilizando el método pivotal para despejar p. Si se toma el caso particular en el
que m = 1, la cantidad pivotal anterior se reduce a:
X
n
−p
Q= ! , (1.8)
p(1−p)
n
donde X tiene distribución Binomial (n, p) , lo cual también se puede ver como el resultado
de considerar una muestra aleatoria de tamaño n de una distribución Bernoulli(p) , donde
X representaría la suma de las variables de dicha muestra. Aún en este caso es complicado
obtener el intervalo para p a partir de esta expresión, pues el parámetro aparece tanto en
el numerador como en el denominador. Un resultado de la teoría asintótica establece que la
cantidad
X
−p
!n , (1.9)
p(1−p)
n
también tiene distribución N (0, 1) . Para revisar la justificación de este tema, ver Casella
(2002), sección 10.1. Note que para este caso, p% = Xn , por lo que usando (1.9) como cantidad
pivotal, se obtiene que
 
X
−p
P −z1− α2 < !nX X < z1− α2  = 1 − α,
n
(1− n )
n
que es equivalente a
 $ $ 
X X X X
X (1 − ) X (1 − )
P  − z1− α2 n n
<p< + z1− α2 n n 
= 1 − α,
n n n n
por lo que " #

x
x n
(1 − nx ) x x
n
(1 − nx )
− z1− α2 , + z1− α2 .
n n n n
es un intervalo del 100 (1 − α) % de confianza para p.
30
1.4. Enfoque Bayesiano en la estimación por intervalo

En el enfoque Bayesiano la estimación por intervalo para el (los) parámetro(s) descono-
cidos, θ, de un modelo se basa en la distribución posterior de los mismos π(θ|x).
Un intervalo del 100(1 − α) % de credibilidad es cualquier intervalo (L, U ) que satisface
que
U
π(θ|x)dθ = 1 − α.
L
Estos intervalos de probabilidad no son únicos. Se puede adoptar por ejemplo un intervalo
de colas iguales donde
L ∞
π(θ|x)dθ = π(θ|x)dθ = α/2,
−∞ U
o uno unilateral donde L = −∞ o U = ∞. En los casos donde la distribución posterior del

parámetro de interés es unimodal, también es posible adoptar un intervalo de alta densidad
posterior, (HPD) por sus siglas en inglés, donde π(L|x) = π(U |x). En este caso, este intervalo
es el de menor longitud.
Ejemplo 1.8 Sean X ∼ Bin(n, θ) y θ ∼ Beta(g, h) , entonces
π(θ|x) ∝ f(x|θ)π(θ)
∝ θx (1 − θ)n−x θ1−g (1 − θ)h−1
= θg+x (1 − θ)h+n−x .
De esta expresión se concluye que las constantes de normalización corresponden a aquellas

de una distribución Beta(g + x, h + n − x), que es la distribución posterior para θ bajo esta
distribución inicial conjugada. Si ahora se considera el escenario con n = 10 y x = 4 éxitos
observados en el experimento de interés, para una distribución inicial Be(2, 2); se tiene que
la distribución posterior π(θ|x) es una Beta(6, 8). Los intervalos del 99 % de confiabilidad se
muestran en la figura 1.2.
31
3.0
2.5
2.0
Colas Iguales
HPD
1.5
Cola Inferior
Cola Superior
1.0
0.5
0.0
0.0 0.2 0.4 0.6 0.8 1.0
Figura 1.2: Intervalos del 99 % de confiabilidad para el ejemplo 1.8.
32
1.5. Ejercicios
1. (Construcción del concepto de intervalo de confianza mediante simulación en R). Revise
cuidadosamente las siguientes gráficas obtenidas por simulación en R.
n= 10 Sigma= 5 n= 10 Sigma= 10 n= 10 Sigma= 15

80
80
80
40
40
40
0
0
0
80 100 120 80 100 120 80 100 120
80
80
80
40
40
40
0
0
80 100 120 80 100 120 80 100 120

80
80
80
40
40
40
0
0
80 100 120 80 100 120 80 100 120
Figura 1.3: Intervalos obtenidos por simulación para diferentes valores de σ y distintos
tamaños de muestra.
Ahí se presentan 100 intervalos de confianza variando el tamaño de muestra según tres
posibilidades (10, 30 y 50) y la desviación estándar según 3 opciones (5, 10 y 15). Así,
finalmente se tienen 9 combinaciones según varía el tamaño de muestra y la desviación
33
estándar, siendo los escenarios posibles: n = 10 y σ = 5 hasta n = 50 y σ = 15. Cuando

un intervalo de confianza no contiene el verdadero promedio se ilustra con una línea
negra (el punto medio de cada intervalo es de color gris oscuro). Conteste lo siguiente:
(a) Determine mediante observación: ¿cuántos intervalos aproximadamente no con-

tienen el verdadero valor de la media en cada una de las simulaciones?, ¿coincide
con lo que se espera si la confianza es del 95 %?.
(b) ¿Se espera que la cantidad de intervalos de confianza que no contiene al verdadero
valor poblacional sea el mismo para cada uno de los nueve casos?.
(c) Si observa únicamente la primera fila de las simulaciones, explique: ¿cuál es el
impacto de la desviación estándar sobre los intervalos mostrados en la grafica?,
¿se aplica también para la segunda fila y tercera fila de simulaciones?.
(d) Si observa únicamente la primera columna de las simulaciones, explique: ¿cuál es el
impacto del tamaño de muestra sobre los intervalos hallados?, ¿se aplica también
para la segunda y tercera columnas de simulaciones?.
2. Genere una muestra aleatoria X1 , . . . , Xn , de tamaño n = 30, de una población con

distribución N(µx , σ 2 ) con µx = 5 y σ 2 = 4. Genere otra muestra aleatoria Y1 , . . . , Ym ,
de tamaño m = 50, de una población con distribución N(µy , σ 2 ) con µy = 2 y σ 2 = 4.
Obtenga los intervalos de confianza para µx − µy bajo las condiciones y supuestos de
los siguientes incisos, y grafíquelos.
(a) Intervalo del 80 % de confianza para µx − µy , suponiendo que σ 2 es conocida.

(b) Intervalo del 80 % de confianza para µx − µy , suponiendo que σ 2 es desconocida
común.
(c) Intervalo del 95 % de confianza para µx − µy , suponiendo que σ 2 es conocida.
(d) Intervalo del 95 % de confianza para µx − µy , suponiendo que σ 2 es desconocida
común.
Repita el proceso generando cada una de estas muestras 100 veces. ¿Cómo son los
intervalos? Identifique los intervalos con mayor longitud y con menor longitud. Compare
y explique los resultados.
3. Suponga que X es una variable aleatoria de la población con función de densidad dada
por
2(θ − x)
fX (x; θ) = I(0,θ) (x),
θ2
donde θ > 0 es un parámetro desconocido. Sea α ∈ (0, 1). Construya un intervalo del
100(1 − α) % de confianza para θ, utilizando como cantidad pivotal Q = Xθ .
34
4. Sea X una variable aleatoria de la población con función de densidad fX (x; θ) =

θxθ−1 I(0,1) (x), donde θ > 0 es un parámetro desconocido.
(a) Encuentre una cantidad pivotal y utilícela para encontrar un intervalo de confian-
za para θ.

(b) Demuestre que Y2 , Y es un intervalo de confianza para θ, donde Y = − log(X) 1
.
Encuentre su nivel de confianza.
5. Sea X una variable aleatoria de una población con función de densidad fX (x; θ) = θe−θx ,
donde x > 0 y θ > 0.
(a) Sea (X, 2X) un intervalo de confianza para 1/θ. ¿Cuál es su nivel de confianza?
(b) Encuentre otro intervalo de confianza para 1/θ que tenga el mismo nivel de con-
fianza que el intervalo de (a), pero con menor longitud esperada.
6. Considere una sola observación X de las siguientes distribuciones. Dado α ∈ (0, 1),
encuentre un intervalo del 100(1 − α) % de confianza para θ.
(a) Laplace-localización
1
fX (x; θ) = e−|x−θ| IR (x) , θ ∈ R.
2
(b) Cauchy
1 1
fX (x; θ) = IR (x) , θ ∈ R.
π 1 + (x − θ)2
(c) Laplace-escala
1 −|x|/θ
fX (x; θ) = e IR (x) , θ ∈ R+ .
2θ
7. Sea X1 , X2 , X3 , X4 una muestra aleatoria de tamaño 4 de una población con distribución
U (0, θ). Sea Y(4) la máxima estadística de orden. Sean 0 < κ1 < κ2 ≤ 1 constantes tales
que
P(κ1 θ < Y(4) < κ2 θ) = 0.95.
√
Verifique que κ1 = 4 0.05 y κ2 = 1 satisfacen estas condiciones. ¿Cuál es entonces un
intervalo del 95 % de confianza para θ?
8. Sea X1 , . . . , Xn una muestra aleatoria de la población con distribución U(0, θ). Sea
Y = máxi=1,...,n {Xi }. Pruebe que Y /θ es una cantidad pivotal, y muestre que el intervalo
(Y, Y α−1/n ) es el intervalo del (1 − α)100 % de confianza para θ con menor longitud.
35
9. Sea X1 , . . . , Xn una muestra aleatoria de la población con función de densidad

1 −(x−θ)/σ
f(x; θ, σ) = e I(θ,∞) (x),
σ
donde θ ∈ R y σ ∈ R+ . Sea α ∈ (0, 1).
(a) Si θ es conocido, encuentre

un intervalo del 100(1 − α) % de confianza para σ.
[Sugerencia: Quizá le sirva ni=1 (Xi − θ), o una pequeña modificación del mismo.]
(b) Si θ es desconocido, encuentre
un intervalo del 100(1 − α) % de confianza para
σ. [Sugerencia: Quizá le sirva ni=1 (Xi − X(n) ), o una pequeña modificación del
mismo.]
10. Sea X1 , . . . , Xn una muestra aleatoria de una población con distribución Exp(θ), cuya
función de densidad es
fXi (x) = θe−θx I(0,∞) (x).
(a) Encuentre un intervalo del 100(1−α) % de confianza para la media de la población.

(b) Encuentre un intervalo del 100(1 − α) % de confianza para la varianza de la
población.
(c) Encuentre una cantidad pivotal basada únicamente en Y1 , donde
Y1 = mı́n{X1 , . . . , Xn },
y úsela para encontrar un estimador de intervalo para θ.
11. Sea Y1 , . . . , Yn una muestra aleatoria de tamaño n de una población con distribución
uniforme en el intervalo (0, 1/θ). Encuentre un intervalo del 95 % de confianza para θ.
12. Sea X1 , . . . , Xn una muestra aleatoria de la población con distribución Gamma(α, β). Si
α es una constante conocida, obtenga un intervalo de confianza para la media µ = αβ.
13. Sea X1 , . . . , Xn una muestra aleatoria de una población con distribución U (θ − 12 , θ + 12 ),

cuya función de densidad es fX (x; θ) = 1 para θ − 12 < x < θ + 12 . Sean Y1 ≤ · · · ≤ Yn
sus correspondientes estadísticas de orden.
(a) Muestre que [Y1 , Yn ] es un intervalo de confianza para θ.

(b) Calcule su longitud esperada, es decir, E[Yn − Y1 ].
(c) Encuentre su nivel de confianza.
36
14. Sea X1 , . . . , Xn una muestra aleatoria de una población con función de densidad
fXi (xi ; θ) = eiθ−xi ,
donde xi > iθ.
(a) Obtenga una estadística T que sea suficiente para θ.

(b) Obtenga una cantidad pivotal Q que sea función de T .
(c) Encuentre un intervalo del (1−α)100 % de confianza para θ de la forma [T +a, T +b]
tal que tenga menor longitud.
15. Sea X1 , . . . , Xn una muestra aleatoria de la población con función de densidad

kxk−1
fX (x; θ) = I(0,θ) (x)
θk
donde θ > 0 y k es un entero positivo. Encuentre un intervalo del (1 − α)100 % de
confianza para θ.
16. ¿Qué tan grande debe ser una muestra si se desea construir un intervalo de confianza del
99 % para la desviación estándar de una población normal si se desea que la desviación
estándar muestral no difiera en más del 2 % de la desviación poblacional?
17. Sea X1 , . . . , Xn una muestra aleatoria de una población con distribución N(µ, σ 2 ).
(a) Si σ 2 es conocida. Encuentre el valor mínimo de n que garantice que el intervalo

del 95 % de confianza para µ tendrá longitud no mayor que σ/4.
(b) Si σ 2 es desconocida. Encuentre el valor mínimo de n que garantice que, con
probabilidad 0.90, el intervalo del 95 % de confianza para µ tendrá longitud no
mayor que σ/4.
18. Sea X1 , . . . , Xn una muestra aleatoria de la población con distribución N(µ, σ 2 ). Sean
0 < a < b. Demuestre que la esperanza de la longitud del intervalo

n 2

n 2

i=1 (Xi − µ) i=1 (Xi − µ)
,
b a
2
es (b − a) nσ
ab
.
19. Sean X̄ y Ȳ las medias de dos muestras aleatorias independientes entre sí, cada una
de tamaño n, de las distribuciones N (µx , σ 2 ) y N (µy , σ 2 ), respectivamente, donde la
varianza común es conocida. Encuentre n tal que
σ σ
P X̄ − Ȳ − < µx − µy < X̄ − Ȳ + = 0.9.
5 5
37
20. Considere X una variable aleatoria tal que X ∼ N(0, σ 2 ), donde σ > 0 es un parámetro
desconocido. Considere el siguiente intervalo de confianza (|X|, 10|X|) para σ.
(a) Calcule P(|X| ≤ σ ≤ 10|X|).

(b) ¿Cuál es la longitud esperada de dicho intervalo?
21. Se desea hacer una comparación entre dos tratamientos para el SIDA. Se mide el tiempo
de falla (en años) de cada uno de estos tratamientos en siete pacientes seleccionados
aleatoriamente. La información se detalla en la siguiente tabla.
Paciente 1 2 3 4 5 6 7
Tratamiento 1 3.1 3.3 1.7 1.2 0.7 2.3 2.9
Tratamiento 2 1.8 2.3 2.2 3.5 1.7 1.6 1.4
Construya un intervalo del 80 % de confianza para la diferencia de medias. ¿Se necesita
hacer alguna suposición adicional?
22. Sea realizó un estudio para determinar si la variabilidad en la presión arterial de hom-
bres y mujeres es la misma o no. Se seleccionó aleatoriamente a 13 mujeres y a 16
hombres, se les midió la presión arterial (en milímetros de mercurio) y los resultados
fueron los siguientes:
Hombres 120 120 118 112 120 114 130 114
124 125 130 100 120 108 112 122
Mujeres 122 102 118 126 108 130 104 116
102 122 120 118 130
¿Se puede concluir con un 95 % de confianza que la variabilidad de la presión arterial
de hombres y mujeres es la misma? ¿Se necesitan hacer suposiciones adicionales?
23. Sean X̄ y Ȳ las medias muestrales, y Sx2 y Sy2 los estimadores insesgados de la varianza,
obtenidos de dos muestras independientes cada una de tamaño 7 de dos poblaciones
normales con varianza común σ 2 y media desconocida. Encuentre k ∈ R, tal que
+ 2 2,
Sx Sy
P máx , > κ = 0.05.
Sy2 Sx2
24. Se miden los tiempos de compra de 61 compradores seleccionados aleatoriamente. Si

estos tiempos tienen una distribución normal, encuentre un intervalo del 95 % de con-
fianza para µ si x̄ = 33 y s2 = 256.
25. Se cuenta con dos grupos similares de pacientes, A y B, que consisten de 50 y 100
individuos, respectivamente. Al grupo A se le administró una nueva pastilla para dormir
y a la segunda una pastilla para dormir ya existente. En el grupo A, el número promedio
38
de horas de sueño fué de 7.82 con una desviación estándar de 15 minutos. En el grupo
B, el número promedio de horas de sueño fué de 6.75 con una desviación estándar de
18 minutos. Construya intervalos del 95 % y 99 % de confianza para la diferencia de las
horas promedio dormidas.
26. Los siguientes datos representan el tiempo de vida útil de un artículo, medido en días:
29.1, 207.6, 81.8, 0.8, 76.1, 108.9, 48.4, 108.1, 52.2, 272.8, 150.5, 80.3, 97.4, 11.5, 46.2,
144.1, 62.5, 262.9, 247.6, 4.1. Este tiempo se supone distribuído como una exponencial
con media θ, Exp(1/θ).
(a) Encuentre un intervalo de confianza exacto al 95 % para la media de esta expo-

nencial.
(b) Encuentre un intervalo de confianza aproximado al 95 % para esta media utilizando
teoría asintótica.
(c) Encuentre un intervalo de confianza aproximado al 95 % para esta media utilizando
los resultados de distribución asintótica del estimador máximo verosímil.
(d) Comente los resultados obtenidos y las diferencias (si las hubo) entre los tres
procedimientos.
27. Se lanza una moneda 500 veces, y se obtienen 275 águilas y 225 soles. Obtenga un
intervalo de confianza para la probabilidad de obtener águila. Obtenga también un
intervalo del 99 % de confianza. ¿Está bien construida la moneda?
28. Una urna contiene una proporción desconocida de cánicas rojas y blancas. De una
muestra aleatoria con reemplazo de 60 cánicas se obtuvo un 70 % de cánicas rojas.
Encuentre intervalos del 95 % y 99.73 % de confianza para la proporción de cánicas
rojas en la urna.
29. Para estimar la proporción de desempleados en Panamá, un economista selecciona

aleatoriamente a 400 individuos de la población (clase trabajadora o económicamente
activa en algún momento). De los entrevistados 25 no tienen empleo. Estime un intervalo
del 95 % de confianza para la proporción de desempleados.
30. De una lista electoral de opinión pública se invita a 100 personas de entre 10,000 adultos
a expresar su preferencia por los candidatos A y B. Treinta personas prefirieron a A.
De esto se concluyó que entre 2100 y 3900 de la población prefieren a A. ¿Qué nivel de
confianza se usó en este informe?. Nótese que n = 100 y Y = 30 es el número de éxitos
(las personas que prefirieron a A) y que el intervalo está dado para la media np.
31. Sea X1 , . . . , Xn una muestra aleatoria de una población con distribución P oisson(λ).
Suponga que el tamaño de la muestra es lo suficientemente grande y por lo tanto se
39
cumplen las propiedades del estimador máximo verosímil de λ. Construya un intervalo

del (1 − α)100 % de confianza para λ.
32. Encuentra una cantidad pivotal basada en una muestra aleatoria de una distribución
N (θ, θ) con θ > 0. Usa la cantidad pivotal para encontrar un intervalo del (1 − α) % de
confianza para θ.
33. Considere una muestra aleatoria X1 , . . . , Xn de un modelo N (µ, τ ) donde τ = 1/σ 2 .

Suponiendo que las distribuciones iniciales corresponden al modelo conjugado, obtenga
un intervalo de credibilidad de 95 %, de colas iguales para cada parámetro. Obtenga
para µ el intervalo HDP del 90 %.
40
Bibliografía
[1] Casella, G. y Berger, R. L. (2002). Statistical Inference. Duxbury Advanced Series. 2nd.
ed.
[2] Canavos, G. C. (2003). Probabilidad y Estadística, aplicaciones y métodos. Mc Graw Hill.
[3] Hogg, R.V., McKean, J. W., Craig, A. T. (2014). Introduction to Mathematical Statistics.
Pearson Education International. 7th. ed.
[4] Kapadia, A.S., Chan, W. y Moyé, L. (2005). Mathematical Statistics with Applications.
Chapman & Hall, Inc./CRC Press.
[5] Lindgren, B.W. (1993). Statistical Theory. Chapman & Hall, Inc. 4th ed.
[6] Mood, A. M., Graybill, F. A. y Boes, D. C. (1974). Introduction to the theory of stastistics.
Mc Graw-Hill, Inc. 3rd. ed.
[7] Stuart, A., Ord, J. K. y Arnold, S. (1999). Advanced Theory of Statistics, 2A: Clasical
Inference and the Linear Model. London: Oxford University Press, 6th ed.
41

Estimación Por Intervalo 0218

Cargado por

Copyright:

Formatos disponibles

Estimación Por Intervalo 0218

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Estimación Por Intervalo 0218

Cargado por

Copyright:

Formatos disponibles

Estimación por intervalo

Jaime Vázquez • Lizbeth Naranjo • Ruth Fuentes • Margarita Chávez

Proyecto PAPIME UNAM PE107117

1. Estimación por intervalo 3

La estadística inferencial es una disciplina que se basa en gran medida en la probabilidad y

Estimación por intervalo

Es usual iniciar el estudio de la inferencia estadística con el planteamiento de estimación

Desde esta perspectiva, para inferir respecto a una característica de la población, se

1.1. Intervalos de confianza

Una vez usada la distribución de X̄ para establecer la conclusión anterior, se obtiene un

Observación 1.1 Un ejercicio para analizar el concepto de intervalo de confianza consiste

El resultado de un ejercicio de simulación se muestra resumido en las gráficas de la

Si se desea un intervalo del 99 % de confianza en este caso de la distribución normal,

En general, si para este caso de la distribución N (µ, σ 2 ) , se tiene que:

Como ilustración, considere a X1 , . . . , Xn una muestra aleatoria de la población con dis-

siendo 0.9544 el nivel de confianza. Por ejemplo, si se tiene una muestra

es un intervalo del 95.44 % de confianza para θ.

1.1.1. Método pivotal para encontrar intervalos de confianza

F (b) − F (a) = 1 − α, (1.2)

L (a, b, λ) = b − a + λ(1 − α − F (b) + F (a)),

lo que implica que

y por otro lado,

lo que implica que

Si se buscara un intervalo de confianza con menor longitud esperada, se buscaría minimizar

Ejemplo 1.4 Suponga que

La distribución χ2 es unimodal y como (qα/2 , q1−α/2 ) contiene a la moda de la distribución para

1.1.2. El método de la cantidad pivotal para funciones de distribu-

P [− ln F (Xi ; θ) ≥ u] = P [ln F (Xi ; θ) ≤ −u]

para u > 0, es decir,

f (x; θ) = θxθ−1 , 0 < x < 1,

cuya función de distribución está dada por

para 0 < x < 1. Si se seleccionan a y b tales que:

donde q1 = − ln b y q2 = − ln a son los cuantiles de una distribución Gama (n, 1) seleccionados

1.2. Intervalos de confianza para los parámetros de po-

(a) Si X ∼ N(0, 1), entonces X 2 ∼ χ2(1) .

(b) Si X1 , X2 , . . . , Xn son variables aleatorias independientes tales que para cualquier j ∈

(c) Si X1 , X2 , . . . , Xn son variables aleatorias independientes tales que para cualquier j ∈

(d) Si X1 , X2 , . . . , Xn son variables aleatorias independientes tales que para cualquier j ∈

(e) Si X y Y son variables aleatorias independientes tales que X ∼ N (0, 1) y Y ∼ χ2(k) ,

(f) Si X1 , X2 , . . . , Xn es una muestra aleatoria de una población con distribución N (µ, σ 2 ),

(g) Si U y V son variables aleatorias independientes tales que U ∼ χ2(n) y V ∼ χ2(m) ,

Ahora, se encontrarán intervalos de confianza para algunas cantidades relacionadas con

1.2.1. Intervalos para la media

Por ejemplo, si 1 − α = 0.95, entonces α = 0.05, 1 − α/2 = 0.975 y z0.975 = 1.96.

P(−z1−α/2 < Q < z1−α/2 ) = 1 − α,

∴ Un intervalo del 100(1 − α) % de confianza para µ cuando σ 2 es desconocida está dado

1.2.2. Intervalo para la varianza

Por ejemplo, si n = 12 y 1 − α = 0.99, entonces α = 0.01. Por lo tanto α/2 = 0.005 y

1.2.3. Intervalo para la diferencia de medias de poblaciones inde-

Se sabe que X̄ ∼ N (µx , σ 2x /n) y Ȳ ∼ N (µy , σ 2y /m), entonces

∴ Un intervalo del 100(1 − α) % de confianza para µx − µy , cuando σ 2x y σ 2y son conocidas,

Caso 2: σ 2x y σ 2y desconocidas pero σ 2x = σ 2y = σ 2 .

X̄−Ȳ −(µx −µy )

A partir de los datos se obtienen los siguientes valores:

El cuantil 0.975 de una distribución t con n + m − 2 = 16 grados de libertad es t0.975

Por lo tanto, el intervalo del 95 % de confianza para µx − µy es

que aproximadamente es (−1.05, 8.37).

1.2.4. Intervalo para el cociente de varianzas de poblaciones inde-

Por lo anterior, el intervalo (1.6) puede reescribirse de la siguiente manera: