Construcción de intervalos de confianza

Esta calculadora en línea construye intervalos de confianza para cuatro casos: estimar la media con parámetros desconocidos, estimar la varianza con parámetros desconocidos, estimar la media con varianza conocida y estimar la varianza con media conocida.

Esta página existe gracias a los esfuerzos de las siguientes personas:

Timur

Timur

Creado: 2026-11-21 09:38:48, Última actualización: 2026-11-21 10:09:44

Debajo de la calculadora encontrará las fórmulas y algo de teoría.

PLANETCALC, Intervalos de confianza

Intervalos de confianza

Los números pueden separarse mediante comas, puntos y coma, espacios o saltos de línea. Utilice el punto decimal como separador decimal.
Valor de la media especificado a priori.
Se refiere específicamente a la varianza, no a la desviación estándar.
Un número entero igual o superior a 2.
Varianza calculada dividiendo por n − 1.
Estimación puntual
 
Límite inferior
 
Límite superior
 
Longitud del intervalo
 
Tamaño de la muestra
 
Grados de libertad
 
Distribución
 
Cuantil inferior
 
Cuantil superior
 
Dígitos después del punto decimal: 6

Métodos para construir intervalos de confianza cuando los datos originales siguen una distribución normal

N.º Qué estimamos Qué se conoce Estadístico utilizado Distribución Intervalo de confianza
1 Varianza \sigma^2 La media \mu es conocida \frac{\sum_{i=1}^n (x_i - \mu)^2}{\sigma^2} \chi^2(n) \left[ \frac{\sum_{i=1}^n (x_i - \mu)^2}{h^{(n)}_{(1+\alpha)/2}};\; \frac{\sum_{i=1}^n (x_i - \mu)^2}{h^{(n)}_{(1-\alpha)/2}} \right]
2 Media \mu La varianza \sigma^2 es conocida \frac{\bar{x} - \mu}{\sigma / \sqrt{n}} N(0,1) \bar{x} \pm z_{(1-\alpha)/2} \cdot \frac{\sigma}{\sqrt{n}}
3 Media \mu Ambas desconocidas (estimamos \mu) \frac{\bar{x} - \mu}{s / \sqrt{n}} T(n-1) \bar{x} \pm t_{(1-\alpha)/2}(n-1) \cdot \frac{s}{\sqrt{n}}
4 Varianza \sigma^2 Ambas desconocidas (estimamos \sigma^2) \frac{(n-1)s^2}{\sigma^2} = \frac{\sum_{i=1}^n (x_i - \bar{x})^2}{\sigma^2} \chi^2(n-1) \left[ \frac{(n-1)s^2}{h^{(n-1)}_{(1+\alpha)/2}};\; \frac{(n-1)s^2}{h^{(n-1)}_{(1-\alpha)/2}} \right]

A continuación explicaré de dónde procede cada elemento.

Método de construcción de intervalos de confianza

En general (no es el único método, pero no he buscado otros), los intervalos de confianza pueden construirse de la siguiente manera1:

  1. Elegimos una probabilidad de confianza \alpha cercana a uno.
  2. Elegimos una función que dependa de nuestra muestra y del parámetro desconocido, G(x_1, ..., x_n, \Theta), pero tal que su propia función de distribución no dependa del parámetro desconocido \Theta:

F_G(t) \stackrel{\text{def}}{=} \mathbf{P}_\theta \{ G(x_1, \dots, x_n, \theta) \le t \}

  1. Elegimos dos números \epsilon_1 > 0 y \epsilon_2 > 0 tales que 1-\alpha=\epsilon_1 + \epsilon_2. Después buscamos valores k_1 y k_2 tales que

F_G(\kappa_1) \le \varepsilon_1, \quad F_G(\kappa_2) \ge 1 - \varepsilon_2

De donde

\mathbf{P}_\theta \{ \kappa_1 < G(x_1, \dots, x_n, \theta) \le \kappa_2 \} \ge 1 - \varepsilon_2 - \varepsilon_1 = \alpha,

Como elegimos G de modo que su función de distribución no dependa de \Theta, k_1 y k_2 tampoco dependen de \Theta.

  1. Pasamos a la doble desigualdad

\kappa_1 < G(x_1, \dots, x_n, \theta) \le \kappa_2

y la resolvemos respecto a \Theta. Los valores dependerán de la muestra. Si designamos la solución mediante \beta, podemos escribir

\mathbf{P}_\theta \{ \theta \in ( \beta_1(x_1, \dots, x_n), \beta_2(x_1, \dots, x_n)) \} \ge \alpha

Los valores calculados constituyen el intervalo de confianza, es decir, un intervalo en el que cae el verdadero valor de la magnitud desconocida con la probabilidad especificada.

En realidad, todo lo demás ya se calculó antes que nosotros: para los casos anteriores ya se han elegido funciones con distribuciones conocidas que permiten calcular intervalos de confianza. Para llegar hasta aquí hubo que introducir nuevas distribuciones y demostrar teoremas, lo cual es bastante difícil. Los estudiantes e ingenieros solo necesitan conocer el resultado y las condiciones de aplicación. A continuación consideramos cada caso por separado.

Construcción de un intervalo de confianza para la media con varianza conocida

Comencemos por el caso más sencillo de explicar: la construcción de un intervalo de confianza para la media con varianza conocida. ¿Cómo puede conocerse la varianza de una variable aleatoria?, preguntará. Sin embargo, es un caso bastante frecuente en la práctica, ya que la varianza, o dispersión, suele caracterizar las propiedades físicas de un instrumento o de un proceso tecnológico. Un ejemplo clásico es el error de un instrumento, indicado en sus especificaciones como desviación estándar. No conocemos el verdadero valor de la magnitud medida, pero sí el «ruido» del instrumento. Realizamos una serie de mediciones y construimos un intervalo de confianza para la media utilizando la desviación estándar.

La ingeniosa función G para este caso se eligió así

G(x_1, \dots, x_n; \mu) = \frac{x_1 + \dots + x_n - n\mu}{\sigma \sqrt{n}}

Aquí se utiliza el teorema según el cual la suma de cualquier número de variables aleatorias normales independientes sigue una distribución normal. En este caso, la función G tiene la distribución normal estándar N(0,1). Podemos escribir la doble desigualdad utilizando cuantiles

z_{(1-\alpha)/2} < \frac{x_1 + \dots + x_n - n\mu}{\sigma \sqrt{n}} < z_{(1+\alpha)/2}

De donde

\bar{x} - \frac{\sigma z_{(1+\alpha)/2}}{\sqrt{n}} < \mu < \bar{x} - \frac{\sigma z_{(1-\alpha)/2}}{\sqrt{n}}.

O, debido a la simetría de la distribución normal

\bar{x} - \frac{\sigma}{\sqrt{n}} z_{(1+\alpha)/2} < \mu < \bar{x} + \frac{\sigma}{\sqrt{n}} z_{(1+\alpha)/2}

Construcción de un intervalo de confianza para la media con varianza desconocida

Consideremos ahora la construcción de un intervalo de confianza para la media de una variable aleatoria cuando no conocemos ni su verdadera media ni su verdadera varianza. Este es el caso más frecuente cuando obtenemos una serie de mediciones: la mayoría de las veces no sabemos nada en absoluto.

Por ejemplo, queremos comprobar cómo afecta un nuevo fertilizante a la cosecha de tomates.
Plantamos 30 surcos, aplicamos el fertilizante y medimos el rendimiento en kilogramos. La verdadera media es el rendimiento potencial de la variedad con fertilizante si se cultivara en todas partes en condiciones medias ideales. Es desconocida. La verdadera varianza representa en este caso la sensibilidad al microclima y los errores de riego y aplicación del fertilizante. Un surco está en una depresión (más humedad), otro en una elevación (más seco), etc. La magnitud de la variación del rendimiento entre surcos también es desconocida.

Aquí, la elección de la ingeniosa función G está determinada por el teorema de Fisher. Esta es una formulación habitual2:

Sea X_1,\ldots,X_n \sim \mathrm{N}(\mu,\sigma^2) una muestra independiente de una distribución normal. Sean \overline{X} la media muestral y S^2 la varianza muestral. Entonces:

  • Las variables aleatorias \overline{X} y S^2 son independientes;
  • La variable aleatoria  \sqrt{n} \cdot \frac{\overline{X} - \mu}{\sigma} \sim \mathrm{N}(0,1) \sim Z tiene una distribución normal estándar;
  • La variable aleatoria \frac{(n-1)\cdot S^2}{\sigma^2} = \frac{1}{\sigma^2} \sum_{i=1}^{n} (X_i - \bar{X})^2 \sim \chi^2_{n-1} tiene una distribución chi cuadrado con n-1 grados de libertad.

A partir de la distribución normal estándar y la distribución chi cuadrado se puede formar la distribución de Student mediante la siguiente fórmula

T = \frac{Z}{\sqrt{\chi^2_k/k}}, donde k es el número de grados de libertad.

Construyamos nuestra función G dividiendo una por la raíz de la otra dividida por n-1:

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{(\sqrt{n}(\bar{x} - \mu))/\sigma}{\sqrt{\frac{1}{n-1} \frac{1}{\sigma^2} \sum_{i=1}^{n} (x_i - \bar{x})^2}}

Sabemos que esta función sigue la distribución de Student con n-1 grados de libertad y, por suerte, el parámetro desconocido \sigma se puede cancelar.

Así,

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{\sqrt{n}(\bar{x} - \mu)}{s} \sim T(n-1)

Después, denotando los cuantiles de la distribución de Student mediante t y despejando \mu, obtenemos la fórmula del intervalo de confianza.

\bar{x} - \frac{s}{\sqrt{n}} t^{(n-1)}_{(1+\alpha)/2} < \mu < \bar{x} + \frac{s}{\sqrt{n}} t^{(n-1)}_{(1+\alpha)/2}

Como la distribución de Student es simétrica, aquí también basta con sustituir un solo valor del cuantil en la fórmula, igual que en el caso anterior.

Construcción de un intervalo de confianza para la varianza con media conocida

Hemos tratado la estimación de medias, pero también hay que estimar la varianza. El primer caso es la construcción de un intervalo de confianza para la varianza con una verdadera media conocida. Una vez más, ¿dónde aparecen en la vida real problemas en los que la verdadera media sea conocida y se necesite la varianza? La primera posibilidad son los problemas inversos a la estimación de la media con varianza conocida, concretamente la calibración de un instrumento. Es decir, colocamos repetidamente una pesa de referencia de un kilogramo en una balanza, observamos las lecturas y estimamos la dispersión de los valores mostrados. Además, la media puede fijarse al comprobar hipótesis: se observa cuál será la dispersión para una media determinada.

Construimos la función G de la siguiente manera:

G(x_1, \dots, x_n; \sigma^2) = \frac{\sum_{i=1}^n (x_i - \mu_0)^2}{\sigma^2} = \sum_{i=1}^n \left( \frac{x_i - \mu_0}{\sigma} \right)^2.

Aquí todo es sencillo: se trata literalmente de la distribución chi cuadrado con n grados de libertad, que no depende de \sigma.

Denotando los cuantiles de la distribución chi cuadrado mediante h y despejando \sigma, obtenemos la fórmula del intervalo de confianza.

\frac{\sum_{i=1}^n (x_i - \mu_0)^2}{h_{(1+\alpha)/2}^{(n)}} < \sigma^2 < \frac{\sum_{i=1}^n (x_i - \mu_0)^2}{h_{(1-\alpha)/2}^{(n)}}

La distribución chi cuadrado es asimétrica, por lo que hay que tomar ambos cuantiles.

Construcción de un intervalo de confianza para la varianza con media desconocida

¿Para qué sirve? Para lo mismo que en el caso anterior. Queremos estimar la variabilidad, la «concentración» o la «estabilidad» de un proceso, pero la verdadera media es desconocida.

Para este caso se construyó la siguiente función G:

G(x_1, \dots, x_n; \mu, \sigma^2) = \frac{\sum_{i=1}^n (x_i - \bar{x})^2}{\sigma^2}

La particularidad es que el valor desconocido \mu no interviene en absoluto en la función. Por el teorema de Fisher sabemos que esta función tiene una distribución chi cuadrado con n-1 grados de libertad. Después procedemos igual que en el caso anterior y obtenemos la fórmula del intervalo de confianza:

\frac{(n - 1)s^2}{h_{(1+\alpha)/2}^{(n-1)}} < \sigma^2 < \frac{(n - 1)s^2}{h_{(1-\alpha)/2}^{(n-1)}}

Condiciones de aplicabilidad

Repitamos una vez más: Todas las fórmulas enumeradas en la tabla anterior, que utilizan cuantiles de la distribución normal, de Student y chi cuadrado, son exactas solo en un único caso: la variable aleatoria original debe seguir estrictamente la ley normal (de Gauss).

Si la distribución no es normal, al estimar la media con una muestra grande tenemos suerte: gracias al Teorema central del límite (TCL), a medida que aumenta el tamaño muestral, la media muestral siempre tiende a una distribución normal, independientemente de la distribución de los datos originales (exponencial, uniforme, binomial, etc.). La frontera tradicional entre muestra pequeña y grande en estadística es 30. A veces se habla de muestras de 50–100, pero mucho depende de la asimetría de la distribución o del peso de sus «colas».

En conclusión, al estimar la media para muestras grandes, la distribución puede ignorarse gracias al TCL. Para muestras pequeñas procedentes de una distribución NO normal, como la binomial o la lognormal, los criterios de Student producen un error; deben aplicarse métodos no paramétricos, por ejemplo la prueba de Wilcoxon.

Para la varianza, la situación es desfavorable. La distribución chi cuadrado es extremadamente sensible a las desviaciones de la normalidad, y para distribuciones no normales deben utilizarse otros enfoques.


  1. Universidad de Granada. Inferencia estadística. Tema 4, intervalos de confianza. Apuntes ↩

  2. José M. Salinas. Distribución exacta de algunos estadísticos básicos. Capítulo 11, «Teorema de Fisher». Universidad de Granada. Teorema de Fisher ↩

URL copiada al portapapeles
PLANETCALC, Construcción de intervalos de confianza

Comentarios