1. ¿Qué es un intervalo de confianza?

Un intervalo de confianza es un rango de valores, derivado de los

estadísticos de la muestra, que posiblemente incluya el valor de un
parámetro de población desconocido. Debido a su naturaleza aleatoria,
es poco probable que dos muestras de una población en particular
produzcan intervalos de confianza idénticos. Sin embargo, si usted
repitiera muchas veces su muestra, un determinado porcentaje de los
intervalos de confianza resultantes incluiría el parámetro de población
desconocido.

En este caso, la línea negra horizontal representa el valor fijo de la media

desconocida de la población, µ. Los intervalos de confianza azules
verticales que se sobreponen a la línea horizontal contienen el valor de la
media de la población. El intervalo de confianza rojo que está
completamente por debajo de la línea horizontal no lo contiene. Un
intervalo de confianza de 95% indica que 19 de 20 muestras (95%) de la
misma población producirán intervalos de confianza que contendrán el
parámetro de población.

Utilice el intervalo de confianza para evaluar la estimación del parámetro de

población. Por ejemplo, un fabricante desea saber si la longitud media de los
lápices que produce es diferente de la longitud objetivo. El fabricante toma una
muestra aleatoria de lápices y determina que la longitud media de la muestra es
52 milímetros y el intervalo de confianza de 95% es (50,54). Por lo tanto, usted
puede estar 95% seguro de que la longitud media de todos los lápices se
encuentra entre 50 y 54 milímetros.

El intervalo de confianza se determina calculando una estimación de punto y

luego determinando su margen de error.
Estimación de punto
 Este valor individual estima un parámetro de población usando los datos
de la muestra.

Margen de error
Cuando usted utiliza estadísticos para estimar un valor, es importante
recordar que, sin importar lo bien que esté diseñado su estudio, su
estimación está sujeta a error de muestreo aleatorio. El margen de error
cuantifica este error e indica la precisión de la estimación.

Usted probablemente ya entiende el margen de error, porque está

relacionado con los resultados de las encuestas. Por ejemplo, una
encuesta política podría indicar que el nivel de popularidad de un
candidato es de 55% con un margen de error de 5%. Esto significa que el
nivel de popularidad real es +/- 5% y, por lo tanto, se ubica entre 50% y
60%.

Para un intervalo de confianza bilateral, el margen de error es la distancia

desde el estadístico estimado hasta cada el valor del intervalo de
confianza. Cuando un intervalo de confianza es simétrico, el margen de
error es la mitad del ancho del intervalo de confianza. Por ejemplo, la
longitud media estimada de un árbol de levas es 600 mm y el intervalo de
confianza oscila entre 599 y 601. El margen de error es 1.

Mientras mayor sea el margen de error, más ancho será el intervalo y

menos seguro podrá estar usted del valor de la estimación de punto.

2. ¿Cuál es la importancia del IC?

Se analizan las razones por las que el uso de los intervalos de confianza
es altamente recomendable. Entre estas razones, destacan la
aproximación al conocimiento de la importancia real de un resultado,
independientemente de la significación estadística, y la valoración de
equivalencia entre dos variables.

3. ¿Cuáles son los beneficios que brinda conocer el IC?

Si el intervalo de confianza es demasiado ancho, usted no puede estar muy

seguro del valor real de un parámetro, como por ejemplo la media. Sin embargo,
puede utilizar varias estrategias para reducir el ancho de un intervalo de
confianza y hacer que la estimación sea más precisa. Las siguientes
características afectan el ancho del intervalo de confianza.
 Tamaño de la muestra
 Variación en los datos
 Tipo de intervalo
 Nivel de confianza

Aumentar el tamaño de la muestra

Con frecuencia, la manera más práctica de reducir el margen de error es
aumentar el tamaño de la muestra. Por lo general, mientras más observaciones
haya, más estrecho será el intervalo alrededor del estadístico de la muestra. Por
lo tanto, se recomienda recolectar más datos para obtener una estimación más
precisa de un parámetro de población.

Debe sopesar los beneficios de una mayor precisión con respecto al tiempo y los
recursos adicionales necesarios para recopilar una muestra más grande. Por
ejemplo, un intervalo de confianza que sea lo suficientemente estrecho como
para contener solamente el parámetro de población requiere que se midan todos
los sujetos de la población. Obviamente, esta estrategia por lo general resultaría
muy poco práctica.

Reducir la variabilidad
Mientras menos varíen los datos, más precisa será la estimación de un
parámetro de población.

Eso se debe a que al reducirse la variabilidad de los datos, disminuye la

desviación estándar y, por ende, el margen de error de la estimación. Aunque
puede ser difícil reducir la variabilidad de los datos, a veces se puede lograr
ajustando la forma en que se recolectan los datos. Por ejemplo, puede utilizar un
diseño pareado para comparar dos grupos. También podría reducir la
variabilidad mejorando el proceso, de manera que el proceso sea más
consistente, o midiendo con mayor precisión.

Utilizar un intervalo de confianza unilateral

Un intervalo de confianza unilateral tiene un margen de error más pequeño que
un intervalo de confianza bilateral. Sin embargo, un intervalo unilateral indica
solo si un parámetro es menor que o mayor que un valor de corte. Un intervalo
unilateral no proporciona información acerca del parámetro en la dirección
opuesta. Por lo tanto, utilice un intervalo de confianza unilateral para aumentar
la precisión de una estimación solo cuando le preocupe que la estimación sea
mayor o menor que un valor de corte, pero no ambos.

Por ejemplo, una empresa de bebidas desea determinar la cantidad de sólidos

disueltos en su agua potable. Mientras menos sólidos disueltos tengan el agua,
mejor será. Cuando calculan un intervalo de confianza bilateral, el lado superior
 del intervalo es 18.4. Sin embargo, puesto que a la empresa solo le preocupa el
límite superior, pueden calcular más bien un intervalo de confianza unilateral. El
intervalo de confianza unilateral muestra que el límite superior de la cantidad de
sólidos disueltos es incluso menor, 17.8 mg/L.

Reducir el nivel de confianza

La ventaja de un nivel de confianza más bajo es que se obtiene un intervalo de
confianza más estrecho y más preciso. La desventaja es que se está menos
seguro de que el intervalo de confianza contiene el parámetro de población de
interés.

Entonces, reduzca el nivel de confianza solo si, en su situación, la ventaja de

una mayor precisión supera a la desventaja de un menor grado de certeza. Por
ejemplo, si es demasiado costoso aumentar el tamaño de la muestra en su
estudio, disminuir el nivel de confianza reducirá la longitud del intervalo a
expensas de perder algo de confianza.

4. ¿Cuándo es recomendable utilizar el IC, cuando se aprueba la H₀ o

cuando se rechaza?

Supongamos que usted realiza una prueba de hipótesis. Recuerde que la

decisión de rechazar la hipótesis nula (H0) o no rechazarla puede depender del
valor p y del nivel de significancia elegido (también denominado α). Si el valor p
es menor que o igual al nivel de significancia (α), usted rechaza H 0; si es mayor
que α, usted no puede rechazar H0.

La decisión también puede basarse en el intervalo de confianza (o límite)

calculado usando el mismo nivel de significancia (α). Por ejemplo, la decisión
para una prueba en el nivel de significancia de 0.05 puede basarse en el intervalo
de confianza de 95%:

 Si el valor de referencia especificado en H0 está fuera del intervalo (es decir, es

menor que el límite inferior o mayor que el límite superior), usted puede rechazar
H0.
 Si el valor de referencia especificado en H0 está dentro del intervalo (es decir, no
es menor que el límite inferior ni mayor que el límite superior), usted no puede
rechazar H0.
 5. ¿Qué es el Coeficiente de Determinación (R²)?
En estadística, el coeficiente de determinación, denominado R² y
pronunciado R cuadrado, es un estadístico usado en el contexto de un
modelo estadístico cuyo principal propósito es predecir futuros resultados
o probar una hipótesis. El coeficiente determina la calidad del modelo para
replicar los resultados, y la proporción de variación de los resultados que
puede explicarse por el modelo.

6. ¿Qué utilidad tiene el coeficiente R²?

Una vez ajustada la recta de regresión a la nube de observaciones es
importante disponer de una medida que mida la bondad del ajuste
realizado y que permita decidir si el ajuste lineal es suficiente o se
deben buscar modelos alternativos. Como medida de bondad del ajuste
se utiliza el coeficiente de determinación, definido como sigue

O bien

Como scE < scG, se verifica que 0 < R2 < 1.

El coeficiente de determinación mide la proporción de variabilidad total de la

variable dependiente respecto a su media que es explicada por el modelo de
regresión. Es usual expresar esta medida en tanto por ciento, multiplicándola por
cien.

Por otra parte, teniendo en cuenta que i - = 1 , se obtiene

 7. ¿Cómo se calcula el IC y el R² en mini tab?

A. Calcular intervalos de confianza para los coeficientes de regresión R²:

Utilice el intervalo de confianza para evaluar la fiabilidad de la estimación del

coeficiente. Mientras más amplio sea el intervalo de confianza, menos precisa
será la estimación.

1. Elija Estadísticas > Regresión > Regresión > Ajustar modelo de

regresión.
2. Complete el cuadro de diálogo.
3. Haga clic en Resultados.
4. En Presentación de resultados, elija Tablas simples. A continuación,
haga clic en Aceptar en cada cuadro de diálogo.

B. Calcular intervalos de confianza la una media de población:

1. Elija Estadísticas> Estadística básica > t de una muestra

2. Completar el cuadro de la lista de muestras que vas a utilizar (1 o

más muestras en una columna), sino tienes lista de muestras y
tienes la media y la desviación estándar con el número de
población, cambia la opción (1 o más muestras en una columna),
por Datos conocidos.

3. Elija Opciones, donde colocamos el nivel de confianza, y la

Hipótesis alterna.

4. Haga clic en Aceptar.

8. Calcule para el ejemplo de Empaque de carmes el IC y R². Redacte sus

conclusiones según los resultados del IC y R² obtenido.

 Supresión del crecimiento bacterial en carnes almacenadas

 La vida de anaquel de las carnes almacenadas es el tiempo que un

corte previamente empacado es sano, nutritivo y vendible. Un
paquete normal expuesto al aire ambiental tiene una vida
aproximada de 48 horas, después de las cuales la carne comienza
a deteriorarse por contaminación de microbios, degradación del
color y encogimiento. El empaque al vacío es efectivo para suprimir
 el desarrollo de microbios; sin embargo, continúan siendo un
problema los otros aspectos.

 Algunos estudios recientes sugieren las atmósferas controladas de

gas, como alternativa a los empaques actuales. Dos atmósferas
que prometen combinar la capacidad de suprimir el desarrollo de
microbios con la conservación de las cualidades de la carne son:
1) dióxido de carbono puro (CO), y 2) mezclas de monóxido de
carbono (CO), oxígeno (O,) y nitrógeno (N).

 Hipótesis de investigación: Con base en esta nueva información,

el investigador plantea la hipótesis de que alguna forma de
atmósfera controlada proporcionará un entorno más efectivo de
empaque para el almacenamiento de carne.

 Diseño del tratamiento: El diseño del tratamiento desarrollado por

el investigador para evaluar la hipótesis incluyó empaques con: 1)
aire del ambiente con un empaque comercial de plástico; 2) al
vacío; 3) una mezcla de gases con 1% CO, 40% O, y 59% N y
4)100% Coz. Los empaques con el aire del ambiente y al vacío
sirven como tratamientos de control, ya que ambos son estándares
con cuya efectividad se puede comparar la de los nuevos
empaques.

 Diseño del experimento: Se usó un diseño totalmente

aleatorizado para el experimento. A cada conjunto de condiciones
de empaque se le asignaron al azar 3 cortes del mismo tamaño (75
g). (El método de aleatorización se presenta en la sección 2.2.)
Cada corte se empacó por separado en las condiciones asignadas.
En este ejemplo, se evalúa la efectividad de cada tratamiento para
suprimir el desarrollo bacterial. Después de 9 días de
almacenamiento a 4°C en una instalación normal, se midió el
número de bacterias sicotrópicas en la carne. Las bacterias
sicotrópicas se encuentran en la superficie de la carne y se asocian
con la carne deteriorada. Los resultados se muestran en la tabla
2.1. El crecimiento bacterial se expresa como el logaritmo del
número de bacterias por centímetro cuadrado.
 Intervalos de Confianza en Mini Tab:
1. Datos en Mini Tab

2. Elija Estadísticas> Estadística básica > t de una muestra

 3. Haga clic en Aceptar

4. Hacer la gráfica de Intervalos de Confianza:

 Intervalos de Confianza y Coeficiente de Determinación mediante
el ANOVA:
1. Datos en Mini Tab:

2. Elija Estadísticas> ANOVA > Un solo factor

 3. Hacer la gráfica de Intervalos de Confianza y 4 en 1:

Conclusiones: Respecto a los intervalos de confianza dados

por el programa, puedo concluir que el método más eficiente es el método D, ya
que cuenta con la media más pequeña y uno de los intervalos de confianza más
cerrados, por ende el número de bacterias por cm2 es mucho más pequeño. Y
si ahora vemos el Coeficiente de Determinación que es de un 97.26% nos afirma
la hipótesis de que el método D es el mejor método de empaquetado de carne.