Calculadora de intervalo de confianza para la media

¿Qué es un intervalo de confianza para la media?

Un intervalo de confianza proporciona un rango de valores plausibles para la media poblacional basándose en datos muestrales. En lugar de afirmar "la media poblacional es exactamente 42", un intervalo de confianza dice "tenemos 95% de confianza en que la media poblacional cae entre 38 y 46".

Este intervalo captura tanto tu estimación (la media muestral) como tu incertidumbre sobre ella (reflejada en el ancho del intervalo).

Cómo funcionan los intervalos de confianza

El nivel de confianza del 95% significa: si repitiéramos este procedimiento de muestreo muchas veces, aproximadamente el 95% de los intervalos resultantes contendrían la verdadera media poblacional.

Importante: Un IC del 95% NO significa que hay un 95% de probabilidad de que la verdadera media esté en este intervalo específico. La media poblacional es fija—o está en el intervalo o no. El 95% se refiere a la tasa de éxito a largo plazo del método.

La fórmula

Para muestras grandes ($n \geq 30$) o $\sigma$ poblacional conocida:

$IC = \bar{x} \pm z^* \times \frac{\sigma}{\sqrt{n}}$

Para muestras pequeñas con $\sigma$ desconocida:

$IC = \bar{x} \pm t^* \times \frac{s}{\sqrt{n}}$

Donde:

• $\bar{x}$ = media muestral
• $z^*$ = valor z crítico (1,96 para 95%, 2,576 para 99%)
• $t^*$ = valor t crítico con $gl = n - 1$
• $\sigma$ = desviación estándar poblacional
• $s$ = desviación estándar muestral
• $n$ = tamaño de muestra

¿Por qué usar la distribución t?

Cuando la desviación estándar poblacional es desconocida (casi siempre), la estimamos de la muestra. Esto añade incertidumbre que la distribución z no considera.

La distribución t tiene colas más pesadas que la distribución normal, produciendo intervalos más anchos que reflejan correctamente esta incertidumbre extra. A medida que el tamaño de muestra aumenta, la distribución t se aproxima a la distribución normal.

Para $n > 30$, la diferencia es pequeña. Para $n < 15$, usar la distribución t es esencial.

Interpretando el ancho

Intervalos estrechos indican:

• Tamaño de muestra grande
• Baja variabilidad en los datos
• Alta precisión de la estimación

Intervalos anchos indican:

• Tamaño de muestra pequeño
• Alta variabilidad
• Baja precisión—necesitas más datos

Aplicaciones

Investigación médica

"La reducción media en la presión arterial fue de 8,5 mmHg (IC 95%: 6,2 a 10,8)"

Los clínicos pueden ver tanto la estimación puntual como el rango de efectos plausibles.

Control de calidad

"Peso medio del producto: 500,2g (IC 95%: 499,8 a 500,6)"

El intervalo estrecho sugiere que el proceso está bien controlado.

Investigación de mercado

"Puntuación media de satisfacción del cliente: 7,2 de 10 (IC 95%: 6,8 a 7,6)"

El intervalo ayuda a los gerentes a entender la precisión de la estimación.

Experimentos científicos

"Tiempo de reacción medio: 342ms (IC 95%: 328 a 356)"

Otros investigadores pueden evaluar si los efectos son prácticamente significativos.

Selección del nivel de confianza

99% de confianza: Intervalos muy anchos. Usar cuando el costo de equivocarse es alto.

95% de confianza: Elección estándar. Equilibra precisión y confianza.

90% de confianza: Intervalos más estrechos. Aceptable cuando se necesita evidencia preliminar.

Mayor confianza = intervalos más anchos = menos precisión. Siempre hay un compromiso.

Supuestos

La fórmula del intervalo de confianza asume:

1. Muestreo aleatorio: Cada miembro de la población tenía una probabilidad conocida de ser seleccionado
2. Independencia: Las observaciones no se influyen entre sí
3. Normalidad (para muestras pequeñas): La población está aproximadamente distribuida normalmente, o la muestra es lo suficientemente grande para que aplique el Teorema del Límite Central

Para datos no normales con muestras pequeñas, considera:

• Transformaciones (por ejemplo, transformación logarítmica)
• Intervalos bootstrap no paramétricos
• Alternativas no paramétricas

Desarrollo histórico

El concepto de intervalo de confianza fue desarrollado por Jerzy Neyman en la década de 1930. A diferencia de los enfoques de estimación puntual anteriores, Neyman reconoció que las estimaciones de intervalo comunican mejor la incertidumbre.

Su marco estableció la interpretación frecuentista: los niveles de confianza describen la tasa de éxito a largo plazo del método, no la probabilidad para ningún intervalo individual.

Egon Pearson colaboró con Neyman para desarrollar los fundamentos teóricos que conectan los intervalos de confianza con la prueba de hipótesis.

El enfoque ganó importancia práctica con la distribución t de Student (desarrollada por William Gosset en 1908), que permitió intervalos válidos para muestras pequeñas—común en control de calidad e investigación biológica.

Errores comunes

Malinterpretar el nivel de confianza

Incorrecto: "Hay un 95% de probabilidad de que la verdadera media esté en este intervalo." Correcto: "Este método produce intervalos que capturan la verdadera media el 95% de las veces."

Ignorar los supuestos

Usar la fórmula cuando los datos son claramente no normales y la muestra es pequeña produce intervalos poco confiables.

Sobreinterpretar intervalos estrechos

Un intervalo estrecho no significa que la estimación sea correcta—podría estar precisamente equivocada si la muestra está sesgada.

Confundir IC con rango

El intervalo de confianza no es el rango de valores individuales. Usa percentiles o intervalos de predicción para eso.

Relación con la prueba de hipótesis

Hay una conexión directa:

Un IC del 95% que no contiene $\mu_0$ implica que la hipótesis nula $H_0: \mu = \mu_0$ sería rechazada a $\alpha = 0,05$.

El intervalo te dice no solo si rechazar, sino el rango de valores consistentes con tus datos—más informativo que una simple decisión sí/no.

Ancho y tamaño de muestra

El margen de error es inversamente proporcional a $\sqrt{n}$:

$ME = t^* \times \frac{s}{\sqrt{n}}$

Para reducir a la mitad el margen de error, necesitas 4× el tamaño de muestra.

Esta relación de rendimientos decrecientes gobierna la planificación del tamaño de muestra. Intervalos muy precisos requieren muestras muy grandes.

La Calculadora de tamaño de muestra ayuda a determinar $n$ para la precisión deseada.

Cálculos relacionados

• Calculadora de error estándar — El EE en la fórmula
• Calculadora de distribución T — Encontrar valores t críticos
• Calculadora de valor crítico (t*) — $t^*$ para cualquier nivel de confianza
• Calculadora de valor crítico (z*) — $z^*$ para muestras grandes
• Calculadora de margen de error — Mitad del ancho del IC
• Calculadora de tamaño de muestra — Planificar para precisión deseada

Resumen

Los intervalos de confianza para la media comunican tanto tu estimación como su precisión. El ancho del intervalo depende del tamaño de muestra, la variabilidad de los datos y el nivel de confianza elegido. Usar la distribución t para muestras pequeñas considera la incertidumbre adicional de estimar la desviación estándar poblacional. Aunque los intervalos de confianza no dan la probabilidad de que la verdadera media esté en un rango específico, proporcionan una representación honesta de lo que tus datos pueden y no pueden decirte sobre la población.