Calculadora de intervalo de confianza para una proporción

¿Qué es un intervalo de confianza para una proporción?

Cuando observas que el 60% de una muestra apoya una política, quieres estimar la verdadera proporción poblacional. Un intervalo de confianza da un rango: "Tenemos 95% de confianza en que el verdadero apoyo está entre 55% y 65%."

Este intervalo captura tanto la estimación (60%) como la incertidumbre del muestreo (±5%).

Los métodos

Intervalo de Wald (aproximación normal)

El método más simple y común:

$IC = \hat{p} \pm z^* \times \sqrt{\frac{\hat{p}(1-\hat{p})}{n}}$

Donde:

• $\hat{p}$ = proporción muestral (éxitos/total)
• $z^*$ = valor z crítico (1,96 para 95%)
• $n$ = tamaño de muestra

Limitación: Funciona mal cuando p está cerca de 0 o 1, o cuando n es pequeño.

Intervalo de puntuación de Wilson

Más preciso, especialmente para proporciones extremas:

$\tilde{p} = \frac{\hat{p} + \frac{z^{*2}}{2n}}{1 + \frac{z^{*2}}{n}}$

$IC = \frac{\tilde{p} \pm z^* \sqrt{\frac{\hat{p}(1-\hat{p})}{n} + \frac{z^{*2}}{4n^2}}}{1 + \frac{z^{*2}}{n}}$

El intervalo de Wilson está centrado en $\tilde{p}$ (una estimación modificada) en lugar de $\hat{p}$.

Cuándo usar cuál

• Wald: Cálculos rápidos, muestras grandes, p no extremo
• Wilson: Muestras pequeñas, proporciones cerca de 0 o 1, cálculo por computadora

Esta calculadora usa Wilson por defecto para mejor rendimiento en todos los escenarios.

Interpretación

"El apoyo al candidato fue del 52% (IC 95%: 49% a 55%)"

El intervalo abarca del 49% al 55%, lo que incluye el 50%—lo que significa que no podemos decir con confianza que el candidato lidera. Si el intervalo fuera 52% a 58%, la ventaja sería estadísticamente significativa.

Aplicaciones

Encuestas políticas

"La encuesta muestra 48% de aprobación (margen de error ±3%)"

El margen de error es la mitad del ancho del intervalo de confianza. La verdadera aprobación probablemente cae entre 45% y 51%.

Control de calidad

"Tasa de defectos: 2,3% (IC 95%: 1,8% a 2,9%)"

La gerencia puede ver tanto la estimación puntual como el rango plausible.

Estudios médicos

"Tasa de éxito del tratamiento: 78% (IC 95%: 71% a 84%)"

Los clínicos necesitan saber no solo la tasa observada sino su incertidumbre.

Investigación de mercado

"Reconocimiento de marca: 62% (IC 95%: 57% a 67%)"

Las decisiones de marketing deben considerar el rango, no solo la estimación puntual.

Pruebas A/B

"Tasa de conversión: 4,2% (IC 95%: 3,8% a 4,7%)"

Compara intervalos entre variantes para evaluar diferencias significativas.

Requisitos de tamaño de muestra

La aproximación normal funciona razonablemente cuando:

• $np \geq 5$
• $n(1-p) \geq 5$

Por ejemplo, con p = 0,05, necesitas al menos n = 100.

El intervalo de Wilson funciona bien incluso cuando estas condiciones no se cumplen.

Contexto histórico

Abraham de Moivre (1733) derivó primero la aproximación normal para proporciones binomiales, estableciendo que las proporciones muestrales están aproximadamente distribuidas normalmente para muestras grandes.

Edwin Bidwell Wilson (1927) desarrolló el intervalo de puntuación de Wilson, abordando problemas con el intervalo de Wald cerca de los límites. A pesar de tener casi 100 años, el método de Wilson es a menudo infrautilizado.

Theodore Brown y colegas en los años 1990-2000 renovaron el interés en los métodos de intervalo, demostrando que el pobre rendimiento del intervalo de Wald cerca de p = 0 o p = 1 era peor de lo que se apreciaba anteriormente.

Hoy, muchas organizaciones estadísticas recomiendan Wilson o intervalos ajustados similares sobre el método simple de Wald.

Por qué el intervalo de Wilson es mejor

El problema de los límites

Cuando la verdadera proporción está cerca de 0:

• El intervalo de Wald puede incluir valores negativos (imposibles)
• El intervalo de Wald puede ser demasiado estrecho
• La probabilidad de cobertura cae por debajo del nivel de confianza establecido

El intervalo de Wilson evita estos problemas por diseño.

Probabilidad de cobertura

El IC del 95% "establecido" debería contener la verdadera proporción el 95% de las veces. Los estudios muestran:

• Intervalo de Wald: La cobertura puede caer al 80-85% en casos extremos
• Intervalo de Wilson: La cobertura se mantiene cercana al 95%

Determinantes del ancho

El ancho del intervalo depende de:

1. Tamaño de muestra: Mayor n → intervalo más estrecho
2. Valor de la proporción: p = 0,5 da el intervalo más ancho; p extremo da más estrecho
3. Nivel de confianza: Mayor confianza → intervalo más ancho

El ancho máximo ocurre en p = 0,5. Si estás diseñando un estudio sin una estimación previa, asume p = 0,5 para planificación conservadora.

Margen de error

Para proporciones, el margen de error es aproximadamente:

$ME \approx z^* \times \sqrt{\frac{p(1-p)}{n}}$

Al 95% de confianza ($z^* = 1,96$) con p = 0,5:

$ME \approx \frac{1}{\sqrt{n}}$

Esto da la regla general: 1.000 encuestados → aproximadamente 3% de margen de error.

Corrección de continuidad

Para proporciones discretas, una corrección de continuidad puede mejorar la precisión:

$IC = \hat{p} \pm \left[z^* \times \sqrt{\frac{\hat{p}(1-\hat{p})}{n}} + \frac{1}{2n}\right]$

El ajuste $+\frac{1}{2n}$ considera la naturaleza discreta de los conteos. Esto se vuelve despreciable para n grande.

Múltiples proporciones

Cuando se estiman proporciones para muchas categorías:

• Cada proporción tiene su propio IC
• Pueden necesitarse ajustes por comparaciones múltiples
• Considera regiones de confianza multinomiales

El IC para diferencia en proporciones maneja la comparación de dos proporciones.

Cálculos relacionados

• Error estándar de proporción — EE = √[p(1-p)/n]
• Calculadora de margen de error — Mitad del ancho del IC
• Calculadora de valor crítico (z*) — Encontrar valores z*
• IC para diferencia en proporciones — Comparar dos grupos
• Calculadora de tamaño de muestra — Planificar para precisión deseada

Resumen

Los intervalos de confianza para proporciones traducen porcentajes muestrales en rangos de valores poblacionales plausibles. Mientras que el intervalo de Wald (aproximación normal) es el más simple, el intervalo de puntuación de Wilson proporciona cobertura más confiable, especialmente para proporciones cerca de 0 o 1. Ya sea interpretando resultados de encuestas, tasas de calidad o éxito de tratamientos, el intervalo comunica no solo la estimación sino la incertidumbre que acompaña cualquier inferencia basada en muestra.