¿Que es un intervalo de confianza?

El intervalo de confianza describe la variabilidad entre la medida obtenida en un

estudio y la medida real de la población (el valor real). Corresponde a un rango
de valores, cuya distribución es normal y en el cual se encuentra, con alta
probabilidad, el valor real de una determinada variable. Esta «alta
probabilidad» se ha establecido por consenso en 95%. Así, un intervalo de
confianza de 95% nos indica que dentro del rango dado se encuentra el valor
real de un parámetro con 95% de certeza.

Para comprender y hacer intuitivo el concepto de intervalo de confianza

utilizaremos un ejemplo clásico:

Supongamos que tenemos una moneda, la cual puede o no estar balanceada.

Así, después de varios lanzamientos, la probabilidad que el resultado sea sello
variará desde 0 (todas las veces cara, es decir, una moneda balanceada) hasta
1 (todas las veces sello, nuevamente balanceada), pasando por 0,5 (la mitad
de las veces sello y las otras cara, lo que equivale a una moneda no
balanceada). Como no conocemos la verdadera naturaleza de la moneda,
vamos a experimentar con ella.

Iniciamos el experimento con 2 lanzamientos, uno es cara y el otro es sello. La

probabilidad de que el resultado sea sello fue 0,5, con lo que podríamos
concluir que la moneda no está balanceada, sin embargo, ¿con sólo 2
lanzamientos podemos concluir con total certeza que esa es la naturaleza de la
moneda? La respuesta es no, por lo tanto ¿cuál es el rango de valores donde
se encuentra el valor real? Dado que el azar pudo influir en este resultado, uno
acepta que el rango de valores reales posibles es amplio, incluso desde uno
tan bajo como 0 a uno tan alto como 1, por lo tanto aún no estamos seguros de
la naturaleza de nuestra moneda.

Considerando lo anterior, ampliamos el experimento y realizamos 8 nuevos

lanzamientos (10 en total), resultando 5 caras y 5 sellos. Nuevamente el
resultado es 0,5, sin embargo, ahora intuitivamente nos percatamos que la
verdadera naturaleza de la moneda se encuentra en un rango menos amplio.
Por ejemplo, es poco probable que después de 10 lanzamientos 9 sean sello,
menos aún que todos lo sean, sin embargo, aún es factible que 8 ó 7 ó 6 sí lo
sean. Así, nuestro nuevo rango puede variar entre 0,2 y 0,8, pero con un
alcance: todos advertimos que si bien 0,8 y 0,2 son posibles, los valores
centrales (0,4 y 0,6) lo son más aún, siendo 0,5 el más probable.

Decidimos seguir experimentando, realizando 90 nuevos lanzamientos (100 en

total), resultando 50 caras y 50 sellos. Nuevamente el resultado es 0,5,
advirtiendo que cada vez es más probable que la verdadera naturaleza de
nuestra moneda es el de una no balanceada, pero aún con un rango de
variabilidad que podríamos estimar entre 0,4 y 0,6 (es decir, que después de
100 lanzamientos, el resultado real varíe entre 40 y 60 sellos).

Realizamos 1.000 lanzamientos, resultando 500 sellos y 500 caras, con lo que
estamos aún más seguros que nuestra moneda no está balanceada (nuestro
rango puede ser 0,45 a 0,55 o menor).
El ejemplo anterior nos permite aclarar varios conceptos:

• La «verdadera naturaleza» de nuestra moneda (si está balanceada o no)

corresponde al valor real.

• El rango de valores reales posibles, es decir, el rango donde se encuentra la

verdadera naturaleza de nuestra moneda, corresponde al IC.

• El valor real más probable corresponde al estimador puntual del estudio, en

este caso 0,5.

• Finalmente, advertimos la relación inversa entre la amplitud del IC y el tamaño

muestral: si consideramos que el número de lanzamientos representa el n de la
muestra, observamos que mientras más pequeño es el n más amplio es el IC.
A mayor número de lanzamientos (mayor n) más certeza tenemos que el
resultado del experimento se acerca al valor real, por lo tanto el IC es más
estrecho5-8.

Para llevar a la práctica el concepto vamos a recurrir al ejemplo utilizado en el

artículo anterior: la comparación de una nueva droga A versus una droga B en
la prevención de AVE en pacientes con antecedente de accidente isquémico
transitorio (AIT).

Al analizar estos datos se obtiene una reducción absoluta del riesgo (RRA) de
4,2% con 95% de intervalo de confianza de 0,9% a 7,5%. Esto quiere decir que
el valor real, es decir, el resultante al aplicar la intervención a la población total
de pacientes con AIT, está con 95% de probabilidad entre un RRA de 0,9% a
7,5%, siendo el valor más probable 4,2%. Si aumentamos el n de la muestra a
20.000 obtendríamos nuevamente un RRA de 4,2%, pero con un intervalo de
confianza más estrecho, de 3,5% a 4,9% (Fórmula en apéndice 1).
¿Qué Es Una Prueba De Hipótesis?

Una prueba de hipótesis examina dos hipótesis opuestas sobre una población:
la hipótesis nula y la hipótesis alternativa. La hipótesis nula es la afirmación que
se está comprobando. Normalmente la hipótesis nula es una afirmación de "sin
efecto" o "sin diferencia". La hipótesis alternativa es la afirmación que se desea
ser capaz de concluir que es verdadera basándose en la evidencia
proporcionada por los datos de la muestra.

Basándose en los datos de la muestra, la prueba determina cuando rechazar la

hipótesis nula. Se utiliza un p-valor, para realizar esa determinación. Si el p-
valor es menos que el nivel de significación (conocido como α o alfa), entonces
se puede rechazar la hipótesis nula.

Un error común suele ser que las pruebas de hipótesis estadísticas están
diseñadas para seleccionar la más probable de dos hipótesis. Sin embargo, al
diseñor una prueba de hipótesis, se configura la hipótesis nula como la que se
quiere rechazar. Dado que se fija que el nivel de significación sea pequeño
antes del análisis (normalmente, un valor de 0.05 funciona correctamente),
Cuando se rechaza la hipótesis nula, se tiene una prueba estadística de que la
alternativa es cierta. Por el contrario, si no se rechaza la hipóetesis nula, no se
tiene prueba estadística de que la hipótesis nula sea cierta. Esto es debido a
que no se ha fijado la probabilidad de que se acepte falsamente que la
hipótesis nula sea pequeña.

Ejemplos de algunas preguntas que se pueden responder con una preuba de

hipótesis:

 ¿La altura media de las mujeres en secundaria difiere de 168 cm?

 ¿La desviación estandar de sus alturas es igual o menor que 13 cm?
 ¿Los estudiantes masculinos y femeninos difieren en su altura promedio?
 ¿Es la proporción de estudiantes masculinos de secundaria significativamente
más alta que la proporción de estudiantes femeninas de secundaria?

¿Cuando una prueba de hipótesis es significativa?

El concepto "significación estadística" se relaciona con la necesidad de

"probar hipótesis". Este proceso se realiza utilizando "pruebas de
hipótesis", las que permiten cuantificar hasta que punto la variabilidad de
la muestra en estudio es responsable de los resultados obtenidos en el
estudio. Es así como H0 o hipótesis nula, representa la afirmación de
que no hay asociación entre las dos variables; y H a, o hipótesis
alternativa, afirma que existe asociación entre las dos variables.
Entonces, la estadística nos permite decidir sobre que hipótesis
debemos elegir, lo que será con el nivel de seguridad que previamente
se haya establecido por el equipo de investigación (habitualmente en
clínica es 95%).
¿En una prueba de hipótesis que significa el p-value?

El p-valor es una medida directa de lo verosímil que resulta obtener una

muestra como la actual si es cierta H0. Los valores pequeños indican que es
muy infrecuente obtener una muestra como la actual, en cambio, los valores
altos que es frecuente. El p-valor se emplea para indicar cuánto (o cuán poco)
contradice la muestra actual la hipótesis alternativa.

Informar sobre cual es el p-valor tiene la ventaja de permitir que cualquiera

decida qué hipótesis acepta basándose en su propio nivel de riesgo α. Esto no
es posible cuando se informa, como ha sido tradicional, indicando sólo el
resultado de la decisión, es decir, si se acepta o se rechaza H 0 con un α fijo.

Al proporcionar el p-valor obtenido con la muestra actual, la decisión se hará de

acuerdo a la regla siguiente:

si pv ≤ α, aceptar H1

si pv > α, aceptar H0

Entrando en el terreno práctico, algunos paquetes estadísticos proporcionan en

sus listados el significance level, cuya traducción literal es nivel de significación,
cuando muchas veces se refieren en realidad al p-valor (p-value).

Importancia de la prueba de hipótesis

Una prueba de hipótesis evalúa dos afirmaciones mutuamente excluyentes

sobre una población para determinar qué afirmación es mejor admitida por los
datos de la muestra. Cuando se dice que un hallazgo es estadísticamente
significativo, es gracias a una prueba de hipótesis

Relación entre las pruebas de hipótesis e intervalos de confianza

Las pruebas de hipótesis son una técnica estadística que nos sirve para tomar
una decisión, si rechazamos o no una hipótesis estadística en base a la
muestra, su propósito es ayudar a investigar y a partir de dicha investigación
tomar decisiones referentes a una población tomando en cuenta la información
de una muestra de dicha prueba. La decisión consiste en rechazar o no una
hipótesis en favor de la otra, una hipótesis estadística se denota por ‘’H’’ y son
dos: HO(Hipótesis nula): Se refiere al valor específico del parámetro de la
población. H significa hipótesis y el subíndice O (cero) que no hay diferencia es
nula ‘’no hay cambio’’. H1(Hipótesis alternativa): Es cualquier hipótesis que
difiera de una hipótesis nula. Las medias o desviaciones estándar calculadas
de una muestra se denominan ESTADÍSTICOS, podrían ser consideradas
como un punto estimado de la media y desviación estándar real de población o
de los PARAMETROS.

ESTIMADOR PUNTUAL: Utiliza un número único o valor para localizar una

estimación del parámetro.
ESTIMADOR POR INTERVALO DE CONFIANZA: Denota un rango dentro del
cual se puede encontrar el parámetro y el nivel de confianza que el intervalo
contiene al parámetro. LIMITES DE CONFIANZA: Son los límites del intervalo
de confianza inferior (LIC) y superior (LSC), se determinan sumando y restando
a la media de la muestra X un cierto número Z (dependiendo del nivel o
coeficiente de confianza) de errores estándar de la media X  .

 INTERPRETACIÓN DEL INTERVALO DE CONFIANZA: Tener un 95% de

confianza en que la media poblacional real y desconocida se encuentra entre
los valores LIC y LSC. NIVEL DE SIGNIFICANCIA = 1- INTERVALO DE
CONFIANZA = ERROR TIPO 1 = ALFA P(Z>= + Zexcel ) = alfa/2P(Z<= -
Zexcel ) = alfa/2Intervalo de confianza donde se encuentra el parámetro con un
NC =1-a