Metodología de la Investigación Científica

Apuntes de clase
Investigar  indagar, averiguar, buscar, mirar reflexivamente la realidad; actividad sistemática controlada y crítica.
Tiene como fin producir conocimientos y teorías (investigación básica) o resolver problemas prácticos (investigación
aplicada).
Etapas de planeamiento de una investigación
1. Identificación y diagnóstico del problema
2. Selección de la estrategia
3. Experimentación y evaluación de la estrategia
4. Difusión de la información
5. Utilización de la información
O
1. Identificar el problema 7. Elegir instrumentos de recolección de datos
2. Buscar bibliografía 8. Describir métodos
3. Redactar objetivos 9. Organizar el registro de datos
4. Seleccionar ámbito de estudio 10. Planear análisis de datos
5. Elegir muestra/población a estudiar 11. Evaluar viabilidad ética
6. Seleccionar datos/variables a recolectar 12. Calcular recursos necesarios
Ideas para investigar  conversaciones, experiencia diaria y profesional, lecturas, exposiciones o medios de
comunicación.
Se debe: seleccionar el problema, recortar, buscar información y saber si se puede resolver o no.
Disponibilidad de recursos  personas; acceso a la información; equipamiento necesario.
Tipo de publicaciones
- Artículos de revisión
- Reporte de casos
- Editorial
- Carta editorial
- Artículo científico (papers), cuyas partes son: título (autor, abstract y palabras claves), introducción, método (tipo,
método), resultados, discusión, agradecimientos y referencias.
Palabras claves: deben ser entre 3 y 5 palabras específicas.
Búsqueda bibliográfica
Para el trabajo final deberá buscar al menos 3 referencias de este tipo que cumplan los requisitos de publicación
científica. Pueden buscarse en: Scielo, Pubmed, Asociación Argentina de Pediatría, OMS-OPS.
Referencias
 Apellido, inicial del autor. Año. Título en cursiva. Lugar de edición. Editor. Páginas.
 Apellido, inicial del autor. Año. Título en cursiva. Revista. Año. Páginas.
Introducción (marco teórico, 15 renglones aprox.)
- Antecedentes, definiciones, citas
- Ponemos siglas acá
- Cierra con objetivos
Se debe exponer primero con claridad, naturaleza y alcance del problema investigado (marco teórico). Se deben
realizar las publicaciones pertinentes para orientar al lector. Se deben explicar objetivos de la investigación.
Lenguaje utilizado  3er persona de la voz pasiva.
Objetivos
Deben ocupar 2-3 renglones, escritos en pasado. Pueden ser:
 Generales: problema planteado en su totalidad. Deben ofrecer resultados amplios.
 Específicos: situaciones particulares que inciden o forman parte de los objetivos generales.
Selección del tipo de estudio
- Retrospectivo: recolecta datos de hechos ya acontecidos.
- Prospectivo: recolecta datos que acontecerán luego de iniciada la investigación.
- Observacional: investigador sólo observa los hechos.
- Experimental: investigador realiza intervenciones que pueden alterar el curso de los hechos.
- Descriptivo: sólo se describen los hechos y situaciones.
- Analítico: realiza análisis de hechos y busca relaciones entre ellos.
- Transversal: uno sola toma de datos por sujeto.
- Longitudinal: más de una toma de datos por sujeto.
- Cohorte: se estudia sólo un grupo y van registrando eventos que ocurren.
- Caso control: compara un grupo donde se presenta un evento o se realiza contra otro donde no ocurre.
- Cualitativo: descripción, porcentajes.
- Cuantitativo: número de datos.
- Epidemiológico.
Población  conjunto de individuos que comparten una misma característica. No necesariamente tienen que ser
personas.
Población objetiva  población sobre la cual se pretende generalizar los resultados, hacia la cual apuntan las
conclusiones de la investigación.
Población accesible  subconjunto de la población objetiva que se encuentra disponible para el investigador. Ésta se
define agregando a los criterios de la población objetiva, criterios geográficos y temporales.
Se define utilizando criterios que permiten seleccionar a quienes ingresan al estudio y a quienes se podrán aplicar las
conclusiones del mismo. Estos criterios pueden ser criterios de inclusión, de exclusión o de eliminación. Cuando se
vaya a llevar a cabo alguna investigación debe de tenerse en cuenta algunas características esenciales al
seleccionarse la población bajo estudio:
 Homogeneidad: todos los miembros de la población, tengan las mismas características según las variables
que se vayan a considerar en el estudio. Criterios de inclusión/exclusión.
 Tiempo: periodo de tiempo donde se ubicaría la población de interés.
 Espacio: lugar donde se ubica la población de interés.
  Cantidad: tamaño de la población (esta determina o afecta al tamaño de la muestra que se vaya a
seleccionar). Censo o muestreo.
Muestra  cualquier subconjunto de la población es una muestra pero no toda muestra es representativa de la
población y por lo tanto válida para sacar conclusiones sobre la población.
 Aleatoria: se selecciona al azar y cada miembro tiene igual oportunidad de ser incluido.
 Estratificado: se subdivide en estratos o subgrupos según las variables o características que se pretenden
investigar. Cada estrato debe corresponder proporcionalmente a la población.
 Sistemática: cuando se establece un patrón o criterio al seleccionar la muestra. Por ejemplo, se entrevistará
un estudiante por cada 10 que se detecten.
Unidad experimental  mínima unidad de la población.
Criterios
- De exclusión: características que determinan que los individuos que cumplen los criterios de exclusión no ingresen
al estudio. Se utilizan para dos tipos de controles: de variables, para evitar que ingresen individuos con ciertas
características que puedan modificar los resultados, como variables de confusión; y ético, por razones éticas en la
mayoría de los estudios se excluye a embarazadas, deficientes mentales, mayores de 80 años, y menores de edad,
cuando no son la población específica en estudio, ya que se los considera una población vulnerable.
- De inclusión: se eligen teniendo en cuenta las características específicas que mejor definen a la población objetiva y
permite determinar los individuos que ingresarán al estudio. Las características pueden ser clínicas (diagnósticos,
complicaciones) o demográficas (edad, sexo, raza, etc.).
- De eliminación: criterios de exclusión tardíos. Pueden deberse a la falta de cumplimiento del seguimiento de los
individuos. Es obligatorio informar cuantos individuos se han eliminado durante la investigación y evaluar la
representatividad de la muestra.
Error o sesgo de selección
Este error existe si alguno de los miembros de la población tiene más probabilidad que otros de ser seleccionado.
Una forma de evitar este tipo de error es tomar la muestra de manera que todos los clientes tengan la misma
probabilidad de ser seleccionados. Ejemplo: conocer grado de atención en un CAPS y sólo entrevistar personas a la
mañana.
Técnicas
 Encuestas: técnica de recolección de datos que utiliza como instrumento un listado de preguntas que están
estructuradas y que recoge información para ser tratada estadísticamente desde una perspectiva
cuantitativa. MODELOS VÁLIDOS
 Entrevista: conversaciones de carácter profesional en la que la información obtenida será tratada en forma
cualitativa, no estadísticamente. REQUIERE EXPERIENCIA EN EL TEMA
 Test: derivado de la entrevista y la encuesta. Tiene como objeto averiguar sobre rasgos definidos de la
personalidad, conducta o determinados comportamientos, individuales o colectivos, de la persona. Se da a
través de preguntas, actividades, manipulaciones, entre otros, que son observados y evaluados por el
investigador. Debe ser válido, confiable y sencillo. SCORE
 Observación: consciente, planificado, objetivo. Debe tener un documento de guía de la observación, debe ser
lo suficientemente preciso y claro para garantizar que diferentes observadores al aplicar éste, en un
momento dado, lo entiendan y apliquen de la misma manera.
 Mediciones: tener en cuenta el objetivo y propiedad que se van a medir, unidad e instrumento de medición,
el sujeto que realiza la misma y resultados que se pretenden alcanzar. PROTOCOLO ESTANDARIZADO
 Censo: evaluación de la población.
Registros: donde anotamos los datos, formularios, fichas de registros, base de datos, bitácora.
Necesidad de investigar en atención primaria
- Herramienta esencial para apoyar actividades de planificación, coordinación, capacitación y evaluación de
programas de salud.
- Es un proceso dirigido a identificar y resolver problemas de los programas.
- Es un proceso diseñado para incrementar la eficacia, efectividad y eficiencia de programas, acciones e
intervenciones.
- Contribuye a desarrollar un pensamiento de búsqueda e innovación permanente en la práctica médica habitual.

Bioestadística
Estadística  estudia características o probabilidades de los individuos, objetos o acontecimientos que integran un
conjunto determinado, al que se denomina población. Para que dichas características o propiedades puedan ser
objeto de estudio estadístico, es preciso obtener previamente una medida de las mismas.
Medida  procedimiento para asignar un número a cada uno de los miembros de una población estudiada, de
acuerdo con unas reglas determinadas.
Dato  cualquier información, no necesariamente debe ser un número. Es una información concreta sobre hechos,
elementos, etc., que permite estudiarlos, analizarlos o conocerlos. Es una representación simbólica (numérica,
alfabética, algorítmica, espacial, etc.) de un atributo o variable cuantitativa o cualitativa.
- De dónde los obtenemos
- Quiénes los generan
- Qué datos recopilaremos
- Cómo son y cómo podemos describirlos
Podemos tomarlos observando, preguntando (respuestas cualitativas), midiendo (respuestas cuantitativas); y
archivarlos en bases de datos.
Variable  serie de datos; lo que estudio por un propósito. No es estático sino dinámico. A cada caso le corresponde
un solo valor. Es una característica que puede fluctuar y cuya variación es susceptible de adoptar diferentes valores,
los cuales pueden medirse u observarse. Las variables adquieren valor cuando se relacionan con otras variables, es
decir, si forman parte de una hipótesis o de una teoría. En este caso se las denomina constructos o construcciones
hipotéticas.
Clasificación:
- CUALITATIVA: se centra en el estudio de la distribución de frecuencias relativas, es decir, de la proporción con lo que
cada uno de los atributos en cuestión está presente o ausente entre los individuos del grupo que se estudia. Se divide
en:
 Nominales: una designación o nombre (ej: M o F; SI o NO; estado civil, colores, etc.)
 Ordinales: tienen un orden (ej: nivel de escolaridad; etapa de la vida; grado de quemaduras; etc.)
Estas, a su vez, pueden ser dicotómicas, cuando pueden tomar sólo dos valores posibles (SI o NO); o politómicas,
cuando adquieren 3 o más valores posibles.
- CUANTITATIVA: variables cuyos valores están determinados por la existencia de unidad de medida definida con
independencia de los objetivos del estudio estadístico y que permite interpretar diferencias entre categorías distintas
de clasificación en términos cuantitativos. Se divide en:
 Discretas: presenta separaciones o interrupciones en la escala de valores que puede tomar. Estas
separaciones o interrupciones indican la ausencia de valores entre los distintos valores específicos que la
variable pueda asumir. Son números enteros, que no pueden fraccionarse (ej: número de personas; camas de
un hospital, etc.)
 Continuas: puede adquirir cualquier valor dentro de un intervalo especificado de valores. Pueden ser
números con coma, que pueden fraccionarse (ej: peso de una persona, altura de una persona, edad, etc.)
Pueden recopilar los datos en: tablas de distribución de frecuencias o de doble entrada o en gráfico de datos de
diferentes tipos, por ejemplo, de barras, de líneas, de torta, etc.
Histograma  representación gráfica de una
variable en forma de barras, donde la superficie de
cada barra es proporcional a la frecuencia de los
valores representados. Ofrece una visión de grupo
permitiendo observar una preferencia, o tendencia,
por parte de la muestra o población por ubicarse
hacia una determinada región de valores dentro del
espectro de valores posibles (sean infinitos o no) que
pueda adquirir la característica. Se utilizan para
relacionar variables cuantitativas continuas.
Polígono de frecuencia  es el nombre que recibe
una clase de gráfico que se crea a partir de un histograma de frecuencia. Estos histogramas emplean columnas
verticales para reflejar frecuencias): el polígono de frecuencia es realizado uniendo los puntos de mayor altura de
estas columnas. Por tanto, podríamos establecer que un polígono de frecuencia es aquel que se forma a partir de la
unión de los distintos puntos medios de las cimas de las columnas que configuran lo que es un histograma de
frecuencia. Este se caracteriza porque utiliza siempre lo que son columnas de tipo vertical y porque nunca debe
haber espacios entre lo que son unas y otras. Se suelen usar cuando se pretende retratar varias distribuciones
distintas o la clasificación cruzada de una variable cuantitativa continua con una cualitativa o cuantitativa discreta en
el mismo dibujo.
Gráfico de dispersión  tipo de diagrama matemático que utiliza
las coordenadas cartesianas para mostrar los valores de dos
variables para un conjunto de datos. Los datos se muestran como
un conjunto de puntos, cada uno con el valor de una variable que
determina la posición en el eje horizontal (x) y el valor de la otra
variable determinado por la posición en el eje vertical (y).
Gráfico de líneas  muestran una serie como un conjunto de
puntos conectados mediante una sola línea. Se usan para
representar grandes cantidades de datos que tienen
lugar durante un período continuado de tiempo.
Medidas descriptivas  información
complementaria a un gráfico.
- POSICION: dónde se sitúan los datos.
 Tendencia central: pueden ser
 Media/promedio: punto de equilibrio de un
gráfico. Los valores extremos condicionan al
mismo y no lo asemejan a la realidad.
 Mediana: se encuentra en el medio del
gráfico. Es igual al cuartil 2 o percentil 50, ya
que deja la misma cantidad de datos a
ambos lados de ella. Se representa:
n +1
2
 Modo: variable que se repite más veces.
 Otras: pueden ser cuartiles (25% de la población) o percentiles (divido en 100 partes la información).
- DISPERSION: cómo se distribuyen los datos.
 Rango: representa una amplitud de datos. Es el intervalo entre el valor máximo y el valor mínimo; por ello,
comparte unidades con los datos. Permite obtener una idea de la dispersión de los datos, cuanto mayor es el
rango, más dispersos están los datos de un conjunto.
 Rango intercuartílico: representa una diferencia entre el valor del 3er cuartil y el del 1er cuartil.
 Variancia: es una medida de dispersión definida como la esperanza del cuadrado de la desviación de dicha
variable respecto a su media. O en pocas palabras, la media de los residuos al cuadrado. Está medida en la
unidad de medida de la variable al cuadrado.
 Desviación estándar: medida de dispersión para variables de razón (variables cuantitativas o cantidades
racionales) y de intervalo. Se define como la raíz cuadrada de la varianza de la variable.
Box plot o gráfico de caja y bigote  es un gráfico que está
basado en cuartiles y mediante el cual se visualiza la distribución
de un conjunto de datos. Está compuesto por un rectángulo (la
«caja») y dos brazos (los «bigotes»). Suministra información sobre
los valores mínimo (bigote inferior) y máximo (bigote superior), los
cuartiles Q1, Q2 o mediana y Q3, y sobre la existencia de valores
atípicos y la simetría de la distribución. Primero es necesario
encontrar la mediana para luego encontrar los 2 cuartiles
restantes. Es muy utilizado en ciencias de la salud.
Podemos encontrar valores atípicos, denominados fuera de línea,
periféricos o outliers.
Cuanto más compacta la caja, menor variabilidad de distribución
de datos.
Borde interno: medida que se obtiene por convención.
Probabilidad  es una medida de la certidumbre asociada a un suceso o evento futuro y suele expresarse como un
número entre 0 y 1 (o entre 0 % y 100 %). Se relacionan los casos favorables sobre el total de los casos.
P (F n E) = 5/60 = 0,083
F: femenino
n: Y
E: estado exceso
P (M o D) = P (M) + P (D) – P (M n D)  P (M o D) = 24/60 + 14/60 – 5/60
M: mujer
o: unión
D: déficit
P ( N n Mujer )
P (N/Mujer) =  Probabilidad condicional: es la probabilidad de que ocurra un evento A,
P ( Mujer )
sabiendo que también sucede otro evento B. La probabilidad condicional se escribe P(A|B), y se lee «la probabilidad
de A dado B». Ejemplo clásico: ¿Cuál es la probabilidad que en el dado salga un 6 dado que ya haya salido una cara
en la moneda? Esta probabilidad se denota de esta manera: P(6|C).
Sensibilidad  probabilidad de que la prueba identifique como enfermo a aquel que realmente lo está.
S = P (+ / E) = 27/33
Para obtener los datos se realizan: pruebas de screening, con resultados rápidos, bajos costos y baja complejidad; y
pruebas confirmatorias, que necesitan más tiempo, son de mayor complejidad y mayores costos.
Especificidad  probabilidad de que un individuo sano tenga un resultado negativo.
E = P (- / S)
Si se obtiene una distribución normal de datos, se genera una curva normal, la curva de Gauss. Esta curva posee
ciertas propiedades importantes que conviene destacar:
 Tiene una única moda, que coincide con su media y su mediana.
 Es asintótica al eje de las abscisas. Por ello, cualquier valor entre - ∞ y + ∞ es teóricamente posible. El área
total bajo la curva es, por tanto, igual a 1.
 Es simétrica con respecto a su media. Según esto, para este tipo de variables existe una probabilidad de un
50% de observar un dato mayor que la media, y un 50% de observar un dato menor.
 La distancia entre la línea trazada en la media y el punto de inflexión de la curva es igual a una desviación
típica (). Cuanto mayor sea, más aplanada será la curva de la densidad.
 El área bajo la curva comprendida entre los valores situados aprox. a 2 desviaciones estándar de la media es
igual a 0,95. En concreto, existe un 95% de posibilidades de observar un valor comprendido en un intervalo.
 La forma de la campana de Gauss depende de los parámetros. Por ejemplo, la media y la desviación estándar.
Distribución normal estándar  existe un caso especial, que se denomina distribución normal estándar, y es cuando
la curva se encuentra centrada en 0 y tiene una desviación estándar de una unidad, o sea:
µ=0
2=1
A la variable que distribuye como una distribución normal estándar se la conoce como Z.
Desviación relativa o parámetro Z  da idea de la distancia que existe entre un dato individual de la muestra
considerada y la media de dicha muestra. Se mide en unidades de desvío estándar.
Se calcula como la diferencia entre el valor dado (Xi) y el valor medio (X) dividido por la desviación estándar  Z = (Xi
– X/DE)
Para el valor Xi = X  Z = 0:
- Si Z da negativo se encuentra a la izquierda respecto a la media. Xi ˂ X
- Si Z da positivo se encuentra a la derecha respecto a la media. Xi ˃ X
A través del parámetro Z podemos conocer cómo se distribuyen los valores individuales en la muestra estudiada.
Etapas de un estudio estadístico
El proceso de analizar estadísticamente un fenómeno consta de tres etapas, que se pueden describir brevemente de
la siguiente manera:
1) Recolección de datos: los datos que serán la base del estudio estadístico deben ser recolectados adecuadamente,
pues de ello depende la validez y el alcance de los resultados y conclusiones.
2) La estadística descriptiva, se ocupa de resumir los datos para ser presentados en forma óptima mediante:
 Tablas de frecuencias.
 Cálculo de medidas de posición y de dispersión.
 Realización de gráficos y diagramas.
3) La inferencia estadística, se ocupa de la interpretación y generalización de la información obtenida a partir de los
datos:
- Permite realizar estimaciones y predicciones.
- Sirve para tomar decisiones con un cierto nivel de riesgo.
Estadística inferencial  pretende deducir (inferir) propiedades o características de una población a partir de una
muestra representativa. Otro de los aspectos que permite hacer la inferencia es determinar si existe o no asociación
entre diferentes variables. Para realizar este proceso se suele partir de hipótesis, es decir, de unas suposiciones cuya
validez cabe confirmar o rechazar. Y para llevar a cabo esta comprobación aplicamos unas pruebas estadísticas o test,
que permiten contrastar la veracidad o falsedad de las hipótesis enunciadas desde el punto de vista estadístico.
Decisión estadística  las pruebas de significación estadística cuantifican hasta qué punto la variabilidad de la
muestra puede ser responsable de los resultados de un estudio en particular.
Test de Hipótesis
En la investigación biomédica nos encontramos con frecuencia con datos o variables de tipo cualitativo, mediante las
cuales un grupo de individuos se clasifican en 2 o más categorías mutuamente excluyentes.
Las proporciones son una forma habitual de expresar frecuencias cuando la variable objeto de estudio tiene 2
posibilidades, como presentar o no un evento de interés.
Los resultados se suelen comparar a modo de tablas de doble entrada que reciben el nombre de tablas de
contingencia. Se pueden graficar en gráficos de barra, tortas, etc.
Para poder aplicar el test, antes de realizar la prueba debo tener en cuenta: número de variables a comparar, tienen
que ser nominales; cantidad de grupos independientes de sujetos que estoy considerando (por ejemplo: madres que
fuman/madres que no fuman); tipo de preguntas que voy a hacer para obtener la respuesta que quiero.
Las diferentes pruebas que puedo utilizar son:
 TEST DE X2 (CHI CUADRADO)
Permite determinar si 2 variables cualitativas están o no asociadas. Si no existe asociación entre ellas son variables
independientes.
Primero debo formular hipótesis: la Ho (hipótesis nula) representa la afirmación de que no existe asociación entre las
dos variables estudiadas, y la H1 (hipótesis alternativa) afirma que hay algún grado de relación o asociación entre las
dos variables. Dicha decisión puede ser afirmada con una seguridad que se decide previamente a través del nivel de
significación. El mecanismo de los diferentes tests empieza cuando se mira la magnitud de la diferencia de medias
que hay entre los grupos que tienen que compararse.
- Hipótesis Nula: usualmente una hipótesis nula especifica una determinada situación etiquetable de “típica” o
“esperable”. Por ejemplo la hipótesis nula equivale a especificar el valor de un parámetro. Ho: μ = 10
- Hipótesis Alternativa: una hipótesis alternativa es aquella que especifica que la situación no se cumple, lo cual no
satisface la hipótesis nula anteriormente postulada. H1: μ ≠ 10
Luego debo determinar las frecuencias esperadas: son las que obtendríamos en cada una de las celdas si Ho fuese
cierta (verdadera)  TOTAL COLUMNA x TOTAL FILA / TOTAL
Además, debo realizar el cálculo estadístico X2 (sumatoria). Esto mide la diferencia entre el valor que debería resultar
si las 2 variables fuesen independientes y el que se ha observado en la realidad. Cuando mayor sea esa diferencia,
mayor será la relación entre ambas variables.
Por último, para concluir se debe recurrir al programa R Commander. Bajo la hipótesis nula de independencia se sabe
que los valores del estadístico se distribuyen según una distribución conocida denominada ji-2. El valor p que
usualmente informan la mayoría de paquetes estadísticos es: “la probabilidad de obtener los datos observados si
fuese cierta la hipótesis de independencia”. Si el valor p es muy pequeño (<0,05) es poco probable que se cumpla la
hipótesis nula y se debería rechazar.
Tener en cuenta:
- Cuando el tamaño muestral es reducido la utilización de la distribución ji- 2 puede introducir algún sesgo en los
cálculos, de modo que el valor del estadístico tiende a ser mayor.
- Como norma general, se exigirá que el 80% de las celdas de una tabla de contingencia deban tener valores
esperados mayores a 5.
- En aquellos casos en los que no se verifique este requisito existe un test alternativo:
 TEST EXACTO DE FISHER
En este podemos tener frecuencias observadas menores a 5 pero ninguna de las celdas puede ser nula.
 TEST DE MCNEMAR
Es una prueba estadística utilizada en datos nominales emparejados. Se aplica a tablas de contingencia 2 x 2 con un
rasgo dicotómico, con pares de sujetos emparejados, para determinar si las frecuencias marginales de fila y columna
son iguales (es decir, si hay “homogeneidad marginal”).
 PRUEBA Q DE COCHRAN
En el análisis de dos vías de diseños de bloques aleatorios cuando la variable de respuesta puede tomar sólo dos
resultados posibles (codificado como 0 y 1), la prueba Q de Cochran es una prueba estadística no paramétrica para
verificar si k tratamientos tienen efectos idénticos.
Error Tipo I y Error Tipo II
El error de tipo I también mal llamado error de tipo alfa (α) (α es la probabilidad de que ocurra este error), es el error
que se comete cuando el investigador rechaza la hipótesis nula (Ho) siendo ésta verdadera en la población. Es
equivalente a encontrar un resultado falso positivo, porque el investigador llega a la conclusión de que existe una
diferencia entre las hipótesis cuando en realidad no existe.
El error de tipo II, también llamado error de tipo beta (β) (β es la probabilidad de que exista éste error), se comete
cuando el investigador acepta la hipótesis nula (Ho) siendo ésta falsa en la población. Es equivalente a la probabilidad
de un resultado falso negativo, ya que el investigador llega a la conclusión de que ha sido incapaz de encontrar una
diferencia que existe en la realidad.
Relación entre alfa y P
El valor P está íntimamente relacionado con el α, cuando se expresa que se consideraran como resultados
significativos a los que posean un P < 0.05, simplemente se está diciendo que para que me sirva un resultado por lo
menos debo estar un 95% (α=0.05) seguro de que ese resultado es correcto.
P < 0,05 Significativo
P > 0,05 No Significativo
Intervalo de confianza
Un intervalo de confianza es un rango de valores (calculado en una muestra) en el cual se encuentra el verdadero
valor del parámetro, con una confianza determinada. Generalmente se construyen intervalos con confianza 1-α =
95% (o significancia α =5%), la notación utilizada para este caso es: IC 95%. Menos frecuentes son los intervalos con α
=10% (0.1) o α =1% (0.01), que se utilizan en el caso que se quiera ser menos o más exigente, respectivamente, con
los resultados que queremos obtener.
La probabilidad de que el verdadero valor del parámetro se encuentre en el intervalo construido se denomina nivel
de confianza, y se denota 1- α. Un intervalo de confianza aporta más información que un estimador puntual cuando
se quiere hacer inferencias sobre parámetros poblacionales.
La amplitud de un intervalo de confianza está determinado por:
 El nivel de confianza establecido
 La variabilidad de los datos
 El tamaño de la muestra