NOTAS DE METODOLOGÍA Y BIOESTADÍSTICA REVISTA ARGENTINA DE TERAPIA INTENSIVA 2019 - 36 Nº 11-12 ¿Qué es y para qué sirve el Intervalo de Confianza? LADISLAO P. DÍAZ BALLVE, FERNANDO G. RÍOS, MARCELA MARIANO Gabinete de Apoyo para la Producción de Información Hospitalaria (GAPIH), Hospital Nacional “Prof. Alejandro Posadas”, El Palomar, Buenos Aires Cátedra de Metodología de la Investigación Científica, Universidad Nacional de la Matanza, San Justo, Buenos Aires Correspondencia: Lic. Ladislao Díaz Ballve ladislaodiaz@gmail.com Los autores no declaran conflictos de intereses. Para introducirnos en el concepto de intervalo de confianza, se debe saber que la pregunta de inves- tigación implica, de manera implícita o explícita, a la población de estudio o población diana. Cuando se formula una pregunta de investigación, se debe iden- tificar a quiénes o qué conjunto de individuos u objetos cumplen el(los) criterio(s) para responder la pregunta de investigación. Para ilustrar la utilidad de la estimación por in- tervalos, supongamos que, ya cansado de especular acerca del peso de los pacientes que ingresan en la Terapia Intensiva, usted quiere conocer cuál es el peso promedio de los habitantes del área metropolitana de Buenos Aires. Entonces, no tiene más que salir a la ca- lle con su balanza y pesar a toda la población, es decir, a varios millones de personas. Esta tarea es difícil de llevar a cabo o directamente imposible; sin embargo, respuestas a preguntas como esta se encuentran en una sencilla búsqueda bibliográfica en una base de datos de revistas de salud. Entonces, medir a toda una población no es senci- llo y digamos que, en realidad, es imposible, pero de todas maneras, se realizan investigaciones que infor- man los valores normales de diferentes poblaciones. ¿Cómo puede ser posible? La respuesta usted ya la conoce, las investigaciones generalmente se llevan a cabo con muestras y, a partir de dichas muestras, se realizan inferencias de la población de la cual provie- ne la muestra, y se señala la variabilidad que podría encontrarse en otras muestras (obtenidas de la misma población). Continuando con nuestro ejemplo y conociendo que es posible utilizar una muestra, procedemos a seleccionar 200 habitantes, los pesamos, obtenemos un peso promedio de 72 kg (x - ) con ± 5,6 kg de desvia- ción estándar (DE). Sabemos ahora el valor prome- dio de nuestra pequeña muestra de 200 habitantes, pero nuestro objetivo, en realidad, es conocer el pe- so promedio de la población. ¿Existe solución a este problema? Una forma es pesando a los millones de habitantes que conforman la población, una vía poco viable. Habría otra manera de conocer el dato pobla- cional, a través de determinar el grado de incertidum- bre, calculando un rango de valores entre los que se encuentra el verdadero valor poblacional. Este rango de valores se conoce como intervalo de confianza (IC). 1 Podemos definir a los IC como los rangos de valores entre los que se encuentra el verdadero promedio de población. La construcción de estos IC se fundamenta en dis- tintas teorías, una de ellas y en la que nos basaremos es la distribución de muestreo que es la distribución de probabilidad de una muestra de una población. 2 Imaginemos que, de una determinada población, tomamos todas las muestras posibles de tamaño n y calculamos una estadística (por ejemplo, media) de todas las muestras. Si realizo una distribución de probabilidad de este estadístico (la media), obtendré una distribución de muestreo (no es lo mismo que la distribución poblacional), este tipo de distribución tie- ne ciertas características entre ellas la aleatorización, el tamaño, el conocimiento de la población. Al tomar muestras aleatorias y repetidas de tamaño n de una población y calculamos el promedio de cada una de estas muestras, no importa la forma de la distribución original de la población, la distribución de promedios seguirá una distribución normal. En la Figura 1, se presenta una muestra de distribución Uniforme (No normal) donde al aumentar el número de muestras adquiere una distribución normal o Gaussiana (Fi- gura 2).