Tu cerebro se equivoca con los datos: una lección de los intervalos de confianza
Introducción: Más allá de la media
Una encuesta aparece fugazmente en la pantalla: un candidato tiene el 33% de los votos. Un comentarista deportivo declara que un jugador de baloncesto tiene un 85% de efectividad en tiros libres. Vemos estas estimaciones puntuales por todas partes, pero ¿hasta qué punto podemos estar seguros de ellas? ¿El valor real es exactamente el 33% o el 85%? ¿O podría ser mayor? ¿O menor?
El intervalo de confianza (IC) es la herramienta estadística diseñada para responder a esta pregunta. Proporciona un rango de valores plausibles para el número real, no solo una suposición. Pero, como veremos, la comprensión común de lo que representa un intervalo de confianza a menudo pasa por alto algunas verdades sorprendentemente profundas y contraintuitivas sobre los datos y incertidumbre.
El primer principio es que no debes engañarte a ti mismo, y tú eres la persona más fácil de engañar.
1. Tu intuición sobre la incertidumbre probablemente esté equivocada
Nuestros cerebros no están naturalmente capacitados para estimar el verdadero rango de incertidumbre a partir de una pequeña cantidad de datos. Tendemos a confiar demasiado en las cifras que vemos.
Consideremos este ejemplo: un jugador de baloncesto profesional encesta 17 de 20 tiros libres, lo que le da una tasa de éxito del 85% en esa muestra. Antes de continuar, detente y haz una suposición. ¿Cuál crees que es el rango plausible para la verdadera habilidad a largo plazo de este jugador? Anótalo. Te esperamos.
La mayoría de la gente estima un rango bastante estrecho. Sin embargo, el intervalo de confianza real del 95% es del 63.1% al 95.6%.
Este rango es mucho más amplio de lo que la mayoría de la gente intuitivamente espera. Revela una lección crucial: los tamaños de muestra pequeños conllevan una gran incertidumbre. Confiar en la estimación puntual única del 85% es peligrosamente engañoso sin el contexto de su intervalo de confianza. Este indica lo que sucedió, pero el IC indica cuánto (o qué tan poco) se puede generalizar a partir de él.
2. “95% seguro” no significa lo que crees que significa
Este es el error más común y crítico sobre los intervalos de confianza. La frase "95% de confianza" no no que haya una probabilidad del 95% de que el valor real de la población se encuentre dentro del intervalo específico que acaba de calcular (por ejemplo, del 63.1% al 95.6%).
La interpretación correcta es más sutil. Se trata del proceso, no del resultado. Si repitieras el experimento muchas veces y calcularas un intervalo de confianza del 95 % en cada ocasión, esperarías que el 95 % de esos intervalos calculados contuvieran el verdadero valor poblacional. En otras palabras, tu «confianza» reside en la fiabilidad del método a largo plazo, no en la certeza de ningún intervalo individual que produzca.
Imagina un gran recipiente con 100 bolas, 25 rojas y 75 negras. El porcentaje real de bolas rojas es del 25%. Ahora, imagina extraer repetidamente una muestra aleatoria de 15 bolas, calcular la proporción de bolas rojas en la muestra y, a partir de ella, calcular un intervalo de confianza del 95%. A largo plazo, el 5% de estos intervalos, por pura casualidad, no incluirán el valor real del 25%. Nunca sabrás si el intervalo que calculaste pertenece al 95% que acertó o al 5% que falló.
Esta distinción es crucial para la honestidad intelectual en las estadísticas.
El intervalo está sujeto a variación aleatoria, por lo que es correcto preguntar sobre la probabilidad de que el intervalo incluya el valor de la población. El valor de la población no está sujeto a variación aleatoria, por lo que no es correcto preguntar sobre la probabilidad de que el valor de la población esté dentro del intervalo.
3. Tus suposiciones son más importantes que tus cálculos
Un intervalo de confianza es el resultado de una fórmula matemática. Sin embargo, dicha fórmula solo es válida si las suposiciones subyacentes sobre los datos son verdaderas. Si el proceso de recopilación de datos es defectuoso, los cálculos carecen de sentido.
Estos son los supuestos clave:
- Muestra aleatoria (o representativa): Los datos deben ser una representación justa e imparcial de la población más amplia sobre la que desea sacar conclusiones.
- Observaciones independientes: Cada punto de datos debe seleccionarse independientemente de los demás. Por ejemplo, encuestar a un matrimonio violaría esta norma.
- Datos precisos: Los datos deben contarse, registrarse y tabularse correctamente, libres de errores o manipulación deliberada.
La historia proporciona ejemplos poderosos de lo que sucede cuando estas suposiciones fallan.
- In the Elecciones Roosevelt-Landon de 1936Los encuestadores predijeron, como es bien sabido, una victoria aplastante para Landon. Sin embargo, la muestra de su encuesta se extrajo de guías telefónicas y listas de matriculación de automóviles. En 1936, las personas más adineradas tenían una probabilidad mucho mayor de poseer teléfonos y coches, y además favorecían a Landon, lo que creó una muestra sesgada. Pero había un segundo problema: los partidarios de Landon eran mucho más propensos a responder a la encuesta que los partidarios de Roosevelt. La encuesta adolecía de sesgo de muestreo y de falta de respuesta, lo que la hacía catastróficamente errónea.
- In the Elecciones Dewey-Truman de 1948Las encuestas predijeron con seguridad una victoria de Dewey. Los periódicos incluso publicaron el titular «Dewey vence a Truman». Las encuestas probablemente eran precisas para su época, pero se realizaron semanas antes de las elecciones. La suposición de que la opinión de los votantes se mantendría estable era falsa; muchos cambiaron de opinión en las últimas semanas.
La lección es clara: un intervalo de confianza solo puede cuantificar la incertidumbre derivada del error de muestreo aleatorio. No puede detectar ni corregir el sesgo sistémico en la recopilación de datos. Basura entra, basura sale, sin importar lo sofisticada que sea la fórmula.
4. La “Regla de Tres”: Un truco sencillo para cuando no ves nada
¿Cómo se calcula un intervalo de confianza cuando se observa cero ocurrencias de un evento en una muestra? Por ejemplo, si un nuevo tratamiento médico no muestra efectos secundarios en su primer ensayo, ¿podemos concluir que es completamente seguro? Claro que no.
La “regla de tres” es un atajo simple y útil para esta situación exacta.
La regla establece: Si observa cero eventos en 'n' ensayos, el intervalo de confianza aproximado del 95% para la tasa de ese evento se extiende de 0 a 3/n.
Esto es increíblemente práctico. Si un nuevo medicamento no presenta ninguna reacción adversa en los primeros 250 pacientes, la regla de tres nos permite tener un 95 % de confianza en que la tasa real de reacciones adversas se sitúa entre el 0 % y el 1.2 % (ya que 3/250 = 0.012). Esto proporciona un límite superior razonable para el riesgo, incluso cuando aún no se ha detectado ningún problema.
Conclusión: Acepta el intervalo
Una sola cifra —un promedio, un porcentaje, una tasa— nunca lo es todo. Es una estimación puntual, una simple suposición en un mar de incertidumbre.
Los intervalos de confianza nos obligan a afrontar esta incertidumbre. Nos ofrecen una visión crucial, humilde y más honesta de lo que nuestros datos realmente pueden decirnos sobre el mundo. Al mostrarnos la gama de verdades plausibles, nos impiden dejarnos engañar por la ilusión de la certeza.
La próxima vez que vea una estadística, ¿preguntará por el número o por la incertidumbre que lo rodea?
