Calculadora de intervalo de confianza para la diferencia de proporciones
Calcula el IC para la diferencia entre dos proporciones.
Grupo 1
Grupo 2
Grupo 1: Los éxitos deben ser 0 ≤ x ≤ n
Ingrese los números de éxitos y los tamaños de muestra para ambos grupos
¿Qué es un intervalo de confianza para la diferencia en proporciones?
Cuando se comparan tasas de éxito entre dos grupos—respuesta a medicamento vs. placebo, conversión del sitio web A vs. B, tasa de curación de tratamiento vs. control—quieres saber: ¿cuán diferentes son las proporciones?
Un intervalo de confianza para (p₁ - p₂) proporciona un rango:
"El nuevo tratamiento tuvo una tasa de éxito 12% más alta (IC 95%: 7% a 17%)"
Esto captura tanto la diferencia estimada como su precisión.
La fórmula
Intervalo estándar (Wald):
IC = (p̂₁ - p̂₂) ± z* × √[p̂₁(1-p̂₁)/n₁ + p̂₂(1-p̂₂)/n₂]
Donde:
- p̂₁, p̂₂ = proporciones muestrales
- n₁, n₂ = tamaños de muestra
- z* = valor z crítico (1,96 para 95%)
Métodos mejorados:
El intervalo de Agresti-Caffo añade 1 éxito y 1 fracaso a cada grupo antes de calcular:
p̃₁ = (x₁ + 1) / (n₁ + 2) p̃₂ = (x₂ + 1) / (n₂ + 2)
Esto proporciona mejor cobertura, especialmente para muestras pequeñas o proporciones extremas.
Interpretación
Cero en el intervalo
IC: (-3% a +5%)
- Cero está incluido
- No se puede concluir que las proporciones difieran
- La diferencia no es estadísticamente significativa
Cero no en el intervalo
IC: (3% a 9%)
- Cero está excluido
- Las proporciones genuinamente difieren
- La diferencia es estadísticamente significativa
Aplicaciones
Ensayos clínicos
"Grupo de tratamiento: 78% mejoró vs. Control: 62% mejoró" "Diferencia: 16 puntos porcentuales (IC 95%: 10% a 22%)"
Los clínicos pueden ver tanto la magnitud como la precisión del efecto del tratamiento.
Pruebas A/B
"Versión A: 4,2% de conversión vs. Versión B: 5,1% de conversión" "Diferencia: 0,9 puntos porcentuales (IC 95%: 0,2% a 1,6%)"
El intervalo excluye cero, sugiriendo que la Versión B genuinamente funciona mejor.
Salud pública
"Tasa de vacunación en Región A: 72% vs. Región B: 65%" "Diferencia: 7 puntos porcentuales (IC 95%: 3% a 11%)"
Los responsables de políticas pueden evaluar si las diferencias regionales son reales.
Comparaciones de encuestas
"Apoyo en 2023: 54% vs. 2024: 48%" "Diferencia: 6 puntos porcentuales (IC 95%: 2% a 10%)"
Los encuestadores pueden afirmar que ocurrió un cambio genuino si cero está fuera del intervalo.
¿Por qué no solo restar?
Simplemente reportar 78% - 62% = 16% pierde la incertidumbre. Con muestras pequeñas, esa diferencia del 16% podría ser consistente con diferencias verdaderas que van del 5% al 27%—o incluso incluyendo cero.
El intervalo de confianza revela si la diferencia observada es probablemente real o solo ruido de muestreo.
Contexto histórico
Comparar proporciones tiene raíces en la teoría temprana de la probabilidad. Abraham de Moivre y Pierre-Simon Laplace desarrollaron los fundamentos en el siglo XVIII.
El marco moderno emergió con la prueba chi-cuadrado de Karl Pearson (1900) y fue refinado a lo largo del siglo XX.
Agresti y Caffo (2000) mostraron que ajustes simples—añadir pseudo-observaciones—mejoran dramáticamente la cobertura del intervalo. Su trabajo demostró que el intervalo de Wald estándar a menudo tiene cobertura real muy por debajo de la nominal, especialmente para muestras pequeñas.
El problema de cobertura
Como el IC para una sola proporción, el intervalo estándar para diferencias tiene problemas de cobertura:
- Cerca de proporciones extremas (cercanas a 0% o 100%)
- Con tamaños de muestra pequeños
- Cuando las proporciones son muy diferentes
El ajuste de Agresti-Caffo—añadir 1 éxito y 1 fracaso a cada grupo—proporciona cobertura cercana a la nominal en todos los escenarios.
Diferencia absoluta vs. relativa
Diferencia absoluta (lo que da esta calculadora): "El tratamiento mejoró los resultados en 16 puntos porcentuales"
Diferencia relativa: Riesgo relativo: 78%/62% = 1,26 (26% de mejora relativa) Razón de odds: Cálculo diferente aún
Ambos son válidos; responden diferentes preguntas:
- Absoluta: ¿Cuántos más de cada 100?
- Relativa: ¿Cuántas veces más alta es la tasa?
Consideraciones de tamaño de muestra
El margen de error depende de:
- Ambos tamaños de muestra (mayor = IC más estrecho)
- Ambas proporciones (más cerca de 50% = IC más ancho)
- Nivel de confianza
Para proporciones iguales (p₁ ≈ p₂ ≈ p):
ME ≈ z* × √[2p(1-p)/n] cuando n₁ = n₂ = n
La planificación requiere especificar proporciones esperadas y precisión deseada.
Superposición de ICs individuales
Un error común: concluir que las proporciones son significativamente diferentes si sus ICs individuales no se superponen, o no diferentes si se superponen.
Esto es incorrecto porque:
- ICs que no se superponen casi siempre significan significancia
- PERO ICs que se superponen no siempre significan no significancia
Siempre usa el IC para la diferencia, no la inspección visual de ICs individuales.
Intervalos de una cola
A veces solo te importa una dirección:
- "¿El nuevo tratamiento es al menos tan bueno?"
- "¿La tasa de defectos es menor?"
El IC de una cola al 95% usa z* = 1,645 en lugar de 1,96, dando un límite en una sola dirección.
Análisis de no inferioridad
En ensayos clínicos, podrías probar si un nuevo tratamiento "no es peor por más de Δ":
Si el límite inferior del IC > -Δ (el margen de no inferioridad), el nuevo tratamiento es no inferior.
Ejemplo: IC = (-2% a 8%), margen de no inferioridad = -5% Como -2% > -5%, se establece la no inferioridad.
Cálculos relacionados
- Intervalo de confianza para proporción — Una sola proporción
- Error estándar de proporción — Componente del IC
- Calculadora de riesgo relativo — Razón de proporciones
- Calculadora de razón de odds — Medida de comparación alternativa
- Calculadora de valor crítico (z*) — Valores z*
Resumen
Los intervalos de confianza para la diferencia en proporciones cuantifican cuánto difieren las tasas de éxito entre grupos y la precisión de esa estimación. Ya sea comparando tratamientos, probando versiones de sitios web o rastreando cambios de encuestas a lo largo del tiempo, el intervalo revela tanto la magnitud de la diferencia como si es estadísticamente significativa. El ajuste de Agresti-Caffo mejora la cobertura para muestras pequeñas. Recuerda: lo que importa es si cero cae dentro del intervalo—si no lo hace, la diferencia es estadísticamente significativa al nivel de confianza correspondiente.