Ir al contenido
Inicio de Theoria
Iniciar sesión

Para bachillerato, la universidad y cualquier persona que quiera entender los números de los estudios

Entender la estadística de los estudios: valor p, tamaño del efecto e intervalo de confianza

En casi todos los estudios aparecen datos como «significativo (p < 0,05)» o «intervalo de confianza del 95 %». Ayudan a decidir qué significa un resultado y a menudo se malinterpretan. Esta guía explica sin fórmulas los tres datos más importantes y muestra en qué debes fijarte al leer.

Actualizado el 28 de octubre de 2026

La pregunta

¿Qué significan el valor p, el tamaño del efecto y el intervalo de confianza en un estudio, y cómo los leo correctamente?

En resumen

El valor p indica lo bien que encajan los datos con la suposición de que no hay ningún efecto: cuanto más pequeño es, peor encajan. Solo el tamaño del efecto muestra lo grande que es un efecto, y si es importante lo valoras tú según el contexto. El intervalo de confianza señala qué valores son compatibles con los datos; cuanto más amplio es, más incierto es el resultado.

Paso a paso

  1. Paso 1

    Entiende primero qué se midió

    Antes de leer números: ¿qué se comparó y cómo se midió? Un número solo tiene sentido si sabes a qué se refiere, por ejemplo, a horas al día, a puntos en una prueba o a porcentajes.

    En Theoria: Deep Insights explica un artículo con la profundidad que elijas del 1 al 10: una profundidad baja da una visión general y una más alta explica métodos y contexto.

  2. Paso 2

    Lee bien el valor p

    El valor p indica lo bien que encajan los datos con la suposición de que no hay ningún efecto: cuanto más pequeño es, peor encajan. Un valor p pequeño, a menudo por debajo de 0,05, se considera «estadísticamente significativo»: si no hubiera ningún efecto, unos datos así serían más bien sorprendentes. Pero no dice con qué probabilidad es cierta una hipótesis, ni lo grande que es el efecto.

  3. Paso 3

    Fíjate en el tamaño del efecto

    El tamaño del efecto describe lo fuerte que es una diferencia o una asociación, por ejemplo como diferencia en horas o como correlación. Con muestras muy grandes, incluso un efecto diminuto puede ser significativo. Por eso, pregúntate siempre si el efecto es lo bastante grande como para importar en la vida cotidiana.

  4. Paso 4

    Lee el intervalo de confianza

    Un intervalo de confianza del 95 % indica el rango de valores que encajan bien con los datos. Un intervalo estrecho apunta a un resultado preciso; uno amplio, a mucha incertidumbre. Si el intervalo de una diferencia incluye el cero, también «ninguna diferencia» es compatible con los datos. Un ejemplo tomado de un estudio sobre normas del móvil en las escuelas: en el bienestar, la diferencia ajustada entre los centros con y sin prohibición fue de -0,48 puntos, intervalo de confianza del 95 % de -2,05 a 1,06 (p = 0,62). En el tiempo con el móvil durante la jornada escolar, fue de -0,67 horas, intervalo de -0,92 a -0,43. Solo el segundo intervalo excluye el cero.

  5. Paso 5

    No sobrevalores un resultado aislado

    Un resultado significativo puede deberse al azar, y uno no significativo no demuestra que no haya ningún efecto. Fíjate en si otros estudios llegan al mismo resultado.

    En Theoria: AI Peer Review reúne los puntos fuertes y las limitaciones de un artículo como punto de partida para tu propia revisión.

Ejemplo comentado

100 estudios, realizados de nuevo

En 2015, la Open Science Collaboration publicó en Science un gran proyecto: equipos de investigación repitieron 100 experimentos y estudios correlacionales de tres revistas de psicología, con diseños de alta potencia estadística y, cuando fue posible, con los materiales originales. Los resultados muestran por qué un valor p por sí solo dice poco:

Valores p
El 97 % de los estudios originales tuvieron un resultado estadísticamente significativo; en las repeticiones, el 36 %.
Tamaños del efecto
De media, los efectos en las repeticiones fueron solo la mitad de grandes que en los estudios originales.
Intervalos de confianza
El 47 % de los tamaños del efecto originales quedaron dentro del intervalo de confianza del 95 % de la repetición.
Qué predijo el éxito
Que una repetición tuviera éxito estaba más relacionado con la solidez de las pruebas originales que con las características de los equipos de investigación.
Qué no muestra el proyecto
Que los estudios originales fueran erróneos. Una repetición también puede fracasar por diferencias en la muestra o en el procedimiento. Pero sí muestra que un único resultado significativo no es garantía de que pueda repetirse.

Un resultado significativo es un comienzo, no una demostración. Fíjate en el tamaño del efecto, en la incertidumbre y en si otros han podido repetir el resultado.

Dónde llega la IA a sus límites

  • La IA puede explicar mal la estadística o confundir números. Comprueba cada número que uses en la sección de resultados del original.
  • Los resúmenes de IA a menudo solo dicen si un resultado es significativo. El tamaño del efecto y el intervalo de confianza suelen aparecer solo en el propio artículo.
  • La estadística no dice si un estudio estaba bien planificado. El diseño, la muestra y la medición tienes que comprobarlos aparte.
  • Las explicaciones de Theoria las genera una IA y pueden contener errores. Comprueba las afirmaciones importantes en la fuente enlazada.

Lee los números de un artículo real

Abre en Theoria un artículo sobre un tema que te interese y busca en la sección de resultados el valor p, el tamaño del efecto y el intervalo de confianza. Para «Pregunta a Theoria», Deep Insights y AI Peer Review necesitas una cuenta gratuita; algunas herramientas tienen límites mensuales en el plan gratuito.

Empezar gratis¿Hasta qué punto es fiable un estudio?

Fuentes

  1. Open Science Collaboration (2015). Estimating the reproducibility of psychological science. Science, 349(6251), aac4716. https://doi.org/10.1126/science.aac4716Base del ejemplo.
  2. Wasserstein, R. L., & Lazar, N. A. (2016). The ASA Statement on p-Values: Context, Process, and Purpose. The American Statistician, 70(2), 129-133. https://doi.org/10.1080/00031305.2016.1154108Declaración de la American Statistical Association sobre el significado y los límites del valor p.
  3. Goodyear, V. A., et al. (2025). School phone policies and their association with mental wellbeing, phone use, and social media use (SMART Schools): a cross-sectional observational study. The Lancet Regional Health - Europe, 51, 101211. https://doi.org/10.1016/j.lanepe.2025.101211Fuente de las cifras sobre el intervalo de confianza del paso 4. De acceso abierto.

Datos de publicación comprobados el 27 de octubre de 2026 en Crossref y arXiv.

Otras guías

Todas las guías