El filtrado colaborativo es un método popular de sistema de recomendación (RecSys) que produce valores de predicción de calificaciones para productos al combinar las calificaciones que usuarios cercanos ya han dado a los mismos productos. Posteriormente, se recomiendan al usuario los productos que logran los valores de predicción más altos. Sin embargo, como era de esperar, la estimación de predicciones puede contener errores, lo que, en el caso de RecSys, llevará a no recomendar un producto que al usuario realmente le gustaría (es decir, comprar, ver o escuchar) o a recomendar un producto que al usuario no le gustaría, ambos casos llevando a una calidad de recomendación degradada. Especialmente en el último caso, el RecSys sería considerado poco confiable. En este trabajo, diseñamos y desarrollamos un algoritmo de recomendación que considera tanto los valores de predicción de calificaciones como la confianza de la predicción, derivada de características asociadas con la precisión de predicción de calificaciones en el filtrado colaborativo. El algoritmo presentado se basa en la premisa de que es preferible recomendar un artículo con un valor de predicción ligeramente más bajo, si esa predicción parece ser cierta y segura, sobre otro que tiene un valor más alto pero de menor certeza. El algoritmo propuesto evita que las predicciones de calificación de baja confianza se incluyan en las recomendaciones, asegurando la calidad y confiabilidad de las recomendaciones del RecSys.