DETERMINACIÓN DEL TAMAÑO MUESTRAL

Notas
Índice 1. INTRODUCCIÓN 2. TAMAÑO MUESTRAL EN ESTUDIOS PARA DETERMINAR PARÁMETROS
2.1. Tamaño muestral para estimar una proporción 2.2. Tamaño muestral para estimar una media

1 2
2 3

3. TAMAÑO MUESTRAL EN ESTUDIOS PARA CONTRASTE DE HIPÓTESIS

4

3.1. Tamaño muestral para comparación de dos proporciones 4 3.2. Tamaño muestral en estudios en que se compararán dos proporciones por la prueba de Fisher-Irwin de probabilidades exactas 4 3.3. Tamaño muestral para la comparación de dos medias 5

4. TAMAÑO MUESTRAL EN ESTUDIOS BIOMÉDICOS
4.1 Cálculo del tamaño muestral en estudios de casos y controles 4.2. Tamaño muestral en estudios en que se indagará sobre una prevalencia 4.3. Tamaño muestral en estudios en que se investigará una prueba diagnóstica 4.4. Tamaño muestral en estudios de cohortes 4.5. Tamaño muestral en estudios de concordancia

7
7 10 11 13 13

5. BIBLIOGRAFÍA 1. Introducción

15

Todo estudio epidemiológico lleva implícito en la fase de diseño la determinación del tamaño muestral necesario para la ejecución del mismo. El no realizar dicho proceso, puede conducir a dos situaciones diferentes: primera que se realice el estudio sin el número adecuado de pacientes, con lo cual no se podrá ser precisos al estimar los parámetros y además no se encontraran diferencias significativas cuando en realidad sí existen. La segunda es que se podría estudiar un número innecesario de pacientes, lo cual lleva implícito no solo la pérdida de tiempo y de recursos innecesarios sino que además la calidad del estudio, a causa de dicho exceso, puede verse afectada en sentido negativo. Para determinar el tamaño muestral de un estudio, deben considerar diferentes situaciones: (a) Estudios para determinar parámetros, es decir, cuando se pretende hacer inferencias de valores poblacionales (proporciones, medias…) a partir de una muestra (figura 1); (b) Estudios para contraste de hipótesis, es decir, cuando se pretende comparar si proporciones o las medias de las muestras son diferentes.

1

96 = 3.58 . Precisión = 3 %.84 ya que la seguridad buscada es del 95 %.0… Seguridad Muestra Estimación Intervalo de Confianza Observación (experimento.5 (50 %) que maximiza el tamaño muestral: n = 2 2 z2 α × p × q d2 donde: z α = 1. Esta idea se puede obtener revisando la literatura o mediante estudio pilotos previos. En caso de no tener dicha información se utilizará el valor p = 0. si no se tuviese ninguna idea de dicha proporción se utilizaría el valor p = 0. debe conocerse: (a) El nivel de confianza o seguridad (1 − α ) . una proporción).1. p d es la proporción esperada (en este caso 5 % ó 0.05 = 0. (c) Una idea del valor aproximado del parámetro que se quiere medir (en este caso.Población p < 0. medición) Resultados Figura 1. ¿a cuántas personas tendría que estudiarse para conocer la prevalencia de diabetes? Seguridad = 95 %.5 (50 %).95).95 = 203 0. El nivel de confianza prefijado da lugar a un coeficiente ( z ) . Proporción esperada = asumiendo que puede ser próxima al 5 %. para un nivel de seguridad del 99 % α = 2. q =1 − p es la precisión deseada (en este caso un 3 %): n = 1. 05 × 0.05). medias) a partir de una muestra. Tamaño muestral para estimar una proporción Si se desea estimar una proporción. 032 2 .962 × 0. Elementos de la Inferencia Estadística 2. Por ejemplo.96 . (en este caso 1 – 0. α (b) La precisión que se desea para el estudio. Para un nivel de seguridad del 95 % α =1. Tamaño muestral en estudios para determinar parámetros Con estos estudios se pretende hacer inferencias de valores poblacionales (proporciones. 2.

Precisión = 3 %. la respuesta sería: n = donde: N es el total de la población. para un nivel de seguridad del 99 % α = 2.962 × 0. 2.645.2.95 = 200 0.5 % el coeficiente sería 2.96.000 habitantes tendría que estudiarse para conocer la prevalencia de diabetes? Seguridad = 95 %. 2 p q =1 − p d es la precisión (en este caso se desea un 3 %). es la proporción esperada (en este caso 5 % ó 0.96 . es decir se conoce el total de la población y se desea saber cuántos individuos hay que estudiar. ¿A cuántas personas de una población de 15.95 El coeficiente de z α varía según diferentes niveles de seguridad. con una seguridad del 95 % y una precisión de ± 3 mg/dl y se tiene información a través un estudio piloto o de una revisión bibliográfica que la varianza es de 250 mg/dl: n = 1.24. si se desea conocer la media de la glucemia basal de una población. α (b) La precisión con que se desea estimar el parámetro ( 2 × d es la amplitud del intervalo de confianza). (c) Una idea de la varianza s población 2 de la distribución de la variable cuantitativa que se supone existe en la 2 z2 α s n = d2 Por ejemplo.05). Tamaño muestral para estimar una media Si se desea estimar una media habrá que conocer: (a) El nivel de confianza o seguridad (1 − α ) . Si la seguridad z α fuese del 97. si no se tuviese ninguna idea de dicha proporción se utilizaría el valor p = 0. Si la seguridad Zα del 95 % el coeficiente sería 1.Si la población es finita. 032 × (15000 − 1) + 1. α =1. así: • • • • Si la seguridad z α fuese del 90 % el coeficiente sería 1. Proporción esperada = asumiendo que puede ser próxima al 5 %.576. Si la seguridad z α fuese del 99 % el coeficiente sería 2. 05 × 0. Para un nivel de seguridad del 95 %.5 (50 %) que maximiza el tamaño muestral: n = 15000 ×1. El nivel de confianza prefijado da lugar a un coeficiente ( z ) . 05 = 0.96 si la seguridad deseada es del 95 %.962 × 250 = 106. (en este caso 1 − 0. 05 × 0. 7 32 3 .962 × 0.58 . d 2 × ( N − 1) + z 2 α × p×q N × z2 α × p×q z2 α es 1.95 ).

(b) Tener una idea aproximada de los parámetros de la variable que se estudia (a través de la bibliografía o de estudios previos). p1 es el valor de la proporción en el grupo de referencia. se puede presumir que en la investigación se incluirá una muestra pequeña y se compararán dos grupos por la mencionada prueba de hipótesis. Habitualmente. placebo.Si la población es finita. No se establece ninguna dirección. 2 z α es el valor z correspondiente al riesgo α . 3. Tamaño muestral en estudios en que se compararán dos proporciones por la prueba de Fisher-Irwin de probabilidades exactas En ocasiones. Unilateral: cuando se considera que uno de los parámetros debe ser mayor que el otro. (d) Potencia estadística (1 −β ) (riesgo de cometer un error β ). Tamaño muestral en estudios para contraste de hipótesis Estos estudios pretenden comparar si las medias o las proporciones de las muestras son diferentes. Para el cálculo del tamaño muestral se precisa conocer: (a) Magnitud de la diferencia a detectar que tenga interés clínicamente relevante. intervención o técnica. como previamente se señaló.1. (c) Seguridad del estudio (riesgo de cometer un error α ). La hipótesis bilateral es una hipótesis más conservadora y disminuye el riesgo de cometer un error de tipo I (rechazar la H 0 cuando en realidad es verdadera). p es la media de las dos proporciones p1 y p 2 : Los valores z α según la seguridad y z β según la potencia del test se indican en la tabla I. es decir se conoce el total de la población y se desearía saber cuántos individuos debería estudiarse. indicando por tanto una dirección de las diferencias. el investigador pretende comparar dos tratamientos. Tamaño muestral para comparación de dos proporciones  z 2 p (1 − p ) + z p (1 − p ) + p (1 − p )  1 1 2 2 α β  n =    p p −   1 2   donde: n es el número de sujetos necesarios en cada una de las muestras. 3. Se pueden comparar dos proporciones o dos medias. (e) Definición de si la hipótesis va a ser unilateral o bilateral: • • Bilateral: cualquiera de los dos parámetros a comparar (medias o proporciones) puede ser mayor o menor que el otro. control o tratamiento habitual.2. la respuesta sería: n = 2 d 2 ( N − 1) + z 2 α s 2 N z2 α s 3. 4 . p 2 es el valor de la proporción en el grupo del nuevo tratamiento. z β es el valor z correspondiente al riesgo β .

10 0. 64 × 1.40 0.20 0. El cálculo del tamaño muestral para estudiar la diferencia entre dos proporciones en una tabla de 2 x 2. tanto para una prueba unilateral como bilateral. es el valor mínimo de la diferencia que se desea detectar (datos cuantitativos).Se dispone de tablas que proporcionan el tamaño muestral por grupo requerido para satisfacer los errores alfa y beta planteados frente a la comparación de dos proporciones.20.50 0.84 si β es 0. Debe contemplarse una proporción p1 como "control" o valor "patrón" y la otra p 2 como "experimental".40 0.70 0. dado error α de 0. 3. es el “arco seno” (corresponde "al ángulo cuyo seno es el valor dado") de la raíz cuadrada de la segunda proporción.05 para una prueba unilateral y 1. es 0.20. zβ arcsin arcsin ( ( p1 p2 ) ) es el “arco seno” (corresponde "al ángulo cuyo seno es el valor dado"1) de la raíz cuadrada de la primera proporción. zα zβ s2 d 1 En una calculadora “ arcsin ” sería “ sin ” elevado a –1. para hipótesis unilateral.60 0. es la varianza de la variable cuantitativa que tiene el grupo control o de referencia.80 0. Tamaño muestral necesario por grupo.64 si α es 0. 6 ×   arcsin  donde: z α ( zα + zβ p1 − arcsin ) ( p2 )     2 es 1.30 0.3. incluye las dos proporciones y los errores α y β .05 y β de 0.05 73 36 23 15 10 8 6 84 41 23 15 10 9 85 42 23 13 11 0.60 p1 0. p2 0. con hipótesis unilateral. A modo de ejemplo. Tamaño muestral para la comparación de dos medias n = donde: n 2 ( z α + z β ) s2 2 d2 son los individuos necesarios en cada una de las muestras.96 si es bilateral. según proporciones que se comparan p 1 y p 2 . es el valor z correspondiente al riesgo deseado. es el valor z correspondiente al riesgo deseado.30 0.50 0. 5 . La prueba de hipótesis que se supone se empleará con los resultados del estudio es ji cuadrado. En tales condiciones:  n = 1.20 84 36 19 14 73 30 20 56 34 67 Tabla I. véase los datos que se proporcionan en la tabla II.

842 0.Los valores z α según el nivel de seguridad y z β según la potencia se indican en la tabla II: α 0.000 Tabla II.100 0. Valores de z α y z β más frecuentemente utilizados.253 0. El nivel de riesgo se fija en 0. Se sabe por datos previos que la eficacia del fármaco habitual está alrededor del 70 % y se considera clínicamente relevante si el nuevo fármaco alivia el dolor en un 90 %.960 2.385 0.010 Zα test unilateral 0.25 0.645 1.576 potencia β 0.60 0. si es que existen: n = 2 ( z α + z β ) s2 2 d2 2 2 (1.99 0.55 0.150 0.30 0.05 0.326 test bilateral 1. 282 ) 162 n = = 19.240 2.036 1.200 0.025 0.842 1.05 y se desea una potencia estadística del 90 % para detectar diferencias. Por estudios previos sabemos que la desviación típica de la glucemia en pacientes que reciben el tratamiento habitual es de 16 mg/dl. 49 152 se precisan.45 0.01 0.15 0.35 0.050 0.80 0.524 0.326 1.282 1.05 y se desea una potencia estadística de un 80 %.440 1.65 0.645 1.645 1.95 0.960 2.126 0.85 0. 645 + 1. Ejemplo de comparación de dos proporciones Se desea evaluar si el tratamiento T 2 es mejor que el tratamiento T1 para el alivio del dolor para lo que se diseña un ensayo clínico.674 0.40 0.50 (1-β) 0.20 0.75 0.282 1. Se acepta un riesgo de 0. Ejemplo de comparación de dos medias Se desea utilizar un nuevo fármaco antidiabético y se considera que sería clínicamente eficaz si lograse un descenso de 15 mg/dl respecto al tratamiento habitual con el antidiabético estándar.70 0.282 1.90 0. 6 .036 0.10 0. 20 pacientes en cada grupo. pues.50 Zβ 2.

842 0.8 × (1 − 0.9 )      0.9 = 0. la frecuencia de exposición entre los casos. 7 + 0. Tamaño muestral en estudios biomédicos 4. 7 × (1 − 0. A continuación se explica cómo calcular el tamaño de muestra necesario para contrastar la hipótesis de que el odds ratio (OR) sea igual a 1. y se prevé que el OR asociado al factor de estudio es w .1 Cálculo del tamaño muestral en estudios de casos y controles Supóngase que se quiere llevar a cabo un estudio de casos y controles con el fin de determinar si existe una relación significativa entre la exposición a un factor y la presencia de una determinada enfermedad. 645 2 × 0. 4.8 p = 2 2  1.8 ) + 0.15  pacientes en cada grupo. z 2 p (1 − p ) + z p (1 − p ) + p (1 − p )  α β 1 1 2 2  n =    p1 − p 2     0. el tamaño muestral necesario sería:  1  48   = 56  1 − 0. puede obtenerse fácilmente: OR = w = p1 (1 − p 2 ) p 2 (1 − p1 ) ⇒ w p 2 (1 − p1 ) = p1 (1 − p 2 ) ⇒ p1 (1 − p 2 + w p 2 ) = w p 2 ⇒ p1 = w p2 2 (1− p ) + w p 2 donde: p1 y p2 son las proporciones esperadas. abandono. no respuesta…) por lo que se debe incrementar el tamaño muestral respecto a dichas pérdidas. Así por ejemplo. 7 − 0. w valor aproximado del OR que se desea estimar. si en el estudio anterior se espera tener un 15 % de pérdidas.9   n = 48 pacientes El tamaño muestral ajustado a las pérdidas 2 En todos los estudios es preciso estimar las posibles pérdidas de pacientes por razones diversas (pérdida de información. Si se conoce la probabilidad de exposición entre los controles p 2 . el valor de p 1 . 7 ) + 0. El tamaño muestral ajustado a las pérdidas se puede calcular:  1  muestra ajustada a las pérdidas = n    1− R  donde: n es el número de individuos sin pérdidas. R es la proporción esperada de pérdidas. 7 .9 × (1 − 0.

Así mismo. Así. Debe precisarse que se ha tratado en el presente trabajo de exponer del modo lo más sencillo posible el procedimiento a seguir en el cálculo del tamaño de la muestra en un estudio de casos y controles. Es habitual tomar β = 0. 2 w p1 p2 z 1− α 2 y z 1−β Hasta ahora se ha asumido un tamaño muestral igual para casos y controles. 8 . (c) La potencia estadística o riesgo de cometer un error de tipo II (1 −β ) que se desea para el estudio.84 . La frecuencia de la exposición entre los controles ( p ) . (p ). α = 0. En caso de que el número de casos y controles no esté equilibrado. se precisará conocer: (a) La magnitud de la diferencia a detectar. En este caso. Recurriendo a las fórmulas habituales para determinar el tamaño muestral mínimo necesario para la comparación de dos proporciones. es la frecuencia de la exposición entre los casos. el problema del cálculo del tamaño muestral podrá abordarse mediante las fórmulas habituales empleadas en la comparación de dos proporciones. en ocasiones se utilizan para este cálculo expresiones más complejas basadas en una corrección de la fórmula del cálculo del tamaño muestral para la comparación de dos proporciones. ) 2 [ecuación 2] m es el número de controles. y c=m n es el número de controles por cada caso.. No obstante. una potencia del 80 %. Generalmente con un nivel de seguridad del 95 %. con que se desea trabajar. como ya se vio. el número de controles vendría dado por m = c × n . bastaría con conocer dos de los siguientes tres parámetros: • • • Una idea del valor aproximado del OR que se desea estimar ( w ) . que tenga interés clínicamente relevante. para un nivel de seguridad de un 95 % y una potencia estadística del 80 % se tiene que z 1− α =1. Con estos datos. y son valores que se obtienen de la distribución normal estándar en función de la seguridad y la potencia seleccionadas para el estudio. En particular.05 . 2 . La frecuencia de la exposición entre los casos 1 2 (b) El nivel de seguridad α o riesgo de cometer un error de tipo I. es una idea del valor aproximado del OR que se desea estimar.Así. para el cálculo del tamaño muestral se utilizará la expresión:  z α 2 p (1− p ) + z p1 (1− p1 ) + p 2 (1− p 2 )  1−β 1− 2  n =    p1 − p 2     donde: p = 2 [ecuación 1] p1 + p2 2 . y para un planteamiento bilateral.96 y z 1−β = 0. la expresión anterior deberá ser ligeramente modificada: n = donde: n ( z 1− α 2 ( c +1) p (1− p ) + z 1−β c p1 (1 − p1 ) + p 2 (1− p 2 ) 2 c ( p1 − p 2 ) es el número de casos. es decir. es la frecuencia de la exposición entre los controles. existen fórmulas específicas para el cálculo del tamaño de la muestra en el caso de que el diseño corresponda a un estudio de casos y controles apareados.

40 ) + 4 × 0. Se cree que alrededor de un 40 % de los controles son fumadores y se considera como diferencia importante entre ambos grupos un OR de 4. Aplicando la ecuación 2: n = ( z 1− α 2 ( c +1) p (1− p ) + z 1−β c p1 (1 − p 1 ) + p 2 (1− p 2 ) 2 n = (1. 40 = (1− 0. se necesitaría estudiar a 35 sujetos por grupo (35 pacientes con infarto de miocardio y 35 controles) para detectar como significativo un valor del OR de 4. Para poner en evidencia dicha asociación y cuantificar su magnitud.96 c ( p1 − p 2 ) ) 2 ( 2 +1) × 0. Aplicando la ecuación 1.565× (1− 0. (c) Nivel de seguridad: 95 %. 4 × (1− 0. Con estos datos. se obtiene:  1. se obtiene: 2 p1 = (1− p ) + w p 2 w p2 = 2 = 3 × 0. 40 y.6 = 0. Supóngase que en este ejemplo se planea obtener dos controles por caso. En algunos estudios.73× (1− p1 ) + 0. supóngase que se desea estudiar la existencia de una asociación entre el consumo de tabaco y el hecho de sufrir un infarto de miocardio. se puede calcular el tamaño de muestra necesario en cada grupo para detectar un OR de 4 como significativamente diferente de 1 con una seguridad del 95 % y una potencia del 80 %. el investigador reúne un número mayor de controles que de casos con el objeto de incrementar la potencia estadística. y se asume que el OR a detectar es aproximadamente igual a 3. 40 ) + 3× 0. (d) Potencia estadística: 80 %. De acuerdo con lo expuesto anteriormente.Ejemplo del cálculo del tamaño muestral en un estudio de casos y controles Como ejemplo.60 + 1. (b) OR previsto: 4. 40 = 0. 4   Es decir.6 Esto es. y conociendo los siguientes parámetros: (a) Frecuencia de exposición entre los controles: 40 %.565× (1− 0.73) + 0.84 0.565 ) + 0.73 0. 4 )   ≈ 35 n =    0.565) + 0. 4 ) ≈ 40 9 .73× (1− 0.67 (1− 0.96 2 × 0. se estima que aproximadamente un 73 % de los casos son fumadores. asumiendo que el OR es aproximadamente igual a 3. La frecuencia de exposición entre los casos vendrá dada por: p1 = = = (1− p ) + w p 2 w p2 = 2 4 × 0. 4 × (1− 0. 4 ) 2 ) 2 2 ( 0. de acuerdo con la ecuación 1.84 2 × 0.73 − 0. Si se reduce el tamaño del efecto a detectar. se diseña un estudio de casos y controles en el que se investigará el consumo de tabaco de una serie de pacientes que han padecido un infarto de miocardio (casos) y una serie de pacientes sanos (controles).73 − 0. serían necesarios n = 54 pacientes por grupo para llevar a cabo el estudio. 40 1.

218 casos. ya que la ejecución de este tipo de estudios es costosa. si la población es de 500. Ese tamaño de muestra será. Entonces. seguidamente el nivel de confianza deseado para la indagación y.000 personas. Este es igual a 1 (no hay efecto de diseño) si se ha empleado un procedimiento de muestreo aleatorio simple o bien sistemático y corresponde a un error sistemático.000 personas. la precisión deseada (%). 271 casos. 2 d 2 ( N − 1) + z 1 −α p (1 − p ) 2 N z1 −α p (1 − p ) N z 1−α es el valor de z para el nivel de confianza (1 − α ) .50 la mencionada expresión vale 0. 4. si es de 10. que será el más elevado para las condiciones establecidas. una variación alrededor de 7 % de hasta 3 %. se necesitará un grupo de n = 40 casos (pacientes con infarto de miocardio) y m = 2 × 40 = 80 controles para llevar a cabo la investigación. la expresión p (1 − p ) tiene un valor creciente a medida que la proporción p se va acercando a 0. a continuación se debe establecer cuánto se aceptaría que varíe (precisión). podría ser motivo de incurrir en un error de tipo II en el sentido de no detectar diferencias cuando realmente las hay. con 95 % de confianza.Por tanto. Por ejemplo. igual a n por el efecto de diseño.2.000 personas. cuando p = 0. si sólo son 5. pero no es muy importante tener un conocimiento exacto.96 ). finalmente. casos expuestos no expuestos a c a+c controles b d b+d a+b c+d n Tabla III. p d es la proporción esperada en la población.25 y con esa cifra se calculará en la fórmula el tamaño muestral. la prevalencia esperada. Tamaño muestral en estudios en que se indagará sobre una prevalencia En estos se requiere conocer el tamaño de la población. Para estos requisitos. El tamaño de la población de la que se extraerá la muestra es habitualmente desconocido. el efecto del diseño y el error α . obtener un valor entre 4–10 %.000 personas 264 y si son 1. Si se desconoce valor de p aún es posible estimar el tamaño muestral: en la fórmula. basta con una aproximación razonable. entonces. 10 . en definitiva. Disposición de los sujetos incluidos en un estudio de casos y controles. la muestra requerida es de 278 casos. con una seguridad de 95 % (entonces z = 1. si es que existen. Ello significa que si la proporción poblacional es de 7 % se espera. y es la precisión absoluta. La fórmula: n = donde: n es el tamaño de la muestra. Tabla de 2 x 2.50. el apropiado. es la población total. El iniciar un estudio sin conocer la potencia estadística y la seguridad para detectar diferencias. supóngase que se estima una proporción p en la población a estudiar de 7 % y se desea un tamaño muestral que permita. El cálculo del tamaño muestral en los estudios de casos y controles debe formar parte del diseño metodológico. El tamaño de la muestra es. el efecto de diseño de la investigación. En este caso se debe tener una idea aproximada de la prevalencia que se está investigando. alcanza su máximo en ese punto y luego va descendiendo nuevamente.

El poder estimar algunos valores. (No se comenta con detalle el procedimiento de cálculo). plantear la búsqueda del tamaño muestral a partir de una comparación de dos proporciones (LR). es la fracción que representa la muestra más pequeña respecto a la mayor.4. es generalmente aceptado que LR+ en el margen de 2 a 5 suele ser de importancia en el sentido que el cambio de la probabilidad previo a la prueba a aquella después de la prueba cuando LR+ está en esos valores. índices fijos como sensibilidad y especificidad ofrecen una relación entre las cuatro celdas (a. proporción esperada de falsos positivos o la especificidad. contemplando el nivel de error alfa y beta que se considere adecuado. Tamaño muestral en estudios en que se investigará una prueba diagnóstica Para estos estudios se requiere conocer: error alfa. ya que una cifra mayor supondría una sensibilidad de la prueba superior al 100 %. y que es igual a p 2 × LR + . LR). razón de verosimilitud considerada digna de ser detectada. es la sensibilidad de la prueba.33. con una proporción de verdaderos enfermos habitualmente inferior a 50 %. una cifra de falsos positivos del 30 % (0. Del mismo modo. Tal comparación es entre dos proporciones independientes (aunque intrínsecamente relacionadas) y de tamaño casi siempre diferente. Como sea. Nr r p1 = a (a + c) q1 =1 − p1 . Por ejemplo. La estimación de los falsos positivos determina en parte el LR+ elegible. Las razones de verosimilitud (likelihood ratios. entonces. LR+ veces). el numerador corresponde a la sensibilidad de la prueba y el denominador a la proporción de falsos positivos (1-especificidad). Es posible. se verá que tal resultado se obtiene de la razón entre las proporciones a (a + c) y b (b + d ) de modo que a LR + = b (a + c) (b + d ) En esta división. Aceptando que se cumplen los requisitos para efectuar la correspondiente prueba de hipótesis. c. en prueba unilateral (puesto que se espera que el numerador será mayor que el denominador. es poco probable que interese un LR+ de 3 si se considera que 5 % x 3 indicará la sensibilidad de la prueba en tal caso. si la proporción de falsos positivos fuera muy alta. d) de la tabla 2 x 2. requiere algún conocimiento previo de la situación o efectuar un estudio piloto para obtenerlo. es decir. puesto que. sería de una magnitud de consideración. en que se estudia una prueba diagnóstica: Es así como.30) tiene un LR+ límite posible de 3. 11 . Al mismo tiempo. si se considera un LR+.3. como la proporción de falsos positivos. LR+ puede tener como límite un valor sorprendentemente bajo. intervalo de confianza deseado para la sensibilidad y la prevalencia esperada de la patología en estudio. si los primeros constituyen un 5%. b. para lo cual se requeriría estimar los falsos positivos (o la especificidad) probables en esa prueba y la prevalencia esperada del trastorno en estudio dentro de la muestra. error beta. 15% y esta seguramente no resultaría de mucho interés al investigador como nivel inicial de detección. y el otro. de acuerdo con Fleiss se tendría: 2 ( r + 1) N′  1 + 1 + N = 4  N ′ r p 2 − p1  donde: N ′ =     2 ( zα ( r + 1) p q − z β r p1 q1 + p 2 q 2 r ( p 2 − p1 ) 2 ) 2 N es uno de los tamaños muestrales. se debe elegir un valor de LR+ digno de ser detectado.

cambiará substancialmente con la proporción de falsos positivos.326 (para α de 0.05). Si la estimación de falsos positivos fuera más alta o más baja requerirían. Como sea.60 y la diferencia a detectar 0. el intervalo de confianza de p 2 será al menos tan estrecho como el de la sensibilidad si la prevalencia es menor que 0. se puede perfeccionar estableciendo el intervalo de confianza (IC) que se considere apropiado o aceptable para la sensibilidad. contemplando una prevalencia de afectados por la patología de interés de 25 % en la muestra y falsos positivos de 22 %.y q =1 − p . Es necesario tener presente que el tamaño de la muestra. Por otro lado. se requiere estudiar un total de 111 casos.842 (para un error β de 0. menos y más casos integrando la muestra. para la muestra calculada el intervalo de confianza de p 2 será más ancho de lo deseado. si no se modifica la LR+ escogida. en tales circunstancias se requeriría una muestra menor. z 1−α zβ p= p1 + r p 2 r +1 para hipótesis unilateral es 1. no se requiere una precisión extrema.29 (para β 0. Para ello se requerirá una muestra pequeña por tratarse de una gran diferencia. si p 2 fuese 0.645 (para un error α de 0. El intervalo de confianza del 95 % (IC 95 %) de p1 0. si se establece un LR+ deseable de detectar igual o mayor que 3 y p 2 es 0.05) ó 2. para un mismo LR+. Se puede calcular el número de casos necesarios para generar ese error estándar. por lo que se requerirá una muestra mucho mayor.10 (10 %).15 y la diferencia a detectar sólo de 0. El siguiente cálculo es adecuado para muestras no muy pequeñas y proporción no menor de 0.10 . se puede indicar que para detectar un LR+ de 2.50. –1.55 o 55 % puede establecerse. Varios programas informáticos proporcionan este cálculo. Así.55).01). tan cercano a 0.645 (para β de 0. con un error α de 5 % y β de 10 %. el segundo grupo debería ser de 285 casos en vez de 83.50.10) o –1. una potencia del estudio de 90 %. Esto da un N total definitivo de 383 casos.05. para los fines perseguidos. el número de casos encontrado (95) generaría un intervalo de confianza más estrecho. en ± 10 %. Es de destacar que si el nivel de sensibilidad encontrado (0. Dicho de otro modo. . (100 − 55) × 55 n Esto significa que para lograr el intervalo de confianza deseado el número de afectados por la patología de interés debe ser de 95 en vez de 28 casos y por lo tanto. q 2 =1 − p 2 .40 (40 %).10 = despejando n se obtienen 95 casos. como es usual. respectivamente.50. contemplando que el procedimiento se modifica si la proporción se aleja mucho de 0. por ejemplo. consecuentemente p 1 será 0. Ahora bien. la muestra que corresponde a verdaderos enfermos según estándar ideal será N r y la de verdaderos no afectados N . Estos se encontrarán distribuidos como 28 y 83 casos.70.50. es –0. fuese mayor o menor. Efectuada esta primera fase del cálculo.20. es decir. Pero si no es así y la prevalencia supera 0. Sin embargo. Entonces 5. El error estándar deseado sería 10 1.5 o mayor (en hipótesis unilateral). 12 .30 o mayor de 0. Como es de esperar una prevalencia inferior a 50 %.20).p2 = b (b + d ) es la proporción de falsos positivos (1-especificidad). debiera ser 0.96 = 5. conservando la prevalencia estimada.

En tales circunstancias se puede verificar la hipótesis k = 0 .50.4. o se calcula con el resultado en la forma de dos proporciones. naturalmente. puesto que este es igual en expuestos y no expuestos. según " r " sería posible conocer la segunda muestra parcial. como en el ejemplo recién presentado. es el error β y z β es su respectivo valor z .5. p0 es la frecuencia de la condición en estudio en la población no expuesta. Sin embargo. 4. Supóngase que en un estudio de 50 casos dos observadores clínicos califican los casos como con o sin una determinada manifestación clínica como se señala en la Tabla IV. expresada en forma decimal: 0. que genera iguales resultados si se emplea RR de 3. 0. RR es el riesgo relativo que se considere digno de ser detectado (o mayor): RR = 1 significa que c α el factor de exposición no se encuentra asociado a un aumento del riesgo.05 (5 %). Tamaño muestral en estudios de concordancia En estudios de concordancia conviene recordar que el índice kappa ( κ ) tiene una distribución normal si el efectivo de la muestra es mayor que 2 g 5 . de todas maneras se requiere verificar que el N total no es insuficiente para los errores α y β establecidos. donde la muestra de no afectados sería menor que la de enfermos.30 en los expuestos. donde se encontrará un n más pequeño para el mismo IC y asimismo si la prevalencia supera 0. Otro tema es establecer cuántos casos se requiere estudiar en una situación específica para detectar un κ como diferente de cero o para comparar dos índices. La comparación de dos κ requiere un tamaño muestral mínimo de 3 g para poder intentarla.50. el de no expuestos como c × N : n′  1 + N = 4   donde: n′ = 1 + 2 ( c + 1)   n′ c p 0 ( RR − 1 )   2 (z α ( c + 1) p (1 − p ) RR ) + ( p 0 + c ) 1+ c + z β c p 0 (1 − p 0 ) + p RR (1 − p 0 RR ) c ( p 0 (1 − RR ) ) 2 ) 2 p = (p 0 . es la relación numérica de expuestos/no expuestos (muestra si las cohortes son de igual tamaño o no). β Un ensayo clínico controlado puede ser considerado un seguimiento de dos cohortes. siendo g el número de categorías en investigación. Tamaño muestral en estudios de cohortes La siguiente fórmula proporciona el número de expuestos requeridos y. q =1 − p .Si se comenzara con la sensibilidad p 1 y su intervalo de confianza para conocer el respectivo tamaño de la muestra para esa proporción.10 en los no expuestos y 0. con un IC mayor que el deseado para el grupo de afectados. particularmente si el valor de p 1 se aleja de 0. La similitud se puede comprobar también en el cálculo del tamaño de la muestra. una expuesta al tratamiento experimental y la otra no. 2 13 . 4. es el error α y z α es su respectivo valor z . Lo usual es tener que efectuar un estudio piloto.

se puede decir que el error estándar de κ igual a cero debe ser de 0.267. se obtendrá que n fluctúa entre 47 y 79 casos.643 1 Tabla V. En esta.095 y 0.56. es decir 0. dividido por el total. sabiendo que el total de la tabla es "1" o 100%. teniendo los marginales correspondientes a las celdas "a" y "d". se puede calcular los faltantes.471 0.127. es decir 0. como se muestra en la Tabla V.43 y 0.357 y 0.96. si se desea detectar como significativamente diferente de cero un κ de 0.567 0. de la manera siguiente: Tomando las prevalencias menores. conociendo los marginales 0. 05 ) se requiere calcular primero el error estándar de EE κ = 0 = n (1 − pc ) pc donde: p c es la proporción de concordancia dada por el azar. El valor p c se puede determinar según el intervalo de confianza de la prevalencia del hallazgo clínico para cada observador. Ahora. y n es el número de casos a estudiar. Así. Estudio de concordancia entre dos observadores según presencia de una manifestación clínica.471. Disponiendo del valor p c y del error estándar de κ = 0 se resolverá n a partir la fórmula indicada anteriormente. Entonces. κ=0: Recuérdese que si se desea establecer el número de casos necesario para detectar un κ como ( p < 0.267.25 o mayor.8 %) 50 = 50 % con IC 95% (35. de tal manera que.357 por 0.095 resulta de 0.095 sin total 0. observador A con sin total observador B con 0. Determinación de p c (explicación en el texto).25/ 1. es igual a la suma de 0. se puede calcular a su vez los valores esperados en esas celdas (0. Estudio de concordancia entre dos observadores según presencia de una manifestación clínica. El tamaño muestral será entonces de 79 casos. Finalmente.7–54.357 0.7–64.3 %). p c fluctuará entre 0. 1). la prevalencia del hallazgo según el observador A fue de 20 y la prevalencia del hallazgo según observador B fue de 25 significativamente diferente de cero 50 = 40 % con IC 95 % (26.733 0.566.observador A con sin total observador B total con sin 25 5 20 10 20 30 25 25 50 Tabla IV. Por este procedimiento se alcanza a saber que p c 14 .

Sample size determination in health studies.htm www. A practical manual.org/stat1.pdf www. Bibliografía Lwanga SK.isciii.pearsoncmg.fisterra. Lemeshow S.edu.com/content/2/1/26 15 . Geneva: World Health Organisation.mx/academic/industrial/estadistica1/toc.com/student/bp_berenson_bbs_9/chap06.htm www.htm www.edu/classes/epid/epid401/lectures/sampling.itch.com/PowerAnalysis.ppt www.uic.brodgar.asp www.sportsci.gov/main/publications/external/technical_reports/PNNL-13434.html www. www.hqlo.fisterra.edu/courses/lir593/chap71999.5.pdf http://myphliputil.com/mbe/investiga/index.com/help/sample_size_and_methods/ss.pnl.ppt http://www.html www.seh-lelha.uiuc.statsdirect.ilir.pdf www.org/resource/stats/ssdetermine.pdf www.es/htdocs/redes/investen/publicaciones/calculo_muestra. 1991.com/mbe/investiga/9muestras/9muestras.

Sign up to vote on this title
UsefulNot useful