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

Tamaño muestral en estudios para determinar parámetros Con estos estudios se pretende hacer inferencias de valores poblacionales (proporciones.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.0… Seguridad Muestra Estimación Intervalo de Confianza Observación (experimento.96 = 3.05 = 0. para un nivel de seguridad del 99 % α = 2. Elementos de la Inferencia Estadística 2.5 (50 %). 032 2 . El nivel de confianza prefijado da lugar a un coeficiente ( z ) . debe conocerse: (a) El nivel de confianza o seguridad (1 − α ) .962 × 0. En caso de no tener dicha información se utilizará el valor p = 0. 05 × 0. Por ejemplo. medición) Resultados Figura 1.58 . Proporción esperada = asumiendo que puede ser próxima al 5 %.96 . (en este caso 1 – 0.1.Población p < 0. Precisión = 3 %. q =1 − p es la precisión deseada (en este caso un 3 %): n = 1. Tamaño muestral para estimar una proporción Si se desea estimar una proporción. Para un nivel de seguridad del 95 % α =1. α (b) La precisión que se desea para el estudio. si no se tuviese ninguna idea de dicha proporción se utilizaría el valor p = 0.84 ya que la seguridad buscada es del 95 %.95 = 203 0. una proporción). (c) Una idea del valor aproximado del parámetro que se quiere medir (en este caso. 2.95). p d es la proporción esperada (en este caso 5 % ó 0.05). ¿a cuántas personas tendría que estudiarse para conocer la prevalencia de diabetes? Seguridad = 95 %. medias) a partir de una muestra.

2. 05 × 0.95 = 200 0. ¿A cuántas personas de una población de 15. α (b) La precisión con que se desea estimar el parámetro ( 2 × d es la amplitud del intervalo de confianza).5 % el coeficiente sería 2.2. así: • • • • Si la seguridad z α fuese del 90 % el coeficiente sería 1. es la proporción esperada (en este caso 5 % ó 0.576. 032 × (15000 − 1) + 1. si se desea conocer la media de la glucemia basal de una población. α =1. Proporción esperada = asumiendo que puede ser próxima al 5 %.962 × 0. 05 = 0. es decir se conoce el total de la población y se desea saber cuántos individuos hay que estudiar.96 . 7 32 3 .05). El nivel de confianza prefijado da lugar a un coeficiente ( z ) .95 El coeficiente de z α varía según diferentes niveles de seguridad.95 ).24. Tamaño muestral para estimar una media Si se desea estimar una media habrá que conocer: (a) El nivel de confianza o seguridad (1 − α ) . (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.000 habitantes tendría que estudiarse para conocer la prevalencia de diabetes? Seguridad = 95 %.645. 2 p q =1 − p d es la precisión (en este caso se desea un 3 %). Para un nivel de seguridad del 95 %. la respuesta sería: n = donde: N es el total de la población. Si la seguridad Zα del 95 % el coeficiente sería 1. (en este caso 1 − 0.5 (50 %) que maximiza el tamaño muestral: n = 15000 ×1.962 × 0. Si la seguridad z α fuese del 99 % el coeficiente sería 2. d 2 × ( N − 1) + z 2 α × p×q N × z2 α × p×q z2 α es 1. para un nivel de seguridad del 99 % α = 2.58 .96. si no se tuviese ninguna idea de dicha proporción se utilizaría el valor p = 0.962 × 250 = 106. 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. Si la seguridad z α fuese del 97.96 si la seguridad deseada es del 95 %.Si la población es finita. Precisión = 3 %. 05 × 0.

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). intervención o técnica. placebo. (b) Tener una idea aproximada de los parámetros de la variable que se estudia (a través de la bibliografía o de estudios previos). Habitualmente. Unilateral: cuando se considera que uno de los parámetros debe ser mayor que el otro. 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.2. indicando por tanto una dirección de las diferencias. Tamaño muestral en estudios en que se compararán dos proporciones por la prueba de Fisher-Irwin de probabilidades exactas En ocasiones. es decir se conoce el total de la población y se desearía saber cuántos individuos debería estudiarse. z β es el valor z correspondiente al riesgo β .Si la población es finita. Para el cálculo del tamaño muestral se precisa conocer: (a) Magnitud de la diferencia a detectar que tenga interés clínicamente relevante.1. control o tratamiento habitual. 4 . se puede presumir que en la investigación se incluirá una muestra pequeña y se compararán dos grupos por la mencionada prueba de hipótesis. (c) Seguridad del estudio (riesgo de cometer un error α ). 3. la respuesta sería: n = 2 d 2 ( N − 1) + z 2 α s 2 N z2 α s 3. Tamaño muestral en estudios para contraste de hipótesis Estos estudios pretenden comparar si las medias o las proporciones de las muestras son diferentes. como previamente se señaló. 2 z α es el valor z correspondiente al riesgo α . 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. 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. p1 es el valor de la proporción en el grupo de referencia. No se establece ninguna dirección. p 2 es el valor de la proporción en el grupo del nuevo tratamiento. 3. (d) Potencia estadística (1 −β ) (riesgo de cometer un error β ).

El cálculo del tamaño muestral para estudiar la diferencia entre dos proporciones en una tabla de 2 x 2.20 0.50 0.60 0. 5 .64 si α es 0. zα zβ s2 d 1 En una calculadora “ arcsin ” sería “ sin ” elevado a –1. véase los datos que se proporcionan en la tabla II. La prueba de hipótesis que se supone se empleará con los resultados del estudio es ji cuadrado. A modo de ejemplo. 3. es el valor mínimo de la diferencia que se desea detectar (datos cuantitativos). 64 × 1. Tamaño muestral necesario por grupo.05 73 36 23 15 10 8 6 84 41 23 15 10 9 85 42 23 13 11 0.20. según proporciones que se comparan p 1 y p 2 . 6 ×   arcsin  donde: z α ( zα + zβ p1 − arcsin ) ( p2 )     2 es 1. es el “arco seno” (corresponde "al ángulo cuyo seno es el valor dado") de la raíz cuadrada de la segunda proporción. dado error α de 0. 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. p2 0. incluye las dos proporciones y los errores α y β . es el valor z correspondiente al riesgo deseado.20.30 0.40 0.50 0. con hipótesis unilateral.80 0. para hipótesis unilateral. es la varianza de la variable cuantitativa que tiene el grupo control o de referencia.30 0.20 84 36 19 14 73 30 20 56 34 67 Tabla I.05 y β de 0. En tales condiciones:  n = 1.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.96 si es bilateral.70 0. Debe contemplarse una proporción p1 como "control" o valor "patrón" y la otra p 2 como "experimental".84 si β es 0. es el valor z correspondiente al riesgo deseado.40 0.3.60 p1 0. 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. es 0.10 0. tanto para una prueba unilateral como bilateral.05 para una prueba unilateral y 1.

326 1.050 0. Valores de z α y z β más frecuentemente utilizados.05 0.60 0.010 Zα test unilateral 0.253 0.282 1.30 0.645 1.10 0.842 0. 49 152 se precisan. 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.85 0.326 test bilateral 1.80 0.01 0. 645 + 1.440 1.45 0.524 0.025 0.842 1.40 0.036 1.70 0.05 y se desea una potencia estadística del 90 % para detectar diferencias. 20 pacientes en cada grupo.15 0.960 2. Se acepta un riesgo de 0.25 0.036 0. El nivel de riesgo se fija en 0.20 0.282 1.150 0.645 1.50 Zβ 2.100 0.385 0.55 0.35 0.240 2.75 0.Los valores z α según el nivel de seguridad y z β según la potencia se indican en la tabla II: α 0.674 0.000 Tabla II. 6 .90 0.126 0. 282 ) 162 n = = 19. si es que existen: n = 2 ( z α + z β ) s2 2 d2 2 2 (1.960 2.645 1.282 1. 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 %.200 0.50 (1-β) 0.95 0.576 potencia β 0. pues.65 0. 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.99 0. Por estudios previos sabemos que la desviación típica de la glucemia en pacientes que reciben el tratamiento habitual es de 16 mg/dl.05 y se desea una potencia estadística de un 80 %.

9 × (1 − 0. 4. 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. Si se conoce la probabilidad de exposición entre los controles p 2 .15  pacientes en cada grupo. el tamaño muestral necesario sería:  1  48   = 56  1 − 0. 645 2 × 0. 7 + 0. si en el estudio anterior se espera tener un 15 % de pérdidas.9 )      0.842 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. Así por ejemplo.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. w valor aproximado del OR que se desea estimar. z 2 p (1 − p ) + z p (1 − p ) + p (1 − p )  α β 1 1 2 2  n =    p1 − p 2     0. 7 − 0. R es la proporción esperada de pérdidas. abandono. 7 ) + 0.9   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. y se prevé que el OR asociado al factor de estudio es w . 7 × (1 − 0.8 p = 2 2  1. no respuesta…) por lo que se debe incrementar el tamaño muestral respecto a dichas pérdidas. 7 . Tamaño muestral en estudios biomédicos 4.8 × (1 − 0. el valor de p 1 .9 = 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. la frecuencia de exposición entre los casos.8 ) + 0.

Es habitual tomar β = 0. La frecuencia de la exposición entre los controles ( p ) .. 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. Así.84 . es la frecuencia de la exposición entre los casos. Con estos datos. una potencia del 80 %. 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.05 . y para un planteamiento bilateral. como ya se vio. En caso de que el número de casos y controles no esté equilibrado. 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. y c=m n es el número de controles por cada caso. y son valores que se obtienen de la distribución normal estándar en función de la seguridad y la potencia seleccionadas para el estudio. con que se desea trabajar.96 y z 1−β = 0. 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. No obstante.Así. Recurriendo a las fórmulas habituales para determinar el tamaño muestral mínimo necesario para la comparación de dos proporciones. se precisará conocer: (a) La magnitud de la diferencia a detectar. 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. el problema del cálculo del tamaño muestral podrá abordarse mediante las fórmulas habituales empleadas en la comparación de dos proporciones. (c) La potencia estadística o riesgo de cometer un error de tipo II (1 −β ) que se desea para el estudio. bastaría con conocer dos de los siguientes tres parámetros: • • • Una idea del valor aproximado del OR que se desea estimar ( w ) . En particular. En este caso. es una idea del valor aproximado del OR que se desea estimar. 8 . es la frecuencia de la exposición entre los controles. α = 0. Generalmente con un nivel de seguridad del 95 %. que tenga interés clínicamente relevante. ) 2 [ecuación 2] m es el número de controles. el número de controles vendría dado por m = c × n . es decir. para un nivel de seguridad de un 95 % y una potencia estadística del 80 % se tiene que z 1− α =1. Así mismo. (p ). 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. 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 . 2 .

73 − 0. el investigador reúne un número mayor de controles que de casos con el objeto de incrementar la potencia estadística.60 + 1. 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 %. La frecuencia de exposición entre los casos vendrá dada por: p1 = = = (1− p ) + w p 2 w p2 = 2 4 × 0. 4 ) 2 ) 2 2 ( 0. 4 × (1− 0. 4   Es decir.565) + 0. y conociendo los siguientes parámetros: (a) Frecuencia de exposición entre los controles: 40 %. 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 = (1.73 − 0. 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). 40 1.73) + 0.73× (1− p1 ) + 0.6 Esto es. supóngase que se desea estudiar la existencia de una asociación entre el consumo de tabaco y el hecho de sufrir un infarto de miocardio. En algunos estudios.6 = 0.84 0. 40 ) + 3× 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. De acuerdo con lo expuesto anteriormente. se estima que aproximadamente un 73 % de los casos son fumadores. Con estos datos.73× (1− 0.Ejemplo del cálculo del tamaño muestral en un estudio de casos y controles Como ejemplo.565× (1− 0. Si se reduce el tamaño del efecto a detectar. 40 = 0. de acuerdo con la ecuación 1. 4 × (1− 0. Aplicando la ecuación 1. 40 y. se obtiene:  1. 4 )   ≈ 35 n =    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. (c) Nivel de seguridad: 95 %. 40 ) + 4 × 0. y se asume que el OR a detectar es aproximadamente igual a 3.67 (1− 0. Supóngase que en este ejemplo se planea obtener dos controles por caso.565× (1− 0.96 2 × 0.565 ) + 0. asumiendo que el OR es aproximadamente igual a 3. se obtiene: 2 p1 = (1− p ) + w p 2 w p2 = 2 = 3 × 0. 40 = (1− 0. (b) OR previsto: 4. (d) Potencia estadística: 80 %.84 2 × 0. 4 ) ≈ 40 9 .73 0. Para poner en evidencia dicha asociación y cuantificar su magnitud.96 c ( p1 − p 2 ) ) 2 ( 2 +1) × 0. serían necesarios n = 54 pacientes por grupo para llevar a cabo el estudio.

Por ejemplo. cuando p = 0. la prevalencia esperada. El cálculo del tamaño muestral en los estudios de casos y controles debe formar parte del diseño metodológico. es la población total. El iniciar un estudio sin conocer la potencia estadística y la seguridad para detectar diferencias. si la población es de 500. igual a n por el efecto de diseño. ya que la ejecución de este tipo de estudios es costosa. si es que existen. a continuación se debe establecer cuánto se aceptaría que varíe (precisión).2. la expresión p (1 − p ) tiene un valor creciente a medida que la proporción p se va acercando a 0.000 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. 218 casos. y es la precisión absoluta. Tamaño muestral en estudios en que se indagará sobre una prevalencia En estos se requiere conocer el tamaño de la población. 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 precisión deseada (%). finalmente. el efecto de diseño de la investigación. 271 casos. 10 .25 y con esa cifra se calculará en la fórmula el tamaño muestral. Si se desconoce valor de p aún es posible estimar el tamaño muestral: en la fórmula. con una seguridad de 95 % (entonces z = 1. el efecto del diseño y el error α .000 personas.000 personas. basta con una aproximación razonable. obtener un valor entre 4–10 %.000 personas 264 y si son 1. la muestra requerida es de 278 casos. Disposición de los sujetos incluidos en un estudio de casos y controles. pero no es muy importante tener un conocimiento exacto. Tabla de 2 x 2.50. si sólo son 5. una variación alrededor de 7 % de hasta 3 %. p d es la proporción esperada en la población. El tamaño de la población de la que se extraerá la muestra es habitualmente desconocido. con 95 % de confianza. podría ser motivo de incurrir en un error de tipo II en el sentido de no detectar diferencias cuando realmente las hay. Ello significa que si la proporción poblacional es de 7 % se espera. En este caso se debe tener una idea aproximada de la prevalencia que se está investigando.Por tanto. que será el más elevado para las condiciones establecidas. alcanza su máximo en ese punto y luego va descendiendo nuevamente. 4. Ese tamaño de muestra será. La fórmula: n = donde: n es el tamaño de la muestra. el apropiado.50 la mencionada expresión vale 0. si es de 10. El tamaño de la muestra es. en definitiva. Entonces. seguidamente el nivel de confianza deseado para la indagación y. entonces.96 ). casos expuestos no expuestos a c a+c controles b d b+d a+b c+d n Tabla III. 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 ) . supóngase que se estima una proporción p en la población a estudiar de 7 % y se desea un tamaño muestral que permita. Para estos requisitos.

entonces. índices fijos como sensibilidad y especificidad ofrecen una relación entre las cuatro celdas (a. proporción esperada de falsos positivos o la especificidad. puesto que. El poder estimar algunos valores. b. 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. c. error beta. intervalo de confianza deseado para la sensibilidad y la prevalencia esperada de la patología en estudio. razón de verosimilitud considerada digna de ser detectada. si la proporción de falsos positivos fuera muy alta. Nr r p1 = a (a + c) q1 =1 − p1 . requiere algún conocimiento previo de la situación o efectuar un estudio piloto para obtenerlo. Al mismo tiempo. Como sea. 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. en prueba unilateral (puesto que se espera que el numerador será mayor que el denominador. Tal comparación es entre dos proporciones independientes (aunque intrínsecamente relacionadas) y de tamaño casi siempre diferente. d) de la tabla 2 x 2. Aceptando que se cumplen los requisitos para efectuar la correspondiente prueba de hipótesis. Las razones de verosimilitud (likelihood ratios. si los primeros constituyen un 5%. ya que una cifra mayor supondría una sensibilidad de la prueba superior al 100 %. plantear la búsqueda del tamaño muestral a partir de una comparación de dos proporciones (LR). 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. el numerador corresponde a la sensibilidad de la prueba y el denominador a la proporción de falsos positivos (1-especificidad). y que es igual a p 2 × LR + . se debe elegir un valor de LR+ digno de ser detectado.3.4. LR). 11 . con una proporción de verdaderos enfermos habitualmente inferior a 50 %. es la fracción que representa la muestra más pequeña respecto a la mayor. es decir. (No se comenta con detalle el procedimiento de cálculo). 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. es la sensibilidad de la prueba. 15% y esta seguramente no resultaría de mucho interés al investigador como nivel inicial de detección. como la proporción de falsos positivos. contemplando el nivel de error alfa y beta que se considere adecuado. La estimación de los falsos positivos determina en parte el LR+ elegible. LR+ puede tener como límite un valor sorprendentemente bajo. Es posible. en que se estudia una prueba diagnóstica: Es así como. Por ejemplo.30) tiene un LR+ límite posible de 3.33. sería de una magnitud de consideración. una cifra de falsos positivos del 30 % (0. Tamaño muestral en estudios en que se investigará una prueba diagnóstica Para estos estudios se requiere conocer: error alfa. LR+ veces). 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. Del mismo modo. si se considera un LR+. y el otro.

20). Sin embargo.50.96 = 5. por ejemplo. el segundo grupo debería ser de 285 casos en vez de 83.10) o –1. q 2 =1 − p 2 .05).40 (40 %).326 (para α de 0.60 y la diferencia a detectar 0. Así. consecuentemente p 1 será 0. Si la estimación de falsos positivos fuera más alta o más baja requerirían.10 . el intervalo de confianza de p 2 será al menos tan estrecho como el de la sensibilidad si la prevalencia es menor que 0.y q =1 − p . El intervalo de confianza del 95 % (IC 95 %) de p1 0. fuese mayor o menor. se puede perfeccionar estableciendo el intervalo de confianza (IC) que se considere apropiado o aceptable para la sensibilidad.842 (para un error β de 0. para los fines perseguidos. Como sea. en tales circunstancias se requeriría una muestra menor. como es usual. respectivamente. Entonces 5. Como es de esperar una prevalencia inferior a 50 %. debiera ser 0. El error estándar deseado sería 10 1. Para ello se requerirá una muestra pequeña por tratarse de una gran diferencia. menos y más casos integrando la muestra.50. . en ± 10 %.645 (para un error α de 0. Varios programas informáticos proporcionan este cálculo. conservando la prevalencia estimada. Pero si no es así y la prevalencia supera 0. (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. z 1−α zβ p= p1 + r p 2 r +1 para hipótesis unilateral es 1. con un error α de 5 % y β de 10 %. contemplando una prevalencia de afectados por la patología de interés de 25 % en la muestra y falsos positivos de 22 %.29 (para β 0.5 o mayor (en hipótesis unilateral).05) ó 2. tan cercano a 0.01).05.10 (10 %).50. el número de casos encontrado (95) generaría un intervalo de confianza más estrecho. 12 .20. Por otro lado.55). cambiará substancialmente con la proporción de falsos positivos.70.30 o mayor de 0. por lo que se requerirá una muestra mucho mayor.50. si se establece un LR+ deseable de detectar igual o mayor que 3 y p 2 es 0. la muestra que corresponde a verdaderos enfermos según estándar ideal será N r y la de verdaderos no afectados N . si no se modifica la LR+ escogida. es –0. Dicho de otro modo. una potencia del estudio de 90 %. Ahora bien. Es necesario tener presente que el tamaño de la muestra.15 y la diferencia a detectar sólo de 0. no se requiere una precisión extrema. para un mismo LR+. El siguiente cálculo es adecuado para muestras no muy pequeñas y proporción no menor de 0. para la muestra calculada el intervalo de confianza de p 2 será más ancho de lo deseado. se puede indicar que para detectar un LR+ de 2. Se puede calcular el número de casos necesarios para generar ese error estándar. Estos se encontrarán distribuidos como 28 y 83 casos. –1. es decir. Esto da un N total definitivo de 383 casos. Es de destacar que si el nivel de sensibilidad encontrado (0. contemplando que el procedimiento se modifica si la proporción se aleja mucho de 0. se requiere estudiar un total de 111 casos. Efectuada esta primera fase del cálculo. si p 2 fuese 0.p2 = b (b + d ) es la proporción de falsos positivos (1-especificidad).10 = despejando n se obtienen 95 casos.55 o 55 % puede establecerse.645 (para β de 0.

4. En tales circunstancias se puede verificar la hipótesis k = 0 .50. Tamaño muestral en estudios de cohortes La siguiente fórmula proporciona el número de expuestos requeridos y.50.Si se comenzara con la sensibilidad p 1 y su intervalo de confianza para conocer el respectivo tamaño de la muestra para esa proporción. β Un ensayo clínico controlado puede ser considerado un seguimiento de dos cohortes. 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. naturalmente. una expuesta al tratamiento experimental y la otra no. Sin embargo. es la relación numérica de expuestos/no expuestos (muestra si las cohortes son de igual tamaño o no). 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. Lo usual es tener que efectuar un estudio piloto. 2 13 . puesto que este es igual en expuestos y no expuestos. 4.4. 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. q =1 − p . es el error α y z α es su respectivo valor z . donde se encontrará un n más pequeño para el mismo IC y asimismo si la prevalencia supera 0. 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 . o se calcula con el resultado en la forma de dos proporciones. particularmente si el valor de p 1 se aleja de 0. siendo g el número de categorías en investigación. es el error β y z β es su respectivo valor z . que genera iguales resultados si se emplea RR de 3. 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 . como en el ejemplo recién presentado. expresada en forma decimal: 0.10 en los no expuestos y 0.05 (5 %).5. de todas maneras se requiere verificar que el N total no es insuficiente para los errores α y β establecidos. p0 es la frecuencia de la condición en estudio en la población no expuesta. La similitud se puede comprobar también en el cálculo del tamaño de la muestra. donde la muestra de no afectados sería menor que la de enfermos. 0. La comparación de dos κ requiere un tamaño muestral mínimo de 3 g para poder intentarla.30 en los expuestos. según " r " sería posible conocer la segunda muestra parcial. con un IC mayor que el deseado para el grupo de afectados.

25/ 1.733 0.643 1 Tabla V. Determinación de p c (explicación en el texto). 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.7–64. si se desea detectar como significativamente diferente de cero un κ de 0.3 %). El valor p c se puede determinar según el intervalo de confianza de la prevalencia del hallazgo clínico para cada observador. Por este procedimiento se alcanza a saber que p c 14 .095 sin total 0.observador A con sin total observador B total con sin 25 5 20 10 20 30 25 25 50 Tabla IV. de la manera siguiente: Tomando las prevalencias menores.25 o mayor. Estudio de concordancia entre dos observadores según presencia de una manifestación clínica. es igual a la suma de 0.566. El tamaño muestral será entonces de 79 casos.127. es decir 0.095 y 0. de tal manera que.357 0. como se muestra en la Tabla V. κ=0: Recuérdese que si se desea establecer el número de casos necesario para detectar un κ como ( p < 0.96. se obtendrá que n fluctúa entre 47 y 79 casos.267.567 0. se puede calcular los faltantes. 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 % (26.267. Ahora. sabiendo que el total de la tabla es "1" o 100%. Disponiendo del valor p c y del error estándar de κ = 0 se resolverá n a partir la fórmula indicada anteriormente. observador A con sin total observador B con 0.7–54.56.357 por 0.43 y 0. se puede calcular a su vez los valores esperados en esas celdas (0. 1). En esta.357 y 0. se puede decir que el error estándar de κ igual a cero debe ser de 0. es decir 0. conociendo los marginales 0. Estudio de concordancia entre dos observadores según presencia de una manifestación clínica.471 0.471. Así. p c fluctuará entre 0. Entonces. dividido por el total. Finalmente. teniendo los marginales correspondientes a las celdas "a" y "d".8 %) 50 = 50 % con IC 95% (35. y n es el número de casos a estudiar.095 resulta de 0.

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