Tamaño_muestral

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

5 (50 %).962 × 0.1. α (b) La precisión que se desea para el estudio. Elementos de la Inferencia Estadística 2.95). En caso de no tener dicha información se utilizará el valor p = 0.05). p d es la proporción esperada (en este caso 5 % ó 0. una proporción).96 .96 = 3. ¿a cuántas personas tendría que estudiarse para conocer la prevalencia de diabetes? Seguridad = 95 %. (c) Una idea del valor aproximado del parámetro que se quiere medir (en este caso. Tamaño muestral en estudios para determinar parámetros Con estos estudios se pretende hacer inferencias de valores poblacionales (proporciones. Tamaño muestral para estimar una proporción Si se desea estimar una proporción. medias) a partir de una muestra. debe conocerse: (a) El nivel de confianza o seguridad (1 − α ) .0… Seguridad Muestra Estimación Intervalo de Confianza Observación (experimento. 032 2 .5 (50 %) que maximiza el tamaño muestral: n = 2 2 z2 α × p × q d2 donde: z α = 1. 05 × 0. q =1 − p es la precisión deseada (en este caso un 3 %): n = 1. para un nivel de seguridad del 99 % α = 2. Esta idea se puede obtener revisando la literatura o mediante estudio pilotos previos.95 = 203 0. Por ejemplo. El nivel de confianza prefijado da lugar a un coeficiente ( z ) . Precisión = 3 %. 2.Población p < 0. Proporción esperada = asumiendo que puede ser próxima al 5 %.05 = 0. (en este caso 1 – 0.58 . Para un nivel de seguridad del 95 % α =1.84 ya que la seguridad buscada es del 95 %. si no se tuviese ninguna idea de dicha proporción se utilizaría el valor p = 0. medición) Resultados Figura 1.

576. Tamaño muestral para estimar una media Si se desea estimar una media habrá que conocer: (a) El nivel de confianza o seguridad (1 − α ) . Para un nivel de seguridad del 95 %. Si la seguridad z α fuese del 97. es la proporción esperada (en este caso 5 % ó 0. 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. (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.962 × 0. 2. 7 32 3 . Precisión = 3 %. si se desea conocer la media de la glucemia basal de una población.95 El coeficiente de z α varía según diferentes niveles de seguridad. d 2 × ( N − 1) + z 2 α × p×q N × z2 α × p×q z2 α es 1.95 ).645.96. 05 × 0.000 habitantes tendría que estudiarse para conocer la prevalencia de diabetes? Seguridad = 95 %. la respuesta sería: n = donde: N es el total de la población. si no se tuviese ninguna idea de dicha proporción se utilizaría el valor p = 0.96 si la seguridad deseada es del 95 %. 032 × (15000 − 1) + 1. 2 p q =1 − p d es la precisión (en este caso se desea un 3 %).05). 05 × 0.5 % el coeficiente sería 2. Si la seguridad z α fuese del 99 % el coeficiente sería 2. Si la seguridad Zα del 95 % el coeficiente sería 1.962 × 250 = 106.95 = 200 0.5 (50 %) que maximiza el tamaño muestral: n = 15000 ×1.Si la población es finita. así: • • • • Si la seguridad z α fuese del 90 % el coeficiente sería 1. Proporción esperada = asumiendo que puede ser próxima al 5 %. (en este caso 1 − 0. ¿A cuántas personas de una población de 15. 05 = 0.24. para un nivel de seguridad del 99 % α = 2. α =1.96 . es decir se conoce el total de la población y se desea saber cuántos individuos hay que estudiar.2.962 × 0.58 . El nivel de confianza prefijado da lugar a un coeficiente ( z ) . α (b) La precisión con que se desea estimar el parámetro ( 2 × d es la amplitud del intervalo de confianza).

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

60 p1 0.50 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.70 0.05 y β de 0. es el “arco seno” (corresponde "al ángulo cuyo seno es el valor dado") de la raíz cuadrada de la segunda proporción.3.20.96 si es bilateral. incluye las dos proporciones y los errores α y β .50 0. 64 × 1.30 0. A modo de ejemplo. véase los datos que se proporcionan en la tabla II.05 para una prueba unilateral y 1. El cálculo del tamaño muestral para estudiar la diferencia entre dos proporciones en una tabla de 2 x 2. Debe contemplarse una proporción p1 como "control" o valor "patrón" y la otra p 2 como "experimental".30 0.40 0. La prueba de hipótesis que se supone se empleará con los resultados del estudio es ji cuadrado. 5 . dado error α de 0. p2 0.10 0. En tales condiciones:  n = 1. 3. zα zβ s2 d 1 En una calculadora “ arcsin ” sería “ sin ” elevado a –1. 6 ×   arcsin  donde: z α ( zα + zβ p1 − arcsin ) ( p2 )     2 es 1.64 si α es 0. es el valor mínimo de la diferencia que se desea detectar (datos cuantitativos). para hipótesis unilateral.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. según proporciones que se comparan p 1 y p 2 .84 si β es 0.20 84 36 19 14 73 30 20 56 34 67 Tabla I.80 0.05 73 36 23 15 10 8 6 84 41 23 15 10 9 85 42 23 13 11 0. es la varianza de la variable cuantitativa que tiene el grupo control o de referencia. Tamaño muestral necesario por grupo. es el valor z correspondiente al riesgo deseado.20 0. con hipótesis unilateral.60 0.40 0.20. es 0. es el valor z correspondiente al riesgo deseado. 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. tanto para una prueba unilateral como bilateral.

036 1.576 potencia β 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.45 0.60 0.524 0. Se acepta un riesgo de 0.40 0. 6 .35 0.50 (1-β) 0.25 0.99 0. si es que existen: n = 2 ( z α + z β ) s2 2 d2 2 2 (1. 282 ) 162 n = = 19.645 1.200 0.100 0.05 y se desea una potencia estadística del 90 % para detectar diferencias.282 1.95 0.025 0.842 0.326 test bilateral 1.645 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.10 0.55 0.50 Zβ 2.65 0.85 0.20 0.30 0. Por estudios previos sabemos que la desviación típica de la glucemia en pacientes que reciben el tratamiento habitual es de 16 mg/dl.15 0.000 Tabla II. Valores de z α y z β más frecuentemente utilizados.674 0.960 2.05 0.282 1.010 Zα test unilateral 0.75 0. 645 + 1.036 0.326 1.01 0.960 2. El nivel de riesgo se fija en 0.70 0.150 0.385 0.282 1.05 y se desea una potencia estadística de un 80 %.126 0.253 0.645 1.80 0.240 2. pues.050 0. 49 152 se precisan. 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 %.842 1.90 0. 20 pacientes en cada grupo.Los valores z α según el nivel de seguridad y z β según la potencia se indican en la tabla II: α 0.440 1.

el valor de p 1 .9 = 0.8 ) + 0. 645 2 × 0.1 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. y se prevé que el OR asociado al factor de estudio es w . la frecuencia de exposición entre los casos.842 0.8 p = 2 2  1. 7 ) + 0.15  pacientes en cada grupo. 7 + 0. 7 . 7 × (1 − 0. 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. Si se conoce la probabilidad de exposición entre los controles p 2 . Así por ejemplo.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. 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. abandono. 7 − 0. el tamaño muestral necesario sería:  1  48   = 56  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. si en el estudio anterior se espera tener un 15 % de pérdidas. no respuesta…) por lo que se debe incrementar el tamaño muestral respecto a dichas pérdidas. 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.9 )      0. Tamaño muestral en estudios biomédicos 4.9 × (1 − 0.8 × (1 − 0. R es la proporción esperada de pérdidas. 4.

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

En algunos estudios. serían necesarios n = 54 pacientes por grupo para llevar a cabo el estudio.565) + 0.73) + 0. 40 = 0. Aplicando la ecuación 1.84 0.60 + 1. 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 4.96 2 × 0. se obtiene:  1.67 (1− 0. 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 %. (b) OR previsto: 4. Si se reduce el tamaño del efecto a detectar.6 Esto es. asumiendo que el OR es aproximadamente igual a 3. de acuerdo con la ecuación 1.96 c ( p1 − p 2 ) ) 2 ( 2 +1) × 0. La frecuencia de exposición entre los casos vendrá dada por: p1 = = = (1− p ) + w p 2 w p2 = 2 4 × 0. y conociendo los siguientes parámetros: (a) Frecuencia de exposición entre los controles: 40 %. y se asume que el OR a detectar es aproximadamente igual a 3.73 − 0. 40 1. (c) Nivel de seguridad: 95 %. 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. 40 ) + 3× 0. 4   Es decir.73× (1− 0.Ejemplo del cálculo del tamaño muestral en un estudio de casos y controles Como ejemplo.565 ) + 0. 4 × (1− 0.73 0.565× (1− 0. 40 y. se estima que aproximadamente un 73 % de los casos son fumadores. 4 )   ≈ 35 n =    0.73× (1− p1 ) + 0. (d) Potencia estadística: 80 %.565× (1− 0. 4 ) 2 ) 2 2 ( 0.84 2 × 0. Supóngase que en este ejemplo se planea obtener dos controles por caso. Con estos datos. 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 obtiene: 2 p1 = (1− p ) + w p 2 w p2 = 2 = 3 × 0. 40 ) + 4 × 0. 4 ) ≈ 40 9 . De acuerdo con lo expuesto anteriormente. 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). 4 × (1− 0.6 = 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. el investigador reúne un número mayor de controles que de casos con el objeto de incrementar la potencia estadística. 40 = (1− 0. Para poner en evidencia dicha asociación y cuantificar su magnitud.

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

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

05) ó 2. Esto da un N total definitivo de 383 casos.y q =1 − p . conservando la prevalencia estimada. fuese mayor o menor. –1.29 (para β 0.10 = despejando n se obtienen 95 casos.10) o –1. respectivamente.05. Efectuada esta primera fase del cálculo. si p 2 fuese 0. Como es de esperar una prevalencia inferior a 50 %.05). El siguiente cálculo es adecuado para muestras no muy pequeñas y proporción no menor de 0. es decir. una potencia del estudio de 90 %. Estos se encontrarán distribuidos como 28 y 83 casos. (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. para un mismo LR+.p2 = b (b + d ) es la proporción de falsos positivos (1-especificidad).50. Es necesario tener presente que el tamaño de la muestra.60 y la diferencia a detectar 0. la muestra que corresponde a verdaderos enfermos según estándar ideal será N r y la de verdaderos no afectados N .40 (40 %). consecuentemente p 1 será 0. Ahora bien. Entonces 5. en ± 10 %. por ejemplo. para la muestra calculada el intervalo de confianza de p 2 será más ancho de lo deseado. Como sea. Dicho de otro modo. Para ello se requerirá una muestra pequeña por tratarse de una gran diferencia. . Pero si no es así y la prevalencia supera 0. se puede perfeccionar estableciendo el intervalo de confianza (IC) que se considere apropiado o aceptable para la sensibilidad. en tales circunstancias se requeriría una muestra menor. es –0. menos y más casos integrando la muestra.842 (para un error β de 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. si no se modifica la LR+ escogida. Por otro lado.70.645 (para un error α de 0.50. cambiará substancialmente con la proporción de falsos positivos.96 = 5.55 o 55 % puede establecerse. 12 .5 o mayor (en hipótesis unilateral).30 o mayor de 0. por lo que se requerirá una muestra mucho mayor. Así. contemplando que el procedimiento se modifica si la proporción se aleja mucho de 0.20. si se establece un LR+ deseable de detectar igual o mayor que 3 y p 2 es 0.01). El intervalo de confianza del 95 % (IC 95 %) de p1 0.10 . contemplando una prevalencia de afectados por la patología de interés de 25 % en la muestra y falsos positivos de 22 %. El error estándar deseado sería 10 1. para los fines perseguidos.20). q 2 =1 − p 2 . Si la estimación de falsos positivos fuera más alta o más baja requerirían. Se puede calcular el número de casos necesarios para generar ese error estándar. debiera ser 0. con un error α de 5 % y β de 10 %.15 y la diferencia a detectar sólo de 0. se puede indicar que para detectar un LR+ de 2. se requiere estudiar un total de 111 casos. tan cercano a 0. el número de casos encontrado (95) generaría un intervalo de confianza más estrecho. no se requiere una precisión extrema.55). el segundo grupo debería ser de 285 casos en vez de 83.50. z 1−α zβ p= p1 + r p 2 r +1 para hipótesis unilateral es 1. Varios programas informáticos proporcionan este cálculo.645 (para β de 0. como es usual.326 (para α de 0. Es de destacar que si el nivel de sensibilidad encontrado (0.50.10 (10 %). Sin embargo.

0. 4.4. Tamaño muestral en estudios de cohortes La siguiente fórmula proporciona el número de expuestos requeridos y.30 en los expuestos. es la relación numérica de expuestos/no expuestos (muestra si las cohortes son de igual tamaño o no). Sin embargo. 4. es el error α y z α es su respectivo valor z . que genera iguales resultados si se emplea RR de 3. de todas maneras se requiere verificar que el N total no es insuficiente para los errores α y β establecidos. q =1 − p . Lo usual es tener que efectuar un estudio piloto. 2 13 . 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 . p0 es la frecuencia de la condición en estudio en la población no expuesta. puesto que este es igual en expuestos y no expuestos. 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. siendo g el número de categorías en investigación. una expuesta al tratamiento experimental y la otra no.05 (5 %).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. con un IC mayor que el deseado para el grupo de afectados. La comparación de dos κ requiere un tamaño muestral mínimo de 3 g para poder intentarla. 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 . donde la muestra de no afectados sería menor que la de enfermos. particularmente si el valor de p 1 se aleja de 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. como en el ejemplo recién presentado. En tales circunstancias se puede verificar la hipótesis k = 0 .50. donde se encontrará un n más pequeño para el mismo IC y asimismo si la prevalencia supera 0.10 en los no expuestos y 0. 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. es el error β y z β es su respectivo valor z . naturalmente.5. expresada en forma decimal: 0. o se calcula con el resultado en la forma de dos proporciones. La similitud se puede comprobar también en el cálculo del tamaño de la muestra. β Un ensayo clínico controlado puede ser considerado un seguimiento de dos cohortes. según " r " sería posible conocer la segunda muestra parcial.

7–64.3 %).095 resulta de 0.25/ 1. Disponiendo del valor p c y del error estándar de κ = 0 se resolverá n a partir la fórmula indicada anteriormente. Finalmente.267.357 y 0.observador A con sin total observador B total con sin 25 5 20 10 20 30 25 25 50 Tabla IV.095 y 0. p c fluctuará entre 0. Estudio de concordancia entre dos observadores según presencia de una manifestación clínica. El valor p c se puede determinar según el intervalo de confianza de la prevalencia del hallazgo clínico para cada observador. de tal manera que.567 0.471.25 o mayor.566. sabiendo que el total de la tabla es "1" o 100%.43 y 0.7–54. dividido por el total.357 0.8 %) 50 = 50 % con IC 95% (35. se puede calcular a su vez los valores esperados en esas celdas (0. teniendo los marginales correspondientes a las celdas "a" y "d". se puede calcular los faltantes. 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.095 sin total 0.357 por 0.471 0. 1). es decir 0. En esta. 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. conociendo los marginales 0.96. Por este procedimiento se alcanza a saber que p c 14 .56. y n es el número de casos a estudiar. de la manera siguiente: Tomando las prevalencias menores.733 0. Ahora.127. es igual a la suma de 0. como se muestra en la Tabla V. se puede decir que el error estándar de κ igual a cero debe ser de 0. Entonces. si se desea detectar como significativamente diferente de cero un κ de 0. Así. κ=0: Recuérdese que si se desea establecer el número de casos necesario para detectar un κ como ( p < 0. El tamaño muestral será entonces de 79 casos. se obtendrá que n fluctúa entre 47 y 79 casos. Determinación de p c (explicación en el texto).267.643 1 Tabla V. observador A con sin total observador B con 0. Estudio de concordancia entre dos observadores según presencia de una manifestación clínica. es decir 0.

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

Sign up to vote on this title
UsefulNot useful