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

0… Seguridad Muestra Estimación Intervalo de Confianza Observación (experimento.96 .05).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. p d es la proporción esperada (en este caso 5 % ó 0.96 = 3.95). 2.58 . Por ejemplo. El nivel de confianza prefijado da lugar a un coeficiente ( z ) . Tamaño muestral para estimar una proporción Si se desea estimar una proporción.05 = 0.Población p < 0. q =1 − p es la precisión deseada (en este caso un 3 %): n = 1. Proporción esperada = asumiendo que puede ser próxima al 5 %. α (b) La precisión que se desea para el estudio. 05 × 0. 032 2 . medias) a partir de una muestra. En caso de no tener dicha información se utilizará el valor p = 0. una proporción).84 ya que la seguridad buscada es del 95 %. ¿a cuántas personas tendría que estudiarse para conocer la prevalencia de diabetes? Seguridad = 95 %. debe conocerse: (a) El nivel de confianza o seguridad (1 − α ) .962 × 0. (c) Una idea del valor aproximado del parámetro que se quiere medir (en este caso. para un nivel de seguridad del 99 % α = 2.1.5 (50 %). Elementos de la Inferencia Estadística 2. Precisión = 3 %. (en este caso 1 – 0. medición) Resultados Figura 1. 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. si no se tuviese ninguna idea de dicha proporción se utilizaría el valor p = 0.95 = 203 0.

(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. Proporción esperada = asumiendo que puede ser próxima al 5 %. si se desea conocer la media de la glucemia basal de una población. El nivel de confianza prefijado da lugar a un coeficiente ( z ) .962 × 0. Para un nivel de seguridad del 95 %. 2. 05 × 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. es decir se conoce el total de la población y se desea saber cuántos individuos hay que estudiar. (en este caso 1 − 0. α =1.05). la respuesta sería: n = donde: N es el total de la población.962 × 0.Si la población es finita.95 = 200 0.645. para un nivel de seguridad del 99 % α = 2.24. Si la seguridad z α fuese del 99 % el coeficiente sería 2. 7 32 3 .96 si la seguridad deseada es del 95 %.58 . Tamaño muestral para estimar una media Si se desea estimar una media habrá que conocer: (a) El nivel de confianza o seguridad (1 − α ) .576. ¿A cuántas personas de una población de 15.000 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 %). α (b) La precisión con que se desea estimar el parámetro ( 2 × d es la amplitud del intervalo de confianza).95 ). d 2 × ( N − 1) + z 2 α × p×q N × z2 α × p×q z2 α es 1. es la proporción esperada (en este caso 5 % ó 0. Si la seguridad Zα del 95 % el coeficiente sería 1.96.2. Si la seguridad z α fuese del 97. así: • • • • Si la seguridad z α fuese del 90 % el coeficiente sería 1. 032 × (15000 − 1) + 1.962 × 250 = 106. Precisión = 3 %. 05 × 0.96 .5 (50 %) que maximiza el tamaño muestral: n = 15000 ×1. si no se tuviese ninguna idea de dicha proporción se utilizaría el valor p = 0.95 El coeficiente de z α varía según diferentes niveles de seguridad.5 % el coeficiente sería 2. 05 = 0.

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

es el “arco seno” (corresponde "al ángulo cuyo seno es el valor dado") de la raíz cuadrada de la segunda proporción.40 0. es el valor z correspondiente al riesgo deseado. En tales condiciones:  n = 1.50 0.64 si α es 0.30 0.80 0.3. es 0. p2 0.96 si es bilateral.20 0.05 y β de 0.60 0.50 0.20. 3. es el valor z correspondiente al riesgo deseado.05 73 36 23 15 10 8 6 84 41 23 15 10 9 85 42 23 13 11 0. véase los datos que se proporcionan en la tabla II. es la varianza de la variable cuantitativa que tiene el grupo control o de referencia.60 p1 0.40 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. dado error α de 0. zα zβ s2 d 1 En una calculadora “ arcsin ” sería “ sin ” elevado a –1. A modo de ejemplo. según proporciones que se comparan p 1 y p 2 . La prueba de hipótesis que se supone se empleará con los resultados del estudio es ji cuadrado. para hipótesis unilateral. con hipótesis unilateral. 5 . 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. 64 × 1. incluye las dos proporciones y los errores α y β .20 84 36 19 14 73 30 20 56 34 67 Tabla I.10 0.05 para una prueba unilateral y 1. tanto para una prueba unilateral como bilateral. Debe contemplarse una proporción p1 como "control" o valor "patrón" y la otra p 2 como "experimental". es el valor mínimo de la diferencia que se desea detectar (datos cuantitativos).84 si β es 0. 6 ×   arcsin  donde: z α ( zα + zβ p1 − arcsin ) ( p2 )     2 es 1. El cálculo del tamaño muestral para estudiar la diferencia entre dos proporciones en una tabla de 2 x 2. Tamaño muestral necesario por grupo.70 0.20.30 0.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.

70 0.440 1. 282 ) 162 n = = 19.036 0.95 0.05 y se desea una potencia estadística de un 80 %. Por estudios previos sabemos que la desviación típica de la glucemia en pacientes que reciben el tratamiento habitual es de 16 mg/dl.645 1.282 1.036 1.05 y se desea una potencia estadística del 90 % para detectar diferencias. si es que existen: n = 2 ( z α + z β ) s2 2 d2 2 2 (1.842 0. 6 .75 0.282 1.35 0.60 0.Los valores z α según el nivel de seguridad y z β según la potencia se indican en la tabla II: α 0.282 1.200 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.10 0. 49 152 se precisan.30 0.960 2.85 0.100 0.842 1.000 Tabla II. Valores de z α y z β más frecuentemente utilizados.55 0.010 Zα test unilateral 0.65 0.645 1.150 0.90 0.126 0.050 0. El nivel de riesgo se fija en 0.576 potencia β 0.40 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 %.80 0.240 2.025 0.960 2.99 0.50 (1-β) 0.674 0. 645 + 1.20 0.524 0. pues.645 1.01 0.25 0.385 0.326 1.326 test bilateral 1.05 0. 20 pacientes en cada grupo.253 0.15 0. Se acepta un riesgo de 0.50 Zβ 2.45 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.

el valor de p 1 . z 2 p (1 − p ) + z p (1 − p ) + p (1 − p )  α β 1 1 2 2  n =    p1 − p 2     0.9 × (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.9 )      0. Tamaño muestral en estudios biomédicos 4. 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.15  pacientes en cada grupo. 645 2 × 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. w valor aproximado del OR que se desea estimar. 7 − 0. Si se conoce la probabilidad de exposición entre los controles p 2 .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.9 = 0. abandono. 7 ) + 0. 7 . la frecuencia de exposición entre los casos. y se prevé que el OR asociado al factor de estudio es w .8 p = 2 2  1.9   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 necesario sería:  1  48   = 56  1 − 0. no respuesta…) por lo que se debe incrementar el tamaño muestral respecto a dichas pérdidas. 7 × (1 − 0. 7 + 0.8 × (1 − 0.8 ) + 0. R es la proporción esperada de pérdidas. Así por ejemplo.842 0.

una potencia del 80 %. ) 2 [ecuación 2] m es el número de controles. 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. y c=m n es el número de controles por cada caso. α = 0.96 y z 1−β = 0. el problema del cálculo del tamaño muestral podrá abordarse mediante las fórmulas habituales empleadas en la comparación de dos proporciones. 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. 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 . que tenga interés clínicamente relevante. No obstante. Generalmente con un nivel de seguridad del 95 %.. bastaría con conocer dos de los siguientes tres parámetros: • • • Una idea del valor aproximado del OR que se desea estimar ( w ) . Recurriendo a las fórmulas habituales para determinar el tamaño muestral mínimo necesario para la comparación de dos proporciones. 8 . 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. el número de controles vendría dado por m = c × n . 2 . Así mismo.84 . 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. como ya se vio.Así.05 . y para un planteamiento bilateral. es la frecuencia de la exposición entre los controles. 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. es la frecuencia de la exposición entre los casos. es decir. (p ). La frecuencia de la exposición entre los controles ( p ) . En este caso. se precisará conocer: (a) La magnitud de la diferencia a detectar. es una idea del valor aproximado del OR que se desea estimar. 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. En particular. En caso de que el número de casos y controles no esté equilibrado. (c) La potencia estadística o riesgo de cometer un error de tipo II (1 −β ) que se desea para el estudio. y son valores que se obtienen de la distribución normal estándar en función de la seguridad y la potencia seleccionadas para el estudio. Con estos datos. Es habitual tomar β = 0. con que se desea trabajar. para un nivel de seguridad de un 95 % y una potencia estadística del 80 % se tiene que z 1− α =1.

Si se reduce el tamaño del efecto a detectar. Aplicando la ecuación 1.73× (1− p1 ) + 0. 40 ) + 4 × 0. el investigador reúne un número mayor de controles que de casos con el objeto de incrementar la potencia estadística. 4 × (1− 0.60 + 1. y se asume que el OR a detectar 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. 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).84 2 × 0. 40 = (1− 0.96 2 × 0. 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 = (1.565) + 0. (b) OR previsto: 4.73) + 0. 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 4.96 c ( p1 − p 2 ) ) 2 ( 2 +1) × 0. (d) Potencia estadística: 80 %. 4 ) ≈ 40 9 . 40 ) + 3× 0. Con estos datos. y conociendo los siguientes parámetros: (a) Frecuencia de exposición entre los controles: 40 %.73 0.84 0.73 − 0. 4 × (1− 0. 4   Es decir. asumiendo que el OR es aproximadamente igual a 3.6 = 0.565× (1− 0. 40 y. de acuerdo con la ecuación 1. se estima que aproximadamente un 73 % de los casos son fumadores.73 − 0. En algunos estudios.6 Esto es. 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. Para poner en evidencia dicha asociación y cuantificar su magnitud. De acuerdo con lo expuesto anteriormente. serían necesarios n = 54 pacientes por grupo para llevar a cabo el estudio. (c) Nivel de seguridad: 95 %. Supóngase que en este ejemplo se planea obtener dos controles por caso. se obtiene: 2 p1 = (1− p ) + w p 2 w p2 = 2 = 3 × 0.67 (1− 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. 4 ) 2 ) 2 2 ( 0.565 ) + 0.73× (1− 0. 40 = 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 %. se obtiene:  1.Ejemplo del cálculo del tamaño muestral en un estudio de casos y controles Como ejemplo. 40 1.565× (1− 0.

000 personas. 271 casos.25 y con esa cifra se calculará en la fórmula el tamaño muestral. Entonces. 218 casos.50 la mencionada expresión vale 0. el efecto de diseño de la investigación. seguidamente el nivel de confianza deseado para la indagación y. 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. En este caso se debe tener una idea aproximada de la prevalencia que se está investigando. entonces. la prevalencia esperada. Tabla de 2 x 2. Por ejemplo. la precisión deseada (%). basta con una aproximación razonable.Por tanto. 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. Tamaño muestral en estudios en que se indagará sobre una prevalencia En estos se requiere conocer el tamaño de la población. igual a n por el efecto de diseño. ya que la ejecución de este tipo de estudios es costosa. La fórmula: n = donde: n es el tamaño de la muestra. si es que existen. cuando p = 0.96 ). obtener un valor entre 4–10 %. alcanza su máximo en ese punto y luego va descendiendo nuevamente. en definitiva. El tamaño de la muestra es. El cálculo del tamaño muestral en los estudios de casos y controles debe formar parte del diseño metodológico. con una seguridad de 95 % (entonces z = 1. la muestra requerida es de 278 casos. el efecto del diseño y el error α . pero no es muy importante tener un conocimiento exacto. El tamaño de la población de la que se extraerá la muestra es habitualmente desconocido. p d es la proporción esperada en la población.000 personas.2. supóngase que se estima una proporción p en la población a estudiar de 7 % y se desea un tamaño muestral que permita. a continuación se debe establecer cuánto se aceptaría que varíe (precisión). el apropiado. Para estos requisitos. con 95 % de confianza. si sólo son 5. Disposición de los sujetos incluidos en un estudio de casos y controles. es la población total. Ello significa que si la proporción poblacional es de 7 % se espera. finalmente. una variación alrededor de 7 % de hasta 3 %. 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 ) . la expresión p (1 − p ) tiene un valor creciente a medida que la proporción p se va acercando a 0. 4. 10 .000 personas 264 y si son 1.50. 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. Si se desconoce valor de p aún es posible estimar el tamaño muestral: en la fórmula.000 personas. y es la precisión absoluta. que será el más elevado para las condiciones establecidas. El iniciar un estudio sin conocer la potencia estadística y la seguridad para detectar diferencias. si la población es de 500. si es de 10. podría ser motivo de incurrir en un error de tipo II en el sentido de no detectar diferencias cuando realmente las hay.

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. una cifra de falsos positivos del 30 % (0. Aceptando que se cumplen los requisitos para efectuar la correspondiente prueba de hipótesis. Por ejemplo. b. c. Nr r p1 = a (a + c) q1 =1 − p1 . d) de la tabla 2 x 2.30) tiene un LR+ límite posible de 3. Del mismo modo. 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. y el otro. contemplando el nivel de error alfa y beta que se considere adecuado. entonces.3. Tamaño muestral en estudios en que se investigará una prueba diagnóstica Para estos estudios se requiere conocer: error alfa. se debe elegir un valor de LR+ digno de ser detectado. razón de verosimilitud considerada digna de ser detectada. plantear la búsqueda del tamaño muestral a partir de una comparación de dos proporciones (LR). Al mismo tiempo. con una proporción de verdaderos enfermos habitualmente inferior a 50 %. es la fracción que representa la muestra más pequeña respecto a la mayor. Como sea. y que es igual a p 2 × LR + . ya que una cifra mayor supondría una sensibilidad de la prueba superior al 100 %. el numerador corresponde a la sensibilidad de la prueba y el denominador a la proporción de falsos positivos (1-especificidad). La estimación de los falsos positivos determina en parte el LR+ elegible. Es posible. es la sensibilidad de la prueba. sería de una magnitud de consideración. índices fijos como sensibilidad y especificidad ofrecen una relación entre las cuatro celdas (a. como la proporción de falsos positivos. El poder estimar algunos valores. en prueba unilateral (puesto que se espera que el numerador será mayor que el denominador. (No se comenta con detalle el procedimiento de cálculo). si los primeros constituyen un 5%. 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. 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. 11 . 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. puesto que. error beta. LR). Las razones de verosimilitud (likelihood ratios.4. proporción esperada de falsos positivos o la especificidad. si la proporción de falsos positivos fuera muy alta.33. requiere algún conocimiento previo de la situación o efectuar un estudio piloto para obtenerlo. 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. si se considera un LR+. es decir. Tal comparación es entre dos proporciones independientes (aunque intrínsecamente relacionadas) y de tamaño casi siempre diferente. LR+ veces). en que se estudia una prueba diagnóstica: Es así como. 15% y esta seguramente no resultaría de mucho interés al investigador como nivel inicial de detección.

70. Esto da un N total definitivo de 383 casos. si se establece un LR+ deseable de detectar igual o mayor que 3 y p 2 es 0.15 y la diferencia a detectar sólo de 0. es decir. Como sea.326 (para α de 0. Para ello se requerirá una muestra pequeña por tratarse de una gran diferencia. q 2 =1 − p 2 . Se puede calcular el número de casos necesarios para generar ese error estándar. Es necesario tener presente que el tamaño de la muestra. debiera ser 0.20.50. Por otro lado. si p 2 fuese 0.10 (10 %).842 (para un error β de 0.29 (para β 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. Dicho de otro modo. Es de destacar que si el nivel de sensibilidad encontrado (0. tan cercano a 0. se puede perfeccionar estableciendo el intervalo de confianza (IC) que se considere apropiado o aceptable para la sensibilidad. por ejemplo. Sin embargo. Como es de esperar una prevalencia inferior a 50 %.y q =1 − p . para los fines perseguidos.50. 12 . El error estándar deseado sería 10 1. es –0.40 (40 %). el segundo grupo debería ser de 285 casos en vez de 83. el número de casos encontrado (95) generaría un intervalo de confianza más estrecho. –1.05) ó 2.50.05).55). Pero si no es así y la prevalencia supera 0. Estos se encontrarán distribuidos como 28 y 83 casos. fuese mayor o menor. conservando la prevalencia estimada.20). Entonces 5. z 1−α zβ p= p1 + r p 2 r +1 para hipótesis unilateral es 1. como es usual. con un error α de 5 % y β de 10 %. contemplando que el procedimiento se modifica si la proporción se aleja mucho de 0. respectivamente. El siguiente cálculo es adecuado para muestras no muy pequeñas y proporción no menor de 0. El intervalo de confianza del 95 % (IC 95 %) de p1 0.645 (para un error α de 0. . Si la estimación de falsos positivos fuera más alta o más baja requerirían. la muestra que corresponde a verdaderos enfermos según estándar ideal será N r y la de verdaderos no afectados N . se puede indicar que para detectar un LR+ de 2. no se requiere una precisión extrema. por lo que se requerirá una muestra mucho mayor. cambiará substancialmente con la proporción de falsos positivos.p2 = b (b + d ) es la proporción de falsos positivos (1-especificidad).01). en ± 10 %. (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. menos y más casos integrando la muestra. Ahora bien. Efectuada esta primera fase del cálculo. en tales circunstancias se requeriría una muestra menor.05.10 = despejando n se obtienen 95 casos.60 y la diferencia a detectar 0. contemplando una prevalencia de afectados por la patología de interés de 25 % en la muestra y falsos positivos de 22 %. se requiere estudiar un total de 111 casos.55 o 55 % puede establecerse. si no se modifica la LR+ escogida.10) o –1.645 (para β de 0. para un mismo LR+. para la muestra calculada el intervalo de confianza de p 2 será más ancho de lo deseado.96 = 5. consecuentemente p 1 será 0.50. Varios programas informáticos proporcionan este cálculo. una potencia del estudio de 90 %.30 o mayor de 0. Así.5 o mayor (en hipótesis unilateral).10 .

como en el ejemplo recién presentado. es el error α y z α es su respectivo valor z .10 en los no expuestos y 0. Lo usual es tener que efectuar un estudio piloto. puesto que este es igual en expuestos y no expuestos. 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 . 4. particularmente si el valor de p 1 se aleja de 0. una expuesta al tratamiento experimental y la otra no.4. 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 .30 en los expuestos. donde la muestra de no afectados sería menor que la de enfermos. que genera iguales resultados si se emplea RR de 3.50. según " r " sería posible conocer la segunda muestra parcial. 4. 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. con un IC mayor que el deseado para el grupo de afectados.Si se comenzara con la sensibilidad p 1 y su intervalo de confianza para conocer el respectivo tamaño de la muestra para esa proporción. 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. o se calcula con el resultado en la forma de dos proporciones. 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. En tales circunstancias se puede verificar la hipótesis k = 0 . es la relación numérica de expuestos/no expuestos (muestra si las cohortes son de igual tamaño o no). 0. 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. β Un ensayo clínico controlado puede ser considerado un seguimiento de dos cohortes.50. Sin embargo. siendo g el número de categorías en investigación. es el error β y z β es su respectivo valor z . Tamaño muestral en estudios de cohortes La siguiente fórmula proporciona el número de expuestos requeridos y. La comparación de dos κ requiere un tamaño muestral mínimo de 3 g para poder intentarla.05 (5 %). expresada en forma decimal: 0. naturalmente. 2 13 . donde se encontrará un n más pequeño para el mismo IC y asimismo si la prevalencia supera 0.5. La similitud se puede comprobar también en el cálculo del tamaño de la muestra. q =1 − p .

Estudio de concordancia entre dos observadores según presencia de una manifestación clínica.471 0. Ahora.643 1 Tabla V. En esta.7–54. dividido por el total.25 o mayor. y n es el número de casos a estudiar. es igual a la suma de 0.267.43 y 0.357 0. El tamaño muestral será entonces de 79 casos. de tal manera que.095 sin total 0.566.observador A con sin total observador B total con sin 25 5 20 10 20 30 25 25 50 Tabla IV.96. 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. teniendo los marginales correspondientes a las celdas "a" y "d". como se muestra en la Tabla V.7–64.357 y 0.357 por 0. es decir 0.733 0. El valor p c se puede determinar según el intervalo de confianza de la prevalencia del hallazgo clínico para cada observador. Determinación de p c (explicación en el texto). 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. κ=0: Recuérdese que si se desea establecer el número de casos necesario para detectar un κ como ( p < 0.56. p c fluctuará entre 0. Finalmente.095 y 0. se obtendrá que n fluctúa entre 47 y 79 casos. es decir 0. 1). observador A con sin total observador B con 0. se puede calcular a su vez los valores esperados en esas celdas (0. Por este procedimiento se alcanza a saber que p c 14 .471. sabiendo que el total de la tabla es "1" o 100%.095 resulta de 0. conociendo los marginales 0.267. de la manera siguiente: Tomando las prevalencias menores. Así.3 %).8 %) 50 = 50 % con IC 95% (35. Estudio de concordancia entre dos observadores según presencia de una manifestación clínica.127.25/ 1. se puede calcular los faltantes. Disponiendo del valor p c y del error estándar de κ = 0 se resolverá n a partir la fórmula indicada anteriormente. Entonces. si se desea detectar como significativamente diferente de cero un κ de 0.567 0. se puede decir que el error estándar de κ igual a cero debe ser de 0.

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

Sign up to vote on this title
UsefulNot useful