DETERMINACIÓN DEL TAMAÑO MUESTRAL

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

1 2
2 3

3. TAMAÑO MUESTRAL EN ESTUDIOS PARA CONTRASTE DE HIPÓTESIS

4

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

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

7
7 10 11 13 13

5. BIBLIOGRAFÍA 1. Introducción

15

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

1

96 = 3. En caso de no tener dicha información se utilizará el valor p = 0.1.95).05 = 0. medias) a partir de una muestra.962 × 0.58 . 032 2 . Por ejemplo. q =1 − p es la precisión deseada (en este caso un 3 %): n = 1. Tamaño muestral en estudios para determinar parámetros Con estos estudios se pretende hacer inferencias de valores poblacionales (proporciones. debe conocerse: (a) El nivel de confianza o seguridad (1 − α ) . si no se tuviese ninguna idea de dicha proporción se utilizaría el valor p = 0. una proporción). Esta idea se puede obtener revisando la literatura o mediante estudio pilotos previos.0… Seguridad Muestra Estimación Intervalo de Confianza Observación (experimento.96 . p d es la proporción esperada (en este caso 5 % ó 0. ¿a cuántas personas tendría que estudiarse para conocer la prevalencia de diabetes? Seguridad = 95 %. medición) Resultados Figura 1. para un nivel de seguridad del 99 % α = 2.05).5 (50 %) que maximiza el tamaño muestral: n = 2 2 z2 α × p × q d2 donde: z α = 1.84 ya que la seguridad buscada es del 95 %. 05 × 0. El nivel de confianza prefijado da lugar a un coeficiente ( z ) .95 = 203 0. 2.Población p < 0. (en este caso 1 – 0.5 (50 %). Tamaño muestral para estimar una proporción Si se desea estimar una proporción. Proporción esperada = asumiendo que puede ser próxima al 5 %. Elementos de la Inferencia Estadística 2. (c) Una idea del valor aproximado del parámetro que se quiere medir (en este caso. Para un nivel de seguridad del 95 % α =1. α (b) La precisión que se desea para el estudio. Precisión = 3 %.

05 = 0.576.645. es decir se conoce el total de la población y se desea saber cuántos individuos hay que estudiar.96 si la seguridad deseada es del 95 %. Precisión = 3 %.962 × 0. Proporción esperada = asumiendo que puede ser próxima al 5 %. 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. 05 × 0. Tamaño muestral para estimar una media Si se desea estimar una media habrá que conocer: (a) El nivel de confianza o seguridad (1 − α ) .24. 032 × (15000 − 1) + 1.5 % el coeficiente sería 2. 7 32 3 . la respuesta sería: n = donde: N es el total de la población. d 2 × ( N − 1) + z 2 α × p×q N × z2 α × p×q z2 α es 1. ¿A cuántas personas de una población de 15. si no se tuviese ninguna idea de dicha proporción se utilizaría el valor p = 0. es la proporción esperada (en este caso 5 % ó 0. α =1. 05 × 0.962 × 0. Si la seguridad z α fuese del 99 % el coeficiente sería 2. El nivel de confianza prefijado da lugar a un coeficiente ( z ) . Para un nivel de seguridad del 95 %.962 × 250 = 106. (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. así: • • • • Si la seguridad z α fuese del 90 % el coeficiente sería 1.05).5 (50 %) que maximiza el tamaño muestral: n = 15000 ×1.Si la población es finita. 2 p q =1 − p d es la precisión (en este caso se desea un 3 %).96.000 habitantes tendría que estudiarse para conocer la prevalencia de diabetes? Seguridad = 95 %.96 .2. 2. 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 = 1.95 = 200 0. para un nivel de seguridad del 99 % α = 2.95 ).58 . Si la seguridad Zα del 95 % el coeficiente sería 1. Si la seguridad z α fuese del 97. (en este caso 1 − 0. α (b) La precisión con que se desea estimar el parámetro ( 2 × d es la amplitud del intervalo de confianza).

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

50 0. El cálculo del tamaño muestral para estudiar la diferencia entre dos proporciones en una tabla de 2 x 2.40 0.20 84 36 19 14 73 30 20 56 34 67 Tabla I.40 0. para hipótesis unilateral.05 y β de 0.50 0. véase los datos que se proporcionan en la tabla II. 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. es el “arco seno” (corresponde "al ángulo cuyo seno es el valor dado") de la raíz cuadrada de la segunda proporción. A modo de ejemplo. Debe contemplarse una proporción p1 como "control" o valor "patrón" y la otra p 2 como "experimental".96 si es bilateral.05 73 36 23 15 10 8 6 84 41 23 15 10 9 85 42 23 13 11 0.10 0.05 para una prueba unilateral y 1. incluye las dos proporciones y los errores α y β . según proporciones que se comparan p 1 y p 2 . con hipótesis unilateral. es el valor z correspondiente al riesgo deseado. es 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.20. tanto para una prueba unilateral como bilateral. dado error α de 0. La prueba de hipótesis que se supone se empleará con los resultados del estudio es ji cuadrado. es el valor mínimo de la diferencia que se desea detectar (datos cuantitativos).Se dispone de tablas que proporcionan el tamaño muestral por grupo requerido para satisfacer los errores alfa y beta planteados frente a la comparación de dos proporciones. En tales condiciones:  n = 1. 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. 3. es la varianza de la variable cuantitativa que tiene el grupo control o de referencia. Tamaño muestral necesario por grupo.20.64 si α es 0.30 0.70 0.60 p1 0. 64 × 1.20 0.60 0. es el valor z correspondiente al riesgo deseado.30 0. p2 0.84 si β es 0.80 0.3.

El nivel de riesgo se fija en 0.55 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 %.645 1.385 0.010 Zα test unilateral 0.75 0. 20 pacientes en cada grupo.100 0.842 0.200 0.253 0. 49 152 se precisan.645 1.05 y se desea una potencia estadística del 90 % para detectar diferencias.70 0.30 0.036 1.01 0.842 1.326 test bilateral 1.440 1.282 1. 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 0.05 0. Valores de z α y z β más frecuentemente utilizados.25 0.960 2.674 0.282 1.326 1.45 0. si es que existen: n = 2 ( z α + z β ) s2 2 d2 2 2 (1.240 2.20 0.50 Zβ 2.150 0.90 0. 282 ) 162 n = = 19. 645 + 1.036 0.50 (1-β) 0.15 0.282 1.80 0. Por estudios previos sabemos que la desviación típica de la glucemia en pacientes que reciben el tratamiento habitual es de 16 mg/dl.576 potencia β 0. 6 .025 0. Se acepta un riesgo de 0.05 y se desea una potencia estadística de un 80 %.85 0.000 Tabla II.35 0.126 0.960 2.60 0.645 1.95 0.99 0.050 0.Los valores z α según el nivel de seguridad y z β según la potencia se indican en la tabla II: α 0.40 0.524 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.

7 × (1 − 0.842 0. z 2 p (1 − p ) + z p (1 − p ) + p (1 − p )  α β 1 1 2 2  n =    p1 − p 2     0. la frecuencia de exposición entre los casos. el valor de p 1 .8 p = 2 2  1. si en el estudio anterior se espera tener un 15 % de pérdidas. 4.8 ) + 0. Así por ejemplo. 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.8 × (1 − 0. 7 ) + 0. R es la proporción esperada de pérdidas.9   n = 48 pacientes El tamaño muestral ajustado a las pérdidas 2 En todos los estudios es preciso estimar las posibles pérdidas de pacientes por razones diversas (pérdida de información. 7 .9 )      0. El tamaño muestral ajustado a las pérdidas se puede calcular:  1  muestra ajustada a las pérdidas = n    1− R  donde: n es el número de individuos sin pérdidas. 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. 7 + 0. Tamaño muestral en estudios biomédicos 4. abandono.15  pacientes en cada grupo.9 = 0. y se prevé que el OR asociado al factor de estudio es w . no respuesta…) por lo que se debe incrementar el tamaño muestral respecto a dichas pérdidas. 7 − 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. w valor aproximado del OR que se desea estimar.9 × (1 − 0. Si se conoce la probabilidad de exposición entre los controles p 2 .

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

En algunos estudios. 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). asumiendo que el OR es aproximadamente igual a 3.565× (1− 0. se obtiene: 2 p1 = (1− p ) + w p 2 w p2 = 2 = 3 × 0.73 − 0. y se asume que el OR a detectar es aproximadamente igual a 3. se obtiene:  1. se estima que aproximadamente un 73 % de los casos son fumadores. 4   Es decir.96 2 × 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 )   ≈ 35 n =    0. 40 = (1− 0. 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 ( 0.6 = 0.Ejemplo del cálculo del tamaño muestral en un estudio de casos y controles Como ejemplo. De acuerdo con lo expuesto anteriormente. 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. 40 ) + 4 × 0.565) + 0. 40 = 0.67 (1− 0. el investigador reúne un número mayor de controles que de casos con el objeto de incrementar la potencia estadística.565× (1− 0.73 0.96 c ( p1 − p 2 ) ) 2 ( 2 +1) × 0. (c) Nivel de seguridad: 95 %. Supóngase que en este ejemplo se planea obtener dos controles por caso.565 ) + 0. Aplicando la ecuación 1. 40 ) + 3× 0.84 2 × 0.84 0.73) + 0. y conociendo los siguientes parámetros: (a) Frecuencia de exposición entre los controles: 40 %. 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 %. 4 ) ≈ 40 9 . Si se reduce el tamaño del efecto a detectar. Se cree que alrededor de un 40 % de los controles son fumadores y se considera como diferencia importante entre ambos grupos un OR de 4.73× (1− 0. Para poner en evidencia dicha asociación y cuantificar su magnitud. (d) Potencia estadística: 80 %. 4 × (1− 0. de acuerdo con la ecuación 1. 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 = (1.60 + 1. serían necesarios n = 54 pacientes por grupo para llevar a cabo el estudio. (b) OR previsto: 4. 40 y.73× (1− p1 ) + 0. 40 1.6 Esto es.73 − 0. 4 × (1− 0. Con estos datos.

entonces. Tamaño muestral en estudios en que se indagará sobre una prevalencia En estos se requiere conocer el tamaño de la población. 271 casos. En este caso se debe tener una idea aproximada de la prevalencia que se está investigando. Para estos requisitos.96 ).50 la mencionada expresión vale 0. la expresión p (1 − p ) tiene un valor creciente a medida que la proporción p se va acercando a 0. 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. alcanza su máximo en ese punto y luego va descendiendo nuevamente. con una seguridad de 95 % (entonces z = 1.000 personas 264 y si son 1. la precisión deseada (%). con 95 % de confianza. El cálculo del tamaño muestral en los estudios de casos y controles debe formar parte del diseño metodológico. en definitiva. El iniciar un estudio sin conocer la potencia estadística y la seguridad para detectar diferencias. Si se desconoce valor de p aún es posible estimar el tamaño muestral: en la fórmula. el apropiado.25 y con esa cifra se calculará en la fórmula el tamaño muestral. si la población es de 500.000 personas. seguidamente el nivel de confianza deseado para la indagación y. El tamaño de la muestra es. podría ser motivo de incurrir en un error de tipo II en el sentido de no detectar diferencias cuando realmente las hay. una variación alrededor de 7 % de hasta 3 %. Disposición de los sujetos incluidos en un estudio de casos y controles. finalmente. Ello significa que si la proporción poblacional es de 7 % se espera. p d es la proporción esperada en la población. El tamaño de la población de la que se extraerá la muestra es habitualmente desconocido. la muestra requerida es de 278 casos. ya que la ejecución de este tipo de estudios es costosa. 10 . la prevalencia esperada. Entonces.000 personas. que será el más elevado para las condiciones establecidas. cuando p = 0. supóngase que se estima una proporción p en la población a estudiar de 7 % y se desea un tamaño muestral que permita. 218 casos. si es de 10. La fórmula: n = donde: n es el tamaño de la muestra. Por ejemplo. si es que existen.000 personas. el efecto de diseño de la investigación. obtener un valor entre 4–10 %. el efecto del diseño y el error α . a continuación se debe establecer cuánto se aceptaría que varíe (precisión). si sólo son 5. Tabla de 2 x 2. y es la precisión absoluta.50. 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 ) . 4. Ese tamaño de muestra será. 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. es la población total.Por tanto. pero no es muy importante tener un conocimiento exacto. igual a n por el efecto de diseño.2. basta con una aproximación razonable. casos expuestos no expuestos a c a+c controles b d b+d a+b c+d n Tabla III.

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

el segundo grupo debería ser de 285 casos en vez de 83.40 (40 %). como es usual.60 y la diferencia a detectar 0. Esto da un N total definitivo de 383 casos. El error estándar deseado sería 10 1.10 (10 %). Estos se encontrarán distribuidos como 28 y 83 casos.29 (para β 0. el número de casos encontrado (95) generaría un intervalo de confianza más estrecho. Pero si no es así y la prevalencia supera 0.326 (para α de 0.10 = despejando n se obtienen 95 casos. q 2 =1 − p 2 . para los fines perseguidos. si no se modifica la LR+ escogida. (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.y q =1 − p . Así. contemplando que el procedimiento se modifica si la proporción se aleja mucho de 0. si p 2 fuese 0. se requiere estudiar un total de 111 casos. consecuentemente p 1 será 0.10 . en ± 10 %. Por otro lado. menos y más casos integrando la muestra. conservando la prevalencia estimada. 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. contemplando una prevalencia de afectados por la patología de interés de 25 % en la muestra y falsos positivos de 22 %.15 y la diferencia a detectar sólo de 0. Si la estimación de falsos positivos fuera más alta o más baja requerirían.20). es –0.01).50. Entonces 5. para la muestra calculada el intervalo de confianza de p 2 será más ancho de lo deseado. respectivamente. Para ello se requerirá una muestra pequeña por tratarse de una gran diferencia. –1. es decir.96 = 5.70. 12 . Como sea. la muestra que corresponde a verdaderos enfermos según estándar ideal será N r y la de verdaderos no afectados N . z 1−α zβ p= p1 + r p 2 r +1 para hipótesis unilateral es 1. por lo que se requerirá una muestra mucho mayor. Efectuada esta primera fase del cálculo. El intervalo de confianza del 95 % (IC 95 %) de p1 0. fuese mayor o menor.50. con un error α de 5 % y β de 10 %.55 o 55 % puede establecerse.05) ó 2.30 o mayor de 0. no se requiere una precisión extrema. Sin embargo. tan cercano a 0. debiera ser 0. una potencia del estudio de 90 %. cambiará substancialmente con la proporción de falsos positivos.50. se puede indicar que para detectar un LR+ de 2. Varios programas informáticos proporcionan este cálculo.55).5 o mayor (en hipótesis unilateral).50.05). por ejemplo. para un mismo LR+.645 (para β de 0. si se establece un LR+ deseable de detectar igual o mayor que 3 y p 2 es 0.645 (para un error α de 0.10) o –1.p2 = b (b + d ) es la proporción de falsos positivos (1-especificidad).20. Como es de esperar una prevalencia inferior a 50 %. Ahora bien. Dicho de otro modo. el intervalo de confianza de p 2 será al menos tan estrecho como el de la sensibilidad si la prevalencia es menor que 0.842 (para un error β de 0. Es de destacar que si el nivel de sensibilidad encontrado (0.05. Es necesario tener presente que el tamaño de la muestra. Se puede calcular el número de casos necesarios para generar ese error estándar. El siguiente cálculo es adecuado para muestras no muy pequeñas y proporción no menor de 0.

p0 es la frecuencia de la condición en estudio en la población no expuesta. donde se encontrará un n más pequeño para el mismo IC y asimismo si la prevalencia supera 0. o se calcula con el resultado en la forma de dos proporciones. según " r " sería posible conocer la segunda muestra parcial. es el error β y z β es su respectivo valor z . 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. La similitud se puede comprobar también en el cálculo del tamaño de la muestra. con un IC mayor que el deseado para el grupo de afectados.50. 4.10 en los no expuestos y 0. RR es el riesgo relativo que se considere digno de ser detectado (o mayor): RR = 1 significa que c α el factor de exposición no se encuentra asociado a un aumento del riesgo. Sin embargo. como en el ejemplo recién presentado. 2 13 . Lo usual es tener que efectuar un estudio piloto.5. β Un ensayo clínico controlado puede ser considerado un seguimiento de dos cohortes. es el error α y z α es su respectivo valor z . Tamaño muestral en estudios de cohortes La siguiente fórmula proporciona el número de expuestos requeridos y.50.4. La comparación de dos κ requiere un tamaño muestral mínimo de 3 g para poder intentarla. que genera iguales resultados si se emplea RR de 3. una expuesta al tratamiento experimental y la otra no. 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 . En tales circunstancias se puede verificar la hipótesis k = 0 . 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 . expresada en forma decimal: 0. 4. donde la muestra de no afectados sería menor que la de enfermos. q =1 − p .Si se comenzara con la sensibilidad p 1 y su intervalo de confianza para conocer el respectivo tamaño de la muestra para esa proporción. puesto que este es igual en expuestos y no expuestos. particularmente si el valor de p 1 se aleja de 0. 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.05 (5 %). siendo g el número de categorías en investigación.30 en los expuestos. de todas maneras se requiere verificar que el N total no es insuficiente para los errores α y β establecidos. es la relación numérica de expuestos/no expuestos (muestra si las cohortes son de igual tamaño o no). naturalmente.

teniendo los marginales correspondientes a las celdas "a" y "d".8 %) 50 = 50 % con IC 95% (35.566.267.095 y 0. observador A con sin total observador B con 0.96. es decir 0. p c fluctuará entre 0.observador A con sin total observador B total con sin 25 5 20 10 20 30 25 25 50 Tabla IV. es decir 0. sabiendo que el total de la tabla es "1" o 100%. 1). 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 % (26.095 sin total 0. Determinación de p c (explicación en el texto). como se muestra en la Tabla V.357 0. El valor p c se puede determinar según el intervalo de confianza de la prevalencia del hallazgo clínico para cada observador.127. Por este procedimiento se alcanza a saber que p c 14 . Finalmente.56.43 y 0. Estudio de concordancia entre dos observadores según presencia de una manifestación clínica. 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.567 0.733 0.471.471 0.643 1 Tabla V. conociendo los marginales 0. si se desea detectar como significativamente diferente de cero un κ de 0. κ=0: Recuérdese que si se desea establecer el número de casos necesario para detectar un κ como ( p < 0. Estudio de concordancia entre dos observadores según presencia de una manifestación clínica. Entonces.25/ 1.357 por 0. Así.7–64.7–54. Disponiendo del valor p c y del error estándar de κ = 0 se resolverá n a partir la fórmula indicada anteriormente.095 resulta de 0. es igual a la suma de 0. Ahora. En esta.25 o mayor. se obtendrá que n fluctúa entre 47 y 79 casos. y n es el número de casos a estudiar. se puede decir que el error estándar de κ igual a cero debe ser de 0. El tamaño muestral será entonces de 79 casos. de tal manera que.357 y 0. de la manera siguiente: Tomando las prevalencias menores. dividido por el total. se puede calcular a su vez los valores esperados en esas celdas (0.267.3 %).

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

Sign up to vote on this title
UsefulNot useful