Conceptos Maharaci Morales Mireles 1. Explique qu significa estadstica descriptiva.

Conjunto de herramientas, formado por coeficientes y tcnicas, que tratan de resumir la informaci n contenida en un conjunto de datos. En el an!lisis estadstico complejo los coeficientes descriptivos dar!n informaci n so"re la estructura de la po"laci n que se estudia. #$%C$&'$() #E ')% M)*EM)*$C)% +,E %E E(C)-.) #E ') /-.)($0)C$1( 2 #$%*-$3,C$1( #E #)*/%. mara 4. Explique que significa estadstica inferencial. Es cuando los datos que se manejan se corresponden con una muestra pro"a"ilstica extrada de una po"laci n. Cuando los coeficientes descriptivos m!s importantes se convierten en po"lacionales al sustituir frecuencias por pro"a"ilidades, estos ser!n sujeto de un an!lisis estadstico inferencial. La inferencia estadstica es el procedimiento por medio del cual se llega a una conclusin acerca de una poblacin con base en los resultados que se obtienen de una muestra extrada de esa poblacin 5)CE- %,&/%$C$/(E% .E(E-)'E% ) &)-*$- #E '/% -E%,'*)#/% /3*E($#/% #E ') M,E%*-) #E ,() &/3')C$1(. 6. #efina los siguientes conceptos7 a8 Estadstica Es la disciplina que se ocupa de 1) la recoleccin, organizacin, resumen y anlisis de datos, y 2) la obtencin de inferencias a partir de un olumen de datos cuando se examina slo una parte de !stos" "8 9aria"le #na caracterstica se clasifica como ariable si, tal como se obser a, se encuentra que !sta toma diferentes alores en diferentes personas, lugares o cosas" Esto se $ace por la simple razn de que la caracterstica no es la misma cuando se obser a en diferentes su%etos" E% ,() C)-)C*E-:%$*$C) / ,( )*-$3,*/ +,E &,E#E */M)- #$;E-E(*E% 9)'/-E%. mara c8 9aria"le cualitativa 'as varia"les cualitativas son atri"utos de los datos en estudio pero que para poder operarse, es necesario asignar un valor numrico a cada una de sus clases< con lo que se transforma en varia"le que permita o"tener resultados f!cilmente interpreta"les. &lgunas caractersticas no pueden medirse en la forma usual" 'e pueden obtener mediciones de la estatura de los arones adultos, del peso de los ni(os en edad prescolar, y la edad" )uc$as de ellas slo se pueden clasificar, por e%emplo, cuando a una persona enferma se le da un diagnstico m!dico o cuando se determina que alguien pertenece a un grupo !tnico dado, o bien, cuando se dice que una persona, lugar o cosa poseen o no alguna caracterstica de inter!s" En tales casos, la medicin consiste en una clasificacin" * las ariables a las que uno se refiere se llaman ariables cualitati as" Las mediciones $ec$as sobre este tipo de ariables contienen informacin respecto a los atributos" &unque en el caso de las ariables cualitati as las mediciones no se lle an a cabo en el

sentido usual de la palabra, se puede contar el n+mero de personas, lugares o cosas pertenecientes a arias categoras"

d8 &o"laci n ,abitualmente se considera a una poblacin como una coleccin de entidades, por lo general personas" 'in embargo, una poblacin o coleccin de entidades puede estar compuesta de animales, mquinas, plantas o c!lulas" -ara los propsitos de este libro, una poblacin de entidades se define como una coleccin ms grande entidades de inter!s en un momento particular" 'i se toma la medida de alguna ariable para cada una de las entidades en una poblacin, se obtiene una poblacin de alores para esa ariable" -or lo tanto, una poblacin de alores se puede definir como la mayor coleccin de alores para una ariable aleatoria, los cuales son de inter!s en un momento particular" -or lo tanto las poblaciones se determinan o definen con base en el campo de inter!s" E% (,E%*-/ ,($9E-%/ / E' */*)' #E $(#$9$#,/% +,E &/%EE( ') C)-)C*E-:%*$C) #E $(*E-=%. mara e8 &o"laci n infinita Es una poblacin consistente en una sucesin interminable de alores" E% ') +,E *$E(E ,( $(;$($*/ #E $(#$9$#,/% mara f8 9aria"le discreta %e dice que una varia"le es discreta cuando entre dos valores consecutivos no toma valores intermedios. #na ariable discreta se caracteriza por separaciones o interrupciones en la escala de alores que puede tomar" Estas separaciones o interrupciones indican la ausencia de alores entre los alores especficos que puede asumir la ariable" E% ,() E%C)') #$%C/(*$(,). C/M/ %E -E.$*-) ') $(;/-M)C$/( *$E(E ,() #$;E-E(C$) 3$,($9/C) C/( '/% E(*E-/% &/%$*$9/% mara g8 Muestra aleatoria simple 'e extrae una muestra de tama(o n de una poblacin de tama(o ., de manera que cada muestra posible de tama(o n tenga la misma probabilidad de ser seleccionada" E% ,( %,3C/(>,(*/ %E'ECC$/()#/, #/(#E C)#) $(#$9$#,/ *$E(E ') M$%M) &-/3)3$'$#)# #E %E- E'E.$#/. mara h8 Muestreo sin rempla?o 'e extrae el elemento de la muestra y no se regresa despu!s de tomar el dato que se in estiga por lo que dic$o elemento slo puede aparecer una ez en la muestra" i8 9aria"le cuantitativa %on las varia"les que se pueden representar con un valor numrico Es aquella que puede medirse en la forma usual" 'e pueden obtener mediciones de la estatura de los arones adultos, del peso de los ni(os en edad prescolar, y de la edad de los pacientes que consultaran a un dentista" Las aloraciones $ec$as sobre ariables cuantitati as conlle an informacin respecto a cantidad" j8 9aria"le aleatoria /uando los alores se originan como resultado de factores aleatorios 0al azar), que no pueden predecirse con exactitud y anticipacin, la ariable se llama ariable aleatoria"

E% ,() 9)-$)3'E +,E )#+,$E-E %,% 9)'/-E% #E3$#/ ) ')% C)-)C*E-:%*$C)% $(*-:(%EC)% #E' $(#$9$#,/ 2 %, E(*/-(/, +,E C,)(#/ );EC*)( ) ') -E%&,E%*), ') )*-$3,$M/% )' )0)@8 &o"laci n finita Es una poblacin que consiste en un n+mero fi%o de alores l8 Muestra #na muestra puede definirse simplemente como un aparte de una poblacin E% ,() %E'ECC$/( -E&-E%E(*)*$9) #E '/% $(#$9$#,/% #E ') &/3')C$1( ) E%*,#$)m8 9aria"le continua Es la varia"le que puede tomar cualquier valor dentro de un intervalo #na ariable continua puede tomar cualquier alor dentro de un inter alo especificado de alores asumidos por la ariable" 1ebido a las limitaciones de los instrumentos de medicin disponibles, las obser aciones sobre ariables que son in$erentemente continuas, se registran como si fueran discretas" n8 Muestreo con rempla?o /uando se utiliza un muestreo con remplazo, cada elemento de la poblacin esta disponible para cada seleccin2" &l de ol er el elemento !ste puede ser seleccionado de nue o o8 Medici n 'e define como la asignacin de n+meros a ob%etos o e entos de acuerdo con un con%unto de reglas" Las di ersas escalas de medicin son consecuencia de que la medicin puede lle arse a cabo seg+n diferentes con%untos de reglas )%$.()- 9)'/-E% #E )C,E-#/ ) ,() -E.') A. Enumere, descri"a y compare las cuatro escalas de medici n. Escala nominal. /onsiste en designar o 3nombrar4 las obser aciones o clasificarlas en arias categoras mutuamente excluyentes y colecti amente ex$austi as" #a nom"re a la clasificaci n o diferenciaci n en los datos. Mara Escala ordinal" 'iempre que las obser aciones no slo difieran de categora a categora, sino que adems puedan clasificarse por grados de acuerdo con alg+n criterio, se dice que se miden sobre una escala ordinal" %e da rango o margen dando peso a un car!cter especfico a la clasificaci n presta"lecida .Mara Escala de 5nter alos" Es una escala ms especializada que la nominal o la ordinal en el sentido de que, con esta escala, no slo es posible ordenar las mediciones, sino que tambi!n se conoce la distancia entre dos mediciones cualesquiera" Es una escala realmente cuantitati a Como medida cuantitativa esta sujeta a diferentes sistemas de medidas y por ende sujeta a esta"lecer equivalencias entre las mismas para homologar su valoraci n .Mara Escala de razones" El ni el ms alto de medicin es la escala de razones" Esta escala se caracteriza por el $ec$o de que puede determinarse tanto la igualdad de las razones como la de los inter alos" * para esta escala es fundamental un punto cero erdadero" Esta escala precisa del cero como punto de partida para valores de medici n .Mara

E>E-C$C$/% 1.&ara cada una de las siguientes varia"les indique si son cuantitativas o cualitativas, y especifique la escala de medici n que se utili? cuando se tomaron las mediciones en cada una de las siguientes7 a8 &osici n social de los miem"ros de esta clase en relaci n con los dem!s C,)'$*)*$9), /-#$()' "8 #iagn sticos de admisi n de pacientes admitidos en clnicas de salud mental C,)'$*)*$9), /-#$()' c8 &eso de los "e"s nacidos en un hospital en un aBo C,)(*$*)9$*), -)0/( d8 %exo de los "e"s nacidos en un hospital en un aBo C,)'$*)*$9), (/M$()' e8 -ango de movilidad de la articulaci n del codo de estudiantes inscritos en un programa de estudios de ciencias de la salud C,)(*$*)*$9), /-#$()' f8 *emperatura axilar de "e"s con un da de nacidos en el hospital C,)(*$*)*$9), $(*E-9)'/% 4.&ara cada una de las siguientes situaciones, responda los incisos aCe g8 DCu!l es la muestra de estudioE h8 DCu!l es la po"laci nE i8 DCu!l es la varia"le de intersE j8 DCu!ntas mediciones se hicieron para calcular los resultados informadosE @8 D+u escala de medici n se utili? E %$*,)C$1( )7 ,n estudio de 6FF hogares en un pequeBo pue"lo sureBo revel que 4F por ciento tiene al menos un hijo en edad escolar. M,E%*-). 6FF 5/.)-E% &/3')C$/(. 5/.)-E% #E' &E+,EG/ &,E3'/ %,-EG/ 9)-$)3'E. (HME-/ #E 5$>/% E( E#)# E%C/') C,)(*)% ME#$C$/(E% %E 5$C$E-/(E 6FF -)0/( %$*,)C$1( 37 ,n estudio de 4IF pacientes admitidos en un hospital durante el aBo pasado revel que, en promedio, los pacientes viven a 44.I @il metros del hospital. M,E%*-). 4IF &)C$E(*E% &/3')C$/(. &)C$E(*E% )#M$*$#/% E( ,( 5/%&$*)' #,-)(*E E' )G/ &)%)#/ 9)-$)3'E.#$%*)(*)(C$) ) ') +,E 9$9E( #E' 5/%&$*)' C,)(*)% ME#$C$/(E% %E 5$C$E-/(E 4IF $(*E-9)'/%

3$3'$/.-);:) 1. $. Espejo Miranda. ;. ;ern!nde? &alacn. M. ). ' pe? %!nche?. M. MuBo? M!rque?. ).M. -odrgue? Cha. ). %!nche? (avas C. 9alero ;ranco. Estadstica #escriptiva y &ro"a"ilidad. 6ra. Edici n. %ervicios de &u"licaciones de la ,niversidad de C!di?. http7JJ@nuth.uca.esJreposJlKedypJpdfJfe"reroFLJli"Kedyp.c1.pdf 4. #avid Mayne. 3ioestadstica. Captulo 1. Ncuarta edici n8.Mxico. 'imusa Miley
6. OOO.epidemiolog.net, P 9ictor >. %choen"ach 1A. )n!lisis e interpretaci n de datos Q ARI rev. 11JRJ1SSR, 1FJ4LJ1SSS, 14J4LJ1SSS, trad. T.T.4FFA

A. #$%EG/ 2 )()'$%$% #E EU&E-$ME(*/%. M/(*./ME-2. 4V. E#$C$/(. E#$*/-$)' '$M,%)

Potencia estadstica y tamao muestral

'a potencia estadstica se refiere a la capacidad de detectar una asociaci n de inters en el marco de un error de muestreo. %upongamos que hay una verdadera asociaci n de cierta magnitud y grado, pero por culpa del a?ar nuestros estudios o"servar!n la asociaci n como m!s d"il o m!s fuerte. &ara estar ra?ona"lemente seguros que nuestro estudio detectar! la asociaci n, el estudio tiene que ser suficientemente grande para que el error de muestreo sea controlado. &or ejemplo, supongamos que estamos comparando un grupo de casos de pacientes con enfermedad de )l?heimer con un grupo control para ver si los casos son diferentes con respecto a la presencia de un gen especfico. %upongamos tam"in que este gen est! en realidad presente en 4FW de los casos y en 1FW de la po"laci n de la cual surgieron los casos Ni.e., el /- en un gran estudio caso control no sesgado sera de 4.4I8. %i estudiamos 4F casos y 1F controles, podramos encontrar A casos con el gen y dos controles con el gen, de manera de estimar correctamente la prevalencia del gen en los casos y en la po"laci n y el /-. Con tan pocos participantes, podramos s lo o"tener 6 casos con el gen y 6 controles con el gen, no detectando la diferencia en la prevalencia N/- X 1.F8. #e hecho podramos tener A controles con el gen y s lo 4 casos con el gen de manera que pareciera que el gen es protector N/- X F.AA8. &or supuesto, no queremos reaccionar a una diferencia o un /- que podra de"erse al a?ar, de manera
KKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKK OOO.epidemiolog.net, P 9ictor >. %choen"ach 1A. )n!lisis e interpretaci n de datos Q ATL rev. 11JRJ1SSR, 1FJ4LJ1SSS, 14J4LJ1SSS, trad. T.T.4FFA

que reali?aramos una prue"a a cualquier resultado que o"servemos para asegurarnos de que es mayor del que se esperara que ocurriera s lo por a?ar Ni.e., YsignificativoZ8. Esto significa que descartaramos cualquier asociaci n que o"servemos si es menor de lo que consideramos dentro de lo esperado por a?ar. N/ recordando nuestra fantasa de la corte, una Ypreponderancia de la evidenciaZ, no solamente una sospecha.8 &or lo tanto, para detectar una asociaci n, de"emos N18 o"servarla en nuestro estudio y N48 decidir que es poco pro"a"le que el a?ar la hu"iera creado. Cada uno de estos requerimientos tiene exigencias so"re el tamaBo del estudio. (ecesitamos por lo menos un n[mero mnimo de sujetos de manera que N18 tengamos una expectativa ra?ona"le de o"servar una asociaci n si es que alguna existe Ni.e., no cometer un error *ipo $$8, y N48 creamos poco pro"a"le que el a?ar produ?ca una asociaci n de esa magnitud. Potencia estadstica para detectar un OR 1.0 con una prueba de significancia de una cola #istri"uci n del estadstico de prue"a si el verdadero /- X1.F N5F8 ?XQ1 ?XF ?X1 &ro".error *ipo $. Nalfa8 \ ? ]\ ^?_ ^ pro"a"ilidad de error *ipo $$ N"eta8 ?XF ?X1 N5)8 #istri"uci n del estadstico deprue"a si /- es, p.ej., 4.4I Este diagrama ilustra la superposici n entre los sectores centrales de las distri"uciones de los estadsticos de prue"a Np.ej., 08 esperadas "ajo la hip tesis nula Np.ej., verdadero /- es 1.F8 y la hip tesis alternativas Np.ej., verdadero /- es 4.4I8. Cuando o"tenemos los resultados del estudio calcularemos el estadstico de prue"a Np.ej., 08 y lo compararemos con su distri"uci n "ajo la 5F Nla

distri"uci n superior de las dos del diagrama8. %i el valor calculado de 0 es menor que el ?], i.e., cae a la i?quierda del punto de corte que hemos determinado Ndefinido por la pro"a"ilidad de error *ipo $, alfa8, concluiremos entonces que los datos que o"servamos vinieron de la distri"uci n superior Nla de no asociaci n, verdadero /- X1.F8. )[n si el /- que o"servamos fuera mayor que 1.F Nque implica que 0 es mayor de F8, dado que 0 no fue mayor que nuestro punto de corte, consideramos el /- o"servado como una desviaci n al a?ar a partir del 1.F. %i la verdad desconocida es que realmente no hay asociaci n, nuestra conclusi n sera correcta. %i en ve? el verdadero /- es realmente 4.4I, y los datos que o"servamos en realidad provienen de la distri"uci n inferior, nuestra conclusi n representa un error de *ipo $$. El !rea a la i?quierda del punto de corte en la distri"uci n
KKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKK OOO.epidemiolog.net, P 9ictor >. %choen"ach 1A. )n!lisis e interpretaci n de datos Q ATT rev. 11JRJ1SSR, 1FJ4LJ1SSS, 14J4LJ1SSS, trad. T.T.4FFA

inferior representa la pro"a"ilidad de cometer un error de *ipo $$, Y"etaZ. 'a potencia estadstica Q la pro"a"ilidad de detectar una verdadera diferenciaC es igual a uno menos "eta Ni.e.,1 Q "eta8. ) la inversa si o"servamos un valor de 0 a la derecha del punto de corte, concluiremos que los datos que hemos o"servado no provienen de la distri"uci n superior y que por lo tanto el verdadero /es mayor que 1.F. %i nos equivocamos Q si la asociaci n que o"servamos era en realidad un halla?go casual Q nuestra conclusi n representa un error de *ipo $. El !rea a la derecha del punto de corte en la distri"uci n superior representa la pro"a"ilidad de cometer un error *ipo $, YalfaZ. %i nos horrori?a cometer un error *ipo $, podemos correr el punto de corte a la derecha, lo cual reduce alfa Q pero aumenta "eta. %i preferimos disminuir "eta, podemos correr el punto de corte hacia la i?quierda Q pero eso aumenta alfa. 'o que realmente querramos hacer es disminuir tanto alfa como "eta, haciendo que las distri"uciones sean m!s estrechas Nde manera que m!s del !rea som"rada se u"ica en el centro de cada distri"uci n, sim"oli?ando una mayor precisi n de la estimaci n8. El ancho de la distri"uci n es controlado por el tamaBo muestral. Con una lu? potente podemos distinguir f!cilmente por ejemplo, entre una v"ora y un palo. &ero con una lu? d"il, no podemos estar seguros de lo que estamos viendo. &odemos elegir errar en un sentido o el otro, pero la [nica forma de disminuir nuestra posi"ilidad de error es o"tener una lu? m!s potente. 'os valores ha"itualmente usados para alfa y "eta son, respectivamente, F.FI y F.4F Npotencia X F.RF8, para una pro"a"ilidad total de error de F.4I. %i el tamaBo del estudio es limitado por la "aja incidencia de la enfermedad, la "aja prevalencia de la exposici n o una limitaci n en el presupuesto, nuestras estimaciones del estudio ser!n poco precisas Q las distri"uciones en el diagrama anterior ser!n anchas. 'a pro"a"ilidad total de error estar! por de"ajo de F.4I s lo cuando la distri"uci n se encuentre m!s a la derecha, i.e., cuando corresponde a una asociaci n m!s fuerte. En esencia, la intolerancia para el error Ni.e., alfa y "eta pequeBos8 y el deseo de detectar asociaciones d"iles de"e pagarse con el tamaBo muestral. En nuestro sueBo de la corte judicial, cuanto m!s posi"ilidad queremos de ganar el caso contra -.>. Morris Nnuestra potencia8 yJo cuanto m!s puede -.>. Morris convencer al >ue? que aumente el est!ndar de evidencia Nnivel de significancia8, mayor el precio que tendremos que pagar para nuestra representaci n legal Nm!s sujetos de estudio8. El )pndice contiene un sector que traduce estos conceptos en estimaciones de tamaBos muestrales.

Sesgo de los estudios pequeos

En trminos amplios, los estudios grandes son potentes, los estudios pequeBos son d"iles. El concepto de Ysesgo de los estudios pequeBosZ ilustra la importancia de comprender la potencia estadstica cuando se interpretan investigaciones epidemiol gicas. 'a idea detr!s del sesgo de los estudios pequeBos N-ichard &eto, Malcolm &i@e, y cols., 6r 7 /ancer 6A7IRICL14, 1STL8 es que dado que los estudios pequeBos son m!s f!ciles de llevar a ca"o que los grandes, muchos m!s son reali?ados. 'os estudios pequeBos que no encuentran resultados YsignificativosZ a menudo no son pu"licados. 'as revistas tienden a no interesarse, dado que como se explic anteriormente, no hay mucha informaci n en un estudio negativo que tiene poca

KKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKK OOO.epidemiolog.net, P 9ictor >. %choen"ach 1A. )n!lisis e interpretaci n de datos Q ATR rev. 11JRJ1SSR, 1FJ4LJ1SSS, 14J4LJ1SSS, trad. T.T.4FFA

potencia. &or el contrario, los estudios grandes son costosos e involucran muchos investigadores. Cualesquiera sean los resultados provenientes de un estudio grande, hay m!s inters de parte de todos para pu"licarlo. En la medida que este escenario descri"e la realidad, el cuerpo de estudios pu"licados est! formado fundamentalmente por estudios pequeBos con resultados YsignificativosZ y estudios grandes con resultados YsignificativosZ y Yno significativosZ. %in em"argo, si hay muchos pequeBos Ni.e., f!ciles, econ micos8 estudios en marcha, la pro"a"ilidad de IW de cometer un error *ipo $ se traduce en un n[mero grande de halla?gos positivos y por lo tanto, de pu"licaciones. )s, muchos de los pequeBos estudios en la literatura est!n informando errores *ipo $ m!s que verdaderas asociaciones. El siguiente ejemplo, "asado en ensayos aleatorios de tratamientos nuevos, es de un artculo de &eto, &i@e, y cols. %upongamos que hay 1FF ensayos grandes y 1,FFF ensayos pequeBos de tratamientos que no difieren en realidad, y 4F ensayos grandes y 4FF ensayos pequeBos de tratamientos que realmente difieren. 'os ensayos grandes tienen una potencia estadstica de SIW< los ensayos pequeBos tienen una potencia estadstica de 4IW. El nivel de significancia es de IW, y s lo los ensayos que tuvieron resultados significativos son pu"licados. Estos supuestos, algo pesimistas, pero tal ve? muy realistas, llevan al siguiente escenario hipottico para el n[mero de ensayos de tratamiento en marcha que son Yestadsticamente significativosZ Np `F.FI87 *asa de mortalidad verdadera en ([mero que se espera encontrar *amaBo planificado del ensayo Controles *ratamiento a de ensayos plantead os pbF.FI p`F.FI 4IF IFW IFW 1FF SI N9(8c I N;&8c 4IF IFW 66W 4F 1 N;(8 1S N9&8 4I IFW IFW 1,FFF SIF N9(8 IF N;&8 4I IFW 66W 1,FFF 1IF N;(8 IF N9&8 c 9(, ;&, ;(, 9& son una analoga para sensi"ilidad y especificidad Nver m!s adelante8. En este escenario, 1FF ensayos pequeBos con resultados YsignificativosZ ser!n pu"licados, pero s lo la mitad de ellos reflejar!n una diferencia verdadera entre tratamientos. 'a conclusi n a la que llegan &eto, &i@e y cols. es de que hay que prestar atenci n s lo a los ensayos grandes, so"retodo aquellos suficientemente grandes para ser pu"licados a[n si no encuentran diferencias significativos entre tratamientos. Estos resultados pueden ser considerados en trminos de los conceptos de sensi"ilidad, especificidad, y valores predictivos. En estos conceptos, la sensi"ilidad corresponde a la potencia estadstica para detectar una verdadera diferencia NSIW para los ensayos grandes, 4IW para los ensayos pequeBos8, especificidad corresponde a uno menos el nivel de significancia Q la pro"a"ilidad de identificar correctamente un resultado aleatorio NSIW de especificidad para un nivel de
KKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKK OOO.epidemiolog.net, P 9ictor >. %choen"ach 1A. )n!lisis e interpretaci n de datos Q ATS rev. 11JRJ1SSR, 1FJ4LJ1SSS, 14J4LJ1SSS, trad. T.T.4FFA

significancia de IW8, y el valor predictivo positivo es la pro"a"ilidad de que un resultado YsignificativoZ de hecho refleje una verdadera diferencia en la efectividad del tratamiento. Ensayos grandes (p.ej., 2 0 !uertes" 9erdadera tasa de mortalidad en el grupo de tratamiento Nsuponiendo una tasa de mortalidad de IFW en el grupo control8 & ` F.FI 66W IFW *otal %i 1S I 4A (o 1 SI SL *otal 4F 1FF 14F #e esta manera, el valor predictivo de una p ` F.FI X 1SJ4A X TSW Ensayos pe#ue$os (p.ej., 2 !uertes" 9erdadera tasa de mortalidad en el grupo de tratamiento Nsuponiendo una tasa de mortalidad de IFW en el grupo control8 & ` F.FI 66W IFW *otal %i IF IF 1FF (o 1IF SIF 1,1FF *otal 4FF 1,FFF 1,4FF 9alor predictivo de &`.FI X IFJ1FF X IFW

Evaluando el rol del azar - estimacin de intervalos

d'os estudiantes de E&$# 1LR de"en conocer de estos conceptos, pero no de los c!lculose 'as prue"as de significancia estadstica, con su orientaci n hacia la toma de decisiones, han cado un poco en desgracia en las investigaciones epidemiol gicas. Con la premisa de que un estudio epidemiol gico es esencialmente un procedimiento de medici n Nver -othman8, se argumenta que el enfoque estadstico m!s apropiado es uno de estimaci n Np.ej., de la medida de efecto8 m!s que de prue"a de significancia. &or supuesto, igual hay una necesidad de cuantificar el rol del a?ar, pero en
KKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKK OOO.epidemiolog.net, P 9ictor >. %choen"ach 1A. )n!lisis e interpretaci n de datos Q ARF rev. 11JRJ1SSR, 1FJ4LJ1SSS, 14J4LJ1SSS, trad. T.T.4FFA

un marco de estimaci n el a?ar es cuantificado por un intervalo de confian?a o lmites de confian?a alrededor de la estimaci n puntual. 'os lmites de confian?a cuantifican la magnitud de la incertidum"re en una estimaci n definiendo un intervalo que de"era incluir el par!metro po"lacional que se intenta estimar Np.ej., medida de efecto8 un porcentaje conocido de las veces. 9arios autores han argumentado que los intervalos de confian?a son superiores a los valores p como mecanismo de cuantificar el grado de error aleatorio su"yacente a la asociaci n. 'os intervalos de confian?a contestan la pregunta, YDqu posi"les valores de un par!metro po"lacional Np.ej., ra? n de densidad de incidencia8 son consistentes con los resultados o"servadosEZ #icho de otra manera, YDcu!l es rango de verdaderos valores que, cuando son distorsionados por influencias no sistem!ticas, podran producir los resultados o"servadosEZ 'os intervalos de confian?a pueden dar informaci n so"re la precisi n de una estimador o estimadores "asado en la cantidad de datos disponi"les para el estimador. %i no se o"serv una asociaci n YsignificativaZ, el intervalo de confian?a puede dar una idea de que tan fuerte puede ser una asociaci n existente y sin

em"argo, por efecto del a?ar, no ser o"servada. 'a naturale?a de un intervalo de confian?a y lo que puede y no puede dar, sin em"argo, es un poco complicado N"asado en una discusi n so"re intervalos de confian?a en la lista de internet %*)*C' que se prolong durante semanas y atrajo una cantidad de respuestas y contraCrespuestas8. 'a perspectiva frecuentista es que un Yintervalo de confian?a del SIWZ es un intervalo o"tenido por un procedimiento que el SIW de las veces produce un intervalo que contiene el verdadero par!metro. En forma ideal, un intervalo del SIW sera aquel que Ycontiene el par!metro con una pro"a"ilidad de SIWZ. &ero los frecuentistas argumentan que el intervalo es fijado por los datos, y el par!metro po"lacional ya existe en la naturale?a. El par!metro puede o no, estar en el intervalo. (o hay pro"a"ilidades involucradas en eso. 'o [nico que podemos decir es que el SIW de las veces el procedimiento o"tendr! un intervalo que incluye el valor del par!metro Ny que el IW de las veces el procedimiento producir! un intervalo que no lo contiene8. #esde esta perspectiva,un intervalo de SIW es como un estudiante que tpicamente saca SIW del puntaje Q la pro"a"ilidad de que l o ella dar! la respuesta correcta a una pregunta es SIW, pero la respuesta que l o ella da para una pregunta particular puede ser correcta o incorrecta. Como calcular un intervalo de confian?a para una medida de efecto de ra? n 'os cursos introductorios de "ioestadstica incluyen los mtodos para o"tener intervalos de confian?a del SIW para la estimaci n de la proporci n po"lacional p. %i la muestra es suficientemente grande de forma que np b I y nN1Cp8 b I, los lmites de confian?a son7 p f 1.SL g dvarNp8e p f 1.SL gdpN1 Q p8Jne donde p es la proporci n o"servada, varNp8 es la varian?a de la estimaci n de p Nde manera que gvar Np8 es el error est!ndar8, y n es el n[mero de o"servaciones. &ara una proporci n, varNp8 es igual a pN1 Q p8Jn.

&ossi"le true values /"served result

*he concept "ehind the confidence interval

KKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKKK OOO.epidemiolog.net, P 9ictor >. %choen"ach 1A. )n!lisis e interpretaci n de datos Q AR1 rev. 11JRJ1SSR, 1FJ4LJ1SSS, 14J4LJ1SSS, trad. T.T.4FFA

Este mtodo puede ser usado para estimar intervalos de confian?a para prevalencia, incidencia acumulada, y otras proporciones simples. Muchas medidas epidemiol gicas, sin em"argo, son ra?ones Np.ej., -$C, -#$, y /-8. #ado que las medidas de efecto de ra? n tienen distri"uciones fuertemente asimtricas Nla mayor parte de los valores posi"les caen a la derecha del valor nulo, 1.F, el enfoque ha"itual es estimar primero el intervalo de confian?a para el logaritmo natural dlnN-$C8, lnN-#$8,o lnN/-8e y luego tomar el antiClogaritmo Nexponente8 de los lmites de confian?a7 $C SIW para lnN/-8 X lnN/-8 f 1.SL ghvardlnN/-8ei $C SIW para /- X exphlnN/-8 f 1.SL gNdvardlnN/-8e8i X /- exphf 1.SL gNdvarNdlnN/-8e8i &ara o"tener la varian?a del lnN/-8, usamos una f rmula simple Nque ha sido derivada por medio de una aproximaci n de series de *aylor al lnd/-e87 varhdlnN/-8e X 1Ja j 1J" j 1Jc j 1Jdi que funciona "ien si a, ", c, y d tienen todos valores de por lo menos I. &or lo tanto el intervalo de confian?a del SIW para el lnN/-8 es7 lnN/-8 j 1.SL gdN1Ja j 1J" j 1Jc j 1Jd8e y el intervalo de confian?a del SIW para el /- es7 /- exphj 1.SL g N1Ja j 1J" j 1Jc j 1Jd8i o

/- ej 1.SL g N1Ja j 1J" j 1Jc j 1Jd8 'as formulas de los intervalos de confian?a de la -$C y la -#$ se pueden encontrar en klein"aum, kupper y Morgenstern y -othman y .reenland. &or cierto, si la po"laci n de estudio es muy seleccionada Ni.e., no representativa de ninguna otra po"laci n de inters8, Dqu tan [til es el valor de una estimaci nE )#9E-*E(C$) $M&/-*)(*E7 toda esta secci n, o"viamente, se ha "asado en el supuesto de que el muestreo y la medici n son perfectas Nno sesgados, independientes8. Cualquier cosa que no sea una muestra al a?ar simple no sesgada y cualquier error de medici n invalidar! lo anterior por lo menos en alguna medida.