Bioestadística:maquetaEIR.
qxp 22/07/09 12:57 Página 1166
1 Bioestadística
INTRODUCCIÓN
La estadística se ocupa de los métodos y procedimientos para recoger, clasificar,
resumir, hallar regularidades y analizar los datos, siempre y cuando la variabili-
dad e incertidumbre sea una causa intrínseca de los mismos; así como de reali-
zar inferencias a partir de ellos, con la finalidad de ayudar a la toma de decisiones
y en su caso formular predicciones. De forma general, se consideran dos tipos:
• Estadística descriptiva (EIR 99-00, 5; 04-05, 16). Describe, analiza y re-
presenta un grupo de datos utilizando métodos numéricos y gráficos
que resumen y presentan la información contenida en ellos.
• Estadística inferencial. Apoyándose en el cálculo de probabilidades y a
partir de datos muestrales, efectúa estimaciones, decisiones, predic-
ciones u otras generalizaciones sobre un conjunto mayor de datos.
Conceptos básicos
Elementos, población, muestra
Se establecen a continuación algunas definiciones fundamentales como son:
elemento, población, muestra, caracteres, variables, etc., a las cuales se hará
referencia continuamente a lo largo del capítulo.
Individuos o elementos
Personas u objetos que contienen cierta información que se desea estudiar:
• Caracteres: propiedades, rasgos o cualidades de los elementos de la po-
blación. Estos caracteres pueden dividirse en cualitativos y cuantitativos.
• Modalidades: diferentes situaciones posibles de un carácter. Las mo-
dalidades deben ser a la vez exhaustivas y mutuamente excluyentes,
es decir, cada elemento posee una y sólo una de las modalidades po-
sibles.
• Clases: conjunto de una o más modalidades en el que se verifica que
cada modalidad pertenece a una y sólo una de las clases.
Población
Conjunto de individuos o elementos que cumplen ciertas propiedades comu-
nes. En relación al tamaño, puede ser:
• Finita, como es el caso del número de personas que llegan al servicio
de urgencia de un hospital en un día.
• Infinita, si por ejemplo se estudia el mecanismo aleatorio que describe
la secuencia de caras y cruces obtenida en el lanzamiento repetido de
una moneda al aire.
Muestra
Es un subconjunto representativo de una población.
Parámetro
Es la función definida sobre los valores numéricos de características medibles
de una población.
1166
Estadístico
Función definida sobre los valores numéricos de una muestra.
Organización de los datos
Variables estadísticas (EIR 93-94, 29; 94-95, 2; 03-04, 73)
Cuando se habla de variable se hace referencia a un símbolo (x, y, a, b, etc.)
que puede tomar cualquier modalidad (valor) de un conjunto determinado,
que se denomina dominio de la variable o rango. En función del tipo de do-
minio, las variables se clasifican del siguiente modo:
• Variables cualitativas, cuando las modalidades posibles son de tipo no-
minal. Por ejemplo, el grupo sanguíneo tiene por modalidades los gru-
pos sanguíneos posibles: A, B, AB, O.
• Variables cuasi cuantitativas u ordinales (EIR 01-02, 64) son las que,
aunque sus modalidades son de tipo nominal, es posible establecer un
orden entre ellas. Por ejemplo, si se estudia el grado de recuperación
de un paciente al aplicarle un tratamiento, se puede tener como moda-
lidad el grado de recuperación, que se puede considerar como nada,
poco, moderado, bueno o muy bueno. A veces se representan este tipo
de variables en escalas numéricas, por ejemplo, puntuar el dolor en una
escala de 1 a 5. Hay que evitar sin embargo realizar operaciones alge-
braicas con estas cantidades, es decir, un dolor de intensidad 4 no duele
el doble que otro de intensidad 2.
• Variables cuantitativas o numéricas son las que tienen por modalidades
cantidades numéricas con las que se pueden hacer operaciones aritmé-
ticas. Dentro de este tipo de variables se pueden distinguir dos grupos:
– Discretas, cuando no admiten siempre una modalidad interme-
dia entre dos cualesquiera de sus modalidades. Un ejemplo es el
número de hijos en una población de familias; número de hijos
posibles: 0, 1, 2, 3, 4, 5, etc.
– Continuas, cuando admiten una modalidad intermedia entre dos
cualesquiera de sus modalidades, por ejemplo el peso X de un
niño al nacer.
Ocurre a veces que una variable cuantitativa continua por naturaleza, aparece
como discreta. Este es el caso en que hay limitaciones en lo que concierne a la
precisión del aparato de medida de esa variable, como si se mide la altura de
una persona en metros con una regla que ofrece dos decimales de precisión, en
cuyo caso se podrán obtener alturas medidas en cm: 150, 151, 152, 153, etc.
En realidad lo que ocurre es que con cada una de esas mediciones se expresa
que el verdadero valor de la misma se encuentra en un intervalo de radio 0,005.
Por tanto, cada una de las observaciones de X representa más bien un intervalo
que un valor concreto. Tal como se ha citado anteriormente, las modalidades son
las diferentes situaciones posibles que puede presentar la variable. A veces
éstas son muy numerosas (p. ej.: cuando una variable es continua) y conviene
reducir su número, agrupándolas en una cantidad inferior de clases. Estas cla-
ses deben ser construidas de modo que sean exhaustivas y excluyentes, es decir,
cada modalidad debe pertenecer a una y sólo una de las clases.
Bioestadística:maquetaEIR.qxp 22/07/09 12:57 Página 1167

bioestadística

Te conviene recordar...

4 La estadística se ocupa de los métodos y procedimientos para recoger, clasificar, resumir, hallar regularidades y analizar los datos,
siempre y cuando la variabilidad e incertidumbre sea una causa intrínseca de los mismos; así como de realizar inferencias a par-
tir de ellos, con la finalidad de ayudar a la toma de decisiones y en su caso formular predicciones.
4 La estadística descriptiva describe, analiza y representa un grupo de datos utilizando métodos numéricos y gráficos que resu-
men y presentan la información contenida en ellos.
4 La estadística inferencial, apoyándose en el cálculo de probabilidades y a partir de datos muestrales, efectúa estimaciones, de-
cisiones, predicciones u otras generalizaciones sobre un conjunto mayor de datos.
4 Los caracteres de un elemento pueden ser de muy diversos tipos, por lo que se pueden clasificar en dos grandes clases: varia-
bles cuantitativas y variables cualitativas o atributos.

TÉCNICAS DE RECUENTO
Hoy en día, para realizar un estudio estadístico importante se recurre a los or-
denadores, ya sea por medio de programas de estadística específicos (BMDP,
SPSS) o bien utilizando herramientas informáticas de propósito general como
bases de datos u hojas de cálculo.
– Porcentaje. La frecuencia relativa es un tanto por uno, sin embargo,
hoy día es bastante frecuente hablar siempre en términos de tan-
tos por ciento o porcentajes, por lo que esta medida resulta de mul-
tiplicar la frecuencia relativa por 100. Quedará denotada por pi.
pi = fi • 100%

Distintos tipos de frecuencia
Uno de los primeros pasos que se realizan en cualquier estudio estadístico es
la tabulación de resultados, es decir, recoger la información de la muestra re-
sumida en una tabla en la que a cada valor de la variable se le asocian deter-
minados números que representan el número de veces que ha aparecido, su
proporción con respecto a otros valores de la variable, etc. Estos números se
denominan frecuencias. Así, se puede hablar de los siguientes tipos de fre-
cuencia:
• Frecuencia absoluta. La frecuencia absoluta de una variable estadística
es el número de veces que aparece en la muestra dicho valor de la va-
riable; se representa como ni.
• Frecuencia relativa. La frecuencia absoluta es una medida que está in-
fluida por el tamaño de la muestra, es decir, al aumentar el tamaño de
la muestra aumentará también el tamaño de la frecuencia absoluta.
Esto hace que no sea una medida útil para poder comparar. Para esto
es necesario introducir el concepto de frecuencia relativa, que es el co-
ciente entre la frecuencia absoluta y el tamaño de la muestra. Se repre-
senta como fi, donde N = tamaño de la muestra.
n lativos a las personas activas. En este ejemplo se puede ver fácilmente cómo
fi = i
N
• Frecuencia absoluta acumulada. Para poder calcular este tipo de fre-
cuencias hay que tener en cuenta que la variable estadística ha de ser
cuantitativa o cualitativa ordinal. En otro caso no tiene mucho sentido
el cálculo de esta frecuencia. La frecuencia absoluta acumulada de un
valor de la variable es el número de veces que ha aparecido en la
muestra un valor menor o igual que el de la variable y se representa
como Ni.
• Frecuencia relativa acumulada. Al igual que en el caso anterior la fre-
cuencia relativa acumulada es la frecuencia absoluta acumulada divi-
dida por el tamaño de la muestra, y queda representada como Fi.
Ni
Fi =
N
– Porcentaje acumulado. Análogamente se define el porcentaje acu-
mulado como la frecuencia relativa acumulada por 100 (Pi).
Pi = Fi • 100%
En la Tabla 1 se puede observar un ejemplo en el que se han tomado datos re-
se calculan estas frecuencias.

Tabla 1. Ejemplo práctico del cálculo de las distintas frecuencias

Personas activas Número familias

Xi ni fi pi Ni Fi Pi
1 16 16/50 32 % 16 16/50 32 %
2 20 20/50 40 % 36 36/50 72 %
3 9 9/50 18 % 45 45/50 90 %
4 5 5/50 10 % 50 50/50 100 %
Total 50

1167
Bioestadística:maquetaEIR.qxp 22/07/09 12:57 Página 1168
Manual DAE de enfermería. EIR. Oposiciones ••
Medidas estadísticas
Las variables estadísticas cuantitativas se dividen o clasifican en discretas o
continuas, por lo que hay que precisar cómo se calculan dichas medidas en
cada caso.
En las variables cuantitativas continuas, dado que la tabulación de los datos
se hace mediante intervalos, es necesario tomar un valor del intervalo para
poder operar. Este valor se denomina marca de clase y es el punto medio del
intervalo.
Las medidas estadísticas pretenden resumir la información de la muestra para
poder tener así un mejor conocimiento de la población. Se clasifican en:
• Medidas de centralización: que sirven para determinar los valores cen-
trales o medios de la distribución.
• Medidas de dispersión: dan una idea sobre la representatividad de
las medidas centrales; a mayor dispersión menor representativi-
dad.
• Medidas de localización: útiles para encontrar determinados valores
importantes, para una clasificación de los elementos de la muestra o po-
blación.
• Medidas de simetría: sirven para ver si la distribución tiene el mismo
comportamiento por encima y por debajo de los valores centrales.
Algunas consideraciones
El estadístico Yule ha definido algunas propiedades deseables para una me-
dida estadística:
• Debe definirse de manera objetiva: dos observadores distintos deben
llegar al mismo resultado numérico.
• Usar todas las observaciones y no algunas de ellas solamente, de ma-
nera que si varía alguna observación la medida considerada debe refle-
jar esta variación.
• Tener un significado concreto: la interpretación debe ser inmediata y
sencilla.
• Ser sencilla de calcular.
• Prestarse fácilmente al cálculo algebraico, lo que permitirá demostra-
ciones más elegantes.
• Ser poco sensible a las fluctuaciones muestrales. Esta condición es im-
prescindible en la estadística matemática y en la teoría de sondeos.
Medidas de centralización
Media (EIR 93-94, 30)
• Media aritmética. La media aritmética de una variable se define como
la suma ponderada de los valores de la variable por sus frecuencias re-
lativas y se representa como –x.
– Propiedades: si se multiplican o dividen todas las observaciones
por un mismo número, la media queda multiplicada o dividida
por dicho número. Si se les suma a todas las observaciones un
mismo número, la media aumentará en dicha cantidad.
Además de la media aritmética existen otros conceptos de media, como son
la media geométrica y la media armónica.
• Media geométrica. La media geométrica de N observaciones es la raíz
de índice N del producto de todas las observaciones. Se representa como
G. Sólo se puede calcular si no hay observaciones negativas. Es una me-
dida estadística poco o nada usual.
1168
• Media armónica. La media armónica de N observaciones es la inversa
de la media de las inversas de las observaciones y se representa como
H. Al igual que en el caso de la media geométrica su utilización es poco
frecuente.
Mediana (EIR 93-94, 31)
La mediana es el valor central de la variable, es decir, supuesta la muestra or-
denada en orden creciente o decreciente, el valor que divide en dos partes la
muestra. Para calcular la mediana hay que tener en cuenta si la variable es dis-
creta o continua.
Moda (EIR 94-95, 3)
La moda es el valor de la variable que tenga mayor frecuencia absoluta, la
que más se repite. Es la única medida de centralización que tiene sentido es-
tudiar en una variable cualitativa, pues no precisa la realización de ningún
cálculo.
Por su propia definición, la moda no es única, pues puede haber dos o más va-
lores de la variable que tengan la misma frecuencia siendo ésta máxima. En
ese caso se habla de una distribución bimodal o polimodal, según el caso.
Medidas de dispersión
Hasta el momento se han estudiado los valores centrales de la distribución,
pero también es importante conocer si los valores en general están cerca o ale-
jados de estos valores centrales, es por lo que surge la necesidad de estudiar
las medidas de dispersión.
Rango (EIR 96-97, 1)
Se define como la diferencia existente entre el valor mayor y el menor de la
distribución. Se representa como R. Realmente no es una medida muy signi-
ficativa en la mayoría de los casos, pero indudablemente es muy fácil de cal-
cular.
Desviación
Se puede hablar de desviación con respecto a cualquiera de las medidas de
centralización, sin embargo, la más utilizada es con respecto a la media. Así,
la desviación es la diferencia que se observa entre el valor de la variable y la
media aritmética. Se representa como di .
En realidad no es una medida, sino que son muchas medidas, pues cada valor
de la variable lleva asociada su correspondiente desviación, por lo que se ne-
cesita una medida que resuma dicha información. Para resolver este pro-
blema, existen dos caminos:
• Tomar el valor absoluto de las desviaciones: desviación media.
• Elevar al cuadrado las desviaciones: varianza.
Desviación media
Es la media de los valores absolutos de las desviaciones, y se representa como
dm.
Varianza
Es la media de los cuadrados de las desviaciones, y se representa como S2x o
también como σ2x. Este estadístico tiene el inconveniente de ser poco signi-
ficativo, pues se mide en el cuadrado de la unidad de la variable. Por ejemplo,
si la variable viene dada en cm, la varianza vendrá en cm2.
Otros dos estadísticos importantes son la cuasi varianza y la cuasi desviación
típica, que como se verá más adelante, son los estimadores de la varianza y
desviación típica poblacionales respectivamente.
Bioestadística:maquetaEIR.qxp 22/07/09 12:57 Página 1169

bioestadística

• Cuasi varianza. Es una medida de dispersión, cuya única diferencia con • Q2 = Valor de la variable que deja a la izquierda el 50% de la distribu-
la varianza es que se divide por N-1. Se representa como S2N-1 o σ2N-1. ción = mediana.
• Cuasi desviación típica. Es la raíz cuadrada de la cuasi varianza y se re- • Q3 = Valor de la variable que deja a la izquierda el 75% de la distribu-
presenta como ción.

SN-1 o σ N-1. SN-1 = σ N-1 = N •σ . Al igual que ocurre con el cálculo de la mediana, el cálculo de estos estadís-
x
N-1 ticos depende del tipo de variable.

Todas estas medidas de dispersión vienen influidas por la unidad en la que se
mide la variable, esto implica que si se cambia de unidad de medida, los va-
lores de estos estadísticos se verán a su vez modificados. Además, no permite
comparar, por ejemplo, en un grupo de alumnos si los pesos o las alturas pre-
sentan más dispersión, pues no es posible comparar unidades de distinto tipo.
Se necesita, por lo tanto, una medida escalar, es decir, que no lleve asociada
ninguna unidad de medida.
Coeficiente de variación
Es un estadístico de dispersión que tiene la ventaja de que no lleva asociada
ninguna unidad, por lo que permitirá decir, entre dos muestras, cuál es la que
presenta mayor dispersión. Se denomina C.V.
Medidas de localización: cuartiles, deciles y percentiles
Las medidas de localización dividen la distribución en partes iguales, sirven
para clasificar a un individuo o un elemento dentro de una determinada po-
blación o muestra. Así, en psicología, los resultados de los test o pruebas que
se realizan a un determinado individuo, sirven para clasificar a dicho sujeto en
una determinada categoría en función de la puntuación obtenida.
Cuartiles (EIR 02-03, 110)
Medida de localización que divide la población o muestra en cuatro partes
iguales.
• Q1 = Valor de la variable que deja a la izquierda el 25% de la distribución.
Deciles
Medida de localización que divide la población o muestra en 10 partes igua-
les. No tiene mucho sentido calcularlas para variables cualitativas discretas.
Percentiles (EIR 04-05, 17)
Medida de localización que divide la población o muestra en 100 partes
iguales. No tiene mucho sentido calcularlas para variables cualitativas dis-
cretas.
Medidas de simetría (EIR 02-03, 106)
Las medidas de la simetría, al igual que la curtosis, van a ser medidas de la
forma de la distribución. Es frecuente que los valores de una distribución tien-
dan a ser similares a ambos lados de las medidas de centralización. La sime-
tría es importante para saber si los valores de la variable se concentran en una
determinada zona del recorrido de la variable (Ver Imagen 1).
Para medir la asimetría se atenderá básicamente a dos criterios:
• Comparación de la media y la moda.
• Comparación de los valores de la variable con la media.
Medidas de apuntamiento, curtosis
La curtosis es una medida de apuntamiento, que indicará si la distribución es
muy apuntada o poco apuntada. Como se puede observar en la Imagen 2, el
coeficiente de curtosis mide el grado de apuntamiento de la distribución.

As < 0 As = 0 As > 0

Asimetría negativa a la izquierda Simétrica Asimetría positiva a la derecha

100 100 100

90 90 90

80 80 80

70 70 70

60 60 60

60 60 60

40 40 40

30 30 30

20 20 20

10 10 10

0 0 0
11 29 47 65 83 101 119 137 155 173 191 11 29 47 65 83 101 119 137 155 173 191 11 29 47 65 83 101 119 137 155 173 191

Imagen 1. Gráficos que representan las medidas de simetría o asimetría

1169
Bioestadística:maquetaEIR.qxp 22/07/09 12:57 Página 1170

Manual DAE de enfermería. EIR. Oposiciones ••

Curtosis negativa Curtosis nula Curtosis positiva

Platicúrtica Mesocúrtica Leptocúrtica

100 100 100

90 90 90

80 80 80

70 70 70

60 60 60

60 60 60

40 40 40

30 30 30

20 20 20

10 10 10

0 0 0
11 29 47 65 83 101 119 137 155 173 191 11 29 47 65 83 101 119 137 155 173 191 11 29 47 65 83 101 119 137 155 173 191

Imagen 2. Curtosis

Te conviene recordar...

4 Uno de los primeros pasos que se realizan en cualquier estudio estadístico es la tabulación de resultados, es decir, recoger la
información de la muestra resumida en una tabla en la que a cada valor de la variable se le asocian determinados números que
representan el número de veces que ha aparecido, su proporción con respecto a otros valores de la variable, etc. Estos núme-
ros se denominan frecuencias.
4 Las medidas estadísticas pretenden resumir la información de la muestra para poder tener así un mejor conocimiento de la po-
blación. Se clasifican en:
– Medidas de centralización.
– Medidas de dispersión.
– Medidas de localización.
– Medidas de simetría.
– Medidas de apuntamiento.

PROBABILIDAD (EIR 01-02, 52, 105; 02-03, 109; 04- significa el hecho de que la probabilidad de error ante esa afirmación sea
05, 18) de 0,05.

La Teoría de la Probabilidad constituye la base o fundamento de la Estadística,
ya que las ingerencias sobre la población o poblaciones en estudio se move-
rán dentro de unos márgenes de error controlado, el cual será medido en tér-
minos de probabilidad.
Dado que la Estadística se utiliza con mucha frecuencia hoy en día, incluso
en el lenguaje cotidiano, es conveniente entender con toda precisión qué es
lo que se dice, por ejemplo, en los medios de comunicación, cuando se hace
referencia a la probabilidad de algún suceso.
Así pues, es corriente hablar de la probabilidad de un suceso, entendiendo
como tal un número entre 0 y 1, de forma que si éste es más cercano a 0 o a
1, el suceso tiene poca o mucha probabilidad, respectivamente, de ocurrir o
haber ocurrido, aunque ya en el ejemplo anterior se trasluce, por un lado, una
probabilidad científica de que el informe estuviera equivocado, y, por otro,
unas probables causas para estos resultados. Conviene, por tanto, precisar en
cada caso de qué se está hablando, tratando de evitar afirmaciones tan comu-
nes en los medios de comunicación como la de “mañana es posible que llueva
pero no es probable”.

Así, es corriente oír que la probabilidad de que un recién nacido sea varón
es aproximadamente del 50 %, que es muy poco probable que llueva en To-
rremolinos en la segunda quincena del mes de julio, o, incluso, se pueden
leer en la prensa cosas tales como que “en una evaluación internacional
sobre matemáticas y ciencias, desarrollada por la National Assessment of
Educational Progress de Estados Unidos, entre escolares españoles de 13
años, los chicos muestran un mejor rendimiento en matemáticas que las
chicas”, haciendo esta afirmación con un margen de error muy pequeño
(del 5 %). El informe no afirma, claro está, que los niños tengan una mayor
aptitud o una mayor capacidad para las matemáticas, sino que “probable-
mente” estos resultados son la consecuencia de unos determinados com-
portamientos sociales. En todo caso, es interesante tener muy claro qué
Espacio muestral
La Estadística, y por tanto el cálculo de probabilidades, se ocupan de los de-
nominados fenómenos o experimentos aleatorios. El conjunto de todos los
resultados posibles diferentes de un determinado experimento aleatorio se
denomina espacio muestral asociado a dicho experimento y se suele repre-
sentar por el símbolo Ω. A los elementos de Ω se les denomina sucesos ele-
mentales.
Así, por ejemplo, el espacio muestral asociado al experimento aleatorio con-
sistente en el lanzamiento de una moneda es: Ω = {cara, cruz}; el espacio
muestral asociado al lanzamiento de un dado es: Ω = {1, 2, 3, 4, 5, 6}, siendo

1170
Bioestadística:maquetaEIR.qxp 22/07/09 12:57 Página 1171
cara y cruz los sucesos elementales asociados al primer experimento alea-
torio y 1, 2, 3, 4, 5 y 6 los sucesos elementales del segundo experimento.
A pesar de la interpretación que tiene el espacio muestral, no es más que un
conjunto abstracto de puntos (los sucesos elementales), por lo que el len-
guaje, los conceptos y propiedades de la teoría de conjuntos constituyen un
contexto natural en el que desarrollar el cálculo de probabilidades.
Sea A el conjunto de las partes, es decir, el conjunto de todos los subconjun-
tos de Ω. En principio, cualquier elemento de A, es decir, cualquier subconjunto
del espacio muestral, contendrá una cierta incertidumbre, por lo que se inten-
tará asignarle un número entre 0 y 1 como medida de su incertidumbre. En
cálculo de probabilidades dichos subconjuntos reciben el nombre de suce-
sos, siendo la medida de la incertidumbre su probabilidad. La tripleta (Ω, A,
P) recibe el nombre de espacio probabilístico.
Por tanto, asociado a todo experimento aleatorio existen tres conjuntos: el es-
pacio muestral, la clase de los sucesos, es decir, el conjunto de los elementos
con incertidumbre asociados a un experimento aleatorio A, y una función real,
P:A[0, 1], la cual asignará a cada suceso (elemento de A) un número entre 0
y 1 como medida de su incertidumbre.
No obstante, la elección del espacio muestral asociado a un experimento alea-
torio no tiene por qué ser única, sino que dependerá de qué sucesos elemen-
tales se quieran considerar como distintos y del problema de la asignación
de la probabilidad sobre esos sucesos elementales.
Respecto a la clase de los sucesos A, es natural que ésta tenga una estruc-
tura tal que permita hablar no sólo de sucesos sino también de su unión,
intersección, diferencia, complementario, etc., debiendo ser la clase A, en
consecuencia, cerrada a dichas operaciones entre conjuntos (entre suce-
sos). Esta es la situación del conjunto de las partes cuando es finito o in-
cluso numerable (caso, por ejemplo, del espacio muestral asociado al
experimento aleatorio consistente en lanzar una moneda hasta que salga
cara por primera vez).
En otras ocasiones en las que sea un conjunto continuo (por ejemplo, cuando
se estudia el tiempo que tarda un isótopo radioactivo en volverse inestable),
deberá ser A un conjunto estrictamente más pequeño que el conjunto de las
partes de Ω.
En todo caso, A es el conjunto que contiene todos los elementos de interés, es
decir, todos los sucesos a los que les corresponde una probabilidad.
Hay que destacar además algunas peculiaridades del cálculo de probabi-
lidades respecto a la teoría de conjuntos. Aquí, el conjunto vacío 0 recibe
el nombre de suceso imposible, definido como aquel subconjunto que no
contiene ningún suceso elemental y que corresponde a la idea de aquel
suceso que no puede ocurrir. De forma análoga, el espacio total recibe el
nombre de suceso seguro al recoger dicha denominación la idea que repre-
senta. Serán sucesos incompatibles aquéllos cuya intersección sea el su-
ceso imposible.
Por último, la inclusión de sucesos A B se interpreta aquí como que siempre
que se cumpla el suceso A se cumple el B; por ejemplo, siempre que salga el
2 (suceso A) sale par (suceso B).
Ejemplo: urna
Se considera un experimento aleatorio consistente en extraer una bola al azar
de una urna compuesta por tres bolas rojas, dos blancas y una verde.
bioestadística
Se puede considerar como espacio muestral Ω1 = {ω1, ω2, ω3} donde ω1 =
bola roja, ω2 = bola blanca y ω3 = bola verde, aunque también se podía haber
considerado como espacio muestral el conjunto Ω1= {ω1, ω2, ω3, ω4, ω5, ω6}
donde ωi = bola roja, i = 1, 2, 3; ωi = bola blanca, i = 4, 5 y ω6= bola verde,
haciendo las bolas distinguibles.
Ambos pueden ser considerados espacios muestrales del experimento des-
crito, eligiendo el que más convenga, por ejemplo, a la hora de asignar la pro-
babilidad a los sucesos elementales de uno u otro espacio muestral.
Conceptos de probabilidad
En la sección anterior se ha visto que a cada suceso A le corresponde su pro-
babilidad P(A), pero, ¿este número viene dado?, ¿es un número descono-
cido?, ¿hay que calcularlo?
En los casos más sencillos bastará con asignar la probabilidad a los suce-
sos elementales de un experimento aleatorio. La probabilidad de los demás
sucesos se podrá calcular utilizando las propiedades que más adelante se
verán.
En los casos más complicados (que habitualmente se corresponderán con las
situaciones reales) se asignará un modelo probabilístico al experimento en
cuestión, como ideal que se cree corresponde a la situación en estudio, ideal
que habrá que chequear inferencialmente. Más adelante se tratará el tema
de la asignación de probabilidades.
Conceptualización
Concepto frecuentista
Es un hecho empíricamente comprobado que la frecuencia relativa de un su-
ceso tiende a estabilizarse cuando la frecuencia total aumenta.
Surge así el concepto frecuentista de la probabilidad de un suceso como un
número ideal al que converge su frecuencia relativa cuando la frecuencia total
tiende a infinito.
Así, se suele afirmar que la probabilidad de que salga un seis al tirar un dado
es 1/6 porque al hacer un gran número de tiradas su frecuencia relativa es
aproximadamente esa. El problema radica en que al no poder repetir la expe-
riencia infinitas veces, la probabilidad de un suceso ha de ser aproximada por
su frecuencia relativa para un n suficientemente grande, y ¿cuán grande es un
n grande?, o, ¿qué hacer con aquellas experiencias que sólo se pueden repe-
tir una vez?
Concepto clásico
Está basado en el concepto de resultados igualmente verosímiles y motivado
por el denominado Principio de la Razón Insuficiente, el cual postula que si no
existe un fundamento para preferir una entre varias posibilidades, todas deben
ser consideradas equiprobables.
Así, en el lanzamiento de una moneda perfecta la probabilidad de cara debe
ser igual que la de cruz y, por tanto, ambas iguales a 1/2. De la misma ma-
nera, la probabilidad de cada uno de los seis sucesos elementales asociados
al lanzamiento de un dado debe ser 1/6.
Laplace recogió esta idea y formuló la regla clásica del cociente entre casos fa-
vorables y casos posibles, supuestos éstos igualmente verosímiles. El pro-
blema aquí surge porque, en definitiva, igualmente verosímil es lo mismo
que igualmente probable, es decir, se justifica la premisa con el resultado.
1171
Bioestadística:maquetaEIR.qxp 22/07/09 12:57 Página 1172
Manual DAE de enfermería. EIR. Oposiciones ••
Además ¿qué ocurre cuando se considera un experimento donde no se da esa
simetría?, o, ¿qué hacer cuando el número de resultados posibles es infinito?
Concepto subjetivo
Se basa en la idea de que la probabilidad que una persona da a un suceso
debe depender de su juicio y experiencia personal, pudiendo dar dos perso-
nas distintas probabilidades diferentes a un mismo suceso. Estas ideas pue-
den formalizarse, y si las opiniones de una persona satisfacen ciertas
relaciones de consistencia, puede llegarse a definir una probabilidad para
los sucesos.
El principal problema a que da lugar esta definición es que dos personas di-
ferentes pueden dar probabilidades diferentes a un mismo suceso.
Ejemplo
Un estudio sobre el color de los ojos en niños recién nacidos de una población
determinada dio la distribución de frecuencias relativas que se muestra en la
Tabla 2.
Suponiendo que no se considere el componente genético que esta caracte-
rística tiene, esto es, no teniendo en cuenta el color de ojos de los padres, se
podría considerar esta distribución de frecuencias como una buena aproxi-
mación de la probabilidad y decir, por ejemplo, que la probabilidad que tiene
un recién nacido de esta población de tener los ojos claros es: P {ojos claros}
= P {azules} + P {verdes} = 0,05 + 0,02 = 0,07.
A veces es precisamente la asignación de la probabilidad la que determina
el espacio muestral. Así, en el ejemplo del experimento aleatorio consis-
tente en extraer una bola al azar de una urna compuesta por tres bolas rojas,
dos blancas y una verde, si se considera como espacio muestral Ω2 = {ω1, ω2,
ω3, ω4, ω5, ω6} en donde era ωi = bola roja, i = 1, 2, 3; ωi = bola blanca, i
= 4, 5; y ω6 = bola verde, los seis sucesos elementales pueden ser conside-
rados como equiprobables, siendo en ese caso P(ωi) = 1/6, mientras que si
se considera como espacio muestral Ω1 = {ω1, ω2, ω3} en donde era ω1 =
bola roja, ω2 = bola blanca y ω3 = bola verde, los sucesos dejan ya de ser
equiprobables, por lo que, en una situación más compleja, la elección de un
espacio muestral en el que los sucesos elementales sean equiprobables
puede ser más adecuada.
Aquí, por las propiedades estudiadas en la sección anterior, es equivalente
utilizar Ω2 con sucesos elementales equiprobables, que utilizar Ω1 con P(ω1)
= 3/6, P(ω2) = 2/6 y P(ω3) = 1/6.
Sin embargo, la mayoría de los fenómenos aleatorios que se observan en la
naturaleza admiten un esquema tan sencillo que ni será necesario detallar
esta asignación en los sucesos elementales en la mayoría de las situaciones
reales. Se podrá actuar en una forma más encapsulada, asignando de forma
Tabla 2. Frecuencias relativas en estudio sobre el
color de los ojos
Color Fi
Azules 0,05
Verdes 0,02
Castaños 0,69
Negros 0,24
1172
global un modelo probabilístico a la característica que se estudie, el cual re-
cibe el nombre de distribución de probabilidad. No obstante, en esa modeli-
zación global de la realidad, siempre será posible descender hasta la
probabilidad que tiene asociada.
La asignación, tanto en un nivel elemental como en forma de distribución
modelo, podrá ser contrastada con las observaciones del experimento alea-
torio, de forma que se pueda estar razonablemente seguro de las conclusio-
nes.
Dentro de las posibles asignaciones de probabilidad existe una que destaca,
tanto por ser una de las más utilizadas como por obtenerse de ella interesan-
tes propiedades. Se trata del denominado modelo uniforme.
Modelo uniforme
En esta sección se expondrá un caso particular muy importante, el cual se co-
rresponde con una situación en la que los sucesos elementales del espacio
muestral puedan ser considerados como equiprobables.
Ejemplo 1
El experimento aleatorio consiste en lanzar una moneda al aire. En el espacio
muestral asociado, Ω = {cara, cruz}, ambos sucesos elementales pueden con-
siderarse como equiprobables.
Ejemplo 2
Si se selecciona al azar una carta de una baraja española, los 40 sucesos ele-
mentales correspondientes a las 40 cartas pueden ser considerados como
equiprobables, estando de nuevo ante un esquema de modelo uniforme.
Ejemplo 3
El experimento aleatorio consiste en dividir el intervalo [0,1] en tres trozos
eligiendo dos puntos x1, x2 Є [0, 1] al azar. De nuevo, al ser al azar la elección
de los puntos, es un modelo uniforme.
Ejemplo 4
El experimento aleatorio consiste en lanzar al aire una moneda dos veces. El
espacio muestral que razonablemente vendrá asociado será = {(C, C), (C, X),
(X, X)}, siendo C y X, respectivamente, la cara y la cruz de la moneda.
En este espacio muestral los sucesos no son equiprobables, aunque puede
conseguirse esta simetría si se considera como espacio muestral = {(C, C),
(C, X), (X, C), (X, X)}.
En todos estos casos de modelos uniformes, en especial en los que el espa-
cio muestral es finito, Ω ={ω1, ω2, ..., ωn} el cálculo de las probabilidades de
los sucesos resulta sencillo, ya que al ser los sucesos elementales incompati-
bles y equiprobables, será 1 = P(Ω) = P(ω1) + ... + P(ωn) = n · P(ωi), con
lo que P(ωi) = 1/n, ∀ i=1, ..., n. Por tanto, si un suceso A es unión de k su-
cesos elementales, será:
P(A) = nk = casos favorables a A
casos posibles
con lo que, en definitiva, el cálculo de probabilidades de sucesos en un mo-
delo uniforme se limita a contar el número de casos favorables a dicho suceso
y el número de casos posibles.
No obstante, dicho cómputo no resulta siempre fácil por lo que es conve-
niente tener presente las fórmulas de las variaciones, combinaciones y permu-
taciones, ya que éstas facilitarán el cálculo.
Bioestadística:maquetaEIR.qxp 22/07/09 12:57 Página 1173
Si de un grupo de N elementos se toman n importando el orden de los n ele-
mentos seleccionados, habrá variaciones y, si no importa el orden, combina-
ciones. Además, si se admite la posibilidad de que entre estos n pueda haber
elementos repetidos, se tratará, respectivamente, de variaciones y de combi-
naciones con repetición.
Por último, si solamente se quiere contar el número posible de reordenacio-
nes de un conjunto de elementos, se habla de permutaciones con o sin repe-
tición dependiendo de que se admita o no la posibilidad de que haya
elementos repetidos.
Las fórmulas son:
• Variaciones de N elementos tomados de n en n: V N, n = N · (N - 1) · ... ·
(N - n +1).
• Variaciones con repetición de N elementos tomados de n en n: VR N, n = Nn.
• Combinaciones de N elementos tomados de n en n: C N, n = n =
N!
N
()
n! (N – n)!
• Combinaciones con repetición de N elementos tomados de n en n:
(n )(
N–1 )
CRN,n = N + n – 1 = N + n – 1 = (N + n – 1)!
n! (N – 1)!
• Permutaciones de N elementos: PN = N! = N · (N - 1) · ... · 2 · 1
• Permutaciones con repetición de N elementos, uno de los cuales se re-
pite n1 veces, otro n2 veces, ..., otro nr veces: PR n1,...,nr = N!
N n1!. n2!.....nr!
Ejemplo 5
Una enciclopedia en seis volúmenes es colocada en una estantería de forma
aleatoria. La probabilidad de que resulte colocada de forma correcta, supuesto
que esto signifique empezar a contar por la izquierda, será:
P(A) = casos favorables 1 1
casos posibles = 6! = 720
Probabilidad condicionada. Sucesos independientes
Probabilidad condicionada
Mediante un espacio probabilístico se da una formulación matemática a un
fenómeno aleatorio que se esté observando. Parece por tanto razonable que
si se observa algo que aporte información al fenómeno aleatorio, ésta deba
alterar el espacio probabilístico de partida.
Por ejemplo, la extracción de una bola de una urna con tres bolas blancas y
dos negras puede formalizarse con un espacio probabilístico en el que los su-
cesos elementales sean las cinco bolas y donde la probabilidad sea uniforme
sobre estos cinco sucesos elementales, es decir, igual a 1/5.
Si se extrae una bola de la urna, es decir, si se observa el suceso A bola negra,
y no se devuelve a la urna, es razonable que el espacio probabilístico cambie
en el sentido no sólo de que ahora ya habrá únicamente cuatro sucesos ele-
mentales, sino que además la función de probabilidad deberá cambiar en
orden a recoger la información que la observación del suceso A proporcionó.
Es decir, en el nuevo espacio probabilístico deberá hablarse de probabilidad
condicionada al suceso A, de forma que se recojan hechos tan evidentes como
bioestadística
que ahora la probabilidad (condicionada) de obtener negra se habrá redu-
cido y habrá aumentado la de blanca.
Teorema de la probabilidad total. Teorema de Bayes
(EIR 01-02, 55; 03-04, 74)
Teorema de la probabilidad total
En el cálculo numérico de probabilidades tiene una gran aplicación práctica
el siguiente resultado. Sea un espacio probabilístico (Ω, A, P) y {An} ⊂ A una
partición de sucesos de Ω. Es decir, ∪n An = Ω y Ai ∩ Aj = Ø para todo i ≠ j.
Entonces, para todo suceso B ⊂ A es P(B) = Σn P(B/An) · P(An).
Resultado que se puede parafrasear diciendo que la probabilidad de un suceso
que se puede dar de varias formas es igual a la suma de los productos de las
probabilidades de éste en cada una de esas formas, P(B/An), por las probabi-
lidades de que se den estas formas, P(An).
Ejemplo
Una población está formada por tres grupos étnicos: A (un 30%), B (un 10%)
y C (un 60%). Además se sabe que el porcentaje de personas con ojos claros
en cada una de estas poblaciones es, respectivamente, del 20%, 40% y 5%.
Por el teorema de la probabilidad total, la probabilidad de que un individuo
elegido al azar de esta población tenga ojos claros es: P(ojos claros) = P(A) ·
P(ojos claros/A) + P(B) · P(ojos claros/B) + P(C) · P(0jos claros/C ) = 0,3 ·
0,2 + 0,1 · 0,4 + 0,6 · 0,05 = 0,13.
Teorema de Bayes
El siguiente teorema es un resultado con una gran carga filosófica detrás, el
cual mide el cambio que se va produciendo en las probabilidades de los su-
cesos a medida que se van haciendo observaciones. Paradójicamente a su
importancia, su demostración no es más que la aplicación de la definición de
probabilidad condicionada seguida de la aplicación del teorema de la proba-
bilidad total.
Sea un espacio probabilístico (Ω, A, P) y {An} ⊂ A una partición de sucesos de
Ω y B A un suceso con probabilidad positiva. Entonces, para todo suceso Ai es
P(Ai).P(B/Ai)
P(Ai/B)=
∑ P(An).P(B/An)
n
Este teorema tiene una interpretación intuitiva muy interesante. Si las cosas
que pueden ocurrir están clasificadas en los sucesos Ai de los cuales se cono-
cen sus probabilidades P(Ai), denominadas a priori, y se observa un suceso B,
la fórmula de Bayes da las probabilidades a posteriori de los sucesos A, ajus-
tadas o modificadas por B.
Ejemplo
Hay una urna de la cual sólo se sabe que o es la urna A1 con 3 bolas blancas
y 1 negra, o es la urna A2 con 3 bolas negras y 1 blanca.
Con objeto de obtener más información acerca de qué urna es, se realiza un
experimento consistente en extraer una bola de la urna desconocida. Si se
supone que la bola extraída resultó blanca 1B y a priori ninguna de las dos
urnas es más verosímil que la otra, P(A1) = P(A2) = 1/2, entonces la fórmula
de Bayes dice que las probabilidades a posteriori de cada urna son P(A1/1B)
=3/4 y P(A2/1B) =1/4, habiendo alterado de esta forma la creencia sobre la
urna. Antes se creía que eran equiprobables y ahora que es tres veces más
probable que la urna desconocida sea la A1.
1173
Bioestadística:maquetaEIR.qxp 22/07/09 12:57 Página 1174

Manual DAE de enfermería. EIR. Oposiciones ••

Pero, ¿qué ocurrirá si se extrae otra bola? Lógicamente, en la fórmula de Bayes La distribución de frecuencias por marcas de clase será (Ver Tabla 5), la cual
habrá que tomar ahora como probabilidades a priori las calculadas, 3/4 y 1/4, Σ
6
x . n i 388,5
pues éstas son las creencias sobre la composición de la urna, antes de volver i- l i
proporciona una media aritmética de a =— n =— = 11,426.
a realizar el experimento. 34
Para el cálculo de la mediana es necesario tomar la tabla de frecuencias ab-
Si se supone que la bola no fue reemplazada (se deja para el lector el caso de solutas acumuladas (Ver Tabla 6).
reemplazamiento), y sale una bola negra 2N, la fórmula de Bayes devolvería
la incertidumbre inicial, ya que sería P(A1/2N) = 1/2 y P(A2/2N) =1/2. Al ser n/2 = 17 y estar 11 < 17 < 21, la mediana estará en el intervalo [10,5,
—34 - 7
Si hubiera salido blanca, la fórmula de Bayes, al igual que la lógica, también 12), y aplicando la fórmula se obtiene: Me = 10,5 + — 2 . 1,5 = 11,4.
sería concluyente, P(A1/2B) =1 y P(A2/2B) =0. 10

La utilización de la fórmula de Bayes, es decir, la utilización de distribuciones

de probabilidad a posteriori como modelos en la estimación de parámetros,
al recoger ésta tanto la información muestral, P(B/Ai), como la información
Tabla 4. Distribución de frecuencias
a priori sobre ellos, P(Ai), constituye una filosofía inferencial de gran desarro-
llo en los últimos años, la cual, no obstante, tiene el inconveniente (o la ven- Ii ni fi Ni Fi
taja) de depender de la información a priori, la cual en muchas ocasiones es
subjetiva y por tanto, pudiendo ser diferente de un investigador a otro. 7,5-9 3 0'088 3 0'088
9-10,5 8 0'236 11 0'324
Ejemplo: niveles de colinesterasa 10,5-12 10 0'294 21 0'618
Se midieron los niveles de colinesterasa en un recuento de eritrocitos en 12-13,5 10 0'294 31 0'912
μmol/min/ml de 34 agricultores expuestos a insecticidas agrícolas, obtenién- 13,5-15 1 0'029 32 0'941
dose los datos que se reflejan en la Tabla 3. 15-16,5 2 0'059 34 1
34 1
Aplicando la fórmula de Sturges para el cálculo del número de intervalos en
que se dividen las observaciones se obtiene: k = 1 + 3,322 log10 34 = 1 +
3,322 · 1,53148 = 6,08757, es decir, una sugerencia de 6 intervalos. Como
el mayor valor es x(34) = 16,5 y el menor x(1) = 7,8, la longitud sugerida es 0,35
16,5–7,8
a= = 1,45 . 0,30
6
0,25
Parece, por tanto, razonable tomar como amplitud 1,5, obteniendo como
intervalos en los que clasificar los datos [7,5 – 9) , [9 – 10,5) , [10,5 – 12) , 0,20
[12 – 13,5) , [13,5 – 15) , [15 – 16,5]. Los datos agrupados en los interva-
0,15
los obtenidos proporcionan las cuatro siguientes distribuciones de frecuen-
cias (Ver Tabla 4). 0,10

0,05
Al tener los intervalos igual amplitud, la representación gráfica de su histo-
grama será la que muestra la Imagen 3.
7,5 9 10,5 12 13,5 15 16,5
Y el polígono de frecuencias relativas acumuladas tendrá una representación
gráfica de la forma que se refleja en la Imagen 4. Imagen 3. Histograma

Tabla 3. Ejemplo práctico del cálculo de las distintas frecuencias

Individuo Nivel Individuo Nivel Individuo Nivel
1 10,6 13 12,2 25 11,8
2 12,5 14 10,8 26 12,7
3 11,1 15 16,5 27 11,4
4 9,2 16 15,0 28 9,3
5 11,5 17 10,3 29 8,6
6 9,9 18 12,4 30 8,5
7 11,9 19 9,1 31 10,1
8 11,6 20 7,8 32 12,4
9 14,9 21 11,3 33 11,1
10 12,5 22 12,3 34 10,2
11 12,5 23 9,7
12 12,3 24 12,0

1174
Bioestadística:maquetaEIR.qxp 22/07/09 12:57 Página 1175

bioestadística

Se determina a continuación la séptima decila, para ello se vuelven a necesi-

tar las frecuencias acumuladas. Como es:
1,2 r . n = 7 . 23 = 23,8 . 21 < 23,8 < 31 el intervalo a considerar será
k 10
1 23,8 -21 . 1,5 = 12,42.
[12, 13,5), siendo p7/10 = 12 + —
10
0,8

0,6 El recorrido es: R = 15,75 – 8,25 = 7,5. La varianza en este ejemplo será: s2
= 133,97 - (11,426)2 = 3,42. La desviación típica de la distribución de fre-
0,4 cuencias es s = 1,1906 y el coeficiente de variación de Pearson es:
1, 85 . 100 = 16,19.
0,2 Vp = —
11,426
0 Una distribución es simétrica cuando su mediana, su moda y su media arit-
7,5 9 10,5 12 13,5 15 16,5 mética coinciden. Claramente la distribución de este ejemplo no es, por tanto,
simétrica. De la misma manera, se observa una ligera asimetría a la izquierda,
al ser el coeficiente de asimetría de Pearson: Ap = — 11,426 - 12 = 0,31.
Imagen 4. Polígono de frecuencias relativas acumuladas
1,85

Tabla 5. Distribución de frecuencias por marcas de clase

Intervalo Ii 7,5-9 9-10,5 10,5-12 12-13,5 13,5-15 15-16,5
Marca de Clase xi 8,25 9,75 11,25 12,75 14,25 15,75
Frecuencia ni 3 8 10 10 1 2 Σni = 25

Tabla 6. Frecuencias absolutas acumuladas

Intervalo Ii 7,5-9 9-10,5 10,5-12 12-13,5 13,5-15 15-16,5
Frecuencia ni 3 8 10 10 1 2
Frecuencia acumulada Ni 3 11 21 31 32 34

Te conviene recordar...

4 La Teoría de la Probabilidad constituye la base o fundamento de la Estadística, ya que las ingerencias sobre la población o po-
blaciones en estudio se moverán dentro de unos márgenes de error controlado, el cual será medido en términos de probabili-
dad.
4 Teorema de Bayes: teorema con una gran carga filosófica detrás, mide el cambio que se va produciendo en las probabilidades
de los sucesos a medida que se van haciendo observaciones. Paradójicamente a su importancia, su demostración no es más
que la aplicación de la definición de probabilidad condicionada seguida de la aplicación del teorema de la probabilidad total.

DISTRIBUCIONES DE PROBABILIDAD (EIR 97-98, 5; Si una variable real, X, es una variable aleatoria entonces sus valores depen-
98-99, 5; 00-01, 14) den del azar. Por ejemplo, si se lanzan dos dados y X es el número de veces
que sale un 6, entonces X es una variable aleatoria, y toma, al azar, uno de los
Introducción valores 0, 1 ó 2.

Las variables aleatorias están ligadas a experimentos aleatorios. Se dice que El estudio de las distribuciones de probabilidad es similar al de la variable es-
se ha definido una variable aleatoria cuando a cada elemento del espacio tadística, el equivalente de la frecuencia relativa en la variable aleatoria es la
muestral se le ha asociado un número. probabilidad.

1175
Bioestadística:maquetaEIR.qxp 22/07/09 12:58 Página 1176

Manual DAE de enfermería. EIR. Oposiciones ••

Variables aleatorias Ejemplo

Considérese un experimento aleatorio y sea E el espacio muestral asociado, S
= conjunto de sucesos y p = probabilidad asociada a cada suceso. La terna
(E, S, p) se denomina espacio probabilístico.
Definición
Se denomina variable aleatoria o variable estocástica, X, a toda aplicación que
asocia a cada elemento del espacio muestral, E, un número real x.
Un jugador lanza un dado corriente. Si sale un número impar gana dicho nú-
mero de euros, pero si sale par entonces pierde esa cantidad en euros. Estu-
diar si el juego es equitativo.
Solución
Los resultados posibles xi (euros que gana o pierde al lanzar el dado) y sus
respectivas probabilidades son los que se muestran en la Tabla 7. Los núme-
ros negativos indican el hecho de perder cuando sale par.

Dicho de manera informal: es el valor numérico que “de alguna manera” se E(X) = — 1 +3. — 1 +5. — 1 -2. — 1 -4.— 1 -6. — 1 =-— 3 =
6 6 6 6 6 6 6
asigna a un suceso. El conjunto imagen de la aplicación se llama recorrido de
la variable. Suele confundirse variable aleatoria con recorrido. -—1 ; luego no es equitativo. Se dice que un juego de dinero es legal o equi-
2
Ejemplo 1 tativo si E = 0 y desfavorable si E < 0.
Si se lanzan tres monedas al aire y X es el número de caras que salen, los va-
lores que toma X son 0, 1, 2 y 3. Varianza y desviación estándar (o típica) (EIR 94-95, 1; 97-98,
101)
Ejemplo 2 Al igual que para las variables estadísticas, la esperanza mide, en cierto sen-
Si de una camada de 6 cachorros se cuenta el nº de hembras, la variable alea- tido, el “valor promedio” de X. El concepto siguiente, el de la varianza, va a
toria toma los valores X = 0, X = 1, ..., X = 6. medir la dispersión o distanciamiento de X respecto de la media.

Ejemplo 3 Sea X una variable discreta que toma los valores x1, x2..., xn con función de
Al extraer una bombilla de una población y observar si es o no defectuosa, X probabilidad f. Se llama varianza de X y se designa por var (X) a: var (X) =
tomaría los valores 1 y 0 según sea o no defectuosa. n
∑ (xi – E (X))2 f(xi) =Σ xi2 f(xi) – E(X)2 = E(X2) – E(X)2.
i-l
En los ejemplos anteriores se habla de variable aleatoria discreta (toma valo-
res discretos). Es decir, la media de la variable al cuadrado menos el cuadrado de la media.
La desviación estándar o típica se define como la raíz cuadrada de la varianza.
Ejemplo 4
Si se toma como X la estatura de los soldados de un reemplazo, X puede tomar Normalización o tipificación de una variable aleatoria
todos los valores (dentro de unos límites). Sea X una variable aleatoria con media, la variable aleatoria X* normalizada
X-μ
que corresponde a X se define por: X* = — σ . Se verifica E(X*) = 0; y
Función de probabilidad y de distribución
Una función de probabilidad no es más que la asignación a cada valor de la Var(X*) = 1.
variable de la probabilidad que le corresponde. Es decir, la función de proba-
bilidad, f, se define así: f(xi) = P(X = xi). Distribución binomial
En el ejemplo de la introducción: Se parte de una experiencia en la que sólo se consideran dos sucesos: A y su
5 .—
5 —25 contrario Ac. Sus probabilidades son P(A) = p; y P(Ac) = q = 1-p.
f(0) = P(X = 0) = p(no salga ningún 6) = —
6 6 = 36 ; f(1) = P(X =
El suceso A es el suceso favorable, al que se suele llamar éxito, mientras que
1 .—
1) = 2 . — 5 =—
10 ; f(2) = P(X = 2) = —1 a su contrario se le denominaría fracaso.
6 6 36 36
Media o esperanza de una variable aleatoria Si se repite n veces la experiencia, y el interés radica en el número de éxitos,
Sea X una variable aleatoria discreta, que toma los valores x1, x2, x3..., xn con la variable aleatoria X indicará éstos y tomará los valores 0, 1, 2..., n. Se trata
función de probabilidad f. de una distribución de probabilidad discreta, que se llama distribución bino-
mial de parámetros n (nº de repeticiones) y p (probabilidad del éxito). Se de-
Se llama media o esperanza (o valor esperado) de X a: E(X) = x1 f(x1) + x2 f(x2) signa B(n, p). La probabilidad de obtener k éxitos es p(X = k) = n pk qn-k.
( )k
+... + xn f(xn).
Ejemplo
Es análoga a la definición de la media para una distribución de frecuencias. Un jugador de tenis tiene una probabilidad de ganar una partida de 0,25. En

Tabla 7. Resultados posibles xi y sus respectivas probabilidades

xi 1 3 5 -2 -4 -6
f(xi) 1/6 1/6 1/6 1/6 1/6 1/6

1176
Bioestadística:maquetaEIR.qxp 22/07/09 12:58 Página 1177
el caso de que juegue 4 partidas, se deberá calcular la probabilidad de que
gane más de la mitad.
Solución
Es una binomial con n = 4 y p = 0,25, lo que se pide es calcular P(X = 3) +
P(X = 4) donde:
P(X = 3) = 4 0,253 0,75 ; P(X = 4) = 4 0,254; etc.
() ()
3 4
Parámetros
La media es μ = n · p, la varianza σ = n · p · q, y la desviación típica σ2 =
Te conviene recordar...
4 Las variables aleatorias están ligadas a experimentos aleatorios. Se dice que se ha definido una variable aleatoria cuando a cada
elemento del espacio muestral se le ha asociado un número.
4 Si una variable real, X, es una variable aleatoria sus valores dependen del azar. Por ejemplo, si se lanzan dos dados y X es el nú-
mero de veces que sale un 6, entonces X es una variable aleatoria, y toma, al azar, uno de los valores 0, 1 ó 2.
4 El estudio de las distribuciones de probabilidad es similar al de la variable estadística, el equivalente de la frecuencia relativa
en la variable aleatoria es la probabilidad.
ESTADÍSTICA INFERENCIAL
Los dos tipos de problemas que resuelven las técnicas estadísticas son la estima-
ción y el contraste de hipótesis. En ambos casos se trata de generalizar la infor-
mación obtenida en una muestra a una población. Estas técnicas exigen que la
muestra sea aleatoria. En la práctica rara vez se dispone de muestras aleatorias,
por la tanto la situación habitual es la que se esquematiza en la Imagen 5.
Entre la muestra con la que se trabaja y la población de interés, o población
diana, aparece la denominada población de muestreo: población (la mayor
parte de las veces no definida con precisión) de la cual la muestra es una
muestra aleatoria. En consecuencia la generalización está amenazada por dos
posibles tipos de errores: error aleatorio, que es el que las técnicas estadísti-
cas permiten cuantificar y críticamente depende del tamaño muestral, pero
también de la variabilidad de la variable a estudiar; y el error sistemático, que
tiene que ver con la diferencia entre la población de muestreo y la población
diana y que sólo puede ser controlado por el diseño del estudio.
Población muestreo
Error aleatorio
Error sistemático
(sesgo)
Muestra
Población diana
Imagen 5. Estadística inferencial
bioestadística
—
√ npq . Cuando n · p > 5 se puede considerar que la distribución es nor-
mal.
Ejemplo
La probabilidad de que en una empresa haya un empleado enfermo es de
0,02. Sabiendo que hay 300 empleados hallar la esperanza matemática y la
varianza de la distribución correspondiente.
Solución
Como se trata de una distribución binomial de parámetros n = 300 y p =
0,02, se verifica: E(X)= n · p = 300·(0,02) = 6; Var(X) = n·p·q = 300 ·
(0,02) · (0,98) = 5,88.
Tamaño muestral
El tamaño muestral desempeña el mismo papel en estadística que el au-
mento de la lente en microscopia: si no se ve una bacteria al microscopio,
puede ocurrir que:
• La preparación no la contenga.
• El aumento de la lente sea insuficiente.
Para decidir el aumento adecuado hay que tener una idea del tamaño del ob-
jeto. Del mismo modo, para decidir el tamaño muestral:
• En un problema de estimación hay que tener una idea de la magnitud
a estimar y del error aceptable.
• En un contraste de hipótesis hay que saber el tamaño del efecto que se
quiere ver.
Estimación de parámetros (EIR 00-01, 102; 01-02, 53;
02-03, 108)
En general, de las variables experimentales u observacionales no se conoce la
fpd. Se puede conocer la familia (normal, binomial, etc.) pero no los pará-
metros. Para calcularlos habría que tener todos los posibles valores de la va-
riable, lo que no suele ser posible.
La inferencia estadística trata de cómo obtener información (inferir) sobre
los parámetros a partir de subconjuntos de valores (muestras) de la vari-
ble.
• Estadístico: variable aleatoria que sólo depende de la muestra aleato-
ria elegida para calcularla.
• Estimación: proceso por el que se trata de averiguar un parámetro de la
población representado, en general, por q a partir del valor de un esta-
^
dístico llamado estimador y representado por θ.
1177
Bioestadística:maquetaEIR.qxp 22/07/09 12:58 Página 1178
Manual DAE de enfermería. EIR. Oposiciones ••
El problema se resuelve en base al conocimiento de la distribución muestral
del estadístico que se use. P. ej.: en
— la media (m); si para cada muestra
— posi-
ble se calcula la media muestral ( X) se obtiene un valor distinto ( X es un es-
tadístico: una variable
— aleatoria y sólo depende de la muestra), habrá por
tanto una fpd para X, llamada distribución muestral de medias. La desviación
típica de esta distribución se denomina error típico de la media. Evidente-
mente, habrá una distribución muestral para cada estadístico, no sólo para la
media, y en consecuencia un error típico para cada estadístico.
Si la distribución muestral de un estadístico estuviera relacionada con algún
parámetro de interés, ese estadístico podría ser un estimador del parámetro.
Distribución muestral de medias
Si se tiene una muestra aleatoria de una población N(m, s), se sabe (Teorema
del límite central) que la fdp de la media muestral es también normal con
media m y varianza s2/n. Esto es exacto para poblaciones normales y aproxi-
mado (buena aproximación con n > 30) para poblaciones cualesquiera. Es
decir, es el error típico, o error estándar de la media.
¿Cómo se usa esto en un problema de estimación? 1er problema: no hay
tablas para cualquier normal, sólo para la normal m=0 y s=1 (la llamada
—μ
z); pero haciendo la transformación (llamada tipificación): z = —X-
— Estimación de proporciones
σ/√ n
una normal de media m y desviación s se transforma en una z.
Llamando zα al valor de una variable normal tipificada que deja a su dere-
cha un área bajo la curva de α, es decir, que la probabilidad que la variable
sea mayor que ese valor es α (estos son los valores que ofrece la tabla de
—
X-μ
la normal) se podrán construir intervalos de la forma, z1-α/2 < — — —
σ/√ n
< zα/2 , para los que la probabilidad es 1 – α (Ver Imágenes 6 y 7).
Teniendo en cuenta la simetría de la normal y manipulando algebraicamente
— σ− <µ<—X+z — σ , que también se puede escribir —X± z
X-zα/2— α/2 √− α/2
√n n
σ − — caso como pq ₤ 0,25 si se sustituye pq por 0,25 se obtiene un intervalo más
— − o, haciendo énfasis en que σ/√ n es el error estándar de la media, X±
√n
—
zα/2EE( X).
α α/2
Ζα
Imagen 6. Valor de una variable normal tipificada
1178
Recuérdese que la probabilidad de que m esté en este intervalo es 1 - α. A
un intervalo de este tipo se le denomina intervalo de confianza con un nivel
de confianza del 100 (1 - α)%, o nivel de significación de 100 α %. El nivel
de confianza habitual es el 95%, en cuyo caso α = 0,05 y Zα/2 = 1,96. Al
— —
valor X se le denomina estimación puntual y se dice que es X un estimador de m.
Ejemplo
Si de una población normal con—varianza 4 se extrae una muestra aleatoria de
tamaño 20 en la que se calcula X = 5,3 se puede decir que m tiene una pro-
2
babilidad de 0,95 de estar comprendida en el intervalo 5,3 ± 1,96  − =
√ 20
(4,42 6,18) que sería el intervalo de confianza al 95% para m.
En general esto es poco útil, en los casos en que no se conoce m tampoco
suele conocerse s2; en el caso más realista de s2 desconocida los intervalos de
confianza se construyen con la t de Student (otra fdp continua para la que
— s− , o, haciendo énfasis en que s/√−
hay tablas) en lugar de la z: X± t α/2  n
√n
— —
es el error estándar estimado de la media, X ± r α/2 EE ( X ).
Esta manera de construir los intervalos de confianza sólo es válida si la varia-
ble es normal. Cuando n es grande (> 30) se puede sustituir t por z sin mucho
error.
Sea X una variable binomial de parámetros n y p (una variable binomial es el
número de éxitos en n ensayos; en cada ensayo la probabilidad de éxito (p)
es la misma, por ejemplo: número de diabéticos entre 2.000 personas). Si n
es grande y p no está próximo a 0 ó 1 (np35) X es aproximadamente normal
con media np y varianza npq (siendo q = 1 - p) y se puede usar el estadís-
X
tico p̂ = —
n (proporción muestral), que es también aproximadamente nor-
pq , en consecuencia, un IC para p al 100
mal, con error típico dado por √—
n
—
(1 - α)% será p̂ ± z α/ 2 √— , es decir, la misma estructura que antes:
pq
n
θ̂ ± z α/ 2 EE(θ̂).
Obsérvese que, para construirlo, se necesita conocer p. Si n es grande (> 30)
se pueden sustituir p y q por sus estimadores sin mucho error, en cualquier
conservador (más grande).
1−α
α/2
Ζ 1−α/2 Ζ α/2
Imagen 7. Intervalos
Bioestadística:maquetaEIR.qxp 22/07/09 12:58 Página 1179
Ejemplo
En una muestra de 100 pacientes sometidos a un cierto tratamiento se obtie-
nen 80 curaciones. Calcular el intervalo de confianza al 95% de la eficacia del
tratamiento:
p̂ = 0,80 q̂= 0,20 n=100 z0,025 = 1,96
Te conviene recordar...
4 Los dos tipos de problemas que resuelven las técnicas estadísticas son: estimación y contraste de hipótesis. En ambos casos se
trata de generalizar la información obtenida en una muestra a una población. Estas técnicas exigen que la muestra sea alea-
toria.
4 El tamaño muestral desempeña el mismo papel en estadística que el aumento de la lente en microscopia.
MUESTREO EN ESTADÍSTICA
En estadística se conoce como muestreo la técnica para la selección de una
muestra a partir de una población. Al elegir una muestra se espera que sus
propiedades sean extrapolables a la población. Este proceso permite ahorrar
recursos, obteniendo resultados parecidos a los que se obtendrían si se reali-
zase un estudio de toda la población.
Cabe mencionar que para que el muestreo sea válido y se pueda realizar un
estudio fiable (que represente a la población), debe cumplir ciertos requisi-
tos, lo que lo convertiría en una muestra representativa.
En el muestreo, si el tamaño de la muestra es más pequeño que el tamaño de
la población, se pueden extraer dos o más muestras de la misma población.
Al conjunto de muestras que se pueden obtener de la población se le deno-
mina espacio muestral. La variable que asocia a cada muestra su probabilidad
de extracción se nombra con el término distribución muestral.
Técnicas de muestreo (EIR 95-96, 3; 99-00, 102)
Existen dos métodos para seleccionar muestras de poblaciones: el muestreo
no aleatorio o de juicio y el muestreo aleatorio o de probabilidad. En este úl-
timo todos los elementos de la población tienen la oportunidad de ser esco-
gidos en la muestra. Una muestra seleccionada por muestreo de juicio se basa
en la experiencia de alguien con la población. Algunas veces una muestra de
juicio se usa como guía o muestra tentativa para decidir cómo tomar una
muestra aleatoria más adelante. Las muestras de juicio contribuyen al análi-
sis estadístico, el cual es necesario para hacer muestras de probabilidad.
Muestreo probabilístico
Forman parte de este tipo de muestreo todos aquellos métodos para los que
puede calcularse la probabilidad de extracción de cualquiera de las muestras
posibles. Este conjunto de técnicas de muestreo es el más aconsejable, aun-
que en ocasiones no es posible optar por él. En este caso se habla de mues-
tras probabilísticas, pues no es razonable hablar de muestras representativas
dado que no se conocen las características de la población.
Muestreo aleatorio simple (m.a.s.)
Es la extracción de una muestra de una población finita, en la que el proceso
de extracción es tal que garantiza que cada uno de los elementos de la pobla-
bioestadística
—
0,80 . 0,20
√
IC 0,95% 0,80 ± 1,96 — = 0,80 ± 0,0784.
100
¿Qué significa este intervalo? La verdadera proporción de curaciones está com-
prendida entre, aproximadamente, el 72% y el 88%, con un 95% de proba-
bilidad. ¿Es suficientemente preciso? Habrá que juzgarlo con criterios clínicos.
ción tiene las mismas oportunidades de ser incluido en dicha muestra. Esta
condición garantiza la representatividad de la muestra porque si en la pobla-
ción un determinado porcentaje de individuos presenta la característica A, la
extracción aleatoria garantiza matemáticamente que por término medio se
obtendrá el mismo porcentaje de datos muestrales con esa característica.
El muestreo aleatorio simple puede ser de tres tipos:
• Sin reposición de los elementos: cada elemento extraído se descarta
para la subsiguiente extracción. Por ejemplo, si se extrae una muestra
de una población de bombillas para estimar la vida media de las bom-
billas que la integran, no será posible medir más que una vez la bom-
billa seleccionada.
• Con reposición de los elementos: las observaciones se realizan con re-
emplazamiento de los individuos, de forma que la población es idén-
tica en todas las extracciones. En poblaciones muy grandes, la
probabilidad de repetir una extracción es tan pequeña que el muestreo
puede considerarse sin reposición aunque, realmente, no lo sea.
• Con reposición múltiple: en poblaciones muy grandes, la probabilidad
de repetir una extracción es tan pequeña que el muestreo puede con-
siderarse sin reposición. Cada elemento extraído se descarta para la
subsiguiente extracción.
Para realizar este tipo de muestreo, y en determinadas situaciones, es muy
útil la extracción de números aleatorios mediante ordenadores, calculadoras
o tablas construidas al efecto.
Muestreo estratificado
Consiste en la división previa de la población de estudio en grupos o clases que
se suponen homogéneos respecto a la característica a estudiar. A cada uno de
estos estratos se le asignaría una cuota que determinaría el número de miem-
bros del mismo que compondrán la muestra. Dentro de cada estrato se suele
usar la técnica de muestreo sistemático.
Según la cantidad de elementos de la muestra que se han de elegir de cada
uno de los estratos, existen dos técnicas de muestreo estratificado:
• Asignación proporcional: el tamaño de cada estrato en la muestra es
proporcional a su tamaño en la población.
• Asignación óptima: la muestra recogerá más individuos de aquellos es-
1179
Bioestadística:maquetaEIR.qxp 22/07/09 12:58 Página 1180
Manual DAE de enfermería. EIR. Oposiciones ••
tratos que tengan más variabilidad. Para ello es necesario un conoci-
miento previo de la población.
Por ejemplo, para un estudio de opinión, puede resultar interesante estudiar
por separado las opiniones de hombres y mujeres pues se estima que, den-
tro de cada uno de estos grupos, puede haber cierta homogeneidad. Así, si la
población está compuesta de un 55% de mujeres y un 45% de hombres, se
tomaría una muestra que contenga también esa misma proporción.
Para una descripción general del muestreo estratificado y los métodos de in-
ferencia asociados con este procedimiento, se ha de suponer que la pobla-
ción está dividida en h subpoblaciones o estratos de tamaños conocidos N1,
N2..., Nh tal que las unidades en cada estrato sean homogéneas respecto a la
característica en cuestión. La media y la varianza desconocidas para el i-ésimo
estrato son denotadas por mi y s12, respectivamente.
Muestreo sistemático
Se utiliza cuando el universo o población es de gran tamaño, o ha de exten-
derse en el tiempo. Primero hay que identificar las unidades y relacionarlas con
el calendario (cuando proceda). Luego hay que calcular una constante, que se
denomina coeficiente de elevación K= N/n; donde N es el tamaño del universo
y n el tamaño de la muestra. Determinar en qué fecha se producirá la primera
extracción, para ello hay que elegir al azar un número entre 1 y K; de ahí en
adelante tomar uno de cada K a intervalos regulares. Ocasionalmente, es con-
veniente tener en cuenta la periodicidad del fenómeno.
Esto quiere decir que si hay un determinado número de personas que es la po-
blación y se quiere escoger de esa población un número más pequeño, el cual
es la muestra, se dividirá el número de la población por el número de la mues-
tra que se quiere tomar y el resultado de esta operación será el intervalo, en-
tonces se escoge un número al azar desde uno hasta el número del intervalo,
y a partir de este número se escogen los demás siguiendo el orden del inter-
valo.
Muestreo por estadios múltiples
Esta técnica es la única opción cuando no se dispone de lista completa de la
población de referencia o bien cuando por medio de la técnica de muestreo
simple o estratificado se obtiene una muestra con unidades distribuidas de tal
forma que resultan de difícil acceso. En el muestreo a estadios múltiples se
subdivide la población en varios niveles ordenados que se extraen sucesiva-
mente por medio de un procedimiento de embudo. El muestreo se desarro-
lla en varias fases o extracciones sucesivas para cada nivel.
Por ejemplo, si hay que construir una muestra de profesores de primaria en un
país determinado, éstos pueden subdividirse en unidades primarias, repre-
sentadas por circunscripciones didácticas, y unidades secundarias, que serían
los propios profesores. En primer lugar se extrae una muestra de las unidades
primarias (para lo cual hay que tener la lista completa de estas unidades) y
en segundo lugar se extrae aleatoriamente una muestra de unidades secun-
darias de cada una de las primarias seleccionadas en la primera extracción.
Muestreo por conglomerados
Técnica similar al muestreo por estadios múltiples, se utiliza cuando la po-
blación se encuentra dividida, de manera natural, en grupos que se supone
que contienen toda la variabilidad de la población, es decir, la representan
fielmente respecto a la característica a elegir. Pueden seleccionarse sólo algu-
nos de estos grupos o conglomerados para la realización del estudio.
Dentro de los grupos seleccionados se ubicarán las unidades elementales, por
ejemplo, las personas a encuestar, y podría aplicársele el instrumento de me-
1180
dición a todas las unidades, es decir, los miembros del grupo, o se le podría
aplicar sólo a algunos de ellos, seleccionados al azar. Este método tiene la
ventaja de simplificar la recogida de información muestral.
Cuando, dentro de cada conglomerado, se extraen los individuos que forma-
rán parte de la muestra por m.a.s., el muestreo se llama bietápico.
Las ideas de estratificación y conglomerados son opuestas. El primer método
funciona mejor cuanto más homogénea es la población respecto del estrato,
aunque más diferentes son éstos entre sí. En el segundo, ocurre lo contrario.
Los conglomerados deben presentar toda la variabilidad, aunque deben ser
muy parecidos entre sí.
Homogeneidad de las poblaciones o sus subgrupos
Homogéneo significa, en el contexto de la estratificación, que no hay mucha
variabilidad. Los estratos funcionan mejor cuanto más homogéneos son cada
uno de ellos respecto a la característica a medir. Por ejemplo, si se estudia la
estatura de una población, es bueno distinguir entre los estratos mujeres y
hombres porque se espera que, dentro de ellos, haya menos variabilidad, es
decir, sean menos heterogéneos. Dicho de otro modo, no hay tantas diferen-
cias entre unas estaturas y otras dentro del estrato que en la población total.
Por el contrario, la heterogeneidad hace inútil la división en estratos. Si se dan
las mismas diferencias dentro del estrato que en toda la población, no hay
por qué usar este método de muestreo. En los casos en los que existan gru-
pos que contengan toda la variabilidad de la población, lo que se construye
son conglomerados, que ahorran algo del trabajo que supondría analizar toda
la población. En resumen, los estratos y los conglomerados funcionan bajo
principios opuestos: los primeros son mejores cuanto más homogéneo es el
grupo respecto a la característica a estudiar y los conglomerados, si represen-
tan fielmente a la población, esto es, contienen toda su variabilidad, o sea,
son heterogéneos.
Muestreo por juicio
Aquél para el que no puede calcularse la probabilidad de extracción de una
determinada muestra. Se busca seleccionar a individuos que se juzga de an-
temano tienen un conocimiento profundo del tema bajo estudio, por lo tanto,
se considera que la información aportada por esas personas es vital para la
toma de decisiones.
Muestreo por cuotas
Es la técnica más difundida, sobre todo en estudios de mercado y sondeos de
opinión. En primer lugar es necesario dividir la población de referencia en va-
rios estratos definidos por algunas variables de distribución conocida (como
el género o la edad). Posteriormente se calcula el peso proporcional de cada
estrato, es decir, la parte proporcional de población que representan. Final-
mente se multiplica cada peso por el tamaño de n de la muestra para deter-
minar la cuota precisa en cada estrato. Se diferencia del muestreo estratificado
en que una vez determinada la cuota, el investigador es libre de elegir a los
sujetos de la muestra dentro de cada estrato.
Muestreo de clandestinidad
Indicado para estudios de poblaciones clandestinas, minoritarias o muy dis-
persas pero en contacto entre sí. Consiste en identificar sujetos que se inclui-
rán en la muestra a partir de los propios entrevistados. Partiendo de una
pequeña cantidad de individuos que cumplen los requisitos necesarios, éstos
sirven como localizadores de otros con características análogas.
Muestreo subjetivo por decisión razonada
En este caso las unidades de la muestra se eligen en función de algunas de sus
Bioestadística:maquetaEIR.qxp 22/07/09 12:58 Página 1181
características de manera racional y no casual. Una variante de esta técnica es
el muestreo compensado o equilibrado, en el que se seleccionan las unidades
de tal forma que la media de la muestra para determinadas variables se acer-
que a la media de la población.
Tamaño de la muestra
En estadística el tamaño de la muestra es el número de sujetos que compo-
nen la muestra extraída de una población, necesarios para que los datos ob-
tenidos sean representativos de la población.
Objetivos de la determinación del tamaño adecuado de una
muestra
• Estimar un parámetro determinado con el nivel de confianza deseado.
• Detectar una determinada diferencia, si realmente existe, entre los gru-
pos de estudio con un mínimo de garantía.
• Reducir costes o aumentar la rapidez del estudio.
Por ejemplo, en un estudio de investigación epidemiológico, la determina-
ción de un tamaño adecuado de la muestra tendría como objetivo su factibi-
lidad. Así:
• Si el número de sujetos es insuficiente habría que modificar los cri-
terios de selección, solicitar la colaboración de otros centros o am-
pliar el periodo de reclutamiento. Los estudios con tamaños
muestrales insuficientes no son capaces de detectar diferencias entre
grupos, llegando a la conclusión errónea de que no existe tal dife-
rencia.
• Si el número de sujetos es excesivo, el estudio se encarece desde el
punto de vista económico y humano. Además es poco ético al someter
a más individuos a una intervención que puede ser menos eficaz o in-
cluso perjudicial.
Cálculo del tamaño de la muestra
El tamaño de la muestra se determina para obtener una estimación apro-
piada de un determinado parámetro poblacional.
Estimación de parámetros
La estimación de parámetros consiste en el cálculo aproximado del valor de
un parámetro en la población, utilizando la inferencia estadística, a partir de
los valores observados en la muestra estudiada. Para el cálculo del tamaño de
la muestra en una estimación de parámetros son necesarios los conceptos de
intervalo de confianza, variabilidad del parámetro, error, nivel de confianza,
valor crítico y valor α.
Estimación de una proporción
Los datos que hay que incluir en la fórmula para calcular el número de suje-
tos necesarios de la muestra (N) son:
• Zα: valor de Z correspondiente al riesgo α fijado. El riesgo α fijado
suele ser 0,05 y Zα de 1,96.
• P: valor de la proporción que se supone existe en la población.
Te conviene recordar...
4 En estadística se conoce como muestreo la técnica para la selección de una muestra a partir de una población.
bioestadística
• i: precisión con que se desea estimar el parámetro (2i es la amplitud
del intervalo de confianza).
Estimación de una media
Los datos que hay que incluir en la fórmula para calcular el número de suje-
tos necesarios en la muestra (N) son:
• Zα: valor de Z correspondiente al riesgo α fijado. El riesgo α fijado
suele ser 0,05 y Zα de 1,96.
• s2: varianza de la distribución de la variable cuantitativa que se supone
que existe en la población.
• i: precisión con que se desea estimar el parámetro (2i es la amplitud
del intervalo de confianza).
Contraste de hipótesis
Para conocer el tamaño de la muestra en un estudio de investigación en el que
se quieren conocer las diferencias existentes entre dos hipótesis, hay que co-
nocer previamente:
• Error tipo I y tipo II: Hay que establecer el riesgo de cometer un error de
tipo I que se está dispuesto a aceptar. Normalmente de forma arbitra-
ria se acepta un riesgo del 5%. Además hay que establecer el riesgo
que se acepta de cometer un error tipo II, que suele ser entre el 5 y el
20%. El error tipo I también es conocido como hipótesis nula, y el error
tipo II, como hipótesis alternativa.
• Si la hipótesis es unilateral o bilateral: el planteamiento de una hipóte-
sis bilateral o “de dos colas” requiere mayor tamaño muestral.
• Definir la magnitud de la diferencia efecto o asociación que se desea detec-
tar: a mayores diferencias preestablecidas en el planteamiento de la hipóte-
sis, menor tamaño muestral, y a menor diferencia, mayor tamaño muestral.
• Conocer la variabilidad del criterio de evaluación en la población.
Comparación de dos proporciones
Para calcular el número de sujetos necesarios en cada una de las muestras
(n), se debe prefijar:
• 1,96 = Valor Z correspondiente al riesgo deseado.
• 1,96 = Valor Z correspondiente al riesgo deseado, si es de dos colas.
• 0,13 = Valor de la proporción en el grupo de referencia, placebo, con-
trol o tratamiento habitual.
• 0,44 = Valor de la proporción en el grupo del nuevo tratamiento, inter-
vención o técnica.
• 0,29 = Media de las dos proporciones p1 y p2.
• j = En estadística el tamaño de la muestra es el número de sujetos que
componen la muestra extraída de una población, necesarios para que
los datos obtenidos sean representativos de la población.
Coeficiente de correlación
La asociación entre dos variables cuantitativas necesita normalmente la uti-
lización del coeficiente de correlación r de Pearson.
1181
Bioestadística:maquetaEIR.qxp 22/07/09 12:58 Página 1182

Manual DAE de enfermería. EIR. Oposiciones ••

Te conviene recordar... (continuación)

4 Al elegir una muestra se espera que sus propiedades sean extrapolables a la población. Este proceso permite ahorrar recursos.
4 En el muestreo, si el tamaño de la muestra es más pequeño que el tamaño de la población, se pueden extraer dos o más mues-
tras de la misma población. Al conjunto de muestras que se pueden obtener de la población se le denomina espacio muestral.
4 Existen dos métodos para seleccionar muestras de poblaciones: el muestreo no aleatorio o de juicio y el muestreo aleatorio o
de probabilidad. En este último todos los elementos de la población tienen la oportunidad de ser escogidos en la muestra.
Una muestra seleccionada por muestreo de juicio se basa en la experiencia de alguien con la población.
4 En estadística el tamaño de la muestra es el número de sujetos que componen la muestra extraída de una población, necesa-
rios para que los datos obtenidos sean representativos de la población.

BIBLIOGRAFÍA
• Almenara Barrios J, García Ortega C, Lagares Franco C. Manual de bioestadística: teoría y prácticas. Cádiz: Quorum Editores; 2005.
• Álvarez Leiva JA. Estadística descriptiva. [En línea] [fecha de acceso: 24 de junio de 2009]. URL disponible en: http://thales.cica.es/rd/Recursos/rd97/UnidadesDidac-
ticas/53-1-u-indice.html#HEAD
• Armitage P, Berry G. Estadística para la investigación biomédica. Barcelona: Doyma; 1992.
• Barón López FJ, Téllez Montiel F (ed.). Manual básico de bioestadística. Málaga: Téllez Montiel; 2005.
• Barón López FJ. Claves en bioestadística. Barcelona: Nexus Médica; 2007.
• Calot G. Curso de estadística descriptiva. 5ª ed. Madrid: Paraninfo; 1988.
• Campos Aranda M. Más de 777 preguntas de bioestadística y sus respuestas. Murcia: Diego Marín Librero Editor; 2008.
• Campos Aranda M. Problemas de bioestadística resueltos paso a paso. Murcia: Diego Marín Librero Editor; 2008.
• García Granero M, Calasanz Abinzano MJ. Bioestadística aplicada. Navarra: Newbook Ediciones; 2001.
• García Nogales A. Bioestadística básica. 2ª ed. Badajoz: Abecedario; 2007.
• Gondar Nores JE. Epidemiología y bioestadística. Madrid: Data Mining Institute; 2005.
• Hospital Universitario Ramón y Cajal. Material docente de la Unidad de Bioestadística Clínica. [En línea] [fecha de acceso: 24 de junio de 2009]. URL disponible en:
http://www.hrc.es/bioest/M_docente.html#tema2
• Martín Andrés A, Luna del Castillo JD. Bioestadística para las ciencias de la salud. Madrid: Capitel Ediciones; 2004.
• Peña Sánchez de Rivera D. Estadística: modelos y métodos, 1. Madrid: Alianza Universidad; 1994.
• Prieto Valiente L, Herranz Tejedor I. Bioestadística: diseño de experimentos y análisis de datos en investigación médica. Madrid: Compañía Española de Reprografía y Ser-
vicios; 2008.
• Remington RD, Schork MA. Estadística biométrica y sanitaria. Madrid: Prentice Hall International; 1979.
• Ríus Díaz F, Barón López FJ. Bioestadística. Madrid: Paraninfo; 2007.
• Rivas Moya T, Mateo MA, Ríus Díaz F, Ruiz M. Estadística aplicada a las ciencias sociales: teoría y ejercicios (EAC). Málaga: Secretariado de Publicaciones de la Universi-
dad de Málaga; 1991.
• Rubio Calvo E, Martínez Terrer T. Bioestadística. Colección Monografías Didácticas. Zaragoza: Universidad de Zaragoza; 1992.
• Ruiz-Maya L. Métodos estadísticos de investigación en las ciencias sociales. Técnicas no paramétricas. Madrid: Alfa Centauro; 2000.
• Sokal Robert R, Rohlf FJ. Introducción a la bioestadística. Barcelona: Editorial Reverté; 2008.

1182