Curso

Bioestadística Básica*
Dr. Ricardo Bolaños
Doctor de la Universidad de Buenos Aires. Área Farmacología.
Médico Farmacólogo.
Docente Autorizado de Farmacología.
Facultad de Medicina. UBA.
Coordinador del Área de Ciencia Reguladora.
Dirección de Evaluación de Tecnologías Sanitarias. ANMAT
Miembro del Grupo de Trabajo en Bioequivalencia.
Red PARF. OPS
Miembro Docente del Instituto de Investigaciones
Epidemiológicas. Academia Nacional de Medicina

*Cómo comprenderla sin dolor y no

morir en el intento

IIE. Academia Nacional de Medicina.

 Agradecimiento

Al Profesor Emérito
Dr. Pablo M. Bazerque,
Maestro de Farmacología y de
Metodología de la Investigación, por
sus permanentes, enseñanzas,
formación, apoyo y confianza.
 Agradecimiento
(In memoriam)

Al Dr. Héctor Boffi Boggero (1921-

2001). Maestro de Epidemiología.
(Aprendimos con él que lo más importante es “mirar” los problemas
desde dos situaciones opuestas y que el sentido común es el valor
más importante para acceder a la Epidemiología).

Al Prof. Dr. José Tessler,

Maestro de Bioestadística.
(Aprendimos con él que pensar es un privilegio humano que va mucho más
allá de lo que se piensa).
 “El intelecto humano…
se conmueve y se excita
más por las
afirmaciones que por las
negaciones”.
Sir Francis Bacon, 1621

Sir Francis Bacon: 1561-1626. Fundador del Empirismo en la Ciencia.

Objetivos del Curso de
Bioestadística Básica
 Objetivos generales del curso
•Reconocer los principios básicos de
Metodología de la Investigación.
•Adquirir dominio de los conceptos y
técnicas básicas de la Estadística
aplicada al estudio de los
problemas de salud de la
población.
* Al final de la presentación se dan las webs de
diferentes calculadoras estadísticas “on-line”.
 Al finalizar, el Cursante podrá:
* Ser capaz de llevar a * Diferenciar los
* Identificar e cabo un análisis conceptos elementales
interpretar las descriptivo básico de de probabilidad
variables y su datos y hacer una necesarios para la
relación (de existir). presentación adecuada interpretación de
de los mismos. resultados.

* Reconocer las
* Comprender el
situaciones donde se
* Reconocer los tipos concepto de
pueden aplicar los
básicos de muestreo. Inferencia
diferentes métodos
Estadística.
estadísticos.

* Desarrollar la
* Reconocer los habilidad de interpretar
elementos básicos los datos analizados
(información), con el
del diseño objeto de tomar
experimental. decisiones con acotado
grado de incertidumbre.
 ¿Para qué?
2.- Como Profesionales, si
formamos parte de un
grupo de trabajo en el
que se hace
investigación, no es
1.- Para comprender y
ético “dejar los
obtener el mayor
números para los que
provecho posible
les gustan”.
de la lectura de la
Los números, desde
bibliografía
nuestra visión práctica,
científica, que,
no son más que
junto con la
símbolos que nos
observación, son
representan un realidad
las dos fuentes de
que es la que en
ideas para la
concreto nos interesa,
aplicación práctica
por ello debemos saber
en nuestros
“interpretarlos” ya que
pacientes y/o para
no alcanza con saber
la investigación.
“manejarlos”(resolver
ecuaciones).
Nuestra relación con “lo numérico”

http://thales.cica.es/xvceam/?q=system/files/image001.png
http://samuelsanchez.blogia.com/upload/20081101140758-matematica1.jpg
http://4.bp.blogspot.com/-; UpQiiO9heSM/T2vJ5CKQJuI/AAAAAAAAABU/_EwqrIEICt4/s1600/grito_desesperado.jpg
statics.cuantocabron.com/ccs/2014/01/CC_2274775_grumpy_cat_odio_a_primera_vista.jpg
http://web.educastur.princast.es/ies/rosarioa/archivos/matematicas/enrique.jpg
 Nuestra “filosofía” docente

De la “Estadística
Resolutiva”
(Nos quedaban pocas ganas para la
interpretación)
Prehistoria-aprox. 1990
A la “Estadística
Interpretativa”
¿Cómo asociar los valores “p” o
IC 95% al estudio que hemos
realizado?.
1990 en adelante
Estudio del aprovechamiento
del aprendizaje en
Bioestadística Básica
Abril-Agosto de 2016
Instituto de Investigaciones
Epidemiológicas
Academia Nacional de Medicina
Docente: Dr. Ricardo Bolaños
Vive como si vayas a morir
mañana,
Aprende como si vas a vivir
siempre
Mahatma Gandhi
 Estudio Clínico Abierto

“Eficacia en la adquisición de
conocimientos de la enseñanza de la
Bioestadística de forma Interpretativa
no Resolutiva”
 Hipótesis
H0 (Hipótesis Nula):
la enseñanza de la Bioestadística Básica con un enfoque
Interpretativo más que Resolutivo, NO produce un
incremento positivo en las respuestas a consignas
básicas de bioestadística aplicada a la Salud. Las
diferencias encontradas serán debidas al azar.

H1 (Hipótesis Alterna ó Hipótesis a probar):

la enseñanza de la Bioestadística Básica con un enfoque
Interpretativo más que Resolutivo, produce un
incremento positivo en las respuestas a consignas
básicas de bioestadística aplicada a la Salud.
Las diferencias encontradas no serán debidas al azar
sino atribuibles a la enseñanza-aprendizaje.
Componentes de la Hipótesis
1.- Unidades de análisis:
Los profesionales cursantes del Curso Anual de
Bioestadística Básica.

2.- Variable Independiente:

El dictado regular y presencial del Curso de
Bioestadística Básica.

3.- Variable Dependiente:

Consignas básicas sobre Bioestadística.
 Objetivo y Diseño
1.- Objetivo:
Incremento en al menos 2 veces el N° de consignas
básicas positivamente respondidas en conjunto.

2.- Diseño:
Cuasi experimental (no habrá azarización –
”randomización”-). Se trata de un diseño con 1
medición repetida (Antes-Después).

3.- Población:
Todos los profesionales de ciencias de la salud.

4.- Muestreo: No probabilístico por Conveniencia

Intencional.
 Criterios de Selección
Criterios de inclusión:
Profesionales inscriptos en el Curso de Bioestadística
Básica dictado por el Instituto de Investigaciones
Epidemiológicas de la Academia Nacional de
Medicina.

Criterios de Exclusión:
Personas no inscriptas en el Curso de Bioestadística
Básica dictado por el Instituto de Investigaciones
Epidemiológicas de la Academia Nacional de
Medicina.
 Metodología
Previa consulta grupal sobre el acuerdo
(Consentimiento) en participar se procederá a:
En el primer encuentro se les entregará a los cursantes
un grupo de 4 consignas básicas y 1 No básica. Los
cursantes deberán tipificarse por un código
desconocido para el investigador y que es el mismo
será utilizado en el postest. Se entregará a la Srta
Natalia un sobre cerrado con estos códigos y los
apellidos correspondientes. El docente no está
autorizado a la apertura del sobre hasta que se hayan
analizado los resultados (Postest).
 Metodología

Se considerará “Aprovechamiento” al cambio positivo

en el N° de consignas respondidas correctamente.
Obtenidas las respuestas, se procederá a su análisis
cuantitativo.
En el encuentro siguiente, se mostraron los resultados
del Pretest.
A la finalización de Curso, se entregará la misma serie
de consignas. Para su análisis.
 Metodología Estadística
Metodología estadística:
b) Modelo descriptivo (estadística Descriptiva) No
paramétrica debido a que la variable dependiente
(respuestas) fue evaluado de manera ordinal (puntajes)
con el Modelo siguiente para cada unidad de análisis y
para cada consigna:
(Respuesta OBSERVADA / Respuesta ESPERADA) * 100
De esta manera se obtuvo Un Total de observados
(sumatoria de las consignas correctamente respondidas)
y un total de Esperados (sumatoria de 5 en cada unidad
de análisis: asumiendo el total como: N° de los que
respondieron x 5).
 Metodología Estadística

Metodología estadística:

a) Cálculo del tamaño muestral:

Con la experiencia de años anteriores, se
estableció un nivel de respuestas positivas del
40% y se estableció llegar al doble de este valor,
por lo tanto se calculó un n= 10 ó mayor.
(http://www.stat.ubc.ca/~rollin/stats/ssize/b1.html)
 Metodología Estadística
c) Modelo Inferencial: dado que la variable dependiente
se medirá por medio de puntajes,
Se utilizó el Test de Mann-Whitney, fijándose
α < 0.05 y β= 0.20; Poder: 0.80.
Alternativamente y a modo de ejemplo, también se
utilizó el Método de diferencias de Medianas.
El paquete estadístico utilizado fue BioEstat v. 5.0, de
acceso libre (www.mamiraua.org.br/pt-
br/downloads/programas)
Resultados del Pretest 2015
 Resultados generales
Pretest
Observado Esperado % % Esperado % Diferencia
4 5 80 100 -20
0 5 0 100 -100
2 5 40 100 -60
4 5 80 100 -20
1 5 20 100 -80
3 5 60 100 -40
0 5 0 100 -100
0 5 0 100 -100
1 5 20 100 -80
2 5 40 100 -60
3 5 60 100 -40
1 5 20 100 -80
1 5 20 100 -80
1 5 20 100 -80
19 65 29,2307692 100

Observado: 29% de Rendimiento

 Cursantes con
Consigna C.Correctas n %*
1 Variable 4 14 29
2 Media 5 14 36
3 Mediana 7 14 50
4 Probabilidad 5 14 36 (?)
5
E. Paramétrica 0 14 0

*(N° de Cursantes con CC / 14)* 100

Ej.: (4 / 14) * 100 = 29%
 Porcentaje de consignas correctas
(n= 14)
60

50
50

40 36 36
% de
29
respuestas 30
correctas
20

10

Consigna 0
0

1. Variable 1 2 3 4 5

2. Media Consigna N°
3. Mediana
4. Probabilidad
5. E. Paramétrica
 Situación basal.
Respuestas a las consignas
Correctas Incorrectas

29%

71%
 1.- Objetivo:
Incremento en al menos 2 veces
el N° de consignas básicas
positivamente respondidas en
conjunto.
 Resultados Observados vs Esperados
Objetivo: Duplicación del Observado basal
120

Ideal
100

Posible
80

Objetivo
% de Consignas
60
Correctas

40

20

0
Observado Esperado
Resultados Postest
(Agosto 2015)
 Pretest Postest
Tamanho da amostra = 14 9
Mínimo 0.0000 2
Máximo 4.0000 5
Amplitude Total 4.0000 3
Mediana 1.0000 5
Primeiro Quartil (25%) 1.0000 4
Terceiro Quartil (75%) 2.7500 5
Desvio Interquartílico 1.7500 1

Incremento Porcentual de Md = 84%

 Evolución del N° de respuestas correctas
Consigna

5 83
0

4 83
36

3 92 Después n=12
50
Antes n=14

2 82
36

1 100
Antes
0

0 20 40 60 80 100 120
Porcentaje
 Situación basal.
Respuestas a las consignas
Correctas Incorrectas

29%

71%
 Metodología Estadística
c) Modelo Inferencial: dado que la variable dependiente
se medirá por medio de puntajes,
Se utilizó el Test de Mann-Whitney, fijándose
α < 0.05 y β= 0.20; Poder: 0.80.
El paquete estadístico utilizado fue BioEstat v. 5.0, de
acceso libre (www.mamiraua.org.br/pt-
br/downloads/programas)
 Prueba de Wilcoxon Resultados A vs D
T = 2
Número de pares = 9
Z= 2.4286
p-valor (unilateral) = 0.0076
p-valor (bilateral) = 0.0152

Conclusión: se obtuvo suficiente evidencia para

rechazar la Hipótesis Nula de igualdad de puntajes A
vs D. Las diferencias A vs D no fueron debidas al azar,
sino atribuibles al proceso de dictado-aprendizaje.
 Resultados Observados vs Esperados
Objetivo: Duplicación del Observado basal
120

¡HEMOS, LLEGADO Ideal

100
HASTA AQUÍ!!!!!
Posible
80

Objetivo
% de Consignas
60
Correctas

40

20

0
Observado Esperado

Incremento Porcentual de Md = 84%

 CONCLUSIÓN
Los resultados obtenidos con esta metodología
docente permiten establecer que se debe
continuar con la misma, mejorándola en los
aspectos relevantes que surjan de las encuesta
anónima (de satisfacción) realizada al final el curso.
 Muchas gracias
por su tiempo y paciencia
 ?
Tal como decía José Ortega y Gasset
(1888-1955, filósofo español).
“¡Argentinos a las cosas!”
(Bs. As. 1939)

Aquí tenemos el desafío intelectual

 Antecedentes
Resultados del Pretest-Postest
(Año 2014)
 Datos originales
Análisis inicial
Observado Esperado
1 5 Observado Esperado %
2 5 1 5 20
1 5 1 5 20
1 5 1 5 20
1 5 1 5 20
2 5 1 5 20
1 5 20
3 5
1 5 20
1 5 1 5 20
3 5 2 5 40
1 5 2 5 40
3 5 2 5 40
1 5 2 5 40
4 5 2 5 40
2 5 2 5 40
2 5 40
2 5
3 5 60
2 5 3 5 60
2 5 3 5 60
3 5 3 5 60
1 5 4 5 80
2 5
 Distribución de los datos
9

5
N° de respuestas
4
Series1

0
1 2 3 4
Consignas correctas
 Análisis de datos
Tamanho da amostra = 20
Mínimo 1
Máximo 4
Amplitude Total 3
Mediana 2
Primeiro Quartil (25%) 1
Terceiro Quartil (75%) 2.25
Desvio Interquartílico 1.25
Média Aritmética 1.9
Variância 0.8316
Desvio Padrão 0.9119
Erro Padrão 0.2039
Coeficiente de Variação 48.00%
Assimetria (g1) 0.6755
Curtose (g2) -0.3474
Média Harmônica = 1.5287
N (média harmônica) = 20
Média Geométrica = 1.7017
N (média geométrica) = 20
Variância (geom.) = 1.1073
Desvio Padrão (geom.) = 1.6234
 ¿Los datos tienen distribución normal?
Prueba de Schapiro-Wilk

Tamanho da amostra = 20
Média = 1.9
Desvio padrão = 0.9119
W= 0.8365
p= 0.0096

La H0 es que No existe normalidad, dado que p < 0.05, se

rechaza la H0 de normalidad: Los datos no se hallan
normalmente distribuidos.
Graficación de la Mediana y Cuartilo
Inferior y Superior en el Pretest
 38; 38%

62, 62%
Correctas

Incorrectas

Resultados obtenidos sobre 100 consignas

 % de respuestas correctas a cada consigna (n=5)
70
60
60 55
50
50

40
% de respuestas
30 25
Series1
20

10
0
0
 % de respuestas correctas respecto del total
(n=38)
35 32
29
30
26
25

20
%
15 13

10

5
0
0
1 2 3 4 5
Consignas
120

Máximo 100
100

80

Alcanzable
60
Series1

38
40

20

0
Observado Esperado

Objetivos a lograr
Resultados Postest
(Agosto 2014)
 Datos originales
Análisis inicial

Observado Esperado Observado Esperado %

4 5 4 5 80
5 5 5 5 100
2 5 2 5 40
5 5 5 5 100
5 5 5 5 100
5 5 5 5 100
4 5 4 5 80
4 5 4 5 80
4 5 4 5 80
4 5 4 5 80
4 5 4 5 80
46 55 46 55 83.6
Análisis Comparativo
Pretest-Postest
 Modelo Descriptivo
Pretest Postest
Tamanho da amostra = 19 11
Mínimo 1 2
Máximo 4 5
Amplitude Total 3 3
Mediana 2 4
Primeiro Quartil (25%) 1 4
Terceiro Quartil (75%) 2.5 5
Desvio Interquartílico 1.5 1
Média Aritmética 1.8947 4.1818
Variância 0.8772 0.7636
Desvio Padrão 0.9366 0.8739
Erro Padrão 0.2149 0.2635
Coeficiente de Variação 49.43% 20.90%
Assimetria (g1) 0.6808 -1.5076
Curtose (g2) -0.4728 3.5232
Média Harmônica = 1.5099 3.9286
N (média harmônica) = 19 11
Média Geométrica = 1.6873 4.0732
N (média geométrica) = 19 11
Variância (geom.) = 1.1129 1.0298
Desvio Padrão (geom.) = 1.6425 1.2969
 Incremento

Comparación No Paramétrica expresada en Md y

Cuartilos
 Comparación

Pretest Pretest Postest

CONSIG- CORREC- CORREC
NAS TAS TOTAL % -TAS TOTAL % Dif. %

1 5 20 25 10 11 90.91 78

2 11 20 55 10 11 90.91 78

3 10 20 50 9 11 81.82 75.5

4 12 20 60 9 11 81.82 75.5

5 0 20 0 9 11 81.82 81.82

Total 38 100 38 47 55 85.45

 Respuestas correctas Antes y Después del Curso
100

90 90
90

81 81 81
80

70

60

% de respuestas
50
correctas

40
32
29
30 26

20
13

10

0
0
Variable Media Media-Mediana Probabilidad Paramétrica

Consignas Series1 Series2

Pretest Postest
Análisis Inferencial
Respuestas del Pretest y Objetivos

120
Máximo Posible 100
100

80
Alcanzable
60
Series1
38
40

20

0
Observado Esperado

Modelo planteado luego del Pretest

 Comparación de Resultados

Evolución de N° de consignas
120
correctamente respondidas
Máximo posible
100
Alcanzado
80
Título del eje

Propuesto
60

40

20

0
Pretest Postest Total
Series1 38 83 100
 Prueba de la Mediana Pretest Postest El análisis del Modelo
Tamanho = 19 11 Inferencial
Mediana (das amostras) = 2.50 --- p < α por lo tanto p< 0.05,
Valores > Mediana: 5 10 con un poder de 0.80,
permite establecer que
Valores < Mediana: 14 1
existe suficiente evidencia
Qui-Quadrado = 9.1866 --- como para rechazar la
Graus de liberdade = 1 --- Hipótesis Nula de No
(p) = 0.0024 --- cambios o cambios
debidos al zara. Por lo
Test de Mann-Withney tanto se acepta la
Resultado Pretest Postest Hipótesis Alterna que las
Tamanho da amostra 19 11 diferencias encontradas
Soma dos Postos (Ri) 201.0 264.0 no han sido debidas al
Mediana = 2.00 4.00 azar y pueden atribuirse a
U= 11.00 la ganancia de
Z(U) = 4.0239 conocimiento de los
p-valor (unilateral) = < 0.0001 Profesionales cursantes.
p-valor (bilateral) = < 0.0001
 CONCLUSIÓN
Los resultados obtenidos con esta metodología
docente permiten establecer que se debe
continuar con la misma, mejorándola en los
aspectos relevantes que surjan de las encuesta
anónima (de satisfacción) realizada al final el curso.
Algunos conceptos a tener en cuenta
Algunos usan la estadística
como los ebrios utilizan los
faroles: más para apoyo que
para iluminación. Andrew Lang
(Escritor escocés. Escocia,
1844-1912)

Si Ud. tortura los datos lo

suficiente, ellos confesarán.
Ronald Coase (Economista
británico. Premio Nobel de El “Garrote vil, del
Economía en 1991. 1910-2013) que nos hablaban
nuestra abuelas
españolas

Si los datos “hablan por sí

mismos”, ¡No los interrumpa!!!
(No haga interpretaciones más
allá de lo que dicen).
 Sir Ronald Fisher* uno de los
padres de la estadística moderna
(UK, 1890-1962) dijo:
“Consultar al Estadístico una
vez finalizado el trabajo de
investigación, es como llevar
un cadáver a la morgue, el
profesional solamente podrá
decir de qué murió ese
estudio”.
Indian Statistical Congress,
Sankhya, c. 1938 Evaluación de los
factores….
* Entre otros tantos aportes suyos
figuran el ANOVA y el concepto de
Hipótesis Nula.
 Metodología de la Investigación
Utilidad de la Bioestadística en el
quehacer científico-asistencial.
Tipos de Variables aleatorias (Va),
Análisis Univariado y Análisis Bivariado.
Presentación de resultados sobre la base de
Estimadores Muestrales. Datos No Agrupados y
Ejes Datos Agrupados.
temáticos Conceptos elementales de
Probabilidad.

Muestreo.
Inferencia estadística. α y p.
Errores aleatorios.
Inferencia puntual e inferencia
intervalar.
 Introducción

Conceptos básicos de
Metodología de la
Investigación
¿Qué es Investigar?
En nuestro idioma:

1. tr. Hacer diligencias para descubrir* algo.

2. tr. Realizar actividades intelectuales y

experimentales de modo sistemático
con el propósito de aumentar los
conocimientos sobre una
determinada materia.

*1. tr. Manifestar, hacer patente.

 Paradigma:
Cualquier investigación, para
brindar resultados confiables y
generalizables, debe ser:
SISTEMÁTICA*
sistemático, ca.
(Del lat. systematĭcus, y este del gr. συστηματικός)
1. adj. Que sigue o se ajusta a un sistema.

(Del lat. systēma, y este del gr. σύστημα).

1. m. Conjunto de reglas o principios sobre una materia racionalmente
enlazados entre sí.
 ¿QUÉ PASOS DEBEMOS
SEGUIR PARA QUE
NUESTRA INVESTIGACIÓN
SEA SISTEMÁTICA*?
¿Cómo y dónde comienza todo?
 PREESTUDIO
Selección de la/s
prueba/s
estadísticas
De acuerdo a
variables y
diseño.

POSTESTUDIO
Ejecución de la/s
prueba/s
estadísticas con
ordenador
“Traducción” de “lo numérico” a conceptos médicos.
La tarea más gratificante del/los Investigador/es.
Modificado de Valentina Gutiérrez Vall de Cabres . Hospital Universitario Dr Peset. Valencia.
http://www.alergoaragon.org/2003/cuarta5.html
Nuestros pacientes, ante todo, son personas que
además, tienen diferentes aspectos representados
por VALORES NUMÉRICOS (Peso, Estatura,
Glucemia, Equilibrio ácido-base, etc).
Por estas últimas razones es que necesitamos una
herramienta que, amigablemente, nos ayude a
transitar por esa “jungla numérica”.
 ¿Son muy diferentes?
Método clínico Método estadístico
Sus pilares
1.- Paciente 1.- Población y Muestra

2.- Signos y Síntomas 2.- Variables

3. Diagnóstico diferencial 3.- Probabilidad

4.-Diagnóstico presuntivo 4.- Hipótesis

Estudios-Resultados (H0; H1)
5.- Comparación con patrones 5.- Inferencia o
de enfermedad Confrontación (Comparación)
de hipótesis
 Emprendamos un
“vuelo de pájaro”….”

…sobre los aspectos sobresalientes de

la Metodología de la Investigación
 Temas de la clase de hoy
1. Conocimiento e información
2. Actitudes frente al conocimiento
3. El conocimiento crítico y su clasificación de
acuerdo con sus fundamentos
4. Tipos de investigación en salud
5. El modelo para la investigación clínica
6. Casualidad y causalidad
7. Las hipótesis y su sombra: el error
8. Reflexiones finales
 Modelo General

Estadística
Descriptiva
Proporciones
Intervalo de Confianza Porcentajes
Chi Cuadrado Razones;
t de Student Odds
ANOVA
Riesgos;
promedio;
desvío
http://3.bp.blogspot.com/-wxT8nrOit_w/T0em7BhwOaI/AAAAAAAAABA/eKMxU89rAKc/s1600/1.jpg estándar
 ¿Con qué situación nos encontramos todos
los días, tanto para “hacer” como para
evaluar?
Tabla 1. Elementos de la Inferencia Estadística

(Pita Fernández,S. CAD ATEN PRIMARIA 1996; 3: 138-14.)

(www.fisterra.com)
INFORMACIÓN =
manejo de datos,
especialmente su
transmisión
 El dato es una representación simbólica (numérica, alfabética,
algorítmica, entre otros) de un atributo o característica de una
entidad. Los datos describen hechos empíricos, sucesos y
entidades.

La información es un conjunto organizado de datos

procesados, que constituyen un mensaje que cambia el estado
de conocimiento del sujeto o sistema que recibe dicho mensaje.

Describir

Inferir

Jacquenoud,M; Báez,C. INAP-ANMAT, 2013.

 Formas del
Conocimiento

Adquisición Fundamentación

Intuitivo Discursivo No Científico Filosófico

(Sentido común) (Concimientos Científico (Investigación) (Análisis y Crítica)
previos)

Vulgar o
Empírico
Común
“El conocimiento es
de dos tipos:
O conocemos un
tema o sabemos
donde encontrar
información sobre él”
Knowledge is of two kinds: We know a subject ourselves,
or we know where we can find information about it. Dr. Samuel Johnson
Dr. Samuel Johnson
(escritor inglés 1709-1784)
 DEPENDE DEL TIPO DE
DISCIPLINA O CIENCIA

LA FORMA MAS ANTIGUA DEL PENSAMIENTO CRÍTICO

DEPENDE DEL TIPO DE DISCIPLINA O CIENCIA

MATEMÁTICAS
LÓGICA

HISTORIA
SOCIOLOGÍA
ECONOMÍA

FÍSICA
QUÍMICA
BIOLOGÍA
ANTROPOLOGÍA
¿MEDICINA?
 Investigación

Básica Clínica

Unidades de Unidades de análisis:

análisis: Personas Sanas o
Animales o Enfermas
partes de ellos

In vivo Observacional De Intervención

In vitro
Ex vivo
In sílico

Descriptiva Analítica
 Mapa conceptual de los
Estudios Clínicos
Estudios
Clínicos

Observacionales De Intervención

Con Hipótesis
Sin Hipótesis Con Hipótesis
siempre

Con
Descriptivos Con Seguimiento
Sin Seguimiento
Seguimiento siempre

A partir de la
Series de casos A partir de la Ensayos
Estudios Variable
Variable
Transversales Dependiente
Prevalencia Independiente Clínicos
Cohortes Casos y
Controles

Prospectivos o Prospectivos
Retrospectivos Siempre
 Comparación básica entre Investigación
Clínica y Acto Médico Terapéutico.

Condición Estudio Ensayo clínico Acto Médico

Observacional Terapéutico
Sujeto Personas Personas Persona

Objeto Nuevo Nuevo Prevención

conocimiento conocimiento con Mitigación
sin intervención intervención Curación
Hipótesis Sí ó No Sí No

Selección de Naturaleza Investigador Naturaleza

sujetos
Generalización Sí Sí No, pero puede
del conocimiento generar hipótesis
Cuidado de la Sí Sí Sí
Persona
EN ESTE CURSO ADOPTAREMOS LA
CONCEPCIÓN EXPLICATIVA BASADA EN

P. Bazerque
 Acrónimo de Ciencia
acrónimo. (Del gr. ἄκρος 'extremo' y -ónimo).

1. m. Tipo de sigla que se pronuncia como una palabra;

sigla. (Del lat. sigla, cifras, abreviaturas).

1. f. Palabra formada por el conjunto de letras iniciales de una

expresión compleja;
Conocimiento - Creatividad
Imaginación -Ideas
Estudio - Empeño
Necesidades insatisfechas
Comprobación- Comparación
Inteligencia - Interés
Análisis – Avidez (de Conocimiento)
P. Bazerque
 Ads by Cinema-Plus-1.6cAd Options

Ads by Cinema-Plus-1.6cAd Options

http://www.clasa-
anestesia.org/revistas/anest_mexico/imagenes/Mxv1110201.gif
Lo traducimos como Serendipia o Serendipicidad.

Nombres del
país a través
del tiempo:

Serendip
Ceilán
 Descubrimientos por
“Serendipia”
http://lapiedradesisifo.com/wp-content/uploads/2014/07/newton.jpg
http://1.bp.blogspot.com/-Ua9_b-FLEn4/VGWxVz4N2BI/AAAAAAAAeTA/GKCEFi-
l7Fs/s1600/invento14%2Bo_H406038-Fleming%E2%80%A65_years-SPL.jpg
 La curva de la Serendipia

Es EXACTAMENTE
lo que necesito

Es mejor de lo Es bastante
Nivel de que pensaba confuso
satisfacción
del Parece
Investigador intersante En realidad no sirve

“Lo de No sé cómo se me
siempre” pudo ocurrir semejante
disparate
Predecible Aleatorio Caótico

“El azar sólo favorece a las mentes

preparadas” (L. Pasteur)
EL MÉTODO
CIENTÍFICO
 Veamos que es lo que ocurre
habitualmente:
El investigador reconoce que hay una situación “poco clara”
(por ej. que un hecho no tiene una causa evidente).

Se formula una PREGUNTA:

• ¿Quién o qué origina este hecho?.

Establece una RESPUESTA PRELIMINAR:

• “El hecho B está probablemente causado por A”.

Debe realizar “pruebas” para ver si esa RESPUESTA

PRELIMINAR es cierta o no.

Por ahora recordemos que a la RESPUESTA PRELIMINAR,

la llamaremos “Hipótesis”.
 Del griego: Methodos=Camino

Procedimiento. Sistema.
Método Manera sistemática de hacer
cierta cosa.

Sistema: conjunto ordenado de

normas y procedimientos con
que funciona o se hace
funcionar una cosa.
Moliner,M: Diccionario de uso del español. Ed.
Gredos, Barcelona,1997
 Diseño
Ejecución
Hipótesis
Nuevas
preguntas

Observación
Bibliografía

Preguntas

Análisis de
resultados
Comunicación
Conclusiones
http://revistas.investigacion-meduanl.com/wp-content/uploads/2013/04/20mejores_BMJ.png
http://www.alasbimn.net/biblioteca/imagenes/Revistas2.jpg
http://img.webme.com/pic/j/jovenesxma-ues/bombilla.jpg
CONCLUSIONES

http://soda.ustadistancia.edu.co/enlinea/2momento_epistemologia_gualdron/000293981.png
 El circuito de la vida de un
investigador

PUBLICAR
CONCLUIR
LEER

COMPARAR
OBSERVAR

ANALIZAR
DISEÑAR
EXPERIMENTAR
¿Qué elementos prácticos
debemos tener en cuenta?

1. Los hechos 2. La posible

de la realidad relación causal

3. La
arquitectura de 4. El diseño
la Hipótesis experimental
(Componentes)
¿Qué elementos prácticos
debemos tener en cuenta?

1. Los hechos de la
realidad
Un HECHO es el CAMBIO de ESTADO de
una COSA

CAMBIO DE ESTADO

http://www.google.com.ar/imgres?imgurl=&
imgrefurl=http%3A%2F%2Fblogs.vidasolid
aria.com%2Fevasacalaroja%2F2012%2F06
%2F23%2Faferrarse-a-lo-malo-conocido-
es-vivir-con-la-luz-
apagada%2F&h=0&w=0&tbnid=1ZWFgd3W
P. Bazerque KnymvM&zoom=1&tbnh=170&tbnw=296&d
ocid=gzSmA8xDwgYqcM&hl=es-
419&tbm=isch&ei=EBtQVMyVMMSjgwTp6o
OADg&ved=0CAQQsCUoAA
 Un ejemplo
• Una célula en estado de reposo se encuentra
“polarizada”, al llegar un estímulo se “despolariza”
(cambia la polaridad de la membrana).
• Ha ocurrido un HECHO, pues la célula (“Cosa”) pasó
de Polarizada a Despolarizada.

http://www.efn.uncor.edu/departamentos/divbioeco/anatocom/Biologia/Index_archivos/Nervioso/axo
n4.jpg
¿Qué elementos prácticos
debemos tener en cuenta)

2. La posible
relación causal
 (1729-1781)

CASUALIDAD Y
CAUSALIDAD

https://www.google.com.ar/search?hl=es-
(1729-1781)
419&site=imghp&tbm=isch&source=hp&biw=1366&bih=643&q=cultivos+bacterianos&oq=cultivos+bacterianos&gs_l=img.1.0.0l2j0i24.2433.8033.0.12002.20.10.0.10.10.0.234.1541.1j
1j6.8.0....0...1ac.1.57.img..2.18.1616.8sQfesFTn5w#facrc=_&imgdii=_&imgrc=hxtavoi62l-OQM%253A%3BuABt2tAIH1IbgM%3Bhttp%253A%252F%252Forigenarts.com%252Fwp-
content%252Fuploads%252F2012%252F04%252Fanalisis-del-cultivo-comunicacion-cultivo-de-bacterias-origenarts.jpg%3Bhttp%253A%252F%252Forigenarts.com%252Fteorias-
de-la-comunicacion-analisis-del-cultivo%252F%3B645%3B430
CAUSA:
Acontecimiento, circunstancia,
característica o combinación de
ellos que desempeña un papel
importante en la producción de un
hecho.
• (Beaglehole,R, y cols; 1994)
EL INVESTIGADOR PERSIGUIENDO
A LAS CAUSAS

Causa 1 Causa 2 o
Confusor
CAUSA EFECTO
CAUSALIDAD
Transferencia de energía

CAUSA ¿?????????? EFECTO

CASUALIDAD
Ausencia de transferencia de energía
http://humanidades.cchs.csic.es/cchs/web_UAE/errorcomun/grafico1.jpeg
 Asociación no siempre es
sinónimo de causalidad
HIV

Ventas de discos compactos

 De causas y efectos

EFECTO 1 EFECTO 2 EFECTO 3 CAUSA 1 CAUSA 2

Antiinflam. Analgesia Gastritis Hipertensión Dislipemia

CAUSA
(Medicamento) EFECTO:Coronariopatía
 Confusores

Ca Pulmón
Tabaco

Causa Efecto

Confusor
Ambiente laboral
 Relaciones Causa-Efecto…

…de alto impacto

Mortalidad HIV
para la humanidad
Triple terapia
http://scielo.isciii.es/img/revistas/resp/v87n5/06_colaboracion_5_figura1.jpg Antiviral
http://cnho.files.wordpress.com/2012/03/mortalidad.png
 CONDICIONES DE LAS
CAUSAS

CAUSA
CAUSA
SUFICIENTE: es
NECESARIA: es
la relación
la relación
general (no
exclusiva entre
exclusiva) entre
variables.
variables.
 Malnutrición B.Koch Causa
Necesaria

HOSPEDERO TBC
Genética
SUSCEPTIBLE

Hacinamiento

Causas Suficientes
 Condiciones de las Causas
NECESARIAS

Sí NO

Necesaria y Suficiente
Sí Suficiente pero
No Necesaria
SUFICIENTES
Necesaria pero Ni Necesaria
NO No Suficiente Ni Suficiente:
Predisponente
 Condiciones de las Causas
NECESARIAS

Sí NO

Radiación
Sí Carga genética Benceno, etc.
y Leucemia*
SUFICIENTES
Bacterias, Factores de
NO Virus, Riesgo***
Hongos**

•No solamente estas causas producen Leucemia.

** La sola presencia de microorganismos no basta para producir una
infección.
*** Sólo PREDISPONENTES.
 CRITERIOS DE CAUSALIDAD
Plausibilidad

Consistencia Asociación

Especificidad Temporalidad
(PATEC)
 CASUALIDAD Y
CAUSALIDAD

Anatole François Thibault. Francia 1844-1924. Premio Nobel de

Literatura en 1921.
Apoyó a Emile Zolá (Yo acuso) en la caso Dreyfus, una de las
mayores muestras de intolerancia racial (antisemitismo) generalizada
en un país.
¿Qué elementos prácticos
debemos tener en cuenta)

3. La arquitectura de
la Hipótesis
(Componentes)
 Hipótesis, su significado
Etimología: del griego: ,υπο: situar bajo algo, lo
que apoya algo; en el mismo sentido del término
latino de suppositio.

En la comprensión cotidiana, una hipótesis se formula

como una forma de predicción en que se describe en
forma más bien concreta lo que se espera sucederá si
se cumplen ciertas condiciones (por ejemplo, “al
administrar el medicamento A se reduce la glucemia”).

En la orientación empírico matemática, una hipótesis

es un enunciado condicionado que puede ser
sometido a la comprobación empírica realizada en un
contexto de medición estadística de resultados.

http://cadel2.uvmnet.edu/test/asignaturas/desarrolloComunitario/tools/cdv/Hipotesis.pdf
Todo problema invoca una
conjetura
Que son los elementos constitutivos de toda Hipótesis.
 Anátomo fisiología
de toda Hipótesis

Variable
Variable Unidad de Dependiente
Independiente análisis Desenlace
Intervención Diferententes Resultado
Predictor variables Consecuencia del
impacto de la VI
Tratamiento elegidas en las Variables
elegidas

Las flechas rojas indican el sentido de lo

que se busca.
EL FUNDAMENTO EMPÍRICO

CONTEXTO DEL
RESPUESTA POSIBLE DESCUBRIMIENTO
(O HIPÓTESIS)

VERIFICACIÓN POR CONTEXTO DE LA

LOS SENTIDOS JUSTIFICACIÓN
(EXPERIMENTACIÓN)
 Ads by Cinema-
Ads by Cinema-Plus-1.6cAd Options Plus-1.6cAd

El MODELO utilizado
Options

actualmente es el
propuesto por KARL
POPPER denominado:

Utiliza la HIPOTESIS COMO

FIGURA CENTRAL y de ella
DEDUCE consecuencias
que trata de rechazar o no
mediante la FALSACION.
 Karl Popper insiste en que las hipótesis acerca
del mundo deben ser refutables,
es decir, que las hipótesis y las teorías de que
forman parte, carecen de valor, no solo si no se
ponen a prueba con experimentos, sino que
además, estos últimos deben

CREAR SITUACIONES EN QUE LA HIPÓTESIS

PUEDA SER RECHAZADA O NO (Diseño) .
 Variable Independiente: Antibiótico
Unidad de Análisis: Paciente
Variable Dependiente: Respuesta al tratamiento

Planteo de la Hipótesis:
“El tratamiento antibiótico parenteral mejora el
cuadro radiológico de la neumonía bacteriana
http://www.generacionelsevier.es/wp-content/uploads/2011/12/1_1_normal_1_2.jpg
 ¿Qué ocurre cotidianamente?
• El Investigador plantea una Hipótesis:
“La hipercolesterolemia es un factor
determinante en la producción de accidentes
cardiovasculares”.
Esta Hipótesis se denomina Hipótesis
“Positiva” o Hipótesis Alterna (H1).
Inmediatamente, aunque al investigador no le
“guste”, se autogenera la Hipótesis
contraria:
“Las relaciones entre colesterol y accidentes
cardiovasculares, es simplemente por azar
(casualidad)”.
Esta última se llama Hipótesis Nula (H0).
HIPÓTESIS ALTERNA HIPÓTESIS NULA
(H1): (H0):
-La relación entre -La relación entre
variables no es variables se debe
debida al azar. exclusivamente al azar.

-Existe relación -No existe relación causa-

causa-efecto. efecto.

-Las diferencias -Las diferencias

observadas no son observadas se deben al
debidas al azar. azar.
 H1

H0
Azar

H0
H1
NO AZAR

P. Bazerque
 Propuesta:
Hagamos un ejercicio
teológico-científico
 Existencia de
Dios
NO SÍ

Creencia NO ACIERTO ERROR

SÍ ERROR ACIERTO
 Existencia de un
hecho
NO SÍ
Cómo lo
NO ACIERTO ERROR
interpre- Falsamente
Existe
tamos negamos su
existencia

SÍ ERROR ACIERTO
Falsamente
Existe aseveramos su
existencia
 Existencia de un
hecho
NO SÍ
Cómo lo
NO ACIERTO ERROR
interpre-
Existe β
tamos
SÍ ERROR ACIERTO
Existe α
 Tenemos que tener en
cuenta lo siguiente
(Error Aleatorio):
α : es la cantidad de falsos positivos que estamos
dispuestos a aceptar (asumir que algo es verdadero cuando es falso).
Debe establecerse antes del experimento.

β falsos negativos
: es la cantidad de que estamos
dispuestos a aceptar (asumir que algo es falso cuando es verdadero).
Debe establecerse antes del experimento.
 Contraste de Hipótesis
Siendo
REALMENTE CIERTA
(Fijamos el valor
de α antes del estudio)
H0 H1
α =/> 0.05 α < 0.05
CONCLUIMOS
Mediante el Test
estadístico adecuado H0 ACIERTO ERROR
(Chi² ; Wilcoxon; p > 0.05
Kruskal-Wallis; t;
ANOVA)

H1 ERROR ACIERTO
p < 0.05
 El Sistema de Hipótesis
Contexto H0 H1
Estadístico Debida No es debida al
Relación entre exclusivamente azar
variables al azar
Epidemiológico No existe Existe relación
Relación relación Causa /Efecto
Causa/Efecto Causa/Efecto
Clínico Debidos al azar No debidos al
Cambios azar
observados
 H0 Medicamento H1 Probabili-
no es útil Medicamento dad
es útil Total
H0
Medica ACIERTO ERROR* 1
mento β
no es 1-β Falso –
útil Poder (0.80) (0.20)
H1
Medica ERROR** ACIERTO 1
mento α
es útil Falso + (0.05) (0.95)

Visión integrativa de los Errores

Aleatoriosαα y β
 En síntesis:
α (Falsos positivos esperados) es una
“expresión de deseo (preestudio)
p (Falsos positivos observados): es la
cruda realidad.
La Hipótesis Nula se “rechaza”
(falsa) cuando:
p<α
 Test de Hipótesis
Generalización

Estudio H0 H1
Clínico (p  0.05) (p < 0.05)

Diferencia A=B AB

(Sin límites)

Equivalencia AB A=B

(LI y LS) Inequivalencia Equivalencia
 Test de Hipótesis
Generalización

Estudio H0 H1
Clínico (p  0.05) (p < 0.05)

Superioridad A No > B A > B

No Superioridad Superioridad

No Inferioridad A<B A No < B

Inferioridad No Inferioridad
 ORÍGENES DEL ERROR EN
INVESTIGACIÓN
1.- En la generación de la
Hipótesis: Error Aleatorio.
Se reduce incrementando n.
2.- En el experimento:
Error Sistemático o Sesgos.
Se reduce con la selección.
 Debido a que actualmente los análisis se
hacen principalmente con ordenador, las
habilidades a desarrollar son:
a) Saber elegir el método
apropiado.
b) Interpretar correctamente los
resultados.

Traducido de Natalie Ives, Birmingham Clinical Trials Unit (BCTU)

15th December, 2006
 ALGUNAS
REFLEXIONES PARA
TERMINAR...
 PARADIGMA
Debemos investigar para
conocer la verdad y no
para llenar renglones de
nuestro currículum.
 Recordar que:
“Ausencia de evidencia
no es
Evidencia de ausencia”

(Bland y Altman; 1999)

 “Se me debe exigir que
busque la verdad, pero no
que la encuentre”.
Diderot (1713-1784)
CIENCIA ÉTICA
 Walt Whitmann
dijo:

Ideas sin hechos, igual fantasía;

Hechos sin ideas, igual caos.

La Ciencia tiene por objetivo

final relacionar ideas y hechos
para evitar la fantasía y el caos.
Anexo
Paquete estadístico muy
completo de uso libre
(BioEstat 5.0):
www.mamiraua.org.br/pt-
br/downloads/programas/

Su ícono identificatorio es un delfín.

Es el paquete estadístico con el que
realizaremos las actividades aplicativas
Calculadoras estadísticas on-line
• http://www.statpages.org/#Package
(gran variedad de métodos)
• http://www.openepi.com/v37/Menu/OE_
Menu.htm
• http://www.quantitativeskills.com/sisa/
• http://home.ubalt.edu/ntsbarsh/Business-
stat/otherapplets/Descriptive.htm
• http://home.ubalt.edu/ntsbarsh/Business-
stat/otherapplets/Descriptive.htm
Calculadoras estadísticas on-line
• http://easycalculation.com/statistics/statisti
cs.php.
• www.estadisticaparatoros.es/software.exc
el.
• http://home.ubalt.edu/ntsbarsh/excel/excel
.htm#rdesstst
• http://es.ncalculators.com/statistics/probab
ility-calculadora.htm (calcula también
probabilidades)
http://www.sergas.es/MostrarContidos_N3_T01.as
px?IdPaxina=62715
 Uds. tendrán acceso a un
archivo Excel denominado:
Base de datos Diabetes
8.01.2014
http://byteutim.files.wordpress.com/2011/06/metodo-cientifico.jpg?v=1362452615125