Medias cuando el mismo grupo se mide dos veces

1. Prueba T pareada para la diferencia de la media.

a) Paso 1: Plantear la interrogante a investigar desde el punto de vista estadístico.
𝑯𝟎: La verdadera diferencia 7𝛼 − 𝐻𝐶𝑂 es 0. (𝛿 = 0)
𝑯𝟏: La verdadera diferencia 7𝛼 − 𝐻𝐶𝑂 no es 0. (𝛿 ≠ 0)

Interesa rechazar la hipótesis de nulidad de no diferencia en dos situaciones:

cuando 7𝛼 − 𝐻𝐶𝑂 incrementa de manera significativa y cuando el programa
disminuye de manera significativa; es una prueba de dos colas.

b) Paso 2: Decidir sobre la prueba estadística apropiada.

 Cuando el propósito es ver si existe una diferencia entre las medidas de
antes y después de un diseño pareado.
 Si se quiere probar la hipótesis de que la media de la diferencia es igual a
un valor diferente a cero, se tendrá que restar ese valor de la media de la
diferencia en el numerador de siguiente fórmula:

 Con n – 1 grados de libertad, donde 𝒅 representa la media de diferencia y

𝑫𝑬𝒅/ √𝒏 representan el error estándar de la diferencia de medias.

c) Paso 3: Elegir el grado de significancia de la prueba estadística.

 Se usará 𝛼 = 0.01.

d) Paso 4: Determinar el valor que la prueba estadística debe alcanzar para

considerarla significativa.
 El valor de t que divide la distribución en 99% central es, por
interpolación, 2.682 con 0.5% del área de cada cola con n-1=50 grados de
libertad.
 Por tanto, se rechaza la hipótesis de nulidad de que el programa no
establece diferencia si el valor de t estadística es menor a -2.682 o mayor
que + 2.682
e) Paso 5: Realizar los cálculos.
 Sustituir cifras.

f) Paso 6: Obtener y expresar conclusiones.

 Puesto que el valor observado de la t estadística es 5.68, mayor al valor
crítico 2.682, se rechaza la hipótesis de nulidad que la media 7𝛼 − 𝐻𝐶𝑂 es
igual antes de la colecistectomía y un mes después (P < 0.01).
Proporciones cuando el mismo grupo se mide dos veces

Los investigadores podrían hacer dos tipos de preguntas cuando una medición se ha repetido en el
mismo grupo de individuos. Algunas veces se interesan en conocer cuánto concuerdan entre sí la
primera y segunda medidas.

1. Medición de la concordancia entre dos personas.

 Cuando una persona observa dos veces un individuo y se comparan las
observaciones, el grado de concordancia se llama confiabilidad
intravaluatoria y cuando dos o más personas observan al mismo individuo,
su concordancia se llama confiabilidad intervaluatoria.
 Una forma habitual de mediar la confiabilidad intervaluatoria cuando las
mediciones son nominales, es mediante el uso de la estadística kapa 𝜅. Si
las mediciones se hacen mediante escala numérica, se encuentra la
correlación entre medidas.

EJEMPLO
En el planteamiento de problema 4, Yuan et al (2001) interpretaron la IRM
de 90 localizaciones de la arteria carótida y compararon sus hallazgos con
los exámenes histopatológicos. La kappa estadística puede usarse para
estimar el nivel de concordancia entre los hallazgos de la IRM y la
histología.
La información de los Cuadros 9 y 10 son los resultados de la IRM y el
examen histológico que tuvieron una concordancia de que 56 de 90
fueron positivos y 22 negativos.
Revisando los datos del cuadro 10, la IRM indicó que 58 a 64% fueron
positivos, y la clasificación histológica indicó que 66 o 73% fueron
positivos. Usando la regla de multiplicación, estarían concordantes por
casualidad 64 x 73%, o 47%, de las muestras fueron positivas.
La concordancia potencial más allá de la casualidad es 100% menos la
concordancia por casualidad de 57% o, usando las proporciones, 1 – 0.57
= 0.43. La fórmula para kappa y los cálculos son:
 2. Proporciones en estudio con mediciones repetidas y la prueba Necmar.
 En estudios en los cuáles los resultados son una variable binaria (si o no), los
investigadores podrían desear conocer cuándo cambia la proporción de individuos
que tienen (o no) la característica de interés, después de una intervención o del
paso del tiempo.
 La prueba de McNemar puede emplearse para comparar proporciones pareadas.
EJEMPLO: Los investigadores en el Planteamiento de problema 3, Sauter et al.
(2002) buscaban conocer si ocurrían cambios en la función intestinal de los
pacientes después de la colecistectomía. Obtuvieron información de un número
de pacientes que tenían una o menos evacuaciones al día comparándolos con los
que tenían más de una evacuación por día.

¿Qué hacer cuando las observaciones no están normalmente distribuidas?

Si las observaciones están muy sesgadas, no debe emplearse la distribución de t, debido a que los
valores que se supone deben separar los 2.5% superior e inferior del área de 95% central de
distribución, no lo hacen en realidad.

1. Transformación o readaptación de observaciones.

Transformar observaciones significa expresar los valores en otra escala.
 La transformación z, es una transformación lineal, readapta una distribución, con
una media y una desviación estándar dadas a una distribución en la cual la media
es 0 y la desviación estándar es 1. La forma básica de campana de la distribución
misma no cambia con esta transformación.
 Las transformaciones no lineales ponen las observaciones por rangos, desde la
más baja a la más alta (o viceversa).
 La transformación por rangos puede resultar muy útil en el análisis de
observaciones que están sesgadas y muchos de los métodos no paramétricos que
se tratan en este libro se basan en rangos.
 Otras transformaciones no lineales pueden usarse para enderezar relaciones entre
dos variables, cambiando la forma del sesgo de la distribución a una que sea más
semejante a una distribución normal.
EJEMPLO: Considerar el tiempo de supervivencia de paciente con diagnóstico de
cáncer de la próstata. En la figura 6A se presenta una gráfica con posibles valores
de supervivencia (en años), con posibles metástasis a los huesos de cáncer
prostático. La distribución tiene un importante sesgo positivo, por lo que los
métodos que supone una distribución normal no pueden aplicarse.
La figura 6B muestra la distribución si, en cambio, se toma el logaritmo* del
tiempo de supervivencia; es decir 𝑌 = 𝑙𝑜𝑔(𝑋), y donde Y es el valor transformador
(o exponente) relacionado con un valor dado de X. Este es el logaritmo de base 10.

 Otra transformación es la transformación por raíz cuadrada Y=√X. Aunque esta

transformación no se emplea con tanta frecuencia en medicina como la
transformación logarítmica, sí puede, en cambio, se de utilidad cuando una
transformación logarítmica produce una sobrecorrección.
 EJEMPLO: En un estudio de mujeres a quienes se les administró un bloqueador
paracervical para disminuir dolor y calambres por criocirugía, una de las variables
usadas para medir el dolor tenía mucho sesgo. Los autores usaron la
transformación por raíz cuadrada y mejoraron los resultados. Se calcularon el
logaritmo natural y la raíz cuadrada de la calificación del dolor. Se muestra el
histograma de cada uno en la figura 7. Puede verse que ninguna de las
transformaciones se acerca a la distribución normal. En este caso, los
investigadores muy bien podrían seleccionar un procedimiento no paramétrico
que no dé lugar a suposiciones sobre la forma de la distribución.

2. Prueba de signo para hipótesis sobre la mediana de un grupo.

 Es una prueba no paramétrica que puede emplearse para un solo grupo usando la
mediana y no la media.

POR EJEMPLO, puede preguntarse si los niños del estudio de Dennison et al.
Tienen una mediana de la cantidad de energía obtenida como las 1286 kcal
reportados en el estudio NHANES III.

si la mediana de la cantidad incorporada de energía en la población de niños de

dos años es de 1286, la probabilidad es de 0-50 de cualquier otra observación sea
menor a 1286. Se cuenta el número de observaciones con menos de 1286, y
puede usarse la distribución binominal con π=0.50. En el cuadro 13 se muestran
los datos de incorporación de energía en niños de dos años por rangos de menor a
mayor; 57 niños de dos años tienen niveles de energía más altos. La probabilidad
de observar x=57 de n=94 con valores menores a 1286 mediante la distribución
binomial es:
Se usa este ejemplo como oportunidad para utilizar la aproximación z a la
distribución binomial para ilustrar la prueba de signo. Se usa el mismo grado de α
junto con una prueba de dos colas, para comparar los resultados de la prueba de t
directamente de la sección Pasos para la prueba de hipótesis