Alvaro Taype-Rondán

▪ Cursó estudios en: USMP, UPCH

▪ Consultorías o labores de Afiliaciones actuales:
investigación/docencia para: USIL, UPCH,
UCSUR, USMP UNMSM, ULADECH, IETSI, IAI,
PROMSEX, Flora Tristán, CONAREME, CNP
▪ Recibió incentivos o financiamento para
investigación de: CONCYTEC, CMP, DIRESA
Ancash
▪ Past-membro o asesor en: SOCIEM-USMP,
SOCIMEP, FELSOCEM
▪ Financiamiento de la industria
farmacéutica: ninguno
1. Estadística descriptiva
2. Población, muestra e inferencia
3. Intervalos de confianza al 95% (IC 95%) y valor p
4. Medidas de asociación e impacto
5. Diferencia de medias y DMCI
6. Supervivencia, HR, sensibilidad, especificidad, ROC
7. Artículo científico y tipos de estudios
1. Estadística descriptiva
2. Población, muestra e inferencia
3. Intervalos de confianza al 95% (IC 95%) y valor p
4. Medidas de asociación e impacto
5. Diferencia de medias y DMCI
6. Supervivencia, HR, sensibilidad, especificidad, ROC
7. Artículo científico y tipos de estudios
▪ Observaciones: de dónde
sacamos los datos
▪ Variables: características que
toma diferentes valores
▪ Datos: valores que toma la
variable en determinada
observación
▪ Base de datos: documento en
el cual se colocan los datos
recolectados
▪ Variables cuantitativas (Ejemplo: edad)
▪ Variables categóricas (Ejemplo: sexo)

▪ ¿Qué tipo de variable será grado de

educación?
▪ Si tenemos 10 personas, cuyas edades son:
1. 4 años
2. 5 años 3

3. 6 años
4. 6 años 2

5. 6 años
6. 7 años 1

7. 7 años
0
4 5 6 7
▪ Distribución normal:
▪ Simétrica
▪ La mayoría de datos
se encuentran cerca al
valor medio

▪ Distribución no
normal
Distribución Medida de tendencia central Medida de dispersión
Normal Media Desviación estándar
(la media de la edad fue 24.3 (la desviación estándar fue 2.1
años) años)

No normal Mediana Rango intercuartílico (Q3-Q1)

(la mediana de la edad fue 22 (RIC: 18 a 28 años)
años)
▪ ¿Cómo interpretar la desviación estándar?
▪ Frecuencia absoluta:
▪ 547 participantes fueron mujeres
▪ Frecuencias relativas:
▪ Prevalencia:
▪ 33% de la población fueron mujeres
▪ Incidencia o riesgo:
▪ 33% de los participantes murieron a los 5 años de
seguimiento

▪ Odds:
▪ El odds de ser varón es de 3/2 = 1.5
1. Estadística descriptiva
2. Población, muestra e inferencia
3. Intervalos de confianza al 95% (IC 95%) y valor p
4. Medidas de asociación e impacto
5. Diferencia de medias y DMCI
6. Supervivencia, HR, sensibilidad, especificidad, ROC
7. Artículo científico y tipos de estudios
 Población Muestreo

Conjunto de todos
los individuos en
los cuales se tiene
un interés en un
lugar y tiempo
determinados.
Muestra
Inferencia Parte/porción de la
población que es
evaluada/analizada
Inferencia: determinar características
de una población a partir de las
características de la muestra
▪ Las medidas de resumen para la población se llaman
“parámetros”, y para la muestra se llaman
“estadísticos”

Parámetro Estadístico

▪ Medida de resumen de la ▪ Medida de resumen de la

población muestra
▪ Ejemplo: ▪ Ejemplo:
▪ Media (μ) ▪ Media (x)
▪ Varianza (σ2) ▪ Varianza (s2)
▪ Desviación estándar (σ) ▪ Desviación estándar (s)
▪ Proporción (p) ▪ Proporción (p)
1. Estadística descriptiva
2. Población, muestra e inferencia
3. Intervalos de confianza al 95% (IC 95%) y valor p
4. Medidas de asociación e impacto
5. Diferencia de medias y DMCI
6. Supervivencia, HR, sensibilidad, especificidad, ROC
7. Artículo científico y tipos de estudios
▪ Población: Médicos que laboran en EsSalud (Perú)
durante el año 2018
▪ Muestra: Se toma una muestra aleatoria de 60
médicos
▪ Pregunta: ¿Cuál es la media de edad poblacional?
▪ Respuesta:
▪ Media de la muestra: 21.5
▪ Con los datos de la muestra, se calcula el IC 95% = 18 a 25
▪ Interpretación: Tenemos 95% de confianza de que la media
poblacional se encuentra dentro del intervalo (de 18 a 25
años)
▪ Ojo: Cuando la muestra sea más grande, el IC95% será
más “angosto”
▪ El investigador plantea su hipótesis (cómo cree que se
debería comportar cierto fenómeno)
▪ La hipótesis compara datos poblacionales
(parámetros)
▪ Para aplicar una prueba estadística, se generan 2
hipótesis: nula (Ho) y alterna (Ha)
▪ Ejemplo: Si creemos que la prevalencia de
hipertensión es distinta en Piura que en Lima:
▪ A: prevalencia de hipertensión en habitantes de Piura
▪ B: prevalencia de hipertensión en habitantes de Lima
▪ Hipótesis nula (Ho): A=B
▪ Hipótesis alterna (Ha): A≠B
▪ Una vez planteadas las hipótesis, realizamos una
prueba estadística, que nos proporcionará un valor p.
▪ Valor p (interpretación simplificada): probabilidad
de que la Ho sea cierta
▪ Si p<0.05 (estadísticamente significativo): Es poco
probable que la hipótesis nula sea cierta → Se adopta
la hipótesis alterna
▪ Algunos optan por usar otro punto de corte (Ejm: 0.01
en vez de 0.05)
1. Estadística descriptiva
2. Población, muestra e inferencia
3. Intervalos de confianza al 95% (IC 95%) y valor p
4. Medidas de asociación e impacto
5. Diferencia de medias y DMCI
6. Supervivencia, HR, sensibilidad, especificidad, ROC
7. Artículo científico y tipos de estudios
▪ Queremos evaluar la asociación entre fumar y obesidad
▪ Tomamos una muestra de 200 personas:

Desenlace o “casos”
(creemos que es el efecto)

Obeso No obeso Total

Exposición
(creemos que Fuma 20 80 100
es la causa) No fuma 10 90 100
Total 30 170 200

▪ Pruebas de independencia:
▪ Chi cuadrado (valor p)
▪ Prueba exacta de Fisher (valor p)
 Si es 1:
1.Razón de prevalencias / Prevalence ratio (RP/PR) no hay
2.Riesgo relativo / Risk ratio (RR) asociación

3.Razón de odds / Razón de momios / Odds ratio (OR) >1: factor

de riesgo
4.Hazard ratio (HR)
<1: factor
5.Razón de tasas de incidencia / incidence rate ratio (IRR) protector
 Obeso No obeso Total Razón de Prevalencias (RP): Pe/Po
Fuma 20 80 100 Prevalencia de obesidad en los que
fuman (Pe): 20/100 = 20%
No fuma 10 90 100
Prevalencia de obesidad en los que no
Total 30 170 200 fuman (Po): 10/100 = 10%

RP Interpretación
2 • La prevalencia de obesidad en los que fuman es 2 veces la
prevalencia en los que no fuman
• La prevalencia de obesidad es 100% mayor en los que fuman que
en los que no fuman
2.4 • La prevalencia de obesidad es 140% mayor en los que fuman que
en los que no fuman
1 • La prevalencia de obesidad es igual en los que fuman que en los
que no fuman
• No existe asociación entre fumar y obesidad
0.3 • La prevalencia de obesidad es 70% menor en los que fuman que
en los que no fuman
 Obeso No obeso Total Obeso No obeso Total
Fuma a b a+b Fuma 20 80 100
No fuma c d c+d No fuma 10 90 100
Total a+c b+d a+b+ Total 30 170 200
c+d

Razón de Prevalencias (RP): prevalencia en expuestos / prevalencia en no

expuestos
▪ Solo se puede usar en estudios transversales
▪ Cálculo: (a/a+b)/(c/c+d) = (20/100)/(10/100) = 2
▪ “La prevalencia en los expuestos es 2 veces la prevalencia en los no
expuestos”
Riesgo Relativo (RR): riesgo en expuestos / riesgo en no expuestos
▪ Solo se puede usar en estudios longitudinales o ECA
▪ Cálculo: (a/a+b)/(c/c+d) = (20/100)/(10/100) = 2
▪ “El riesgo en los expuestos es 2 veces el riesgo en los no expuestos”
Odds Ratio (OR): odds en expuestos / odds en no expuestos
▪ Se puede usar en cualquier diseño de estudio
▪ Cálculo: (a/b)/(c*d) = (20/80)/(10/90) = 2.25
▪ “El odds en los expuestos es 2.25 veces el odds en los no expuestos”
▪ Si la frecuencia del desenlace es baja (<20%), el OR se asemejará
al RR/RP
 Valor puntual: Intervalo de confianza al 95%: en la
población
en la muestra
Si incluye el valor de no efecto (1), se
dice que “no es estadísticamente
significativo”
▪ En la muestra: RP=1.42 ¿interpretación?
▪ IC 95% de la RP es: 1.12 a 1.81 → Tenemos 95% de confianza de que la RP de la población se encuentra entre el
intervalo 1.12 a 1.81
 *Ajustado por
concentración de
ácido úrico
“Elimina” la
influencia de los
confusores

▪ Crudo: La prevalencia de CKD fue mayor en varones que en

mujeres
▪ Ajustamos porque:
▪ Los varones tienen más concentración de ácido úrico que las mujeres
▪ ¿No será que la única asociación “real” sea entre ácido úrico y CKD?
▪ ¿No será que no existe asociación entre sexo y CKD?
▪ ¿La concentración de ácido úrico nos está “confundiendo”?
 Obeso No obeso Total
Fuma 20 80 100
No fuma 10 90 100
▪ Teníamos: Total 30 170 200
▪ Riesgo en expuestos = Ie=20%
▪ Riesgo en no expuestos = Io=10%
▪ Riesgo en el total de la población = It=15%

▪ Medidas de impacto:
▪ Riesgo Atribuible:
▪ RA = Ie – Io = 20%-10% = 10%
▪ “Si los que fuman dejaran de fumar, el riesgo de desarrollar obesidad
disminuiría en 10%”
▪ Riesgo Atribuible Poblacional
▪ RAP = It-Io = 15%-10% = 5%
▪ “En la población general, si los que fuman dejaran de fumar, el riesgo
de desarrollar obesidad disminuiría en 5%”
 P: gestante en riesgo de preeclampsia (PE)
I: aspirina
C: control
O: desarrollo de PE

1.5% 5.1%
▪ Riesgo atribuible (RA): 5.1% - 1.5% = 3.6% = 0.036
▪ Número necesario a tratar (NNT):
▪ 1/0.036 = 27.8 (aprox 28)
▪ Por cada 28 pacientes a los que se les da aspirina, se evitará 1 preeclampsia
1. Estadística descriptiva
2. Población, muestra e inferencia
3. Intervalos de confianza al 95% (IC 95%) y valor p
4. Medidas de asociación e impacto
5. Diferencia de medias y DMCI
6. Supervivencia, HR, sensibilidad, especificidad, ROC
7. Artículo científico y tipos de estudios
 IMC Desv Estándar
Fuma 27.6 2.4
No fuma 24.2 2.8
Total 26.5 2.6
▪ Diferencia de medias / mean difference (MD) = 27.6 -
Si es 0:
24.2 = 3.4 kg/m2 no hay
▪ El IMC en los que fuman es 3.4kg/m2 mayor en asociación
comparación con los que no fuman
>0: factor
▪ Diferencia de medias estandarizada / standarized de riesgo
mean difference (SMD) = 3.4 / 2.6 = 1.3
<0: factor
▪ El IMC en los que fuman es 1.3 desviaciones estándar protector
mayor en comparación con los que no fuman
▪ ¿Cómo se interpreta la diferencia de medias seleccionada?
▪ ¿El resultado fue estadísticamente significativo?
 ▪ P: personas con diabetes
▪ I: autoadministración de insulina con lapiceros
▪ C: autoadministración de insulina con jeringa
▪ O: Promedio de HbA1c a los 12 meses

Diferencia
de medias
▪ ¿Cómo se interpreta la diferencia de medias seleccionada?
▪ ¿El resultado fue estadísticamente significativo?
▪ Si estamos evaluando una intervención para el
outcome: bajar de peso
▪ Resultado: Luego de 12 meses, el grupo
intervención disminuyó 0.1kg en comparación con
el grupo control (p<0.05)
▪ Es estadísticamente significativo, ¿pero es
clínicamente importante?
▪ Para ello, se establece un valor de DMCI (¿cuánto es
lo mínimo que debe cambiar mi variable para
representar algún beneficio para el paciente?)
▪ P: artrosis
▪ I: medicamentos
▪ C: placebo
▪ O: SMD de dolor
▪ DMCI: 0.37
1. Estadística descriptiva
2. Población, muestra e inferencia
3. Intervalos de confianza al 95% (IC 95%) y valor p
4. Medidas de asociación e impacto
5. Diferencia de medias y DMCI
6. Supervivencia, HR, sensibilidad, especificidad, ROC
7. Artículo científico y tipos de estudios
▪ Supervivencia: gráfico de
Kaplan-Meier
▪ Hazard ratio: qué tanto mayor
es el riesgo de sufrir el evento
en el tiempo de seguimiento
 Enfermos Sanos
Test positivo a b
Test negativo c d

▪ Sensibilidad = a / a+c
▪ Especificidad = d / b+d
▪ VPP = a / a+b
▪ VPN = d / c+d
1. Estadística descriptiva
2. Población, muestra e inferencia
3. Intervalos de confianza al 95% (IC 95%) y valor p
4. Medidas de asociación e impacto
5. Diferencia de medias y DMCI
6. Supervivencia, HR, sensibilidad, especificidad, ROC
7. Artículo científico y tipos de estudios
Base de datos Revistas científicas Artículos:
▪Originales
▪Casos clínicos
▪Cartas al editor…
 Revisiones
sistemáticas

Ensayos clínicos
aleatorizados

Estudios de cohortes
Estudios
Estudios transversales o casos- observacionales
controles

Opinión de expertos
1. Estudios observacionales
▪ Sesgo por posibles confusores
▪ Ejm: evaluar la asociación entre tomar café y cáncer de pulmón… pero
los que toman café fuman más!

2. Ensayos clínicos aleatorizados (ECA):

▪ Brinda resultados más confiables que los estudios observacionales
▪ Tiene al menos dos grupos (un grupo intervención y un grupo control)
▪ Asignación a los grupos es aleatoria → se logra que los grupos sean
similares
▪ Usualmente se le brinda un placebo al grupo control