Bioestadistica 3

Inferencia
Errores tipo I y II. Pruebas de hipótesis para

medias y proporciones
Bioestadística
Paola Viviani
Angélica Domínguez facultadmedicina.uc.cl
Tabla de Contenidos
1. Introducción
2. Test de hipótesis
3. Error tipo I y tipo II
4. Valor p y significancia
5. Resolución de un test de hipótesis
facultadmedicina.uc.cl 3
Introducción
El método científico: Pregunta de

Investigación
Volver a pensar
Plantear hipótesis
Quese pueda responder
Testear la hipótesis con un

estudio (experimental u
observacional)
Analizar los resultados
Se confirma la hipótesis Se rechaza la hipótesis
Difundir resultados
Introducción
metodo científico
Estimadores Muestra Población

(conocidos)
Muestra
x 
p̂ Inferencia p
7)
ii.
Análisis Inferencia
descriptivo Parámetros
(desconocidos)
Población
Introducción
Para responder a una pregunta, el investigador deberá seguir el

siguiente procedimiento:
• Elaborar una hipótesis estadística que refleje la creencia del
investigador acerca del parámetro poblacional de interés.
• Tomar una muestra representativa de la población en estudio y
- -
contrastar sus resultados con lo planteado en la hipótesis.

• Comparar, realizando inferencia, los resultados muestrales con lo
planteado en la hipótesis.
-
• Según lo anterior, rechazar o no rechazar la hipótesis planteada.
Test de hipótesis
Un test de hipótesis o dócima de hipótesis es un procedimiento

estadístico que permite determinar la veracidad de una hipótesis
planteada.
HO
Contrasta una hipótesis nula [null hypothesis] (𝐻0 ) y una hipótesis
alternativa [alternative hypothesis] (𝐻1 o 𝐻𝐴 ).
HA
𝐻0 : lo que el investigador quiere rechazar. Generalmente refleja la
creencia actual del problema.
𝐻1 : enunciado en desacuerdo con 𝐻0 . Suele reflejar lo que el
investigador sospecha que es verdadero.
la media ÍNAT
" °
Es distina % muscular
en futbol "
Finista ?
• Es bilateral
-
media
Test de Hipótesis Ht
Ho :
:
nq
Me
= Mt
≠ Mt
.
media % mas a
µ :
- muscular
Ejemplo 1.
Un investigador se pregunta: ¿tienen los niños con Síndrome de Down
(SD) niveles medios de glucosa diferentes a los niños sin Síndrome de
Down ? I 11-1 ( unilateral ) sentido
Pregunta en → va en
Luego, plantea la hipótesis:

𝐻0 : los niveles medios de glucosa de niños con SD son iguales a los niveles de
niños sin Síndrome de Down
𝐻1 : los niveles medios de glucosa de niños con SD son diferentes a los niveles de
( media )
niños sin Síndrome de Down . Para metros prevalencia
o :
Yg
distintas medias
la variable " la media de sin SD
es
"
glucosa il : la media de glucosa de niños cos SD es igual a glucosa
si la variable aleatoria de
es numérica ,
origen
voy a tener como
𝐻0 : 𝜇𝑆𝐷 = 𝜇𝑁𝑆𝐷 vs 𝐻1 : 𝜇𝑆𝐷 ≠ 𝜇𝑁𝑆𝐷

estimador la media muestra l
y come parametro la media poblacional .
categoria voy a tener como

si la variable es
estimador puntual en la muestra la

muestral
proporción y como para metro
proporción poblacional ( igual q en el intervalo de confianza )
'
Donde 𝜇𝑆𝐷 es la media de glicemia de niños con SD y 𝜇𝑁𝑆𝐷 es la media de glicemia de

la
niños sin SD
facultadmedicina.uc.cl
Test de Hipótesis
Los test de hipótesis pueden ser unilaterales o bilaterales.

oh ↓
no
semeja el patito
se preguntan si son
distintos , como el
Ejemplo 1. ejemplo de arriba
• Un investigador se pregunta: ¿tienen los niños con Síndrome de Down

(SD) niveles medios de glucosa diferentes a los niños sin Síndrome de
Down ?
𝐻0 : 𝜇𝑆𝐷 = 𝜇𝑁𝑆𝐷 vs 𝐻1 : 𝜇𝑆𝐷 ≠ 𝜇𝑁𝑆𝐷
• Un investigador se pregunta: ¿tienen los niños con Síndrome de Down

(SD) niveles medios de glucosa superiores a los niños sin Síndrome de
Down ? -
𝐻0 : 𝜇𝑆𝐷o
≤ 𝜇𝑁𝑆𝐷 vs 𝐻1 : 𝜇𝑆𝐷 > 𝜇𝑁𝑆𝐷
Notemos que siempre la igualdad irá en la hipótesis nula 𝐻0 .

Para metro no está en la muestra
MP es para metro
:
poblacional
HO : : MP es inocente
11-1 : MP es culpable
-
Ejemplo
ptlacdenatí
Test de Hipótesis M praderas parámetro poblacional

lo
.
portar
Unico
:
q podemos
evidencia estimado
"
hacer
"
es
"
Tipos
atmmNMJMY. BY mmm de
AGATA Mfgm Hipótesis
MMMM
Ejemplos de Hipótesis bilaterales.

bilateral
-
¿Es O
distinta la proporción de HTA en hombres que
en mujeres? 𝐻0: 𝑃𝐻 = 𝑃M
𝐻1: 𝑃𝐻 ≠ 𝑃M
unilateral
¿Cambia la media de presión arterial en

𝐻0: µ𝐴 = µ𝐵
hipertensos usando tratamiento A en
r 𝐻1: µ𝐴 ≠ µ𝐵
comparación con tratamiento B?
Y
¿ Es distinta la media de % muscular en tutbolistoir
masa
Ho :
Mm; Mmt
vs tenistas ?
Variables : % masa muscular numérica

'
asociacion catlnum
HI :
Ump ≠ Mmt
_
- deporte -
categórica
Es bilateral .
g.+↳ ↳
pa.ammaaampa.ar.m.a.am/..magamuga.,a "
,
tenista
i
ii. media :/ masa muscular facultadmedicina.uc.cl

Test de Hipótesis Tipos de Hipótesis
Ejemplos de Hipótesis unilaterales.
¿Es la prevalencia de alcoholismo en hombres 𝐻0: 𝑃𝐻 ≤ 𝑃M

superior a la de mujeres? 𝐻1: 𝑃𝐻 > 𝑃M
La media de presión arterial de hipertensos bajo 𝐻0: µ𝐴 ≥ µ𝐵

tratamiento A, ¿es inferior en comparación con 𝐻1: µ𝐴 < µ𝐵
hipertensos bajo tratamiento B?
Error tipo I y tipo II
[Type I and II errors]
Frente a una hipótesis evaluada, se pueden presentar 4 situaciones:

del investigador
la pregunta
"
Ht
•
va en
•
.
Hy : concluir equivocadamente la
pregunta
de investigación .
verdad declarar culpable cuando culpable

Redecorar , pero en .
. .
es .
cuando verdadera
Confianza : no rechazar Ho
,
es
decir que las

con el ejemplo de muy arriba , es
medias de % masa muscular es igual en

futbolistas
y tenistas
2
Notar P se Daba en responder al error tipo 1

y 2
… que inducen dos tipos de errores:

Verdad
H0 Verdadera H0 Falsa
Rechazar H0 α Con firmar la pregunta de investigación
1-β
de forma equivocada .
Error tipo I Correcto (Potencia)

Decisión P menor 0,05
valor
si tengo un
No rechazar H0 1-α β rechazo

HO
Correcto (Confianza) no rechazar HO cuando es

Error tipo II
verdadera
P(Error tipo I): 𝑃 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻0 𝐻0 𝑒𝑠 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑎 = 𝛼

5%
P(Error tipo II): 𝑃 𝑛𝑜 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻0 𝐻0 𝑒𝑠 𝑓𝑎𝑙𝑠𝑎 = 𝛽 9
lo declaran
=
culpable
solo
≠
si
1er test estadísticos

se
con error p .
basa
tipo
en
eeee
L y tipo
perder
2
v1
Ejemplo: Al comparar 𝑃𝑀 y 𝑃𝐻, el la proporción de HTA en hombres y

mujeres, se plantean las hipótesis:
𝐻0: 𝑃𝐻 = 𝑃M vs. 𝐻1: 𝑃𝐻 ≠ 𝑃M
•El error tipo I () equivale a considerar que 𝑃𝐻  𝑃𝑀 (que H y M difieren) cuando
en realidad no hay diferencia en la prevalencia de HTA.
•El error tipo II () equivale a considerar que 𝑃𝐻 = 𝑃𝑀 (que H y M son iguales)
cuando en realidad son distintos.
•La confianza 𝟏 −  equivale a no encontrar diferencias entre H y M cuando
realmente no las hay.
•La potencia 𝟏 −  equivale a encontrar diferencias reales entre los H y M, por
ejemplo, que los H presentan mayor HTA que las mujeres.
Valor p y significancia
[p value and significance]
El valor p es la probabilidad obtenida, a partir de los datos, de rechazar

calculo
'
valor q para Ho
saber si rechazo cuando Ho es Verd
𝐻0 dado que 𝐻0 es verdadera, es decir,
.
,
"
HO
rechazar
"
equivocadamente
,
si tengo ✗ de 0,05 ,
si
tengo valor p
menor a 0,05 entonces rechazo HO .
valor p=𝑃(𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻0 |𝐻0 𝑒𝑠 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑎)
El nivel de significancia α será el máximo valor p para el cual se

rechazará la hipótesis nula.
Se rechazará la hipótesis nula, si el valor p es menor al nivel de

significancia α.
V. Ala teoria Cat .
estimador →
p muestral
.
si " Mme" ce : • timador =
☒ → " " "anal
prevalencia :
☒ usa con
parámetro
→ P poblacional % proporción
y
.
.
.
Resolución de un test de hipótesis

alta →•
ataja Raja MGM aaa Maa
Ma ooo
MAH Gooooool •as•
Queremos que la probabilidad de rechazar erróneamente 𝐻0 sea a lo

más 𝛼 (que en general es 𝛼 = 0,05). -
valor p = 𝑃 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟𝐻0 𝐻0 𝑒𝑠 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑎 i. INI

→
i
Si es menor a α (0,05) Si es mayor a α (0,05) no
rechazo 𝐻0 . rechazo 𝐻0 .
Distintos tipos de test de hipótesis se razonan y concluyen de manera '
DNI
'
similar.
Test de Hipótesis Planteamientos para medias
Posibles planteamientos de Hipótesis para dos medias:
a. 𝐻0 : 𝜇1 = 𝜇2 𝑣𝑠. 𝐻1 : 𝜇1 ≠ 𝜇2 -
.
-
b. 𝐻0 : 𝜇1 ≥ 𝜇2 𝑣𝑠. 𝐻1 : 𝜇1 < 𝜇2 \
c. 𝐻0 : 𝜇1 ≤ 𝜇2 𝑣𝑠. 𝐻1 : 𝜇1 > 𝜇2
Posibles planteamientos de Hipótesis para dos proporciones:
a. 𝐻0 : 𝑃1 = 𝑃2 𝑣𝑠. 𝐻1 : 𝑃1 ≠ 𝑃2
b. 𝐻0 : 𝑃1 ≥ 𝑃2 𝑣𝑠. 𝐻1 : 𝑃1 < 𝑃2
c. 𝐻0 : 𝑃1 ≤ 𝑃2 𝑣𝑠. 𝐻1 : 𝑃1 > 𝑃2
Test de Hipótesis
Planteamientos para medias
Tabaquismo y Riesgo coronario en un centro de salud, estudio retrospectivo. Rev Esp Salud Pública. 2017;
Vol. 91; 25 de enero e1-e6.
1) 2 variables
asoc .
Numerical
Edad -
Fumar
-
Cat
2) ilparametror
" M
dittonadores
aquí
-
se asocia con pod

,
Fumadores anti - nde NO Fue
: media Edad en
F
Mq
media de edad en NF
Mnq :
3) .
Ho : MF =
MNF
Hr :
Mf f- MNF
Conclusion : Rechazo GÍ
las medias
sean
iguales
-
de IMC
Calcular el intervalo de confianza
NÉ
F
para
'
- * ± 1.96
27,9 ± 1.96
.
4.3%7 = 0.49
gjlautvera colesterol total 127.42° .

" '
rechaza 2995 ± 1.46 4,5 /V77 0.3

goncwcraii se
-
.
no
diferencia
Ho ,
: no
hay no hay evidencia
( zonas ; 29.25 )
significativa ,
significativa
variable diabetes
1) Diabetes no
T-mua.tn
cát Lat
2) Parámetros .
Proporción :
Prop Diabetes en F
¡ .
Pz :
Prop Diabetes
.
en NF
3) .
Ho :
Pp = Pz
# ve en la
919
)
:
se
la hip . se plantea sobre entonces fabla en C)

la poblacional
Ña
.
0,23
Hp :
P
,
=/ Pa
:
Conclusion
'
solapan ?
:
se
No Rechazo pq es
Aga 0,05
No hay evidencia .
para decir que
son distintas .
tabaco no se asocian
Diabetes y
Test de Hipótesis
Ejercicio:
DESCRIPTIVOS: Comparemos la proporción de hipertensión arterial (HTA) entre
fumadores y no fumadores. ¿qué proporción tienen?
INFERENCIA USANDO TEST DE HIPÓTESIS
1. Escribimos las hipótesis que se están contrastando.
2. Contrastamos el valor p con el nivel de significancia. Concluimos
3. Interpretamos.
INFERENCIA USANDO IC
1. Hacemos el IC 95% de HTA para el grupo de fumadores
2. Hacemos el IC 95% de HTA para el grupo de no fumadores:
3. Comparamos los IC95% ¿se cruzan?
Test de Hipótesis
Ejercicio:
DESCRITIVOS: Comparemos la media Colesterol Total entre fumadores y no fumadores.
¿qué medias tienen?
INFERENCIA USANDO TEST DE HIPOTESIS

1. Escribimos las hipótesis que se están contrastando.
2. Contrastamos el valor p con el nivel de significancia. Concluimos
3. Interpretamos.
INFERENCIA USANDO IC
1. Hacemos el IC 95% para la media de CT en el grupo de fumadores
2. Hacemos el IC 95% para la media de CT en el grupo de no fumadores
3. Comparamos los IC95% ¿se cruzan?
Departamento de Salud Pública
Bioestadística
Inferencia
Asociación de Variables
Tabla de Contenidos
• Introducción
• Tipos de Asociación
Introducción
Nos concentraremos en responder a una pregunta de investigación (o

hipótesis), analizando la asociación de dos variables aleatorias
-
involucradas, lo que se conoce como análisis bivariado.
Para averiguar si existe asociación entre dos variables aleatorias se

debe realizar un test de hipótesis. La elección del test dependerá del
El tipo de test
↑ tipo de variables a relacionar.
O
o
/ Jr
la Dos variables están asociadas si cambios en los valores de una de
ellas produce cambios en los valores de la otra. ¥¥E¥
si una variable aleatoria no produce cambio
en otra , no afecta en her valores de la otra eso
,
es decir
que son independientes
Introducción
• Es común que una Pregunta de Investigación consista en explicar un

determinado fenómeno o “outcome”. Lo que se quiere explicar es
medido por una variable aleatoria, la cual es llamada variable
explicada, dependiente o respuesta (𝒀). → determinado Quemen
"
out come "
• Por otra parte, la búsqueda de una explicación para el fenómeno se

hace a través de otro conjunto de variables que podrían estar
asociadas al problema. Estas son llamadas variables explicatorias,
independientes o factores (𝑿 si es una variable la que explica;
𝑿𝟏 , 𝑿𝟐 , … , 𝑿𝒌 si son 𝑘 variables las que explican el fenómeno de
interés).
Introducción
Ejemplo: Interesa determinar variables asociadas a SM¡ "drone

""
ID Edad NEDU ZONA REGION SEXO EST_CIVIL SIST_SAL Ctotal HDL LDL TG Tab_Act RCV SM
1 42 2 12 1 7 5 4 2
2 16 2 12 1 7 2 2 2
3 25 2 1 13 1 2 1 159 52 91 82 2 1 0
4 61 1 1 13 2 2 5 220 34 141 224 1 3 1
5 52 2 1 13 1 2 5 170 36 81 265 3 2 1
6 57 2 1 13 1 4 5 1 2
7 29 2 1 13 2 2 7 175 49 109 86 3 1 0
8 70 1 1 13 2 6 4 260 50 174 177 3 1 0
9 22 3 1 13 2 7 4 161 43 101 82 4 1 0
10 24 3 1 13 2 7 4 166 62 82 114 4 1 0
11 49 3 1 13 2 7 7 145 42 85 92 3 1 0
sentido cuando la variable
12 17 2 1 13 2 7 4 150 56 84 47 2 1 0 toma
es
mas
modificable .
13 39 2 1 13 2 1 1 210 41 137 161 4 1 1

14 40 2 1 13 1 2 5 1 2
15 53 2 1 13 2 1 9 205 39 120 234 4 2 1
no puedo modificarlas
no
para
podemos
,
hacer nada
modificar las
V. explicada (Y)
Variables explicatorias (X)
Tipos de Asociación
La variable respuesta (Y) y la variable explicatoria (X) pueden ser de tipo

categórica o numérica. De acuerdo a esto, considerando solo
asociaciones bivariadas, una PI puede contener una de las siguientes
asociaciones:
Situación Variable Y Variable X

1 Categórica Categórica
2 Numérica Categórica
3 Categórica Numérica
4 Numérica Numérica
Las situaciones 2 y 3 son tratadas de la misma forma, cambiando sólo la

interpretación de su resultado.
Pregunta de Investigación Tipo de Asociación
Días de hospitalización de acuerdo a vía de X= admisión

admisión (Programada, Urgencia o Extraord.). Y= Dias de hospitalización
Diferencia entre hombres y mujeres en la X= Hombre o

mujer
prevalencia de diabetes (ENS2009-2010) Y= Diabetes
¿Existe una relación entre la edad de la madre } ambas

son
var .
numericaí
X= edad de la madre
y el aumento de peso durante el embarazo? o Y= aumento de peso
categórica mimen la
X= edad
@ edad.
Diabetes (DM) según
Y= Diabetes
Recuerda : ✗ siempre es
Fija
Y puede variar
Asociación entre diabetes mellitus tipo 2 y actividad física en personas con

antecedentes familiares de diabetes (Peterman et al. 2018).
-
Ejercicio:
Para el Resumen del artículo Asociación entre diabetes mellitus tipo 2 y

actividad física en personas con antecedentes familiares de diabetes
(Peterman et al. 2018).
Identifique:
A. Posible Pregunta de Investigación (bivariada).

B. Variables aleatorias.
C. Tipo de asociación.
La estadística descriptiva que se utilice para mostrar resultados, el

test estadístico que se aplique para contrastar la hipótesis, las
medidas del efecto que se calculen y la interpretación de los
resultados dependen de:
• el tipo de variables que se quiere asociar y
• el diseño del estudio (temporalidad y número de mediciones)
como interpreto el valor p

Asociación de variables
Asociación Categórica- Categórica
Bioestadística
Paola Viviani
Tabla de Contenidos
1. Introducción: asociación de dos variables categóricas.

2. Tipos de estudio bi variables
3. Tipos de estudios y asociación de dos variables categóricas

4. Prueba Chi-cuadrado de Pearson
5. Ejemplo.
si no
si es Íat es proporción
es µ
si es numérica
facultad media in
3
Introducción
En estudios científicos interesa conocer si se asocian dos o más

variables. Dos variables están relacionadas o asociadas si cambios en
los valores de una de ellas, produce cambios en los valores de la otra.
Para averiguar si existe asociación entre dos variables aleatorias se
debe realizar un test de hipótesis. La elección del test dependerá del
tipo de variables a relacionar.

Introducción
Se desea determinar la eficiencia de dos intervenciones motivacionales

en adolescentes para conseguir el cese del tabaquismo: O intensiva
(cuatro sesiones de 15 minutos, reducción progresiva del consumo) y
breve (sesión única de 15 minutos, cese inmediato del consumo).
intervención -
cat
cese de tabaquismo Cat -
hace /
"
"
breve
pqpamefgocj.thepoicion%Eese.de
intensiva
tabaco en
quien
A. ¿Tienen la misma eficiencia dos intervenciones motivacionales en

!
adolescentes, para conseguir el cese del tabaquismo? Rinvest
y
B. ¿Es más eficiente una intervención intensiva que una intervención

breve, ambas en adolescentes, para conseguir el cese del tabaquismo?
tipo intervención
Cat Parametros proporción De serie intensiva
Variables
-
:
% breve
:
Cat !
cese tabaquismo -
UN
Introducción
¿Qué variables hay involucradas en esta pregunta de investigación?

¿A qué tipo de variables corresponden?
I Hay dos variables involucradas: E

• Abstinencia a x tiempo:
Posibles respuestas: sí/no
Corresponde a una
Variable de tipo categórica
asociación de tipo
Variable dependiente o respuesta
Categórica - Categórica
•≥ Tipo de Intervención: E
Posibles respuestas: Intensiva o Breve
Variable independiente o explicativa
Asociación de dos variables categóricas
Cuando se quiere asociar las variables X e Y, ambas categóricas con dos o

más niveles cada una, se puede construir una tabla de contingencia.
El caso más simple es una tabla de 2x2 como la siguiente:

Tar
Aaa
se
Y
escriben
105
(evento de interés)
(+) (-) total
X (+) a b a+b
(exposición) (-) c d c+d
en el ejemplo de arriba
seria la intervención
total a+c b+d n
¿Cómo interpretar cada uno de los posibles % de tabla disponibles?
'
muera dado q
no se de
Tabla construida en Minitab
f) tiene compromiso
conciencia
Comentarios:
"
" ^^
"°
"
"
"
'
T
" en
cnn.ci
Asociación entre X e Y se muestra con % de fila
✓
de
no
muera
o % de columnas. Nunca con % del total.
asociacion entre
Cuando uno quiere
ver
variables ) debe trabajar con la
proporción condicionada hacia al lado

hacia abajo
o la condicionada .
Nunca con la proporción del total
9
Ejemplo 1.
Interesa determinar si existe asociación entre el compromiso de
conciencia al examen físico (1: Sí; 0: No) y mortalidad a 30 días (1: Sí; 0:
No) por neumonía adquirida en la comunidad (NAC), para un total de
441 personas.
siempre con % ,
¡
Muerte
Sí No Total
27 84
Sí 111
Compromiso (24.3) (75.7)
de conciencia 18 312
No 330
(5.4) (94.5)
Total 45 396 441
Introducción a tipos de estudios
La estadística descriptiva que se utilice para mostrar resultados, el

test estadístico que se aplique para contrastar la hipótesis, las
medidas del efecto que se calculen y la interpretación de los
resultados dependen de:
• el tipo de variables que se quiere asociar y

• el diseño del estudio (temporalidad y número de mediciones)
Tipos de estudios
Existen muchos criterios para clasificar un estudio, en este curso se

revisarán solo según:
tivesiesihesthgpective o prospectivo
Temporalidad hoy conozco
el favor de ex.PK BÁM
←
Pasado Futuro →
Y : casos de control Retrospectivo Prospectivo

Caleño Y conoce ✗
Hugo que
Tengo que esperar ely
revisar para saber el X
Número de
mediciones sucesivas
Transversal Longitudinal
"
"
Encuesta nacional de salud si Es una Fotó tomo + de una medida
ej : antes
,
durante , después mido el peso
Tipos de estudios
Temporalidad
Se mide en relación al momento en que ocurre el evento de interés.
a) Retrospectivo: el evento de interés ya ocurrió, esto separa a los

grupos y el investigador mira hacia atrás.
a) Prospectivo: al momento del estudio el evento aun no ocurre, los

grupos se separan por exposición y se siguen hasta ocurrencia (o
no ocurrencia) del evento.
13
Tipos de estudios
Estudio Retrospectivo (Caso-Control)

Se reconstruye su historia buscando
factores asociados
¿Presenta o no el evento de interés?
El investigador fija el n para cada grupo
¿Expuesto o no expuesto?
El investigador puede fijar o no fijar la cantidad de expuestos
Se siguen por un tiempo acotado y se

observa si se presenta el evento
Estudio Prospectivo (Cohorte)
Tipos de estudios y asociación de dos variables
categóricas
El diseño del estudio, determina las proporciones que interesa
comparar.
ni //
Presentan
Casos :
#
"
de interés
Estudio prospectivo Presentan aotcan

: no
Controles
Estudio retrospectivo
Y
(+) (-) total *
°
𝑎 n° recién
pesan
nacido 9
+
.
delo Aitor
'
𝑝1 =
Intervención
X (+) a b a+b 𝑎+𝑏 total

con
de mujeres
intervención
𝑐
no intervención
(exposición) (-) c d c+d heantoá Mücn nacido r

de v3 kilos
𝑝2 =
Pesan
𝑐+𝑑
sin
En el total de mujeres
intervención
total a+c b+d n 1- alta que P2 significa

𝑎
si
qt toman leche
toman leche, dado tiene pl es
𝑏
'
dado que q
Prop
no
.
de Personas /
tiene esfopororis estropeéis
la intervención sirve
𝑝1 =
que
𝑝2 =
tomo un n
𝑎+𝑐 𝑏+𝑑
hago ejercicio µ
"
Para estudios de cohorte (prospectivos) y de caso-control

(retrospectivos), las proporciones 𝑝1 y 𝑝2 calculadas tendrán leves
modificaciones de interpretación. facultadmedicina.uc.cl 15
Prueba Chi cuadrado de Pearson
[Pearson chi squared test]
Para contrastar si dos variables están asociadas, es necesario realizar

un test de hipótesis. Las hipótesis planteadas para estudios
longitudinales o transversales son equivalentes.
Las hipótesis de interés son:
𝐻0 : 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑛𝑜 𝑠𝑒 𝑎𝑠𝑜𝑐𝑖𝑎𝑛

𝐻1 : 𝑙𝑎𝑠 𝑣𝑎𝑟𝑖𝑎𝑏𝑙𝑒𝑠 𝑠𝑒 𝑎𝑠𝑜𝑐𝑖𝑎𝑛
Prueba chi cuadrado de Pearson. La hipótesis
𝐻0 : 𝑝1 = 𝑝2 si me
se
dan iguales es queno
asocian . planteada siempre conducirá a una tabla de
𝐻1 : 𝑝1 ≠ 𝑝2 si existe asociación contingencia. Cualquiera sea la dimensión de
en las 2 variables
esta tabla, la asociación se determina
mediante el test chi-cuadrado.
En tablas de 2x2 es posible calcular el test Chi-Cuadrado con la siguiente

fórmula:
𝑛 𝑎𝑑 − 𝑏𝑐 2
2
𝜒02 = ∼ 𝜒(1)
(𝑎 + 𝑐)(𝑏 + 𝑑)(𝑎 + 𝑏)(𝑐 + 𝑑)
dado ×
grados de libertad quedan
El valor χ20 sigue una distribución χ2 con 1 g.l. (n filas – 1 x n col. -1)
si la tabla es
de 2 ✗ 2 queda
𝐻0 : 𝑝1 = 𝑝2 1 grado ✗ 1- grado
𝐻1 : 𝑝1 ≠ 𝑝2
2
Si el valor calculado 𝜒02 es mayor al de tabla 𝜒(1,1−𝛼) se rechazará la
hipótesis nula. Para una tabla de 2x2 y una significancia de 0,05, el valor
2 2
de tabla 𝜒(1,1−𝛼) = 𝜒(1;0.95) = 3,84.
valor
p 519 entonces rechazo Ho ,
sale
Ejemplo 1. ?
si el ,
las variables se asocian

ése significa que las dos
es decir proporciones son, distintas
Interesa determinar si existe asociación entre el compromiso de

conciencia al examen físico (1: Sí; 0: No) y mortalidad a 30 días (1: Sí; 0:
T
No) por neumonía adquirida en la comunidad (NAC), para un total de § U
→q÷÷:÷
existe si asociación entre compromiso de conciencia
441 personas. ◦ no
Es
{ siii
En este caso, ÷:
Retro ↓ Muerte
𝑝1 =
27
111
= 0,243 y 𝑝2 =
18
330 .
= 0,05
↑
Sí No Total
Y las hipótesis a contrastar son:
27 84 𝐻0 : 𝑝1 = 𝑝2
Sí 111
Compromiso (24.3) (75.7) 𝐻1 : 𝑝1 ≠ 𝑝2
de conciencia 18 312
No 330
(5.4) (94.5) Donde 𝑝1 y 𝑝2 representan a los parámetros
Total 45 396 441 poblacionales.
Como estamos en el caso de una tabla de 2 × 2, el estadístico de prueba

𝜒02 se puede calcular directamente como:
asi se calcula el Chi cuadrado
𝑛 𝑎𝑑 − 𝑏𝑐 2
𝜒02 =
(𝑎 + 𝑐)(𝑏 + 𝑑)(𝑎 + 𝑏)(𝑐 + 𝑑)
2 I
441 ⋅ 27 ⋅ 312 − 84 ⋅ 18
gi en
=
este valor chi cuadrado
.
a 3.94 entonces45 ⋅ 396 ⋅ 111 ⋅ 330

= 32.28 EE
es menor
salir un valor P no significa tiro
va a
↑
rematar Ho
↑
me voy
y
Como 𝜒02 = 32.28 > 3.84, que corresponde a un 𝑣𝑎𝑙𝑜𝑟 𝑝 < 0.001 (entregado
por software), se concluye hay suficiente evidencia para confirmar que las
variables están asociadas (se rechaza 𝐻0 ). Es decir, hay evidencia para
concluir que exista relación entre el compromiso de conciencia y la
mortalidad en pacientes con NAC. Por el valor de las proporciones
muestrales, se puede concluir que…. 19 facultadmedicina.uc.cl
Ejemplo 2. A Partir de los datos de la ENS interesa averiguar si existe

asociación entre Nivel Educacional y presencia de Síndrome Metabólico.
:÷÷÷÷: HO :/
s
NEA
:
¡ °
Hipótesis:
𝐻0: 𝑝1 = 𝑝2 = 𝑝3
distinto es
𝐻1: 𝑎𝑙 𝑚𝑒𝑛𝑜𝑠 𝑢𝑛 𝑝𝑎𝑟 𝑝𝑖 ≠ 𝑝𝑗

.
sii i
: (𝑖, 𝑗 = 1 … 3)
:*:<E-
÷ :
-
Pearson chi2(2) = 128.7084 Pr = 0.000
¡EÉÉgÉ
Se informa como valor-p < 0.001
amague tiene
-1
enfermedad
educación tiene
www.ereaaaltagease-iasindrememetuboticocon
nivel educacional
menor
Ejemplo 3. Un estudio quiere determinar cómo se relacionan el riesgo de

osteoporosis y los niveles de vitamina D en pacientes infectados por VIH
después de haber iniciado terapia antiretroviral. La siguiente tabla muestra
las características de pacientes infectados comparado con pacientes sanos.
Resumen
• Una prueba estadística que permite averiguar si dos variables

categóricas están relacionadas, es la prueba Chi cuadrado de
Pearson, donde las hipótesis de interés son:
𝐻0 : 𝑝1 = 𝑝2 (las variables 𝑋 e 𝑌 no se asocian)
𝐻1 : 𝑝1 ≠ 𝑝2 (las variables 𝑋 e 𝑌 se asocian)
• Se rechazará la hipótesis nula si el valor-p encontrado es inferior al

nivel de significancia.
• Si valor − 𝑝 < 𝛼 entonces existe asociación entre 𝑋 e 𝑌.
Prevalencia es una medida de Resumen
de variable aleatoria
Posibles metodologías (test) de acuerdo al objetivo del estudio:

Saber si existe Test Chi-Cuadrado
asociación (Test Exacto de Fisher)
Calcular medidas de OR (Caso-Control)

magnitud del efecto RR (Cohorte)
Objetivo
Saber si existe Test de Kappa
concordancia Test de Mc Nemmar
Evaluar un Test Sensibilidad/Especific

diagnóstico VPP / VPN
Asociación Categórica- Categórica
RR y OR
Bioestadística
Paola Viviani
Tabla de Contenidos
1. Riesgo Relativo (RR).
2. Intervalo de Confianza para RR.
3. Razón de Chances (OR).
4. Intervalo de Confianza para OR.
5. Relación Test Chi Cuadrado y OR/RR
Introducción
Posibles metodologías (test) de acuerdo al objetivo del estudio para cat-cat:
Saber si existe Test Chi-Cuadrado

asociación (Test Exacto de Fisher)
Calcular medidas de OR (Caso-Control)

magnitud del efecto RR (Cohorte)
Objetivo
Saber si existe Test de Kappa
concordancia Test de Mc Nemmar
Evaluar un Test Sensibilidad/Especific

diagnóstico VPP / VPN
Introducción
Consideremos la relación entre la exposición a un factor y la presencia de una

enfermedad (ambos con niveles presente/ausente).
→
Estudio prospectivo calculo RR

| Estudio prospectivo
si es transversal o retrospectivo OR Estudio de cohorte
Estudio retrospectivo
Y
(+) (-) total 𝑎
(+) a b a+b 𝑝1 =
X 𝑎+𝑏
(exposición) (-) c d c+d 𝑐
𝑝2 =
𝑐+𝑑
total a+c b+d n
𝑎 𝑏
Estudio caso-control 𝑝1 = 𝑝2 =
𝑎+𝑐 𝑏+𝑑
Introducción
Dos indicadores de riesgo para medir la magnitud de asociación son:
• El Riesgo Relativo (RR), que se usa en estudios prospectivos.
• La Razón de Chances también conocida como Odds Ratio (OR), que se

utiliza en estudios retrospectivos o de prevalencia.
En ambos indicadores, se obtiene un valor que permite cuantificar

cómo la Exposición (X) tiene un efecto en el evento de interés (Y).
Riesgo Relativo
El Riesgo relativo cuantifica el riesgo a través de la razón de la tasa de

incidencia de Y(+) en el grupo que tiene el factor X(+), dividido por la tasa
de incidencia de Y(+) en el grupo X(-).
→ Prob de enfermar
.
dado que está expuesto
𝑎
𝑃(𝑌 = 1|𝑋 = 1) = 𝑝1 =
𝑎+𝑏
p enfermar dado
, que no
notaba expuesto
𝑐
.
𝑃(𝑌 = 1|𝑋 = 0) = 𝑝2 =
𝑐+𝑑
dice que la
si RR es igual a uno
marca la diferencia
𝑝1 exposición no
El Riesgo Relativo se define 𝑅𝑅 = Por lo tanto en el chi 2 sale

p> • es
𝑝2 entonces digo que no Rechace Ho
me se asocian
Y que las Lvariabiers
RR mayor a 1 significa que ptesd apl
lo tanto produce una
mayor
por
proporción facultadmedicina.uc.cl 9
la exposicion piedras enel chofer
Riesgo Relativo
Por la forma como se calcula, el RR siempre es positivo, y se puede

interpretar de la siguiente manera:
• Si RR = 1, significa que la proporción de enfermos es igual en

expuestos y no expuestos, por lo que el factor de exposición no se
)
decir valor P
asocia con la enfermedad. El factor de exposicion
no Y (
se asocia con es no
significativo
=
• Si RR < 1, la variable de exposición es un factor protector de la
enfermedad, ya que 𝑝1 es menor que 𝑝2 .
• Si RR > 1, la variable de exposición es factor de riesgo de la

enfermedad, ya que 𝑝1 es mayor que 𝑝2 .
Riesgo Relativo
Calcular el intervalo de confianza del RR

Es útil presentar el RR estimado junto al siguiente intervalo de confianza
de nivel 1 − 𝛼 × 100%:
𝑏 𝑑 𝑏 𝑑
exp ln 𝑅𝑅 − 𝑧1−𝛼 + ; exp ln 𝑅𝑅 + 𝑧1−𝛼 +
2 𝑎⋅ 𝑎+𝑏 𝑐⋅ 𝑐+𝑑 2 𝑎⋅ 𝑎+𝑏 𝑐⋅ 𝑐+𝑑
Si el intervalo de confianza cubre al valor 1, entonces diremos que no

existe suficiente evidencia para decir que el riesgo de expuestos y no
expuestos es diferente., con una confianza de (1 − 𝛼) × 100%.
Riesgo Relativo
Ejemplo 1: En un estudio se quiere determinar el riesgo de morir a los

30 días en pacientes que entran al hospital por una neumonía
adquirida en la comunidad, según si existe compromiso de conciencia
al ingreso.
Estado a 30 días
Muerto Vivo total
Compromiso Sí 27 84 111
de conciencia No 18 312 330
total 45 396 441
Riesgo Relativo
Para confirmar que es un

factor de
Dado que el estudio es prospectivo, de la tabla se tiene: riesgo falta el
intervalo de confianza
e-
27/111
RR= = 4.46
18/330
Un intervalo al 95% de confianza para riesgo relativo, calculado con la

fórmula descrita antes, es (2,6 ; 7,8).
Luego, el riesgo de morir de pacientes que presentan compromiso de

conciencia al ingreso es 4.46 veces el riesgo de los que no presentan
dicho compromiso.
Interpretación. Con confianza del 95% se puede afirmar que el riesgo de
morir cuando existe compromiso de conciencia es entre 2.6 y 7.8 veces
que cuando no existe compromiso de conciencia.
Riesgo Relativo
Ejemplo 2. En recién nacidos prematuros, se probó dos terapias para

tratar la insuficiencia respiratoria. Se reportan los RR de sufrir algunas
liando el valor P
complicaciones para los dos tratamientos. 1-
significativo
es , el RR
no
pasa por
" EII
¥: ÷::
↑
usar el ok
si el estudio es transversal hay que
Razón de Chances
OR
En un estudio retrospectivo (caso control) o transversales, recurriremos
a la definición de Chance de estar expuesto entre quienes están
enfermos y quienes no lo están. Pide estar expuesto ,
dado q
'
soy la no estar
expuesto si es
que soy
casi
𝑃(𝑋 = 1|𝑌 = 1) 𝑝1
𝑂𝑑𝑑𝑠1 = =
𝑃(𝑋 = 0|𝑌 = 1) 1 − 𝑝1
𝑃(𝑋 = 1|𝑌 = 0) 𝑝2
𝑂𝑑𝑑𝑠2 = =
𝑃(𝑋 = 0|𝑌 = 0) 1 − 𝑝2
P de
.
estar expuesto ver contra

. he no estos expuestos en
en
los
controles
Retrospectiva o transversales
estudiar 𝑎 𝑐
Es para
𝑂𝑑𝑑𝑠1 / 𝑎𝑑
Razón de Chances: 𝑂𝑅 = = 𝑎+𝑐
𝑏
𝑎+𝑐
𝑑 =
Producto cruzado 𝑂𝑑𝑑𝑠2 / 𝑏𝑐
𝑏+𝑑 𝑏+𝑑
El OR no cambia si se calcula con las proporciones obtenidas de manera

prospectiva de la tabla.
Razón
B de Chances
La interpretación de una razón de chances, en estudios transversales

en que se decide considerar el % de fila, es similar (no igual) a la
interpretación de un riesgo relativo:
→
para al lado ,
significa que la
chance es el obeso dado que no come comida saludable
• Si OR = 1, significa que la chance desarrollar el evento de interés es
similar en expuestos y no expuestos. es la chance de obeso
-> = a ser
en
quienes no
obeso comen
°"
chance de ser obeso en los pacientes que come comida no saludable , es menor de ser
Kar q
'
• Si OR < 1, entonces la chance desarrollar el evento de interés es comida

saludable
menor en los expuestos que en los no expuestos. Luego la
exposición es un factor protector de la enfermedad.
" comen
la chance
de ser obeso en quienes comen comida saludable , es mayor en quienes comida
• Si OR > 1, entonces la chance de desarrollar el evento es mayor en saludable
los expuestos que en los no expuestos. Luego la variable de
exposición es factor de riesgo de la enfermedad.
Razón de Chances
É La interpretación de una razón de chances, en estudios retrospectivos,

debe hacerse cargo de la temporalidad. Luego:
e.
de comida saludable =
alos casos controles
↓
comer no
chance
• Si OR = 1, significa que la chance de haber estado expuesto es

similar en los que desarrollan y no desarrollan el evento de interés.
la chance de comer comida no saludable es menor en her no obesos que los obesos
• Si OR < 1, entonces la chance de haber estado expuesto en los que
desarrollan el evento de interés es inferior a la chance de haber
estado expuesto en los que no desarrollaron el evento de interés.
Luego la exposición es un factor protector de la enfermedad.
de tomar comida me saludable es
mayor en 1er e besar
la chance
• Si OR > 1, entonces la chance de haber estado expuesto en los que
desarrollan el evento de interés es superior a los que no
desarrollaron el evento de interés. Luego la variable de exposición
es factor de riesgo de la enfermedad. facultadmedicina.uc.cl 17
Razón de Chances
Al igual que en el caso del riesgo relativo, es útil presentar la razón de

chances con el siguiente intervalo de confianza 1 − 𝛼 × 100%.
1 1 1 1 1 1 1 1
exp ln 𝑂𝑅 − 𝑧1−𝛼 + + + ; exp ln 𝑂𝑅 + 𝑧1−𝛼 + + +
2 𝑎 𝑏 𝑐 𝑑 2 𝑎 𝑏 𝑐 𝑑
Para determinar si un estimador de razón de chances es significativo,

basta con verificar que el intervalo de confianza al 1 − 𝛼 × 100% no
pase por el 1, al igual que el caso anterior.
Retrospectivo Razón de Chances
estudio
↓
Ejemplo 3. Interesa determinar si una alta exposición a contaminación
acústica durante la infancia y la adolescencia aumenta el riesgo de
sordera en adultos mayores.
Para esto, se tomó una muestra aleatoria de 180 adultos mayores de

65 años con uso de audífonos y se comparó con 180 con audición
normal.
En ambos casos se preguntó sobre contaminación acústica en la
infancia. bar pregunto controles Y les
Conozco a los casos y
sobre su exposicion
Razón de Chances
102× 106 chance de haber estado

expuesto
= 1,87. contaminación
a
La razón de chances estimada es acústica

mayores 87 % en
78× 74 usan audífonos
quienes y
El intervalo al 95% confianza para la razón de chances es

1.23 − 2.86 . Notar que este no contiene al valor 1.
Interpretación: la chance de haber estado expuesto a contaminación

ambiental en quienes requieren audífono después de los 65 años es
87% mayor (o 1,87 veces mayor) a la de haber estado expuesto a
contaminación ambiental en quienes no requieren audífonos.
Razón de Chances
Ejemplo 4. Gráfico de riesgo ± IC95%. Riesgo de infección por Virus

Papiloma Humano según estado marital. La categoría de referencia fue
“casado”.
OR (IC 95%):
Casado: 1
Viudo: 2,0 (1,02 – 3,9)
Separado: 1,1 (0,5 – 2,3)
Soltero: 2,7 (1,7 – 4,2)
MAÍ chance de presentar

las mujeres viudas tienen 2 veces
at
mujeres casadas
'
-
que
Fuente. Ferreccio et.al. Baseline assessment of prevalence and geographical distribution of HPV types in Chile
using self-collected vaginal samples. BMC Public Health 2008.
Interpretación del OR y el RR
Para cualquiera de las dos medidas de magnitud del efecto, se debe

interpretar:
* habla en %
• Si 1< OR o RR <2, se interpreta en términos de %. Ej: un OR=1,65
se interpreta como que el evento de interés tiene un 65% más de
chance de ocurrir en expuestos que en no expuestos.
• Si OR o RR >2, se interpreta en “veces”. Ej: un RR =3 indica que los

expuestos tienen tres veces el riesgo de presentar el evento de
interés frente a los no expuestos.
• Si OR o RR < 1, se interpreta en términos de % restado de 1. Ej: un
q
OR =0,65 indica que la chance de haber estado expuesto en los
casos es 35% menor que la chance de haber estado expuesto en
controles. facultadmedicina.uc.cl
22
Relación Test Chi-Cuadrado y RR/OR
No importa si el diseño es Prospectivo, Retrospectivo o Transversal, se

obtienen 𝑝1 y 𝑝2 .
Se plantea la Hipótesis:
𝐻0 : 𝑝1 = 𝑝2 Test Chi-Cuadrado
𝐻1 : 𝑝1 ≠ 𝑝2
Valor-p < α : Valor-p > α :

X e Y se asocian X e Y no se asocian
IC de RR / OR no contiene el 1 IC de RR / OR contiene el 1
23
Asociación entre una variable categórica
y una continua.
Bioestadística
Paola Viviani
Tabla de Contenidos
1. Introducción a asociación de variables.
2. Distinguir datos pareados o independientes.
3. Comparación de medias para dos poblaciones. Caso

independiente.
4. Comparación de medias para más de dos poblaciones. Caso

independiente.
5. Comentarios adicionales.
Introducción
Para averiguar si existe asociación entre dos variables aleatorias

se debe realizar un test de hipótesis. La elección del test
dependerá del tipo de variables a relacionar.
En clases anteriores vimos asociación entre dos variables
categóricas. Ahora veremos asociación entre una categórica y
SE tratan igual
una numérica (situaciones 2 y 3).
•
Introducción
Para describir la relación entre una variable continua y otra

categórica, se suele reportar el número de casos, promedio y
desviación estándar de la variable numérica, para cada nivel de
la categórica. §
Asociacion
" " " "" " "
categórica -
numérica .
"" " ""

"
É¡
numérica
d. Estándar de la
ASOCIACIÓN
¡
Cat -
numérica :
• a
"
"
PUEDES
De>vi.
error
intervalo de confianza
}
mhmmtw-t-n.se
°
Ho : Mr MI
Plbl Corporal
"
"
=
"" .
" "
"
" → numen [q
" " '
""
Nllriable peso
"" m
reinara no decir "

tratamiento inicial → Cat
-
evidencia para tratamiento y

concusión : no nay asociacion en
no hay
los 2 distintos
media De peso de
-
o
@ q
5
Introducción
Ejemplo 1. Mirando la primera línea de la tabla, correspondiente al

peso de nacimiento: ¿qué variables hay? ¿A qué tipo de variables
corresponden?
Hay dos variables involucradas:

• Peso de nacimiento:
Toma valores entre 500 y 1500 gr
Variable de tipo numérica Corresponde a una
Variable explicativa asociación de tipo
Categórica - Numérica
• Tipo de Intervención:
Toma valores CPAP o VM
Variable dependiente o respuesta facultadmedicina.uc.cl
6
si la Cat
se distingue .
distingue
grupos
independientes o
grupos
variador .
Pareados o Independientes?
se distingue si V. categórica distingue grupos independientes e pareado
-
.
Antes de trabajar sobre asociaciones de tipo categórica-numérica,

es necesario distinguir cuando la comparación se realiza con
datos independientes o pareados.
La variable categórica separa la muestra en dos o más grupos.

Trabajaremos siempre bajo el supuesto de independencia dentro
(intra) de cada grupo.
Sin embargo, no siempre hay independencia entre grupos. Los

grupos determinados por la variable categórica pueden ser
independientes, cuando se trata de distintas personas (unidades
muestrales) o pareados, cuando resultan correlacionados.
7
Independencia entre grupo: se presenta este caso cuando se mide

una variable numérica a dos grupos diferentes de pacientes.
÷:*:* ID Tratamiento Peso
.
¡ 1 1 85
⑤
2 1 88 Ejemplo: se compara Tratamiento 1
3
4
1
1
90
78
con Tratamiento 2 en diferentes
5
6
1
1
81
89
pacientes. la mayoría corresponde grupo a
7 1 87
M
independientes .
muestra de :
8 1 85 peso
9
10
1
1
84
88
𝑇𝑟𝑎𝑡 1 = 85,5 ± 3,7
tratamiento t
11 2 90
12 2 92
13 2 91 𝑇𝑟𝑎𝑡 2 = 89,6 ± 3,6
14 2 88 tratamiento 2 .
15 2 86
16 2 95
17 2 93
18 2 85
19 2 84
20 2 92
8
Dependencia entre grupo: Se presenta este caso cuando se mide

una variable numérica a los mismos pacientes, bajo distintas
gente qi mido h veces
la
misma
condiciones o en distintos tiempos. variado lamisma gente :
ID Medida Peso mida 2 Veces
Ejemplo: se compara Peso Pre y Post
i.
1 1 86
/
2 1 89
3
4
1
1
96
112
intervención
5 1 91
6 1 105 𝑃𝑟𝑒 = 93,7 ± 8,6
:*
7 1 94
¿
8 1 88
9
10
1
1
86
90
𝑃𝑜𝑠𝑡 = 88,6 ± 7,8
Pre Post
§
1 2 80 "" variada
|
a- .
A
2 2 85 G1
intervención en lor 2 grupos
3 2 90 dicion pre
a. .. .
.. .
4 2 101
5 2 91
6 2 94
7 2 95
Haygidistingiursies * • • a
8 2 83
Maham paratión
9
10
2
2
75
92
independiente averiada facultadmedicina.uc.cl 9
-0
Supuestos test de medias 01011*1.io#K**&oIoosogqa
Es necesario distinguir si:
• Se pueda asumir la normalidad de los promedios (por
distribución Normal de la variable original o por TLC).
2 condiciones
• Se pueda asumir homogeneidad de las varianzas

(homocedasticidad)." :&!:{¡¡¡÷
→
. .
" " " ' "

aioenaisn.y.n.mu .
Comparación de medias en dos
poblaciones
Caso 1: comparación de medias para dos poblaciones.
independientes qe asume normalidad de promedio Ya 9M
Son
grupos n > 30 .
T
'
Litiasis=0 (No): n=847

promedio de edad=38.1±13.8
M de edao
.
Litiasis=1 (Sí): n=148

Promedio de edad=43.8±14.2 Ho : Te =
52
Como notar HOY H 1 para
= HA i
T1 =/ TÉ
saber si las varianzas gen distinta ,
Si la categórica tiene 2 niveles, y se puede asumir Normalidad de

los promedios, se comparan los promedios de la numérica con
prueba t de Student para muestras independientes.
Para saber si las variantes son se
iguales • no por el Momnvestral
p, @ medio se asome
11
Comparación de medias en dos poblaciones
Hipótesis de interés serán:

𝐻0 : 𝜇𝐴 = 𝜇𝐵 𝐻0 : 𝜇𝐴 − 𝜇𝐵 = 0
𝐻1 : 𝜇𝐴 ≠ 𝜇𝐵 𝐻1 : 𝜇𝐴 − 𝜇𝐵 ≠ 0
o
𝐻0 : 𝜇𝐴 ≥ 𝜇𝐵 𝐻0 : 𝜇𝐴 − 𝜇𝐵 ≥ 0
𝐻1 : 𝜇𝐴 < 𝜇𝐵 𝐻1 : 𝜇𝐴 − 𝜇𝐵 < 0
o también
𝐻0 : 𝜇𝐴 ≤ 𝜇𝐵 𝐻0 : 𝜇𝐴 − 𝜇𝐵 ≤ 0
𝐻1 : 𝜇𝐴 > 𝜇𝐵 𝐻1 : 𝜇𝐴 − 𝜇𝐵 > 0
Cualquiera sea la hipótesis de interés, se toman muestras aleatorias
de tamaño 𝑛𝐴 y 𝑛𝐵 de las poblaciones A y B. Luego, se calcula el
promedio y la desviación estándar de la variable numérica en cada
muestra. facultadmedicina.uc.cl
Ejemplo 2. La siguiente
tabla muestra las
características de
pacientes infectados
con VIH comparado con
pacientes sanos.
• ¿Cuáles valores p se refieren a asociación de una variable categórica

y otra numérica?
• ¿Cuáles son las variables asociadas? ¿Cuáles son, en cada caso, la
hipótesis nula y alternativa?
• ¿Qué se concluye de cada hipótesis planteada? ¿Cómo se interpreta?
Al aplicar el test de medias, se debe verificar si las varianzas de

ambas poblaciones son iguales (supuesto de homocedasticidad).
Hipótesis de interés:
𝜎𝐴 2
𝐻0 : 𝜎𝐴 2 = 𝜎𝐵 2 Varianzas =
𝐻0 : =1
𝜎𝐵 2
2 2 Uarianrar ≠ 𝜎𝐴 2
𝐻1 : 𝜎𝐴 ≠ 𝜎𝐵 𝐻1 : ≠1
𝜎𝐵 2
Para responder esta Hipótesis, el test más utilizado es el test de

Levene.
Ejemplo 3. Para el ejemplo de Edad vs. Litiasis.
Diente
variablepepen
test -
t
: Variable
Independiente
necesito
no
Por
el n
que
distribuye
probar normal
Ejemplo 3. Para el ejemplo de Edad vs. Litiasis.

la M de edad es mayor en persona r
que tienen litiasis .
HO significa
:
SE Rechaza ,
Hay cuiden
para conformar que las
.
edades son diferentes .
Distintas
son
variables
' las °
°
q "
asumir "
""
NO
Rechazoeui q
'
permita vamos '
"
asumo
.
-
no Hay
-
ya
ugnq .
-
ay ,
↳ Se cumple .
16
tienen litiasis quienes ha

M de colesterol
'
en personas q y .
Ejemplo 3. En los mismo pacientes, si se compara Colesterol Total de

acuerdo a Litiasis (si/no)
Conclusión : no se rechaza HO , no
hay diferencia significativa
en la media de colesterol .
Site
varia" "
lyvan.am?szinta)
Hay diferencia significativa DE
cuando sale Significativo ,
Hay que mirar
no hay homogeneidad Welch St

'
↑ evidencia las
'
hay q varianzas -
no son
Iguales .
17
Comparación de medias en más de dos
poblaciones
si la variable categórica genera + de 2
Caso 2: comparación de medias para más de dos poblaciones.

GE 1: 18-30: n=329 GrupoEdad COLTOT
promedio colesterol total=166±36.8 3 180
1 174
1 129
GE 2: 31-45: n=371 2 265
Promedio colesterol total=187±38.5 1 143
3 191
GE 3: 46-60: n=216 2 234
1 167
Promedio colesterol total=203±39.1 3 237
3 175
GE 4: 61 y más: n=79 1 167
Promedio colesterol total=208±45.0
4m ( et test Ya no )
sirve .
comparar
-
Comparación de medias en más de dos poblaciones
Si la variable categórica tiene más de 2 niveles, se comparan los

promedios con Análisis de la Varianza (ANOVA). → Esto
⑧
se usa
Hipótesis de interés son:

𝐻0 : 𝜇1 = 𝜇2 = 𝜇3 = 𝜇4 ( 4h iguales
)
𝐻1 : 𝐴𝑙𝑔ú𝑛 𝜇𝑖 ≠ 𝜇𝑗 , con i, j = 1, … 4
Almenar , un par es distinto
.
Si se obtiene un valor p significativo (valor-p<𝛼), entonces al

menos un par de medias difieren entre sí.
Para distinguir qué promedios producen esta diferencia, se debe

realizar un test de comparaciones múltiples.
(test de Tukey, Duncan, Bonferroni, etc.). facultadmedicina.uc.cl 19
Ejemplo 4: Interesa comparar el promedio de Colesterol Total entre

los 4 grupos de edad. El test adecuado es ANOVA.
20
Ejemplo 4:
D-
°
F. F-
Y
en el mico grupo que no hay
" "m "" >
Y
Ojo
-
se rechaza
no
'
"
"
TEMOgen .
dias
aire] Jeje
Dice ☒ % parásita
Ho ,
21
Ejemplo 4: Es necesario realizar test de comparaciones múltiples.
22
Comentarios adicionales
1. Transformaciones.
• Si no se puede asumir normalidad del promedio, pueden usarse
transformaciones de los datos (logaritmo, raíz cuadrada, etc.) y usar los
test descritos antes.
• Si el logaritmo de una variable numérica tiene distribución normal, se
dice que la variable original tiene distribución log-normal.
2. Pruebas no paramétricas.
Si no se puede asumir normalidad del promedio (datos no normales, n
reducido), se usan test no paramétricos:
• Test de Wilcoxon o Mann-Whitney en vez de t de Student para muestras
independientes.
• Test de Kruskal-Wallis en vez de ANOVA.
• Test de Dunn para las comparaciones múltiples. facultadmedicina.uc.cl
Resumen
Sí t-Student asumiendo
Sí varianzas iguales.
No
2 t-Student asumiendo
varianzas diferentes.
Medidas No
Independientes Mann Whitney
+ DE 2
promedio
>2 ANOVA
Sí
(Bonferroni, Tukey)
Kruskal Wallis
No
(Duncan)
Número de
niveles de
la variable ¿Normalidad ¿Varianzas
categórica iguales? Prueba estadística
de los promedios?
Resumen
T-Student para
Sí medidas repetidas
2
Test de rangos
No signados de
Medidas Wilcoxon
dependientes
ANOVA para
Sí medidas repetidas
>2 (Bonferroni)
No
Test de Friedman
Número de niveles
de la variable
categórica ¿Normalidad de
los promedios? facultadmedicina.uc.cl
Prueba estadística
Asociación entre dos variables numéricas
Bioestadística
Paola Viviani
Tabla de Contenidos
1. Introducción
2. Correlación
Introducción
Para averiguar si existe asociación entre dos variables aleatorias

se debe realizar un test de hipótesis. La elección del test
dependerá del tipo de variables a relacionar.
En clases anteriores vimos asociación entre dos variables
categóricas y una categórica con otra numérica. Ahora veremos
asociación entre dos numéricas.
Introducción
Ejemplo 1. La figura fue tomada de un estudio de madres de hijos

prematuros de muy bajo peso de nacimiento ¿qué variables hay?
¿A qué tipo de variables corresponden?
Variable ✗
La autoeficacia (percibida por

la madre) es un indicador de la
1-
confianza que tiene la madre
en sí misma como proveedora
de leche materna, en este
contexto tan adverso.
epe y
La producción de leche
materna indica la cantidad de
ml que la madre se extrae en
total al día.
Introducción
Ejemplo 1. La figura fue tomada de un estudio de madres de hijos

prematuros de muy bajo peso de nacimiento ¿qué variables hay?
¿A qué tipo de variables corresponden? 2 variables
de tipo
nvmeriea
Hay dos variables involucradas:

• Autoeficacia:
Toma valores entre 0 y 30 puntos
Variable de tipo numérica Corresponde a una
Variable explicativa asociación de tipo
Numérica - Numérica
• Producción de leche materna:
Toma entre 0 y 600 ml
Variable de tipo numérica
Variable dependiente o respuesta facultadmedicina.uc.cl 6
Asociación numérica - numérica
Objetivo del análisis:

si una cambia ,
la Otra tambien ?
• Determinar si dos (o más) variables numéricas están

correlacionadas, es decir, si los valores de una variable tienden a
ser más altos o más bajos para valores más altos o más bajos de la
otra variable.
Cuantificar asociación entre
dos variables numéricas Correlación de Pearson
Determinar si existe Valor p asociado a la

asociación entre dos variables correlación de Pearson +
numéricas valor de la correlación
Gráfico de Dispersión
Muestra la relación entre dos variables numéricas. Por ejemplo,

interesa determinar si existe asociación entre la Autoeficacia
percibida por la madre y su producción de leche materna.
se ve
'
a medida ql
q
Aumenta la autoeficacia ,
tambien aumenta la
produccion materna
Gráfico de Dispersión
Los gráficos de dispersión nos permiten detectar si la existe

asociación o no, y en el caso que así sea, ver si es lineal o no
lineal. puntos
Wwe de en medida q
la
' aumenta
y Y , aumenta
No hay asociación lineal Asociación lineal positiva
ha existe
asociacion
lineal
una
.
Asociación lineal negativa No hay asociación lineal

✗ aumenta (sí hay una relación cuadrática)
y disminuye
Correlación
Existen distintos tipos de correlaciones, pero las más típicas en el

área de la salud son:
Correlación Muestral de Pearson: Se utiliza cuando ambas

variables son numéricas continuas. Se calcula como:
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 𝑦𝑖 − 𝑦ത
𝑟 =
σ𝑛𝑖=1 𝑥𝑖 − 𝑥ҧ 2 σ𝑛𝑖=1 𝑦𝑖 − 𝑦ത 2
Correlación por Rangos de Spearman: Se utiliza cuando al menos

una de las variables ellas es de numérica discreta, o en presencia
de valores extremos. hay puntos tremor
en
Correlación
[correlation]
La correlación de Pearson varía entre -1 y 1.
• Si r es cercano a 1, hay asociación lineal directa entre X e Y.

• Si r es cercano a -1, hay asociación lineal inversa entre X e Y.
• Si r es cercano a 0, no hay asociación lineal entre X e Y. depuntos
Puede corresponder al 1ᵉʳcaso de mire
o al 4to
La correlación muestral se suele denotar con la letra r, mientras

RO
que la correlación poblacional se denota con la letra 𝜌.
Si ρ es la correlación entre X e Y en la población, las hipótesis de

interés son: existe asociación
H0: ρ = 0 - no
H1: ρ ≠ 0 existe asociacion
Correlación
Una desventaja de la correlación muestral es que tiende a ser más

significativa a medida que aumenta el tamaño de la muestra.
Si fuera de interés determinar si la variable X se asocia con la

variable Y, es mucho más importante la magnitud de la correlación
que su significancia estadística (valor-p).
0 < |𝑟| < 0,25 Existe una mala asociación (de tipo lineal) entre 𝑋 e 𝑌
0,25 < |𝑟| < 0,50 Existe una baja asociación (de tipo lineal) entre 𝑋 e 𝑌
0,50 < |𝑟| < 0,75 Existe una buena asociación (de tipo lineal) entre 𝑋 e 𝑌
0,75 < |𝑟| < 1,00 Existe una excelente asociación (de tipo lineal) entre 𝑋 e 𝑌
Correlación
Observaciones: |
• Si la correlación es cercana a cero, solo podemos concluir que

no existe una asociación lineal. puede existir asociacion de otro tipo
• El valor del coeficiente de correlación es independiente de

cualquier unidad usada para medir las variables.
• El valor del coeficiente de correlación se altera de forma

importante ante la presencia de un valor extremo.
• La correlación no implica causalidad. asociacion

solo vemos
Correlación
100
90
Se obtiene r = 0.409
PAD
80
70
60
100 150 200 250

90
COLTOT
80
PAD
Se obtiene r = 0.239 70
60
encuentre ese
'
tan extremo
Depende de q
se
100 150 200 250
valor y el tamaño muestra COLTOT

,
Correlación
Ejemplo 2: a partir de la ENS 2016/2017 (n=6233)
Correlación
CT vs Tgl HDL vs CC
a
Correlación = 0,421 Correlación =O
-0,298
Valor-p <0,001 Valor-p <0,001
THE END

Bioestadistica 3

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Bioestadistica 3

Cargado por

Copyright:

Formatos disponibles

Inferencia

Errores tipo I y II. Pruebas de hipótesis para

El método científico: Pregunta de

Testear la hipótesis con un

Analizar los resultados

Se confirma la hipótesis Se rechaza la hipótesis

Estimadores Muestra Población

Para responder a una pregunta, el investigador deberá seguir el

contrastar sus resultados con lo planteado en la hipótesis.

Un test de hipótesis o dócima de hipótesis es un procedimiento

Luego, plantea la hipótesis:

𝐻0 : 𝜇𝑆𝐷 = 𝜇𝑁𝑆𝐷 vs 𝐻1 : 𝜇𝑆𝐷 ≠ 𝜇𝑁𝑆𝐷

y come parametro la media poblacional .

categoria voy a tener como

estimador puntual en la muestra la

Donde 𝜇𝑆𝐷 es la media de glicemia de niños con SD y 𝜇𝑁𝑆𝐷 es la media de glicemia de

Los test de hipótesis pueden ser unilaterales o bilaterales.

Ejemplo 1. ejemplo de arriba

• Un investigador se pregunta: ¿tienen los niños con Síndrome de Down

• Un investigador se pregunta: ¿tienen los niños con Síndrome de Down

Notemos que siempre la igualdad irá en la hipótesis nula 𝐻0 .

Test de Hipótesis M praderas parámetro poblacional

Ejemplos de Hipótesis bilaterales.

¿Cambia la media de presión arterial en

Variables : % masa muscular numérica

ii. media :/ masa muscular facultadmedicina.uc.cl

Ejemplos de Hipótesis unilaterales.

¿Es la prevalencia de alcoholismo en hombres 𝐻0: 𝑃𝐻 ≤ 𝑃M

La media de presión arterial de hipertensos bajo 𝐻0: µ𝐴 ≥ µ𝐵

Frente a una hipótesis evaluada, se pueden presentar 4 situaciones:

verdad declarar culpable cuando culpable

decir que las

medias de % masa muscular es igual en

Notar P se Daba en responder al error tipo 1

… que inducen dos tipos de errores:

Error tipo I Correcto (Potencia)

No rechazar H0 1-α β rechazo

Correcto (Confianza) no rechazar HO cuando es

P(Error tipo I): 𝑃 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻0 𝐻0 𝑒𝑠 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑎 = 𝛼

1er test estadísticos

Ejemplo: Al comparar 𝑃𝑀 y 𝑃𝐻, el la proporción de HTA en hombres y

𝐻0: 𝑃𝐻 = 𝑃M vs. 𝐻1: 𝑃𝐻 ≠ 𝑃M

El valor p es la probabilidad obtenida, a partir de los datos, de rechazar

valor p=𝑃(𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟 𝐻0 |𝐻0 𝑒𝑠 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑎)

El nivel de significancia α será el máximo valor p para el cual se

Se rechazará la hipótesis nula, si el valor p es menor al nivel de

Resolución de un test de hipótesis

Queremos que la probabilidad de rechazar erróneamente 𝐻0 sea a lo

valor p = 𝑃 𝑟𝑒𝑐ℎ𝑎𝑧𝑎𝑟𝐻0 𝐻0 𝑒𝑠 𝑣𝑒𝑟𝑑𝑎𝑑𝑒𝑟𝑎 i. INI

Distintos tipos de test de hipótesis se razonan y concluyen de manera '

Posibles planteamientos de Hipótesis para dos medias:

Posibles planteamientos de Hipótesis para dos proporciones:

se asocia con pod

gjlautvera colesterol total 127.42° .

rechaza 2995 ± 1.46 4,5 /V77 0.3

la hip . se plantea sobre entonces fabla en C)

para decir que

INFERENCIA USANDO TEST DE HIPOTESIS

Nos concentraremos en responder a una pregunta de investigación (o

Para averiguar si existe asociación entre dos variables aleatorias se

• Es común que una Pregunta de Investigación consista en explicar un

• Por otra parte, la búsqueda de una explicación para el fenómeno se

Ejemplo: Interesa determinar variables asociadas a SM¡ "drone