Documentos de Académico
Documentos de Profesional
Documentos de Cultura
MÉTODOS ESTADÍSTICOS
Principio de representatividad
La estadística emplea los términos población y muestra para referir a todos los posibles casos de
una variable y un subconjunto de casos específicos, respectivamente. Es más eficiente estudiar una
muestra que una población completa, siempre y cuando la muestra sea representativa y tenga un
tamaño adecuado. En estudio cualquier se considera tres niveles de población: la población diana, la
población de estudio y la muestra real estudiada. La validez de las conclusiones de un estudio
depende de cómo se haya diseñado y si la muestra es representativa, y la capacidad para
generalizar los resultados depende de las diferencias entre las poblaciones estudiadas. La
representatividad de la muestra es un principio clave para la validez interna del estudio.
Intervalo de confianza
En estadística, el intervalo de confianza (IC) es un rango de valores dentro del cual se espera que
se encuentre el verdadero valor de un parámetro poblacional, como la media o la proporción, con
cierto nivel de confianza. El IC se basa en una muestra aleatoria de la población de interés y se
calcula utilizando el estadístico muestral, como la media o la proporción muestral, junto con la
distribución de probabilidad asociada.
Un IC típico se escribe como [Límite Inferior, Límite Superior], donde los límites son los valores más
bajos y más altos del intervalo, respectivamente. El nivel de confianza se define como la probabilidad
de que el verdadero valor del parámetro se encuentre dentro del intervalo. Por ejemplo, si se usa un
nivel de confianza del 95%, se espera que el verdadero valor del parámetro se encuentre dentro del
intervalo en el 95% de las muestras repetidas.
El ancho del IC se ve afectado por varios factores, como el tamaño de la muestra, la varianza de la
población, el nivel de confianza y la distribución de probabilidad subyacente. Un IC más estrecho
indica una mayor precisión en la estimación del parámetro poblacional.
Tamaño de muestra
Para estimar una proporción o una media en un estudio. Para estimar una proporción, se utiliza la
fórmula N = (Z2•P·(l-P))/i2, donde N es el número de sujetos necesarios, Z es el valor
correspondiente al riesgo fijado, P es el valor de la proporción que se supone existe en la población y
i es la precisión con que se desea estimar el parámetro. Para estimar una media, se utiliza la fórmula
N = (z2,s2)/i2, donde s2 es la varianza de la distribución de la variable cuantitativa que se supone
que existe en la población. También se mencionan ejemplos de cálculos para estimar una proporción
y una media.
La fórmula utilizada para calcular el número de sujetos necesarios para realizar un estudio y estimar
una media o una proporción. Para estimar una media, se utiliza la varianza de la distribución de la
variable en la población, mientras que para estimar una proporción, se utiliza el valor de la
proporción supuesta en la población. Sin embargo, en algunos casos, el tamaño de la población
puede ser finito y para ajustar el número de sujetos necesarios en función del tamaño de la
población, se utiliza una fórmula que tiene en cuenta este factor. Puede aplicarse la siguiente fórmula
que ajusta el número de sujetos necesarios en función del tamaño de la población:
na =-- nn
l+-
Muestra
Principio de comparabilidad
El principio de comparabilidad es esencial en los estudios analíticos, ya que los grupos deben ser
comparables en todos los factores pronósticos y la información debe obtenerse de la misma manera
en todos ellos para poder atribuir las diferencias en los resultados observados al factor en estudio. El
grupo control debe ser comparable al grupo de estudio en todas las variables que puedan influir en la
respuesta o su medición para aislar el efecto del factor de estudio. El proceso de formación de
grupos depende del tipo de estudio: observacionales y experimentales. En los diseños
observacionales, los grupos se forman en función de la existencia de la enfermedad o exposición,
mientras que en los experimentales, se asignan aleatoriamente.
Inferencia estadística
La inferencia estadística se aplica comúnmente en la investigación médica a través de las pruebas
de contraste de hipótesis o de significación estadística. Estas pruebas son utilizadas para comparar
dos tratamientos y determinar cuál es más eficaz en el control de las cifras tensionales en pacientes
hipertensos. Se realiza un ensayo clínico controlado y se distribuye aleatoriamente una muestra de
pacientes en dos grupos, cada uno recibe uno de los tratamientos. Después de tres meses, se
compara el porcentaje de individuos controlados en cada grupo para determinar si la diferencia
observada es debida al azar o no.
el proceso de contrastar estadísticamente una hipótesis nula (Ho) y una hipótesis alternativa (Ha)
mediante una prueba de significación estadística. La Ho es la hipótesis de que no existen diferencias
entre dos grupos y la Ha es la hipótesis de que sí existen diferencias entre ellos. La probabilidad de
que los resultados observados sean debidos al azar, si la Ho es cierta, se representa con la letra p y
se fija previamente el nivel de significación estadística en 0,05. Si el valor de p es mayor que 0,05, no
se puede rechazar la Ho y se concluye que no hay diferencias significativas entre los grupos. Si el
valor de p es menor que 0,05, se puede rechazar la Ho y se concluye que hay diferencias
significativas entre los grupos. La p no mide la fuerza de la asociación, solo indica la probabilidad de
que los resultados sean debidos al azar. Un valor p de 0,048 es estadísticamente significativo al nivel
del 5%, pero uno de 0,052 no lo es, aunque la probabilidad de observar el resultado por azar es
prácticamente la misma.
Error a. y error
En estadística siempre existe un riesgo de equivocarse al tomar una decisión sobre la hipótesis
nula, lo que se conoce como error. Si se rechaza la hipótesis nula y esta es verdadera, se comete un
error tipo I o error a, lo que equivale a un falso positivo en una prueba diagnóstica. Si no se puede
rechazar la hipótesis nula y esta es falsa, se comete un error tipo II, lo que equivale a un falso
negativo en una prueba diagnóstica. El grado de significación estadística, medido por el valor de p,
mide la probabilidad de cometer un error tipo I. El poder estadístico, medido por el complementario
de p, indica la capacidad de la prueba para detectar una diferencia real. Cuanto mayor sea la
diferencia y el tamaño de la muestra, mayor será el poder estadístico y menor será la probabilidad de
cometer un error tipo II.
Tamaño de la muestra
Para calcular el tamaño de la muestra necesario para comparar dos grupos en un estudio. Para ello,
se deben establecer la hipótesis a contrastar, el riesgo de error aceptable, la magnitud de la
diferencia que se desea detectar, y la variabilidad de la variable de respuesta en la población. Se
presenta un ejemplo en el que se quiere determinar si un nuevo tratamiento es más efectivo que el
tratamiento estándar para sobreinfecciones respiratorias. Los investigadores establecen que si el
nuevo tratamiento cura al menos al 50% de los pacientes, se aceptará como la elección terapéutica.
Aplicando la fórmula correspondiente, se calcula que se necesitan 387 sujetos por grupo de estudio
para tener un 80% de probabilidad de detectar una diferencia igual o superior a la fijada, con un nivel
de error del 5%. Es importante tener en cuenta el número de perdidas de seguimiento y abandonos
previstos durante el estudio.
Amilisis multivariante