Documentos de Académico
Documentos de Profesional
Documentos de Cultura
CICLO : XII
SEMESTRE ACADEMICO : 2023-I
UNIVERSIDAD PRIVADA SAN JUAN BAUTISTA
FACULTAD DE CIENCIAS DE LA SALUD
ESCUELA PROFESIONAL DE MEDICINA HUMANA
“Dr. Wilfredo E. Gardini Tuesta”
Resultados:
Interpretación y análisis de datos recolectados mediante aplicación
de pruebas estadísticas
PROYECTO DE TESIS II
INTERVALOS DE CONFIANZA
Cesar Burga
40%
Valor poblacional
Cesar Burga
CONTRASTES DE HIPOTESIS
Cesar Burga
Variables cuantitativas
No pareado T Student independ
VAR DEPEND
Distribución Normal
No pareado U - MannWhitney
2 GRUPOS Distrib. No Normal
Cualitativa dicotómica
Rango signado
Pareado
Wilcoxon
No pareado U de Mann-Whitney
Cuant. Discreta
Rango signado
Pareado
Cesar Burga Wilcoxon
Variables cuantitativas
VAR DEPEND
Distribución Normal ANOVA
VAR INDEP
Cuant. Continua
+ 2 GRUPOS
Cualitativa politómica
Cesar Burga
Variables cualitativas
Cesar Burga
EJEMPLOS
Cesar Burga
Variables cuantitativas
No pareado T Student independ
VAR DEPEND
Distribución Normal
No pareado U - MannWhitney
2 GRUPOS Distrib. No Normal
Cualitativa dicotómica
Rango signado
Pareado
Wilcoxon
No pareado U de Mann-Whitney
Cuant. Discreta
Rango signado
Pareado
Cesar Burga Wilcoxon
Se desea evaluar cuál es el peso (kg) de personas con obesidad tratadas
con 3 diferentes dietas (Dieta 1 / Dieta 2/ Dieta 3)
Cesar Burga
Variables cuantitativas
VAR DEPEND
Distribución Normal ANOVA
VAR INDEP
Cuant. Continua
+ 2 GRUPOS
Cualitativa politómica
Cesar Burga
Se desea evaluar si existe asociación entre el sexo y la muerte por COVID:
Cesar Burga
Se desea conocer la eficacia de un antiparasitario, para ello se evalúa la
presencia de huevos antes y 30 días después del tratamiento.
• Var Dependiente: Eficacia – Cualitativa nominal – Dicotómica (Presencia o
ausencia de huevos de parásito)
• Var independiente: Tratamiento - Cualitativa nominal – Dicotómica (Sin
tratamiento/ con tratamiento)
*En este caso, según el diseño, se evaluará al mismo individuo antes y después
de la aplicación del tto, es decir sería una muestra pareada.
PDTA: Prueba de Shapiro Wilk e Histograma nos dice que la muestra no sigue
una distribución normal. Cesar Burga
Prueba estadística: Rangos signados de Wilcoxon
RECORDANDO….
• Hay dos tipos de análisis estadísticos que pueden realizarse
para probar hipótesis:
ANÁLISIS ANÁLISIS NO
PARAMÉTRICO PARAMÉTRICO
Prueba T
Chi cuadrado
WILCOXON
KRUSKAL WALLIS
P - VALOR
• Paso 4.- Formular la regla de decisión P>0.05 No significativo
• Si el p-valor < Se rechaza H0 P<0.05 Significativo
• Si el p-valor ≥ No se rechaza H0
• Paso 5.- Conclusión:
• En este caso se especifica la hipótesis estadística que no ha sido rechazada
indicando el nivel de significancia teórico considerado (α)
EJEMPLO: Determinar la efectividad del programa dieta
ejercicios en la disminución del los niveles de colesterol.
• A continuación se tienen los niveles de colesterol total de una
muestra de ocho pacientes antes y después de participar en un
programa dieta ejercicio.
• PASO 01: PLANTEAMIENTO DE HIPÓTESIS
• H0 : El programa no es efectivo. (Después del programa los valores de
colesterol total no disminuirán).
• H1 : El programa es efectivo. (Después del programa los valores de colesterol
total disminuirán).
• PASO 2: Niveles de significación. (teórico) ””
• Se asume un nivel de significancia de 0.05
• PASO 3: Estadístico de prueba. «T» de student con su respectivos
grados de libertad.
• Empezamos por comprobar la normalidad de la diferencia de los
datos para muestras relacionadas.
• Ruta en SPSS: Analizar / Estadísticos descriptivos / Explorar,
dentro del menú. Explorar en la opción Gráficos marcar Gráficos
con prueba de normalidad
Los tests de normalidad dan un valor de p no significativo (p>0,05) en ambas muestras relacionadas (en
este caso, por el tamaño muestral que tenemos correcto utilizar el test de Shapiro-Wilks). No hay
evidencias para rechazar la hipótesis nula de normalidad de la variable
reducción del colesterol.
• Paso 4: Formular la regla de decisión
• Como p-valor = 0,032 < 0,05 se rechaza H0
• Paso 5: Conclusión:
• Se concluye que hay evidencia para indicar que el programa dieta –
ejercicio es efectiva; es decir, que después del programa dieta -
ejercicios los niveles de colesterol fueron significativamente menores
que los obtenidos antes, a un nivel de significancia de 0,05.
Interpretación de análisis de datos
recolectados con ANÁLISIS
DE VARIANZA ANOVA
ANÁLISIS DE VARIANZA ANOVA
• Su nombre está basado en el método que se utiliza y puede
desorientar, pero el ANOVA no compara varianzas, sino medias y es
el test indicado cuando se desean comparar las medias de tres o
más grupos independientes.
• La situación que vamos a tratar es similar a la del t-test para
muestras independientes:
• La variable a contrastar (dependiente) es cuantitativa.
• La variable de agrupación es cualitativa con más de dos categorías.
• El ANOVA es un método paramétrico y exige el cumplimiento de
unos supuestos, de manera que cuando no se cumplan las
condiciones de aplicación se dispone de una técnica no paramétrica
que es el test de Kruskal-Wallis.
ANALIZANDO RESULTADOS:
VENTAJAS DESVENTAJAS
• El valor de coeficiente de • Requiere supuestos acerca de
correlación es independiente la naturaleza o formas de las
de cualquier unidad usada para poblaciones afectadas.
medir variables. • Requiere que las dos variables
• Mientras mas grande es la hayan ido medidas hasta un
muestra mas exacta será la nivel cuantitativo continuo y
estimación. que la distribución de ambas
sea semejante a la de la curva
normal.
USOS
• Permite predecir el valor de una variable dado un valor determinado
de la otra variable.
• Se trata de valorar la asociación entre dos variables cuantitativas
estudiando el método conocido como correlación.
• Dicho cálculo es el primer paso para determinar la relación entre las
variables.
• Consiste en la posibilidad de calcular su distribución muestral y así
poder determinar su error típico de estimación.
• Reporta un valor de correlación cercano a 0 como un indicador de
que no hay relación lineal entre 2 variables.
• Reporta un valor de correlación cercano a 1 como un indicador de
que existe una relación lineal positiva entre las 2 variables. Un valor
mayor a cero que se acerque a 1 da como resultado una mayor
correlación positiva entre la información.
COEFICIENTE DE
CORRELACION DE SPEARMAN
• La interpretación de coeficiente de Spearman es igual que la
del coeficiente de correlación de Pearson. Oscila entre -1 y +1,
indicándonos asociaciones negativas o positivas
respectivamente, 0 cero, significa no correlación pero no
independencia.
• Correlación de Pearson para el conjunto de rangos apareados.
La correlación de Spearman puede ser calculada con la
fórmula de Pearson, si antes hemos transformado las
puntuaciones en rangos.
VENTAJAS DESVENTAJAS
• No esta afectada por los • Es recomendable usarlo
cambios en las unidades de cuando los datos presentan
medida. valores extremos, ya que en
• Al ser una técnica no dichos valores afectan mucho
paramétrica, es libre de el coeficiente de correlación
distribución probabilística. de Pearson o ante distribución
no normales.
• R no debe ser utilizado para
decir algo sobre la relación
entre causa y efecto.
ANALIZANDO RESULTADOS…
Ejemplo: veremos a 100 mujeres a quien se le evaluó la
hemoglobina durante la gestación y también se evaluó el
peso de su recién nacido con la finalidad de conocer si el
valor de la hemoglobina de la madre esta relacionada con el
peso del recién nacido.
VARIABLE X VARIABLE Y
(variable independiente ) (variable dependiente)
• CONSTANTE DE REGRESIÓN
• COEFICIENTE DE REGRESIÓN
COEFICIENTE DE CONSTANTE DE
REGRESIÓN REGRESIÓN
• B>0 relación lineal es positiva • Indica el valor correspondiente a la
(B representa el número de unidades que tiende a variable dependiente cuando la
aumentar la variable Y por cada unidad que aumenta variable independiente asume un
la variable X)
valor igual a cero.
• B<0 relación lineal es negativa
(B representa el número de unidades que tiende a
• Cuidado al interpretar la constante de
disminuir la variable Y por cada unidad que aumenta regresión de la ecuación pues en
la variable X) ocasiones ésta no tiene sentido.
• B=0 la ecuación de regresión lineal no
es el modelo más adecuado para
describir la relación entre las variables
involucradas
• PASO 03: Evaluar la SIGNIFICANCIA (se evalúa a través del p
valor y de los intervalos de confianza que deben acompañar los
resultados)
• P < 0,05 “significativo” los valores de la variable X tiene
INFLUENCIA sobre los valores de la variable Y
• P > 0,05 “no significativo” los valores de la variable X no tiene
relación con la variable Y
Muchas gracias