“Obtención de Datos”

Materia: Bioestadística
 Datos = Variables

• Tipos de variables Gráficos

• Cuantitativas
• Discretas: número de …,
• Continuas: Medidas, razones

• Cualitativas
• Dicotómicas: Sí/No, Hombre/ Mujer, …
• Nominales: Carla, Juan, María, …
• Ordinales: 1ro, 2do, 3ro,…
 Datos = Variables

• Tipos de variables • Medidas

• Centralidad
• Promedio, mediana, moda
• Cuantitativas
• Variabilidad
• Discretas: número de …,
• Continuas: Medidas, razones • Desv. Estandar, Varianza, Cov,
Rango
• Otras
• Sesgo, curtosis, etc.
• Cualitativas
• Dicotómicas: Sí/No, Hombre/ Mujer,
… • Frecuencia absoluta
• Nominales: Carla, Juan, María, … • Frecuencia relativa
• Ordinales: 1ro, 2do, 3ro,…
 Tipos de Investigación
Dependiendo del Objetivo

Solo observar y tomar datos

Experimentar uno o más
para conocer su
tratamientos sobre un grupo de ellos
comportamiento
Qué desea hacer con los
elementos de la población?

Diseño de MUESTREO Diseño de EXPERIMENTOS

 Muestreo
Longitudinal:
• Describen la distribución de un • Prospectivo
hecho, sin comparar con una • Retrospectivo
población de referencia. • Ambispectivo
• Por ejemplo se utilizan para estudiar
la prevalencia de una enfermedad
• El investigador se mantiene al margen
y/o los fatores de riesgo
de los hechos que ocurren a los
individuos observados.
• Observa los hechos sin alterarlos.
• Unicamente selecciona los grupos que
ya existen de forma natural, sin
alterarlos

Dos grupos de sujetos, uno está sometido al

factor de riesgo (cohorte expuesta) y el otro
sin él (cohorte no expuesta)

Se seleccionan dos grupos de sujetos,

llamados casos y controles, según tengan o
no la enfermedad, el cual se lleva a cabo para
valorar el riesgo de adquisición de la
• Tienen como objetivo la generación de hipótesis enfermedad y sus factores etiológicos
etiológicas (la causa y el origen de los
eventos/sucesos)

Son diseños experimentales planificados para

verificar la eficacia de un tratamiento en humanos, a
través de los resultados obtenidos por la partición al
• El investigador manipula las condiciones azar, en dos o más grupos, de uno inicial único y
de la investigación. seguidos durante el mismo tiempo
• Se estudian los efectos de la intervención
del investigador.
Muestreo
Muestreo
Muestreo
Muestreo
Muestreo No Probabilístico
 MUESTREOPROBABILISTICO:
Cálculo del Tamaño de la Muestra (n)
• Para estimar la Media de la población

• Para estimar las Proporciones de la población

Tomar una muestra mas grande de lo necesario para obtener los resultados deseados es un
desperdicio de recursos, mientras que, por otro lado, las muestras demasiado pequeñas
con frecuencia dan resultados que carecen de uso práctico.
 MUESTREO PROBABILISTICO:
Cálculo del tamaño de la muestra (n) para estimar una Media

Objetivos:

El objetivo de la estimación por intervalos es el de obtener intervalos estrechos

con alta confiabilidad. Si se observan los componentes en un intervalo de
confianza, se ve que su dimensión está determinada por la magnitud de la
cantidad, ya que la magnitud total del intervalo de confianza es el doble de esta
cantidad. Se aprendió que a esta cantidad, generalmente, se Ie llama precisión de
la estimación o márgen de error.

d = (coeficiente de confiabilidad) x (error estándar)

Márgen de Z 𝛂/2 𝛔/√n

error
https://www.geogebra.org/m/Ps6ZVrVZ
MUESTREO PROBABILISTICO:
Estudio de Casos y Controles vs. Estudios de Cohortes
 Estudio Experimental

Un estudio en el cual el investigador manipula los tratamientos que recibirán los

individuos y recolecta los datos.

Los investigadores aplican tratamientos a las unidades experimentales y luego

procede a observar el efecto que los tratamientos hicieron sobre las unidades
experimentales.

“Prueba o serie de pruebas en las cuales se inducen cambios deliberados en las

variables de entrada de un proceso o sistema de manera que sea posible observar e
identificar las causas de los cambios en la respuesta de salida”

“Es una reproducción restringida de la realidad con el fin de observar los efectos de
su manipulación planificada”
Finalidad de estudios basados en experimentos: Confirmar hipótesis, modelar,
predecir

PennState Eberly College of Science, Experimental and observational studies lesson [en línea]
https://onlinecourses.science.psu.edu/stat200_su17/node/119
http://www.public.iastate.edu/~dnett/S401/nexpvsobs.pdf
Montgomery, D. C. (1991). Experiments with a single factor: the analysis of variance. Design and analysis of experiments, 7, 87-89.
 Diseño Experimental

Factor:
Un factor de un experimento es una variable independiente controlada. Sus niveles son
fijados por el experimentador. Pueden existir factores cuantitativos y cualitativos. Toda
fuente de variación es un factor, pero no todas las fuentes de variación son de interés ni se
pueden controlar.

Tratamiento:
Un tratamiento es lo que los investigadores administran a las unidades experimentales (o
individuos). Los tratamientos son los diferentes procedimientos que queremos comparar.
Estos pudieran ser diferentes tipos, cantidades, distancias, temperaturas.
Cuando se tiene un único factor de interés, los niveles (dosis o categorías) de este se
constituyen como tratamientos. Para más factores, las combinaciones de niveles de aquellos
factores (o sus niveles sin interactuar) que reciben las unidades experimentales serían
tratamientos.

Cuando uno de los tratamientos es realmente la ausencia de manipulación sobre las

unidades experimentales por parte del investigador —no se aplica el factor testeado, este se
conoce como grupo CONTROL. Si uno de los tratamientos corresponde a la intervención
estándar o eficaz, este se conoce como grupo TESTIGO.

Valerie J. Easton and John H. McColl's Statistics Glossary v1.1

Fernando Casanoves y Julio Di Rienzo, 1999
 Diseño Experimental

Diseño de experimentos:
Es la planificación de experimentos, de modo que, los datos
recolectados sean apropiados y analizados por métodos
estadísticos para que los resultados conlleven a conclusiones
objetivas y válidas.

Error experimental:
Es la variación aleatoria presente en todos los resultados
experimentales. Diferentes unidades experimentales darán
diferentes respuestas al mismo tratamiento; incluso, cuando se
aplica el mismo tratamiento una y otra vez a la misma unidad, las
respuestas serán distintas.

Douglas Montgomery, Design and analysis of experiments 7th edition.

 Diseño Experimental

Pilares de un diseño experimental:

Aleatorización:
Es el uso de mecanismo probabilístico conocido para asignar los
tratamientos a las unidades experimentales.

Replicación/repetición:
Una replicación es repetición independiente de cada uno de los
tratamientos (o combinaciones de factores). “Una replicación es
una corrida repetida de un experimento bajos las mismas
condiciones experimentales.”

Bloqueo: Es una técnica de diseño usada para mejorar la

precisión con la que las comparaciones entre los factores de
interés son hechas. A menudo, el bloqueo se usa para reducir la
variabilidad transmitida por factores de ruido
Diseño Experimental
 Diseño Experimental

Aplicación de un fertilizante

• Altura de las plantas

Plantas en el grupo 1
• Aplico fertilizante al grupo 1
Fertilizante • No aplico fertilizante al grupo 2 • Altura de las plantas
Procedimiento en el grupo 2
Investigador

Presencia de plaga
 Diseño Experimental

Eficacia de un tratamiento:
Dieta para controlar
Presión Arterial

• Cambio de la presión arterial

al consumir dieta1
• Dieta 1 • Cambio de la presión arterial
Personas • Dieta 2
• Sin dieta al consumir dieta 2
Tratamiento
• Cambio en la presión arterial
Investigador
sin dieta

Condiciones del paciente /

enfermedad presente, Hábitos del
paciente
Diseño Experimental
 Diseño Experimental

Diseño con Arreglo Factorial

 Diseño Experimental

Se puede utilizar el siguiente código en R para calcular el tamaño de la muestra en

Diseño Experimental:
# https://www.statmethods.net/stats/power.html
library(pwr)
pwr.anova.test(k = 3, n = 25, f =0.25, sig.level = 0.05, power = )

Este código indica la potencia de un experimento que tiene 3 tratamientos; 25

unidades experimentales por tratamiento; para detectar efectos diferenciados
medianos f=0.25; y un nivel de significancia de 0.05.

El factor f es un número que indica el grado del efecto que se desea detectar.
Valores sugeridos por Cohen para este efecto son: 0.1 para detectar pequeños
efectos, 0.25 para detectar efectos medianos, y 0.4 para efectos grandes o
conservadores.
Los valores de f pueden ser obtenidos de la siguiente manera:

Lectura de “Sample size determination” by Ralph B. Dell, Steve Holleran, and Rajasekhar Ramakrishnan. ILAR Journal, vol. 43(4), pp.
207-213, 2002.