Biblia Metodo

Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina
Clase 1: Investigación, Metodo Cientifico y Metodo Clinico

Parte I
El método clínico es un derivado directo del uso del método
científico en la práctica clínica.
Existen 2 formas de abordar la problemática del conocimiento
de la realidad:
Por un lado está el principio del creacionismo y por otro lado
tenemos el método científico (que subyace al desarrollo de la
ciencia moderna). El creacionismo supone que todo lo que
existe es fruto de la creación divina,así los creacionistas parten
de premisas no comprobadas y utilizan hechos verificables para
justificar estas premisas y confirmarlas como una verdad.En
cambio el método científico recopila evidencia empírica obtenida de manera ordenada y
reproducible para describir la realidad, aca los hechos otorgan el conocimiento(y no al
revés). Toda la ciencia moderna y la práctica clínica actual se basan en la aplicación del
método científico ya sea directamente para realizar investigación o para ejercer la medicina
moderna del siglo XXI
La investigación surge de la necesidad del ser
humano para encontrar soluciones ya sea teóricas o
prácticas a problemas teoricos o practicos .La
investigación por tanto puede seguir una finalidad
práctica,es decir tener un propósito,o bien ser
utilizada sólo para generar nuevo conocimiento,es
decir a través del uso sistemático del método
científico se hace investigación "porque si".
La investigación científica aplica criterios rigurosos

para la obtención de nueva información ajustándose
siempre al proposito final de la misma.Es asi que existen 3
enfoques asociados al desarrollo de cualquier
investigación:cuantitativo(asociado a las "ciencias duras"
como la biológica o la física ;la generación de nuevo conocimiento se basa principalmente

en la cuantificación de parámetros objetivos derivados de variables susceptibles de ser
cuantificadas.En cambio en el enfoque cualitativo la medición es secundaria respecto de
la identificación de variables más complejas que se identifican con la necesidad de
reconstruir y entender un sistema complejo, a este tipo de enfoque se le atribuye la finalidad
de "reconstruir la realidad social" sin que necesariamente la identificación de variables
ponga un conocimiento profundo de las características últimas de estas variables .El
enfoque mixto corresponde a una mezcla de los 2 anteriores.
Aca podemos ver la comparación de ambos

enfoques (cuantitativo y cualitativo) en base a 5
aspectos (inicio, premisa, datos, finalidad,
proceso). Podemos ver que las diferencias
fundamentales podrían resumirse en el uso de
herramientas estadísticas para determinar las
características de la realidad (en el caso del
cuantitativo) vs la contextualización de un
fenómeno para determinar su nivel de
complejidad(en el caso del cualitativo).
El enfoque cualitativo se caracteriza por ser inductivo, es

decir que va de lo particular a lo general .Flexible porque
pretende la comprensión completa de un fenómeno en toda
su complejidad a través de la incorporación de múltiples
realidades subjetivas , es decir que pretende la "comprensión
holística" de una realidad y supone por tanto un carácter y
finalidad muy ambiciosa debido a que se trata de la
aplicación del método científico en condiciones no controladas , a esto se le denomina un
enfoque abierto.
En el enfoque cuantitativo observamos por un lado un carácter

deductivo (va de lo general a lo particular). Es riguroso porque
identifica variables reales individuales medibles a través de
una metodología reproducible y por consiguiente es modesto
porque solamente estudia,analiza y describe una porción
discreta de la realidad aislandola del resto para tener un
control total de estas variables
En el enfoque mixto se combinan diferentes realidades;una

realidad única vs las demás realidades en conjunto para en
una situación ideal obtener una comprensión mayor de la
realidad completa.Esta forma de realizar investigación es
habitual en las ciencias sociales y en la investigación clínica
Sea cual sea el enfoque escogido para realizar una

investigación, el método científico tiene por finalidad otorgar
rigor a la investigación, ese rigor sin embargo debe ir
combinado con un grado de ductibilidad alto (esto para
cualquier investigación), de esta manera el método científico
permite utilizarse o ser utilizado tanto para estudiar realidades
pasadas, presentes y futuras. Es en sí mismo por lo tanto una
forma de abordar el estudio de la realidad "dinámico".
Pero…
¿QUE ES EL MÉTODO CIENTÍFICO?
❖ Serie ordenada de procedimientos lógicos para aumentar el conocimiento de la
realidad
❖ Forma de estudiar las relaciones internas y externas de los procesos de la realidad
natural y social
❖ Busca ir desde la apariencia a la evidencia
❖ Proceso de verificación de suposiciones(es importante su verificabilidad:capacidad
para corregir una investigación que partió de una suposición falsa indicando
efectivamente que esa suposición es falsa y obligando por tanto al investigador a
empezar de nuevo)
❖ Es “infalible”:pretende máxima “objetividad”en la descripción de la realidad
❖ Permite formular teorías y leyes
❖ Busca conocer la “verdad” de la realidad
CARACTERISTICAS DE METODO CIENTIFICO

❖ OBJETIVO:relacion con realidad verdadera
❖ RACIONAL: razón por sobre “sensación”
❖ INVENTIVO: creatividad e imaginación para descubrir la verdad fáctica
❖ ANALITICO:integracion de componentes de a realidad
❖ GENERALISTA:conocimiento parcial para comprensión global
❖ CLARO Y PRECISO: define problemas parciales y utiliza lenguaje codificado (regla
de designación)
❖ VERIFICABLE:afirmación o rechazo de hipótesis;reproductibilidad de resultados
❖ EXPLICATIVO:explicar hechos en términos de leyes y las leyes en términos de
principios .Responde al “porqué “
❖ NORMATIVO:principios y normas para tecnicas de investigacion (desarrollo técnico)
❖ NO ES UN RECETARIO DE “RESPUESTAS CORRECTAS”
ETAPAS METODO CIENTIFICO
❖ Curiosidad-observación
❖ Planteamiento de un problema
❖ Formulacion de hipotesis
❖ Experimentación
❖ Verificación de la hipótesis (confirmación o rechazo)
❖ Nuevos planteamientos(basados en la verificación de la hipótesis)
❖ Si se utilizan rigurosamente estas etapas y éstas se repiten de manera

estratégica,permitirá formular leyes,teorías y a partir de estas 2 generar nuevas
preguntas)
❖ LEYES son proposiciones científicas que establecen una relación constante entre 2
o más variables
❖ TEORÍAS :conjunto de conceptos derivados de las leyes que describen la
observación de dichos conceptos
❖ NUEVAS PREGUNTAS
ETAPAS DE UNA INVESTIGACIÓN

1. Observación
2. Idea
3. Problema
4. Marco teórico
5. Hipótesis
6. Objetivos
7. Diseño
8. Metodología
9. Recolección de datos
10. Análisis de datos y conclusiones
11. Reporte o publicación
☆Estas etapas son similares a las del método científico☆
1-IDEA: " inicio" de una investigación.Surge de la observación de la realidad producto

de la curiosidad del individuo. Pero ¿cuáles son las fuentes de estas ideas para una
investigación?
Cuando se genera una idea, esa idea puede surgir de
distintos contextos, pero lo más importante de esa idea
es que esta se pueda transformar en una pregunta de
investigación. Esta última puede ser respondida y va a
determinar el aporte que se generó a partir de esa idea.
Efectivamente va a tener el contexto de la investigación
global sobre una temática.
Las ideas surgen de las más variadas fuentes y diversos

contextos. La mayor parte de las ideas eventualmente,
especialmente cuando uno tiene experiencia en que se
le ocurra una idea, muchas veces estas ideas se
pueden considerar interesantes o buenas, esto es una
percepción, algo subjetivo. Por ello, cada vez que surge
una idea es necesario verificar si es una buena idea, a
partir de un estudio exhaustivo de lo que se sabe
respecto del tema en el cual está enmarcada esta idea.
Las ideas de investigación son inicialmente bastante vagas

❖ La idea inicial en general es muy poco precisa y específica.
❖ Una característica que tienen todas las ideas, incluso las buenas, es que en su
formulación inicial casi todas tienen una característica común que es la vaguedad,
es decir, poco específica poco precisa, no muy bien definida. Para que una idea sea
susceptible a ser transformada en una pregunta de investigación, tiene que pasar de
un planteamiento vago a uno específico y preciso. Por ello, la idea tiene que pasar
por un análisis.
❖ La formulación de una idea conlleva la necesidad de su análisis, para producir un
planteamiento preciso y estructurado.
❖ Para lo anterior se requiere de antecedentes (información bibliográfica) del tema
en el que está inserta la idea para decidir si procede (o no) llevar a cabo la
investigación y cuál va a ser su rumbo: “marco teórico o estado del arte”. De esto
se puede deducir o llegar a la conclusión si vale la pena o no seguir con esta idea. El
marco teórico determina la conveniencia de seguir desarrollando esa idea y
transformarla eventualmente en una pregunta.
Necesidad de conocer “Lo que ya se sabe” y las ideas de investigación
Ahora por qué es tan importante recabar antecedentes respecto del grado de conocimiento
que se tiene en el tema en el que está inserta la idea que uno está planteado. Esto es
esencialmente para:
❖ Evitar investigar sobre algún tema que ya se haya estudiado muy a fondo o cosas
que pueden ser irrelevantes. En general distinguimos dos tipos de ideas: las
originales, que se plantean por primera vez y las ideas novedosas, que recogen
ideas ya planteadas y las trasladan a un contexto distinto.
❖ La idea de investigación debe ser al menos novedosa (enfoque diferente a un tema
conocido superficial o profundamente)
❖ Ejemplo: Los trastornos de ansiedad versus el efecto de la psicoterapia en el
desempeño laboral en la administración pública (investigación hecha en Europa pero
no en Chile = Novedad en Chile). Esto sin duda es un tema que puede ser relevante
en cualquier país o continente y por lo tanto, alguien que estime que sea relevante
en Chile podría tomar esta idea y trasladarlo a la
realidad chilena, esto sería una investigación novedosa
Para que la idea se transforme finalmente en el origen de una

investigación, es necesario que esa idea inicialmente vaga se
transforme en un planteamiento más preciso en la forma de una
pregunta de investigación, está por lo tanto, operativiza la idea y la
transforma en algo manejable desde el punto de vista de las
etapas del método científico.
En esta proyección se puede ver una tabla

comparativa, donde por un lado aparecen
los pasos del método científico y en el otro
como la idea se inserta en las distintas
etapas del método científico. La idea
entonces se transforma en una pregunta y
esta última por lo tanto, es la directriz
esencial que va a orientar la búsqueda de
información bibliográfica y la construcción
del marco teórico. Eventualmente el trabajo
de la elaboración del marco teórico va a
llevar a la transformación de esa pregunta
a una hipótesis, es decir una segunda
operativización de la idea a lo que se denomina una hipótesis, es decir, una afirmación en
tiempo presente que versa sobre la idea y que se responde con sí o no. Esta hipótesis debe
ser verificada a través de la ejecución de una investigación en la forma de la adquisición de
datos en base a un diseño y posteriormente del análisis de esos datos y del procesamiento
de esa información, en conjunto con el conocimiento disponible vamos a poder responder
esta hipótesis. La idea por lo tanto operativizada, primero en forma de pregunta y luego
como hipótesis condiciona en forma completa las características de la investigación.
Clase 1: Investigación y Método científico Parte II

Existen tres tipos de ideas:
❖ Buenas: Son las que todo el mundo quiere tener. La
contraparte de la buena idea es la mala. Estas buenas ideas
están basadas fundamentalmente en la comprobación inequívoca
del grado de originalidad que esa idea tiene. La originalidad está
asociada al uso inteligente de la información ya disponible a los
efectos de crear un nuevo espacio, donde esa idea es la primera
que surge. Una buena idea está asociada a consecuencias de la más variada índole
y estas consecuencias condicionan el valor intrínseco de una investigación,
independientemente de otro aspecto que se pueda considerar.
❖ Normales: Son probablemente las más habituales. Se definen como las que tienen
un nivel de originalidad relativo. La mayor parte de las ideas que surgen en el ámbito
científico o biomédico son de este tipo. Generalmente tienen un grado de viabilidad
alto si a esto le agregamos un grado de novedad, esto puede sustentar muchas
investigaciones.
❖ Malas: Pueden ser construidas por desconocimiento.
Todas las ideas están sujetas a una evaluación en su originalidad y viabilidad. A veces una
buena idea no se transforma en una investigación porque su viabilidad es muy baja.
La buena idea y la evaluación del valor de una investigación

En cualquier caso si hay una buena idea, esta condiciona inmediatamente el valor intrínseco
de una investigación. En general el valor de una investigación se puede determinar a partir
de la evaluación de los aspectos siguientes:
❖ Conveniencia
❖ Relevancia social
❖ Implicaciones prácticas: Asociada en ciencias biomédicas a la solución de
problemas de salud
❖ Valor teórico
❖ Utilidad metodológica
❖ Viabilidad (factibilidad)
❖ Consecuencia éticas
Las marcadas en negrita son sin duda los aspectos más relevantes al determinar el
valor de una investigación. Por ejemplo, el desarrollo y obtención de una vacuna
contra el covid 19 en este momento tiene una relevancia social gigantesca, así como
el uso de un medicamento como tratamiento de los pacientes infectados. Cualquiera
de estas dos alternativas son de una relevancia social y de una implicación práctica
muy grande y se transformaría inmediatamente en una investigación de gran valor.
Esto dejaría en un segundo plano aspectos como la viabilidad económica.
Como se mencionó anteriormente una idea inicialmente

vaga debe transformarse en una pregunta. Esta pregunta
se operativiza en forma de una hipótesis, sin embargo, esta
hipótesis tiene que estar adscrita o inmersa en algo que se
llama problema de investigación, este es un conjunto de
elemento que determina la complejidad y características
que la investigación va a tener.
Un problema de investigación fundamentalmente se

construye en base a: objetivos, los cuales determinan
la viabilidad de la investigación, las preguntas que
son la operativización de las ideas, que generalmente
son más de una. Estas preguntas determinan la
especificidad de la investigación. Y algo muy
importante la justificación, que es la que determina la necesidad final de por ejemplo,
financiar una investigación. Hoy en día al menos en las ciencias biomédicas, no se financia
ninguna investigación que no aporte o solucione un tema de salud.
Recién mencionamos la importancia del marco teórico en los

efectos de poder determinar la conveniencia de realizar la
investigación a partir de la pregunta que se formuló en base a
la idea que surgió en algún momento. El marco teórico es un
paso obligatorio en el desarrollo de una investigación, es un
paso previo a un experimento o una actividad relacionada con
obtener datos y está compuesto por dos elementos claves:
❖ Una revisión bibliográfica exhaustiva que lleva a lo que habitualmente se llama el

estado del arte respecto algún tema. Se utiliza esta revisión bibliográfica que al ser
exhaustiva permite seleccionar elementos bibliográficos estratégicos que
fundamentan la investigación que se está planteando. La construcción del marco
teórico es una suerte de selección de aquellas fuentes que son pertinentes para la
investigación que se va a desarrollar.
Entonces el marco teórico va a determinar de manera precisa

el alcance de la investigación. Este alcance puede ser los que
se mencionan en la imagen. El grado de profundidad de la
investigación está dado por el tipo de alcance
Exploratorio: Nivel superficial de una investigación. Se va
profundizando hacia abajo y vamos teniendo un conocimiento
más acabado del fenómeno en estudio. Los alcances
exploratorios y descriptivos son generalmente más propios del enfoque cualitativos,
mientras que el correlacional y explicativo son del enfoque cuantitativo. Según sea el
alcance la investigación va a suponer la formulación de hipótesis, a partir de las
investigaciones con alcance correlacional y explicativo (enfoque cuantitativo) la hipótesis
debe existir como parte del planteamiento de la investigación.
La hipótesis es, como ya dije, una afirmación en tiempo

presente que se responde con un sí o un no y está
directamente relacionada con la pregunta que se está
formulando. La hipótesis supone el uso de variables (2 al
menos) que deben ser debidamente detectadas dentro de lo
que fue el trabajo de construcción en el marco teórico y que
deben ser definidas a los efectos de la investigación puntual
que se determine realizar. Esa definición está subdividida en
dos aspectos, el aspecto conceptual, es decir la identificación,
que estoy midiendo y la identificación o definición operacional
que básicamente tiene que ver con el cómo se va a medir esta variable.
La hipótesis definida en estos términos, permite a su vez definir lo que se conoce como el
diseño.
El diseño de una investigación, es aquel que va a organizar

la forma en que como finalmente se van a recabar los datos
es decir la información que va a permitir afirmar o rechazar la
hipótesis. El diseño puede ser de dos tipos:
❖ Experimental: tenemos básicamente investigación

basadas en el enfoque cuantitativa
❖ No experimental: investigaciones asociadas al
enfoque cualitativo.
En próximas clases van a poder ahondar en los

diseños pero es importante decir que del diseño
depende la forma en que se van a adquirir los datos
dependiendo del diseño entonces vamos a tener
formas diferentes de recabar datos.
Podemos eventualmente necesitar un muestreo que

supone una metodología específica para por ejemplo
la toma de muestra o la recolección de datos a partir
del uso de un instrumento de medición. Este
instrumento de medición, tiene que cumplir con requisitos rigurosos, estrictos de validez y
confiabilidad para poder entonces ser utilizado. Muchas veces la recolección de datos está
asociada a algunos mecanismos de seguridad como es la de datos codificación de los datos
y normalmente se almacena de manera ordenada y sistemática en un banco de datos. Los
datos que se obtienen, ya se a través de un muestreo o la recolección de datos,
finalmente deben ser analizados.
El análisis de los datos en el caso de las mediciones de datos

directos a través de mediciones utilizando instrumentos, son
sometidos a pruebas estadísticas
que otorgan un resultado en base a un nivel de significancia
de los datos, que permite determinar si es que las mediciones
experimentan bajo determinadas condiciones, variaciones o
no, y si esos datos de alguna manera permiten de esa forma
responder con sí o con no a la hipótesis.
Finalmente los resultados obtenidos, al ser contrastados con
la literatura existente respecto al tema, en cuestión pueden ser publicados. Para la
publicación existen distintas alternativas, la más importante siempre es la publicación en
una revista científica especializada.
En esta proyección se resume un poco lo que hemos visto

hasta el momento en relacion al metodo cientifico, las ideas
de investigación y lo que se deriva de ello, muy importante
de recordar es que el método científico tal como está
ilustrado es AUTOREGENERATIVO, es decir, si de la idea
resulta una hipótesis que finalmente resulta ser falsa, el
método científico lo va a pesquisar de esa forma y el
investigador va a estar obligado a iniciar una nueva
investigación en base a una hipótesis nueva.
Metodo cientifico:
❖ Hacer una pregunta: IDEA
❖ Hacer investigación de base (construcción del marco
teórico)
❖ Construir una hipótesis
❖ Probar la hipótesis con experimentos
❖ Analizar los resultados y obtener conclusiones
❖ Si la hipótesis es cierta informar los resultados

❖ Si la hipótesis es falsa o parcialmente verdadera, informar los resultados y
repensar una nueva hipótesis.
El método clínico
Este método es un derivado del método científico y es en principio la utilización del método
científico para estructurar la práctica clínica. Este uso que se hace
del método científico a los efectos de estructurar la práctica clínica
surge de la necesidad de hacer más efectivo y eficaz el manejo
que el médico hace de un paciente y también pretende de alguna
manera obligar a que todo manejo de paciente esté sustentado en
un conocimiento acabado de un conocimiento que subyace a ese
manejo. De ahí que hoy día se acuñó el término de medicina
basada en evidencia que no es sino, una conceptualización de
esta situación y que de alguna forma le da un poco de más tranquilidad al paciente, que de
pronto puede no sentirse tan cómodo con un médico en particular, que evidentemente no
supo tratar a un paciente de manera adecuada.
El método clínico V/S El método científico.
Cuando uno compara el método científico con
el método clínico es evidente que hay
similitudes bastante claras en relación a la
situación asociada al desarrollo de una
investigación y lo que es el enfrentamiento del
médico con el paciente a los efectos de poder
manejarlo, tratarlo adecuadamente. El médico
en una situación ideal debe ser capaz de
identificar qué es lo que tiene el paciente,
tiene que ser capaz de presumir un
diagnóstico, este diagnóstico posteriormente debe ser contrastado con exámenes que
habitualmente el médico debe solicitar, para que esos exámenes posteriormente permitan al
médico confirmar o no el diagnóstico inicial que él mismo propuso y entonces permita que
se haga un tratamiento adecuado de la patología del paciente y se transforme en una
evolución favorable del paciente para finalmente una mejoría del paciente. Todo eso si uno
lo traslada al esquema del método científico, tenemos entonces lo que se ve en la
proyección:
● Existe un conocimiento actual de una determinada patología, el paciente llega, el
médico identifica eventualmente un problema por ejemplo en base a la
sintomatología elabora un diagnóstico que es algo así como elaborar una
hipótesis, establece una hipótesis que lo va a orientar con respecto de la necesidad
de obtener un determinado tipo de datos que en este caso van hacer por ejemplo
los exámenes, eso va a tener que ser de alguna forma contrastado o va a tener
que estar adscrito a las condiciones propias de la interacción que el médico tuvo con
el paciente o tiene con el paciente, dependiendo si es ambulatorio o un paciente
hospitalizado y posteriormente se va a tener que hacer un análisis de los
resultados de estos exámenes y realizar una interpretación adecuada y correcta
de los exámenes, respecto de la condición del paciente a los efectos entonces de
poder llegar a un diagnóstico definitivo y poder implementar el manejo que

corresponda, eso eventualmente va a transformarse en una experiencia para el
médico de tal manera que cuando reciba un paciente que tenga características
similares, tenga dentro de sus posibilidades, un mejor manejo en esa segunda
oportunidad.
El método clínico: Si objetivamos en etapas el método clínico:

❖ Formular el problema (alteración de la salud de una persona): Parte con la
formulación del problema es decir la alteración de la salud de una persona.
❖ Adquisición de información primaria (interrogatorio, examen físico): Sigue con la
obtención de información primaria, básicamente la Anamnesis y examen físico.
❖ Formular hipótesis (diagnóstico presuntivo o provisional): Continúa con el
equivalente de formular una hipótesis y en este caso un diagnóstico llamado
presuntivo
❖ Comprobar o negar la hipótesis (exámenes complementarios y evoluciones de
paciente):Sigue con la comprobación de ese diagnóstico presuntivo a través de los
exámenes que se solicitan
❖ Exposición de resultados, contraste con la hipótesis original (diagnóstico de
certeza; no diagnóstico; nuevos problemas); Esto debería llevar a un diagnóstico de
certeza, al final y correcto o eventualmente a un no diagnóstico o a la determinación
de nuevos problemas que pueden surgir dependiendo de cuál será la evolución del
paciente. En cualquiera de estos casos va a ser necesario, en el caso de que haya
un diagnóstico de certeza, implementar un tratamiento y en el caso de que no haya
diagnóstico hay que buscar otro tipo de exámenes, y en el caso de que hayan
nuevos problemas va haber que iniciar nuevamente la búsqueda dea antecedentes
para formular un diagnóstico presuntivo complementario
❖ Terapéutica (si procede o reiniciar el proceso): Va estar asociada al diagnóstico de
certeza o eso es lo que debería ocurrir siempre y en caso de que la terapéutica
asociada al diagnóstico de certeza esté definido, va a ser utilizado como tal o
eventualmente se van a tener que buscar otras alternativas
❖ Exposición y evaluación de los resultados finales: Finalmente dependiendo de
cómo el paciente evolucione, eso va a permitir evaluar el resultado final de esta
suerte de investigación que está haciendo el médico respecto de lo que le está
sucediendo al paciente
Buena parte de esta suerte de investigación

que hace el médico con respecto de lo que
ocurre con el paciente; ocurre alrededor del
momento en que el paciente tiene contacto
con el médico o dicho de otra manera el
momento en que el médico puede recabar o
solicitar información, ya sea preguntando
directamente al paciente o solicitando
exámenes. El examen físico por lo tanto, la
anamnesis y todo aquello que dice relación
con la interacción, la comunicación
médico-paciente resulta ser relevante.las
eventuales acciones terapéuticas que se van
a derivar de esa interacción, van a estar
asociadas a la transformación del diagnóstico
presuntivo a un diagnóstico de certeza. El
cambio, en este caso, el desarrollo favorable
del manejo del paciente va a estar entonces
asociado a la determinación del diagnóstico
definitivo, el diagnóstico “correcto”, y eso
entonces va a determinar el resultado final que el paciente va a experimentar.
La aplicación sistemática del concepto del método científico a los efectos de poder tratar
adecuadamente al paciente, está fundamentado por un lado a la obtención de información;
tal como ocurre en la investigación pero muy especialmente en lo que se observa en esta
proyección que es la RETROALIMENTACIÓN que necesariamente tiene que ocurrir entre
lo que es por ejemplo la evolución de un tratamiento, versus lo que es la condición del
paciente, esto es muy similar a la auto regeneración que nosotros veíamos en el método
científico.
Ahora, esto es importante porque a partir de la

aplicación sistemática de este así llamado método
clínico en el contexto del manejo de un paciente a partir
de una anamnesis adecuada, un examen físico
apropiado, la elaboración de un diagnóstico certero, la
implementación de un tratamiento adecuado y el
seguimiento de la evolución. Esos 5 elementos utilizados de manera correcta, en esa
secuencia y de manera completa cada uno va a permitir definir, medir, analizar, mejorar
controlar y muy importantemente replicar la buena praxis.
Métodos clínicos
Requisitos para aplicación del método clínico
El médico debe tener:
1. Buena relación médico-paciente..
2. Destreza en interrogatorio y examen físico
3. Organización y jerarquizacion de la información que recibe del paciente y cualquier
otra información relacionada por ejemplo con su propio acervo y con lo que
eventualmente le van a entregar los exámenes.
4. Integrar los problemas biológicos con los psicosociales.El doctor debe integrar de
manera correcta los problemas propiamente clinicos, medicos con otro tipo de
problemas que el paciente puede tener y que generan un entonces un mayor grado
de complejidad en el manejo, como son todos los aspectos psicosociales,
5. Dominio del razonamiento clínico (Debe ser capaz de analizar, sintetizar, contrastar,
debe tener objetividad y visión integral) De esta manera toda la información que va
a organizar le va a permitir llegar a una conclusión objetiva de lo que está ocurriendo
con el paciente no solamente del punto de vista puntual de una patología sino
también del punto de vista integral
6. Indicar las pruebas de acuerdo a la clínica
7. Conocer la interpretación, las limitaciones y los riesgos de la exploración
complementaria y la instrumentación que se utilice
8. Evitar iatrogenia (por la palabra, las investigaciones o la terapéutica): Esto es muy
importante, es decir debe evitar el causar daño al paciente.
9. Reconocer y analizar en colectivo los errores y poder analizarlo dentro de una
comunidad de colegas
10. Conducta ética en todos los casos.
Errores que se cometen con más frecuencia durante el examen físico

El examen físico es parte de la interacción inicial que el médico tiene con el paciente y
muchas veces se comenten errores, y un examen físico mal hecho tiene consecuencias
importantes en el pronóstico.
De técnica: Una comunicación inadecuada conlleva a una ejecución del examen físico
incorrecta.
1. Comunicación inadecuada con el enfermo que produce incomodidad del mismo,
humillación u hostilidad.
2. Posición inapropiada del enfermo para realizar la técnica exploratoria
3. Orden y organización deficiente durante el examen
4. Técnica defectuosa para explorar o usar instrumentos de exploración
5. Equipo deficiente o inexistente
6. Práctica de la exploración en momento inoportuno (no hay facilidades para la

confidencia, escasez de tiempo o de cooperación del paciente)
Obtención de información inexacta: Donde el médico no es capaz de
1. No detectar signos existentes
2. Detectar signos que no existen
3. Interpretar variantes fisiológicas o anatómicas como anormalidades
4. No obtener detalles de los signos detectados
Por omisión:
1. Omitir parte de la exploración
De registro:
1. No registrar un hallazgo por olvido
2. Escritura ilegible, abreviaturas incomprensibles, mala gramática y registro
incompleto de los datos recogidos
3. Registrar diagnóstico y no los signos recogidos
De interpretación:
1. No conocer el significado fisiopatológico de un signo
2. No conocer los signos que confirmar una hipótesis o la descartan
Diferentes formas de la vulneración del método clínico:

❖ Primera fase:
1. El no establecer la adecuada relación médico-paciente
2. El no formular apropiadamente el problema o los problemas del enfermo
❖ Segunda fase:
1. Acentuar más lo anecdótico que lo semiológico en el interrogatorio
2. Interrogatorio parcial o incompleto
3. La no realización del examen físico, o este se efectúa inapropiadamente
❖ Tercera fase:
1. No se formular hipótesis diagnósticas
2. Sustituir los juicios diagnósticos por las expresiones “síndrome tal para
estudio”
❖ Cuarta fase:
1. Selección inapropiada de lo exámenes para clínicos de acuerdo a la hipótesis
diagnóstica
2. La no justificación de las pruebas seleccionadas
3. La no contrastación del cuadro clínico con el resultado de los exámenes
preclínicos
4. Indicar bateria de examenes y posteriormente orientar el interrogatorio y el
examen clínico
5. El no arribar como parte del juicio medio, al diagnóstico total, global e integral
del paciente
❖ Quinta fase:
1. El no reflejar el expediente clínico del paciente los juicios establecidos en las
diferentes fases del método clínico
2. La no comunicación a colegas de las experiencias obtenidas en el trabajo
médico
Clase 1: Fuentes de información y tipos de publicaciones

Estructuración formal de una investigación: búsqueda de información válida
La estructuración formal de una investigación supone la búsqueda de información científica
válida, esta búsqueda es necesaria porque se necesita recabar antecedentes que sean
válidos para decidir el tipo, la profundidad y la extensión de la investigación.
La búsqueda de información válida, además permite definir la perspectiva desde la cual la
idea original de la investigación sufrirá un proceso necesario de maduración o afinación.
Una búsqueda de información válida permite conocer otros temas o subtemas relacionados
con la temática inicial y que pueden ser útiles para el desarrollo de la investigación, de la
misma forma una búsqueda de información válida permite establecer las metodologías que
son más apropiadas para desarrollar adecuadamente la investigación en base a las que
fueron empleadas con anterioridad en el estudio del tema, sus ventajas y limitaciones
(factibilidad técnica y económica).
¿Dónde y cómo se encuentra información referencial válida?
En bases de datos biomédicos o científicos y habitualmente estas bases de datos contienen

buscadores que permiten realizar búsquedas de una manera más o menos sofisticada, ya
sea básicas o avanzadas.
❖ ¿Por qué es tan relevante tener esta información válida?

Porque distintos elementos asociados a un proyecto de investigación o una publicación
científica necesitan de este contexto dado por la información referencial que
necesariamente debe ser válida.
❖ ¿En qué secciones de una publicación o proyecto se necesita información

referencial válida?
➢ Introducción y/o marco teórico
➢ Metodología
➢ Discusión (publicación o tesis)
➢ Estos deben estar sustentados en información bibliográfica válida
Búsqueda de información bibliográfica desde fuentes ¿válidas?

Buscar información en internet es bastante fácil a través de un buscador como google, por
ejemplo si pongo la palabra esquizofrenia google me va a entregar una cantidad
impresionante de páginas, sitios o referencias que están relacionados al término que yo
ingresé. Esto habitualmente puede estar ligado a un idioma, por ejemplo español o inglés,
pero dado que google no se limita a dar información solo del tipo científica, sino que
cualquier cosa que esté disponible en internet que esté relacionado al tema que yo ingresé,
hace inmanejable la cantidad de información entregada por google.
Uno puede acotar la búsqueda incorporando información adicional al término como por
ejemplo, un tipo particular de archivo, el año, algún aspecto como la mortalidad, y
obviamente así el tipo de resultados va a disminuir, pero aún así siguen siendo muchísimos
y no hay certeza, hay inespecificidad del buscador google para determinar la validez
efectiva de la información entregada.
Google académico
Una variante de google llamada google académico que efectivamente da la posibilidad de

realizar búsquedas de material académico y científico, pero lamentablemente estos también
pueden incluir programas de asignaturas, clases, manuales y otros documentos que no son
fuentes válidas de información, por lo que si se quiere buscar información válida hay que
recurrir a las fuentes de datos de publicaciones científicas.
Fuentes válidas de información científica (repositorio usach)

Cuando uno habla de fuentes válidas de información uno tiene que diferenciar entre
distintos tipos de fuentes:
➢ Fuentes de referencias bibliográficas

Son solo para obtener las referencias
➢ Fuentes de artículos científicos por disciplina

Contienen directamente la información, hay una combinación de editoriales y
conglomerados de editoriales, todas ellas contienen una cantidad muy importante de
artículos científicos que se pueden encontrar utilizando inicialmente una fuente de
referencias bibliográficas como por ejemplo: pubmed.
➢ Gestores Bibliográficos
Son sitios más sofisticados donde se integra la información y se puede hacer un manejo
informativo de información dependiendo del tipo de trabajo que se está realizando con las
referencias bibliográficas que se vayan encontrando.
➢ Recursos clínicos combinados (repositorio usach)

Son particularmente relevantes en ámbitos como la medicina.
Para todas las formas de obtener información la más importante es aquella que nos permite
inicialmente obtener referencias bibliográficas para posteriormente ir en busca de los
artículos científicos propiamente tal, y para esto, el banco de datos más completo del
mundo es PubMed.
El banco de datos más completo del mundo: PubMed

Es el banco de datos bibliográficos de los institutos nacionales de la salud de Estados
Unidos, contienen prácticamente todo el conocimiento en ciencias que se han publicado
más o menos desde los años 60’ a la fecha.
Este sitio contiene una interfase bastante amigable y sofisticada, permite búsquedas muy
avanzadas.
Y en este sitio si ponemos el mismo término,

esquizofrenia, nos encontramos con que bajo el
término esquizofrenia obtenemos mucho menos
resultados, aproximadamente 142.000 referencias
bibliográficas. Evidentemente la búsqueda inicial de
un término, incluso en una modalidad como esta
(sitio especializado), la búsqueda inicial, que
considera sólo referencias científicas válidas, arroja
un número mucho más bajo que en google pero
aún así es muy grande.
Por eso este buscador de referencias contiene una
serie de filtros a la izquierda de la pantalla, donde se pueden establecer algunos criterios
para acotar la búsqueda, al aplicar algunos de estos para afinar la búsqueda, podemos
obtener, por ejemplo, si consideramos sólo estudios clínicos, en la modalidad de review, en
el año 2020, en humanos, vamos a transformar esa gran cantidad de citas aún, por ejemplo
en solo 28 resultados, transformamos una situación inmanejable en una absolutamente
manejable.
Cada una de estas citas está identificada por un título, si yo hago click sobre alguno de
estos títulos nos encontramos con algo como esto:
La identificación de la referencia bibliográfica

con su título arriba, la citación, el resumen, los
autores, afiliación, y muy importante en la parte
superior derecha, si es que el artículo
correspondiente a esta cita está disponible
gratis o no, y otras publicaciones que están
relacionadas a esta búsqueda. PubMed en este
sentido es infinitamente confiable y sofisticado a
los efectos de encontrar de manera rápida la
referencia bibliográfica que uno busque, por lo
tanto siempre es la primera elección cuando
uno hace una búsqueda bibliográfica.
Ustedes también van a tener la oportunidad de desarrollar su proyecto de investigación

durante el desarrollo de la asignatura, no hay necesidad de utilizar este buscador.
Búsqueda en PubMed: Nueva interfase a partir de Mayo 2020
A partir de Mayo del 2020 PubMed va a cambiar su

interfase, aquí les muestro lo que va a ser la nueva
interfase que es muy similar pero tiene una página
de entrada un poco distinta, si yo introduzco ahí el
término esquizofrenia me voy a encontrar con la
siguiente situación:
Búsqueda en Pubmed: Nueva interfase a partir de Mayo 2020 ( 15)
Una interfase muy similar, donde me aparece

nuevamente el listado de referencias y donde el
principio el aspecto visual ha sido mejorado, pero
básicamente todas las funcionalidades siguen siendo
las mismas.
SciELO: Archivo científico latinoamericano (16)
Existe un archivo científico que recaba toda la

investigación que se realiza, en todos los
ámbitos de la ciencia, pero en nivel
latinoamericano, que es el banco de dato
SciELO, cuya página inicial es la que se puede
ver acá.
La página SciELO está organizada en base a

colecciones y revistas. Lo más interesante de
este sitio, es que cada país, integrante de
latinoamérica, tiene su sitio particular, con
aquellas revistas que publican investigaciones
realizadas en los distintos países para
problemas locales. Si nosotros hacemos click en la parte de revistas, ustedes pueden ver
que allá abajo están las banderas de los distintos países, si nosotros hacemos click en
revistas vamos encontrar con algo como se ve a continuación:
SciELO: Archivo científico latinoamericano (17)
Aquí tenemos un listados de las distintas

revistas ordenadas por orden alfabético. Al
hacer doble click en cada una de ellas,
podemos obtener entonces el acceso directo
a la revista en cuestión. La mayoría, por no
decir todos los artículos, que están en este
banco SciELO, son de libre disposición, es
decir, se pueden bajar habitualmente en
formato pdf.
SciELO: Cada país tiene su sitio propio (18)
Como dije recien cada país tiene

su propio sitio, aquí tenemos la
entrada al sitio correspondiente a
SciELO Chile. Donde uno puede
obtener, dentro de otras cosas,
una lista alfabética de todas las
publicaciones, de todas las
revistas en este caso, y/o a los
artículos que a uno le interese.
Incluye además publicaciones en
portugués, para el caso
específico de Brasil, que también forma parte de esta comunidad. Permite la búsqueda, en
todos los casos, de referencia por cita, por autor o materia.
Cada país posee un sitio con una estructura de índice similar que permite buscar artículos
científicos en castellano y portugués (en el caso de Brasil) por cita, autor o materia.
SciELO: Cada país tiene su sitio propio (19)
Acá tenemos un listado de las revistas que están

contenidos en el sitio de SciELO Chile, como ustedes
pueden ver, aparecen también ordenadas en orden
alfabético. De repente es bueno e interesante hacer
una pequeña revisión de las revistas que existen en
Chile y que uno puede consultar en este sitio.
Repositorio de artículos: ScienceDirect (20)
Dentro de los bancos de datos de artículos propiamente tales, y tal como les mostré hace
un momento atrás, existen varios. Dentro de esos varios, hay algunos que son
particularmente relevantes, porque son bastante completos, contienen una gran cantidad y
una gran diversidad de artículos de las más diversas materias. Probablemente uno de los
más completos, es ScienceDirect, cuya página de inicio es la que se observa acá. Es sin
duda uno de los repositorios de artículos científicos más completos que existe, su buscador
es tanto más sofisticado que el mismo PubMed. Permite acceder a artículos completos,
dependiendo, y esto es muy importante, del tipo de licencia de la que el usuario disponga,
en este caso por ejemplo, la Usach o los usuarios Usach tienen acceso a ScienceDirect a
través de una licencia institucional de la universidad, eso determina cuantas y cuales son
las revistas a la que se va a tener acceso en el formato de texto completo.
Es uno de los repositorios de artículos científicos más completos. Su buscador es muy

sofisticado y permite acceder a los artículos completos, según sea el tipo de licencia al que
se tenga acceso.
Sitios web con información científica consolidada (21)
Aparte de los buscadores especializados, también existen sitios web con información
científica consolidada. Y esto es muy importante de tenerlo presente, porque hay en
muchas ocasiones necesidad, no hacer una investigación exhaustiva sobre un tema, sino
obtener información a un nivel más de divulgación pero que sea muy confiable de distintos
temas. Aquí hay varios sitios que cumplen con los requisitos de validez científica, es decir,
son sitios que están construidos sobre la base de información científica válida y que está
constantemente siendo actualizada y trabajada por expertos. Hay distintos ejemplos, aquí
tenemos uno que ese el sitio de la Organización Mundial de la Salud, que son como otros
sitios con información general y también información específica respecto a diversos temas
de la salud humana con un fundamento científico y que están siendo constantemente
actualizados por expertos. Son muchas veces útiles para la divulgación de características
de patologías, por ejemplo, y de la diseminación más o menos generalizada de información
asociada, por ejemplo, al manejo organizacional de los temas de salud que también puede
ser muy relevante.
Sitios con información general y específica respecto de diversos temas de la salud humana
con fundamento científico, elaborado con apoyo de científicos especialistas en las diversas
materias. Útiles para la divulgación de las características de patologías y el manejo
organizacional de los temas de salud.
Sitio web con información científica consolidada (22)
Otro sitio que es interesante y que puede ser

consultado de manera bastante simple,
porque además está en castellano, es el
denominado MedlinePlus. El MedlinePlus es
un también un sitio, que es una especie de
apéndice del PubMed, forma parte de la
biblioteca nacional de los Estados Unidos, y
es un sitio web con información científica
consolidada en la forma de resumen. Resumen a nivel de divulgación. Es muy interesante,

porque permite, por ejemplo, que un médico le sugiera a un paciente que consulte, respecto
de una determinada patología, en MedlinePlus, los efectos de poder obtener información
más acabada pero a nivel de divulgación en cuanto a lo que es esa patología en particular.
Hay una variedad grande, por lo tanto, de posibilidades de búsqueda de información. En el
caso específico de la construcción de una investigación, evidentemente que estos sitios no
sirven, nos van a servir los otros. Pero la forma efectiva o no de obtener finalmente la
información, va a hacer estrictamente dependiente de la forma en cómo cada uno va a
hacer uso de estos sitios, en particular de los buscadores, que necesitan un cierto periodo
de acostumbramiento o de adiestramiento, para sacarles el mejor provecho.
Tipos de publicaciones (23)
Cuando se hace una búsqueda, uno se va a encontrar con distintos tipos de publicaciones.
¿A que se refiere uno con tipos de publicaciones? Hay distintos formatos donde se presenta
la información científica en la forma de una publicación, y esos distintos formatos además
están asociados a distintos tipos de información que se presentan y a distintos niveles de
profundidad con que la información se presenta. Básicamente, uno puede distinguir dos
tipos de publicaciones. Publicaciones que se diferencian unas de otras según el
contenido, o eventualmente, según el tipo de fuente.
En el caso del tipo de fuente, nos estamos refiriendo fundamentalmente a dos tipos de
fuentes, lo que se llama un fuente primaria y lo que se conoce como una fuente secundaria:
➢ Primaria: que presenta información directo de la mano del autor o investigador al
lector.
➢ Secundaria: recopilación de información de fuente primaria.
En relación al contenido se pueden cuatro tipos de publicaciones:

➢ “Full paper” o publicación de investigación: datos científicos puros (fuente primaria)
revisados por un comité editorial (contenido, novedad y confiabilidad).
➢ “Caso clínico”: describe la forma en que un paciente con una patología o
complicación poco común es diagnosticado, tratado y/o determinada su prognosis.
➢ Revisión o “review”: recopilación extensa (fuente secundaria) de información de
fuente primaria.
➢ Carta al editor: (como en un periódico) comentarios o críticas de libros, revistas o
publicaciones.
Tipos de publicaciones: Similitudes y Diferencias (24)
En esta tabla que se ve, se

pueden ver las distintas
características y las
diferencias, así como
similitudes entre los tipos de
publicaciones. En general, los
artículos de mayor extensión
son habitualmente los reviews,
y eventualmente los full papers,
dependiendo del formato específico de cada revista. En contraposición a eso, las

publicaciones más cortas en extensión, son habitualmente las cartas al editor.
Hay algunos aspectos de formatos que se pueden identificar en cada uno de los tipos de
publicaciones, como es por ejemplo, la presencia de un resumen, una introducción, la
inclusión explícita de una hipótesis, de un objetivo, de una metodología, de lo resultados, de
las discusiones, conclusiones y, muy importante, una lista de referencias bibliográficas que
han sido utilizadas para contextualizar y discutir los resultados presentados. Todos estos
aspectos tienen entonces un correlato respecto de cada uno de los tipos de publicación en
función de los formatos específicos.
La idea es que al hacer una búsqueda, uno ser capaz de utilizar y leer correctamente, cada
uno de los distintos tipos de artículos. En caso de nuestra discusión nos van a interesar los
full papers, los reviews y los casos clínicos. Habitualmente, algunas características de
formatos de cada una de las publicaciones, permiten orientar al lector respecto de qué tipo
de publicación se trata.
Ejemplo publicación: Full Paper (25)
Aquí tenemos un full paper, donde ustedes al leer el título se

pueden dar cuenta de un tema muy específico. Eso da cuenta
que se trata de un full paper, porque estos entregan información
de dura directa desde los investigadores al lector.
Ejemplo publicación: Review (26)
Ustedes pueden ver en el título y al analizar la estructura, que

si contrastan este formato con la tabla, van a poder a dar
cuenta que es una review.
Título más generales, no características específicas sino más
bien un tema.
Ejemplo publicación: Caso Clinico (27)
Ejemplo de un caso clínico, donde generalmente estamos

en presencia de un formato libre, que es muy variado
dependiendo de la revista. Da cuenta de un reporte, de una
situación particular ocurrida con un paciente.
Clase 2: Hipótesis y pregunta clínica

¿QUE ES UNA HIPÓTESIS?
❖ Enunciado en tiempo real que responde tentativamente a una pregunta de
investigación
❖ Supone el establecimiento de relaciones entre 2 o más variables
❖ Explicación provisional a una pregunta formulada a partir de un problema de
investigación
¿PARA QUÉ SIRVE UNA HIPÓTESIS?
❖ Generar nuevo conocimiento (basada en una buena idea)
❖ Proporcionar respuestas tentativas para la pregunta de investigación
❖ Guiar al investigador para verificar la validez de los enunciados
HIPÓTESIS VS IDEA PRINCIPAL U OBJETIVO PRINCIPAL
❖ Si la investigación no posee una hipótesis explícita , ésta
estará implícita en la idea principal en la pregunta de investigación o el
objetivo general
❖ De las hipótesis se infieren las variables (al menos una
independiente y una dependiente) una relación entre ellas (de
direccionalidad),que devela los objetivos de la investigación
La hipótesis supone por lo tanto el

establecimiento de relaciones entre 2 o más variables y esta
definición es de 2 tipos: una conceptual (se determina que se va a medir) y otra operacional
(determina cómo se va a medir)
UNA HIPÓTESIS ES VERDADERA O FALSA..

❖ Hipótesis:El screening para cáncer colorrectal con test de sangre oculta en
deposiciones puede reducir las tasas de mortalidad
❖ resultados:
❖ Cuando se realiza colonoscopia en pacientes con test positivo , la tasa de hallazgo
de cáncer colorrectal es entre 2-7% y la tasa de cáncer colorrectal precoz(Dukes A o
B) es entre 2-14%
❖ La sensibilidad de los test de sangre oculta oscilan entre el 30%y el 50% para el
cáncer colorrectal
❖ La sobrevida global de los pacientes con cáncer colorrectal no se modifica con la
aplicación de un test de sangre oculta en deposiciones
❖ conclusión: se rechaza la hipótesis(por todos los resultados anteriores)
Requisitos de una buena Hipótesis
❖ Las variables que componen la hipótesis deben ser comprensibles,

precisas y lo más concretas posibles. (Ej. “bienestar” es un concepto
impreciso, ambiguo y general que debería ser sustituido por uno específico y
concreto, es decir, que no deberían formar parte de la hipótesis).
❖ Si una hipótesis no se puede verificar empíricamente (si no es comprobable),
no tienen validez científica.
❖ Las variables deben ser observables y medibles.
❖ Las hipótesis deben ser objetivas y no contener juicios de valor (Ej. adjetivos
tales como "mejor" o "peor” no pueden ser incluidos en la redacción).
Las hipótesis se clasifican en base a dos

criterios:
❖ En base al alcance de investigación, es

decir, las hipótesis de investigación pueden ser
descriptivas, correlacionales o causales,
habitualmente son correlacionales o causales.
Eventualmente las investigaciones con alcance
descriptivo pueden contener una hipótesis de
investigación también.
❖ Y desde el punto de vista operativo las
hipótesis demostrables son:
■ Alternativa
■ Nula
■ De trabajo: que habitualmente es la que se verifica en la
investigación.
■ Conceptual: Hipótesis provisoria, inicial asociada a la pregunta de
investigación.
■Direccionales y no direccionales: Establecen relación específica entre

las variables.
■ Estadísticas: Asocia un valor específico a las diferencias que las
variables deberían tener
❖ En este contexto nos interesan las hipótesis alternativas y nulas.
Hipótesis Nula (H0)
❖ Es un aporte del campo de la estadística inferencial. Corresponde a la

negación de la hipótesis de investigación (Hi)
Ejemplo:
Hi: “El nivel sérico de IgG en pacientes COVID-19 (+) es mayor que en las personas no
infectadas con el virus”. (Hipótesis de la investigación)
H0 =
“El nivel sérico de IgG en pacientes COVID-19 (+) no difiere de las personas no
infectadas con el virus” (Hipótesis nula)
Hipótesis ALTERNATIVA (H1)
❖ Formula una respuesta diferente (alternativa) a un mismo problema de investigación

❖ Puede corresponder a la negación de H0.
Ejemplo:
H1: La eficacia del Tramadol subcutáneo es mayor al endovenoso en el manejo del dolor
agudo post operatorio en pacientes traumatológicos.
Hi: La eficacia del Tramadol subcutáneo es menor al endovenoso en el manejo del dolor
crónico post operatorio en pacientes traumatológicos.
Hipótesis y tipo de estudios
La hipótesis se correlaciona directamente con

los tipos de estudio, es decir con los alcances
que el estudio tiene y en general en los
estudios exploratorios no se formulan
hipótesis, en los descriptivos habitualmente
no, pero puede ocurrir en caso de que se
trate del pronóstico de un hecho dado y los
estudios correlacionales explicativos si tienen
derechamente una hipótesis relacionada. En
el caso de los correlacionales se tratara de una hipótesis correlacional y en el caso de los
tipos de estudios explicativos se tratara de una hipótesis causal.
¿QUÉ ES UNA PREGUNTA CLÍNICA?

•Definición formal: Formulación explícita de una duda sobre cualquier aspecto de la
práctica médica que permite precisar el objetivo de un estudio.
•Profesionales de la salud que trabajan en atención primaria se hacen 0,07 a 1,85 preguntas
por paciente.
•Entre 30% y 56% de estas preguntas es seguida de una búsqueda de información.
Existen fundamentalmente dos tipos de preguntas que los médicos se hacen durante la
práctica clínica:
•Preguntas tipo “Background”: generales, amplias y básicas (predominan cuando no hay
experiencia clínica).
•Preguntas tipo “Foreground”: específicas, focalizadas y dirigidas. Orientadas al paciente,
aplicables a la solución de un problema nuevo y con repercusión en la toma de decisiones.
Evolución del tipo de preguntas clínicas:

En el diagrama se puede observar como es la
evolución del tipo de preguntas clínicas en base de las
experiencias que el médico va adquiriendo a lo largo
del tiempo. cuando el médico recién se inicia en la
práctica de la clínica predominan las preguntas tipo
Background es decir las preguntas básicas, sin
embargo a medida que el médico va obteniendo
experiencias la tasa relativa de preguntas básicas
comienza a disminuir y la tasa de preguntas
avanzadas comienzan a aumentar, de tal manera que cuando el médico tiene suficiente
experiencia predominan las preguntas tipo Foreground y las preguntas tipo Background casi
no están presentes.
Características de la pregunta clínica

Una pregunta clínica se refiere siempre a un tópico que sea relevante dentro del escenario
clínico del paciente, de tal manera que toda pregunta clínica tiene como origen el problema
del paciente.
Habitualmente cuando se identifica un problema, ese problema, a través del ejercicio del
método clínico se clasifica en tópicos, y dependiendo de cuantos tópicos estén
involucrados se determina el curso de acción.
La formulación de la pregunta clínica que el médico debe realizar, facilita la búsqueda de

una respuesta precisa, y por lo tanto aumenta la probabilidad de un manejo adecuado del
paciente.
Existen cuatro tipos de preguntas clínicas:
Las fuentes de información habitualmente consultadas para responder preguntas clínicas de

tratamiento terapéuticas son estudios clínicos aleatorios (ECA), en el caso de las preguntas
de daño o etiología es una combinación entre estudios observacionales de cohorte y los

estudios clínicos aleatorizados (ECA), las preguntas de pronóstico habitualmente se
responden también a través de la consulta de estudios clínicos aleatorizados (ECA)
combinados con estudios observacionales, y los estudios de diagnóstico, solamente, y al
igual que el caso de las preguntas de tratamiento, se suelen responder a través de la
consulta de estudios clínicos aleatorizados (ECA).
Veamos algunos ejemplos:
Preguntas clínicas: Ejemplos
1) En pacientes hospitalizados que ingresan por hemorragia digestiva alta y vuelven a

sangrar durante la hospitalización ¿Cúal es su riesgo de morir dentro de un mes?
Esta es una pregunta típica de pronóstico.
2) ¿Tienen los fumadores mayor riesgo que los no fumadores para desarrollar cáncer
bronquial?
Esta es una pregunta típica de daño.
3) En pacientes adultos mayores con cuadro de cólico renal el uso de ecografía

abdominal de abdomen más sedimento de orina comparado con PieloTAC (gold
estándar) ¿Identifica correctamente la urolitiasis?
Esta es una pregunta típica de diagnóstico.
4) ¿Podrá el Sumatripan reducir la intensidad de la cefalea en una mujer con

frecuentes ataques de migraña?
Esta es una típica pregunta terapéutica.
Pregunta clínica estructurada:

Esquema P-I-C-O
Para formular una pregunta clínica se utiliza habitualmente una estructura particular que se
conoce como el esquema PICO que subdivide la pregunta clínica en cuatro elementos:
1) La población: Personas a las que se les aplicará la información que se encuentre a
partir de la respuesta de la pregunta.
2) La intervención/acción: Se refiere a la intervención cuyos efectos se van a evaluar.
3) La comparación: Se refiere a literalmente comparar con, por ejemplo, un gold
estándar o la alternativa clásica por defecto, el mejor tratamiento posible o un
placebo.
4) El objetivo/Outcome: Corresponde a lo que se busca conseguir con la acción.
Pregunta clínica estructurada
Una pregunta clínica estructurada queda entonces, delimitada en cuatro ámbitos:

❖ El ámbito de la población que define a los pacientes y que permite establecer el
problema y describirlo.
❖ El ámbito de la intervención puede ser una exposición, un factor de riesgo o un

medicamento.
❖ El aspecto relacionado con la comparación que tiene que ver literalmente con
comparar respecto de, por ejemplo, un tratamiento por defecto que corresponde al,
así denominado, Gold Standard.
❖ El Outcome, qué es el resultado de interés clínico. ¿Qué es lo que se busca lograr?
o en el ámbito en que está circunscrito lo que se espera lograr: en el ámbito de la
morbilidad, mortalidad, complicación, síntomas, calidad de vida, etc.
Escenario clínico
Aquí tenemos un ejemplo:

“Un paciente masculino de 17 años
ingresa a emergencias por un
trauma craneal cerrado, con
Glasgow de 12 inicial, vómito y
cefalea. La TAC muestra un área de
microhemorragia en hemisferio
derecho, región parietal y edema
leve, sin desviación de la línea media, compatible con una contusión cerebral. El médico
tratante decide usar corticosteroides i.v. (intravenosos) para este paciente para evitar el
edema y complicaciones. Un becado cuestiona el uso de esteroides.”
¿Cómo podríamos, a partir de este escenario, construir una pregunta clínica estructurada en
el esquema PICO?:
1. Primero tendríamos que identificar la población, es decir, que tipo de paciente
tenemos acá, en este caso se trata de paciente adolescente con un episodio agudo
de un trauma craneal moderado.
2. ¿Cúal sería la intervención? El uso de corticosteroides intravenoso.
3. ¿Cuál sería la intervención de comparación? El comparado con el placebo, a partir
de la objeción que tendría el becado.
4. ¿Cuál sería el Outcome? ¿Disminuye la mortalidad? ¿Disminuye las
complicaciones? ¿Disminuye los síntomas? Eso habría que definirlo.
Entonces uno podría formular dos tipos de preguntas, por ejemplo:
Pregunta sobre… ¿Tratamiento? ¿Daño? ¿Diagnóstico? ¿Pronóstico?
“¿En pacientes adolescentes con episodio agudo de trauma craneal moderado, el uso de
corticosteroide i.v. comparado contra placebo, disminuye las complicaciones? (P)” E
so sería
una pregunta pronóstico.
“En pacientes adolescentes con episodio agudo de trauma craneal moderado, el uso de
corticosteroide i.v. comparado contra placebo, disminuye los síntomas? ( T)” Eso sería una
pregunta típica de tratamiento o terapéutica.
Clase 3: Objetivos de la Investigación

Los objetivos de investigación establecen los ámbitos
generales y específicos en los que se va a desarrollar
una investigación y deben ser consistentes con la
hipótesis de investigación tal como se ve en la
secuencia ya conocida de las etapas de una
investigación .Del logro de los objetivos en una
investigación depende que la pregunta de investigación
formulada sea respondida o no.
IMPORTANCIA DE LOS OBJETIVOS DE INVESTIGACIÓN

★ Orientan las demás fases del proceso de investigación
★ Determinan los límites y la amplitud del estudio(este es el más importante)
★ Permiten definir las etapas que requiere el estudio
★ Sitúan el estudio dentro de un contexto general
OBJETIVOS DE INVESTIGACIÓN (¿que son?)

❖ Es un enunciado claro y preciso de las metas que se persiguen en una
investigación
❖ Orientados a la adquisición de nuevo conocimiento
❖ Referidos a los aspectos del problema que deben ser estudiados o a los resultados
que se espera obtener
❖ Permiten evaluar la factibilidad de la investigación
❖ Permiten predecir , explicar y describir los fenómenos de interés y adquirir
conocimiento de esos fenómenos estudiados
❖ Deben ser medibles y alcanzables
❖ Facilitan la selección y estructuración de la metodología
❖ Deben ser congruentes con los recursos disponibles
❖ Deben ser planteados en un orden consistente con el planteamiento del problema de
investigación
Existen dos tipos de objetivos de investigación:

❖ Objetivos generales
❖ Objetivos específicos: Habitualmente
presentes en un número variable se derivan
directamente de un objetivo general.
Objetivo general: U
n objetivo va a ser considerado
general cuando sea susceptible a ser descompuesto
en al menos dos objetivos específicos.
❖ Señala el propósito global de la investigación en cuanto a su contenido, pero
no presenta detalles de los componentes de estudio.
❖ Posee relación directa con el área temática que se pretende estudiar y con el
título de investigación.
❖ Identifica, sin entrar en detalles, lo que se desea indagar o analizar.
❖ Debe ser “descomponible” en los diferentes componentes (detalles) del
estudio.
Objetivo específico: Un objetivo va a ser considerado específico cuando pueda ser
descompuesto en dos actividades o acciones definidas y concretas.
❖ Señala lo que se pretende realizar en cada “etapa” de la investigación
(presenta detalles de los componentes de estudio).
❖ Corresponden a logros parciales estipulados en la formulación de la
investigación.
❖ Identifica en detalle, lo que se desea indagar o analizar.
❖ Debe ser “descomponible” en diferentes actividades concretas.
❖ Debe estar “contenido” en el objetivo general (al menos en una relación 2:1).
❖ Si se cumplen en su totalidad implica que el objetivo general correspondiente
se ha cumplido completamente.
Formulación de objetivos:
La formulación de un
objetivo no es sino la
formulación de una
pregunta de investigación
en un logro a alcanzar. Por
lo tanto, y tal como se
puede observar, hay una
dependencia directa entre
la pregunta que se hace el
investigador y un objetivo
que refleja en la forma del
formato de un objetivo la
pregunta planteada. Por
ejemplo, en este caso que
observamos aquí, a la
pregunta ¿Cuál es el
número de becarios según
las distintas regiones del país?, el objetivo correspondiente sería: determinar el número de
becarios según las distintas regiones del país. Si la pregunta es ¿Cuál será la procedencia
de la población becaria considerando el sector educativo?, el objetivo sería: Conocer la
procedencia de la población becaria considerando el sector educativo y si la pregunta fuera
¿De dónde proviene la población becaria considerando el estrato social?, el objetivo podría
ser: Identificar la procedencia de la población becaria considerando el estrato social.
La formulación de un objetivo que transmita una

pregunta de investigación en un logro a alcanzar
está fuertemente determinado por un elemento
clave que forma parte de su estructura que es el
verbo. Esta característica va a organizar y a
establecer las relaciones de dependencia entre
los objetivos específicos y los objetivos generales.
La relación de dependencia entre un objetivo
general y otro específico es vertical, tal como se
puede observar en esta ilustración, y es vertical
debido a que varios objetivos específicos integran
un único objetivo genera. Habitualmente y si bien esto puede ser fuertemente dependiente
del contexto de la investigación propuesta, la elección del verbo es clave en la correcta
elaboración del objetivo. En esta proyección se pueden observar algunos ejemplos de
verbos asociados a esta idea de la relación de dependencia.
Queda claro por ejemplo la gran diferencia jerárquica que hay entre el verbo describir que
es propio de un objetivo específico y el verbo evaluar que es propio de un objetivo general.
Elementos de un objetivo:
“Realizar una campaña de fumigación en los

bloques del 13 al 21 del sector 1 del Municipio
A3 d irigida al exterminio del mosquito trasmisor
del virus Zika y Dengue (Aedes aegypti)”
Dentro de un objetivo se reconocen 4 elementos, tal como se muestra en la ilustración. El

verbo, un sujeto, una condición y lo esperado. En este caso podemos transformar estos 4
elementos en un enunciado, tal como se muestra en el ejemplo. Cada color indica a cada
uno de los elementos. Si transformamos o integramos estos 4 elementos en un enunciado
como el del ejemplo podemos formular el siguiente objetivo:
El verbo es realizar, la condición es la campaña de fumigación el sujeto son los bloques del
3 al 21 en el sector indicado y lo esperado es el exterminio del mosquito.
Secuencia para escribir objetivos:
Desde el punto de vista de la redacción del

objetivo, se reconocen 4 elementos que
constituye al mismo, el verbo, un fenómeno el
sub fenómeno y la finalidad. esta forma de ver
los elementos de un objetivo, sirve para ilustrar
un elemento que es importante y es la
presencia de un segundo verbo, ese segundo
verbo se encuentra asociado a la finalidad, es
decir a lo que equivale a lo esperado y esto es
importante porque el uso correcto de este
segundo verbo al igual como el escoger correctamente el primero, permite acotar, definir y
asociar características específicas convenientes a un objetivo general o a un objetivo
específico.
Desde un punto de vista más operativo uno puede analizar un objetivo y reconocer en él
estos elementos, tal como los identificamos recién o podemos hacer una descomposición
del objetivo, reconociendo los 5 elementos operativos del objetivo que son:
➢ El verbo: Indica el grado de complejidad del estudio.
➢ El evento u objeto del estudio.
➢ La unidad de análisis: Corresponde generalmente a los sujetos del estudio.
➢ El contexto: Es decir, dónde se va a realizar este estudio.
➢ Muchas veces se incorpora también un elemento de temporalidad.
❖ En el caso específico de este ejemplo, podemos identificar claramente estos 5

elementos:
➢ El objetivo dice “Comparar el personal médico que labora en los hospitales
públicos de la región metropolitana con el que labora en las clínicas privadas
de la misma región con respecto a su percepción de su seguridad personal
en la pandemia de Covid 19 durante en año 2020”
■ El verbo es comparar.
■ El objeto del estudio es la seguridad personal.
■ Los sujetos del estudio es el personal médico.
■ El contexto donde se va a realizar el estudio corresponde a los
hospitales y las clínicas privadas de la región metropolitana.
■ La temporalidad está dada por la pandemia de Covid19 durante el
año 2020.
Ejemplo
¿Cuál sería un objetivo razonable para la siguiente pregunta?:
➢ ¿Existirá alguna diferencia en el rendimiento académico de los estudiantes del
primer año de Medicina USACH 2019, de acuerdo a su género?
Objetivo General
Cuando un objetivo general plausible podría ser del siguiente, tenor relacionar las
calificaciones del primer año de la carrera y el género de los estudiantes de Medicina
USACH 2019.
Para la misma pregunta anterior podemos también elaborar objetivos específicos como
podrían ser los siguientes:
❖ Determinar la distribución por género de los estudiantes del primer año de Medicina
USACH 2019.
❖ Analizar los promedios finales de los estudiantes del primer año de Medicina USACH
2019.
❖ Relacionar las calificaciones obtenidas por asignatura con el género de los
estudiantes del primer año de Medicina USACH 2019.
❖ Comparar los promedios finales de los estudiantes del primer año de Medicina
USACH 2019 según género.
Como ustedes pueden ver, estos objetivos específicos se escriben todos en relación al
objetivo general planteado anteriormente.
Independientemente del tipo de objetivo de que se trate, ya sea general o específico, cada
objetivo debe estar siempre en estrecha correlación con la investigación que se está
desarrollando. En ese sentido, tiene haber, por lo tanto, una estricta correlación entre el
objetivo y el alcance de la investigación. De ahí que se hable de objetivos
exploratorios/descriptivos o los denominados objetivos analiticos que involucran a los
objetivos explicativos y los predictivos.
Al igual que en el caso de los alcances, en el caso de los objetivos descriptivos y
exploratorios, por ejemplo, se pretende exactamente lo mismo, es decir, permitir una
acercamiento hacia problemas poco conocidos. En el caso de los objetivos analiticos, que
incluyen como ya dije, los explicativos y los predictivos, estos objetivos tienen que permitir
contrastar o verificar hipótesis.
➢ Objetivos descriptivos/exploratorios:
❖ Permiten un acercamiento a problemas poco conocidos.
❖ Identifican o describen características o atributos ignorados o desconocidos.
❖ Cuantifican la frecuencia de algún fenómeno socio-sanitario no estudiado.
❖ Seleccionan problemas y áreas de interés para futuras investigaciones.
❖ Ordenan y clasifican las variables en categorías.
➢ Objetivos analiticos (explicativos/predictivos):
❖ Permiten contrastar o verificar hipótesis.
❖ Confirman relaciones entre variables.

❖ Comparan la efectividad de al menos 2 intervenciones.
❖ Anticipan fenómenos.
¿Qué relación existe entre objetivo de investigación y pregunta de investigación?
Como ya indiqué, al inicio de esta clase, hay una relación evidente entre la pregunta de
investigación y el objetivo de la investigación o “los” objetivos de investigación. Debido a
que, como ya vimos, de la pregunta de investigación se derivan directamente los objetivos.
De ahí que, el logro de objetivos determina en qué medida la pregunta de investigación va a
poder ser respondida. El logro, por ejemplo, de un objetivo general va a permitir responder a
una pregunta de investigación planteada. Por cada pregunta de investigación debe existir (al
menos) un objetivo general que dé respuesta a esa pregunta. Por ejemplo:
PREGUNTA: ¿Cúal es la situación actual de los egresados de la promoción 2000 de la
carrera de Medicina USACH, en materia de estabilidad laboral?
Nosotros podríamos elaborar el siguiente objetivo general:

OBJETIVO GENERAL: Describir la situación actual de los egresados de la promoción año
2000 de la carrera de Medicina USACH, en materia de estabilidad laboral.
En la medida en que nosotros, efectivamente, describamos la situación, vamos a poder

decir cual es la situación actual de los egresados de la promoción USACH año 2000 de la
carrera en Medicina USACH.
¿Dónde se expresan los logros de un objetivo de investigación?
Finalmente, donde se expresan o donde están contenidos los logros de un objetivos de

investigación. Los logros de un objetivo de investigación se expresan habitualmente en los
resultados, cuando estos resultados son publicados, y en particular en las conclusiones de
la investigación. Por ejemplo:
OBJETIVO GENERAL: Describir el grado de conocimiento del autocuidado que poseen los
adultos mayores de la casa de reposo de la comuna de Padre las Casas.
La conclusión podría ser, por ejemplo:
CONCLUSIONES: Los adultos mayores de la casa de reposo de la comuna de Padre las
Casas no poseen conocimientos de autocuidado y delegan en sus cuidadores todo lo
relativo a su salud física.
Eso corresponde a un logro total del objetivo general originalmente propuesto.

Clase 4: Diseño Metodológico Parte I

Diseños de investigación en ciencias de la salud
❖ Son los lineamientos generales de toda investigación, sirven de marco para la
construcción y aplicación de los diferentes pasos del método científico
➢ Se puede hacer un proceso estructurado de investigación, podemos hacer
que estas investigaciones tengan un porcentaje de replicación posterior a la
realización que aumenta la valía externa de un proyecto
❖ Tiene que ver con el esquema general que uno puede utilizar seleccionar un
determinado diseño metodológico
Tipos de diseños
❖ Según la naturaleza de los datos que nosotros vamos a utilizar dentro de las
investigaciones
➢ Cualitativos
■ Es la que hace uso de los datos cualitativos para describir un aspecto,
en lugar de medirlo
■ Se compone de impresiones, opiniones y perspectivas
● La clave es una descripción profunda
■ Acá nos concentramos en algunos componentes que específicamente
son distintos o tienen que ver con emociones, pensamientos o
sensaciones de las personas
■ Una encuesta cualitativa es menos estructurada, ya que busca
profundizar en el tema para obtener información sobre las
motivaciones, los pensamientos y las actitudes de las personas.
● Son muy enriquecedoras a la hora de poder entender las
conclusiones o poder entender algunos aspectos del
comportamiento humano
➢ Cuantitativo
■ Es aquella que utiliza datos cuantitativos para recopilar información
concreta, como cifras.
■ Estos datos son estructurados y estadísticos.
■ Brindan el respaldo necesario para llegar a conclusiones generales de
la investigación.
■ Si el proceso de investigación cuantitativa es llevada de forma
correcta, nosotros podemos alcanzar una generalización bastante
adecuada, siempre y cuando eso se haya llevado a cabo con un
muestreo estadístico para tener representatividad de los resultados
➢ Mixtos
■ Es una combinación de los cualitativos y cuantitativos
■ Recientemente muchos estudios en las ciencias de la salud se hacen
de manera mixta, ya que un estudio cualitativo puede ser muy
enriquecedor en sus discusiones y conclusiones, y un estudio
cuantitativo puede ser muy potente a la hora de poder hacer
conclusiones desde el punto de vista estadístico
¿Cómo obtener datos cualitativos?

❖ Entrevistas
❖ Casos de estudio
➢ Ahondando en los componentes emocionales o psicológicos que pueden
tener los pacientes respecto a una determinada patología
❖ Opiniones de expertos
❖ Grupos de discusión
➢ Son los focos, donde se toma una determinada cantidad de personas, se les
plantean temáticas y se busca que esas personas discutan estos temas y se
van recabando informaciones o los resultados de estas discusiones se
caracterizan con determinados resultados
❖ Encuestas abiertas
➢ Se le hace una pregunta o se le plantea una temática a una persona y esta
puede decir lo que crea
❖ Investigación observacional
➢ Se usa mucho en humanidades y psicología en observaciones del
comportamiento humano
¿Cómo obtener datos cuantitativos?

❖ Encuestas estructuradas
➢ Son diferentes a las cualitativas, generalmente las preguntas son más
cerradas, no tan amplias, no pueden responder lo que quieran ni explayarse,
se les dan opciones para responder
❖ Datos de instrumentos validados y calibrados
➢ Encuestas que hayan sido calibradas y tengan como registro un score o
puntaje final
❖ Registros gubernamentales
➢ MINSAL, DEIS...
❖ Estudios experimentales
➢ Ensayos clínicos, ensayos de campo….
Consideraciones
❖ Para elegir entre un modelo y otro
❖ En ciencias de la salud en mayor medida se tienden a utilizar diseños cuantitativos,
cuando las evidencias ya presentan un cierto grado de certeza o conocimiento
previo.
➢ En el caso de que sea un tema con poca investigación o se conoce poco,
sería mejor partir por algo más general, utilizar un modelo cualitativo sería
mucho más enriquecedora que tratar recopilar datos numéricos
❖ No se puede afirmar que uno u otro tipo de diseño es mejor, solo que dependerá de
los objetivos y el esquema para su selección.
❖ Dependerán también del manejo de los diseños por parte de los investigadores.
¿Cuali v/s Cuanti?

Dependerá de algunas
características del
tiempo que uno tenga,
del grado de
profundidad que uno
quiera abordar con su
investigación, cuáles
son las conclusiones
que quiere sacar, si
esas conclusiones las quiere extrapolar o solamente quiere quedarse en descripciones muy
acabadas respecto a un comportamiento.
Los resultados son completamente diferentes.
Clase 4: Diseño Metodológico Parte II

Objetivo:comprender los tipos de estudios que más se utilizan en la salud.
Esta imagen muestra
específicamente los
tipos de estudios que
se pueden tener en
ciencias de la salud.
Se dividen los tipos de
investigación en
primaria o secundaria,
y se dividen según
donde se obtienen los
datos.
❖ La investigación primaria tiene que ver investigación básica clínica y

epidemiológica Los estudios primarios están divididos en:
❖ Básicos que son los estudios teóricos de ciencias aplicadas, estudios de
animales, células, que es lo que tiene que ver con ciencias básicas, son la
base fundamental de la mayoría de las investigaciones que se hacen
actualmente.
❖ Estudios clínicos que son principalmente estudios experimentales y
observacionales.
➢ Los experimentales son los estudios clínicos que tienen sus diferentes
fases
➢ Los estudios observacionales que pueden ser de terapia, pronostico,

diagnostico, observacionales, secundarios, estudios de casos y
reportes de casos o estudios de un caso.
❖ Los estudios epidemiológicos se dividen principalmente en experimental y
en observacional.
➢ Experimentales pueden ser de intervención y también de grupos de
estudios
➢ El observacional principalmente estudios de corte, de caso de
controles, estudios ecológicos, entre otros.
❖ La secundaria con datos extraídos por fuentes de datos ya creadas o paper

principalmente revisiones bibliográficas, narrativas, sistemáticas y los metaanálisis.
Dentro de lo que
son los estudios
epidemiológicos,
se puede tener
también otra tabla
resume que
clasifica los
estudios (ver tabla)
Entonces
principalmente
vamos a tener:
❖ Ensayos aleatorizados que son principalmente los ecas que es una asignación de
una exposición aleatoria, lo que quiere decir que los participantes van a ir siendo
seleccionados y asignados si es que tienen algún fármaco o es un placebo de
manera aleatoria a través de un proceso aleatorio (Como el estudio clínico que hizo
el doctor shepherd con mer), en este caso los criterios de selección de la población
no son tan importantes ya que lo más importante es la selección de la información o
de los pacientes principalmente. Tiene una temporalidad prospectiva, eso quiere
decir que se parte el día de hoy y se avanza hacia adelante.
❖ Los pseudo-experimentales o cuasi-experimental, la asignación de la exposición es
por conveniencia, muchas veces son los que más se hacen en ciencias médicas y
en ciencias de la salud.
❖ Estudios de cohorte, que muchas veces la asignación de la exposición es fuera del
control del asignador ya que depende si es que la persona tiene la enfermedad o no,
o tiene algún nivel de exposición igual que en los de casos y controles.
❖ Estudios por encuesta, estudios transversales, en donde uno toma una foto de
estas personas y les aplica un instrumento de población que principalmente son las
encuestas
❖ Estudios ecológicos lo que hacen es tomar muchas veces info secundaria de
exposición o de enfermedad y con esa información ya sea gubernamental o pública
construyen sus nuevas conclusiones.
Clasificación de los tipos de estudios/diseño

Entonces tenemos la clasificación de los diseños o tipos de estudios, principalmente vamos
a tener los tipos de estudios:
❖ Estudios descriptivos transversales:
➢ Estudios de prevalencia
➢ series de casos transversales
➢ estudios de pruebas diagnósticas: eso es principalmente con la
sensibilidad y especificidad
➢ estudios de concordancia: para ver si existe concordancia entre
evaluadores y test
➢ estudios de asociación cruzada: donde van cambiando la manera en que
eligen a los sujetos para las distintas intervenciones
➢ otros estudios transversales descriptivos:
❖ Estudios descriptivos longitudinales:
➢ Estudios de incidencia: Seguimiento de las personas para ver cuales son
los casos que aparecen dentro de una población. Ej: los análisis que se
hacen en los estudios de casos investigados por covid. Solo describen lo que
pasa, número de contagiados, etc.
➢ Descripción de los efectos de una intervención no deliberada
➢ Descripción de la historia natural: Principalmente cuando se acceden a
fichas y se va revisando cómo avanza el paciente según nuevos tratamientos
que ya se le incorporaron.
❖ Estudios analiticos observacionales:
➢ Dirección causa-efecto: estudios de cohortes:
■ prospectivos: Tomó un punto inicial que es el actual y se va hacia
adelante
■ Retrospectivos: Son puntos hacia atrás
■ Ambispectivos: Consideran datos anteriores y nuevos.
➢ Direccion efecto-causa: estudios de casos y controles
➢ Estudios híbridos: Mezcla funciones dentro de estos estudios
❖ Estudios analititcos experimentales:
➢ Ensayos controlados:Son estudios que tienen mayor nivel de evidencia.
■ Ensayos clínicos en paralelo
■ Ensayos clínicos cruzados
■ Ensayos comunitarios
➢ Ensayos no controlados: En las ciencias de la salud son los estudios que
más se realizan, ya que se les realiza una intervención a los sujetos,
tratamientos farmacológicos, etc pero no se tienen sujetos control para ir
comparando
■ Ensayos sin grupo control
■ Ensayos con control externo
Diseño de un estudio.
• Por diseño de un estudio se entienden los procedimientos, métodos y técnicas mediante
los cuales los investigadores seleccionan a los pacientes, recogen datos, los analizan e
interpretan los resultados. Entonces aquí es importante entender que el diseño lo que busca
es dar una estructura ordenada y que siga una lógica para que efectivamente las
investigaciones se hagan de la mejor forma.
Criterios de clasificación con respecto a los tipos de estudio:
❖ F inalidad del estudio: analíca o descriptiva.
❖ S ecuencia temporal: transversal (foto, una evaluación en un momento) o
longitudinal (un seguimiento).
❖ Control de la asignación de los factores de estudio: experimental u
observacional. A Veces existen los cuasi-experimentales en el cual se hacen
pequeñas intervenciones a los sujetos.
❖ Inicio del estudio en relación con la cronología de los hechos: prospectivo o
retrospectivo (desde hoy hacia atrás).
Finalidad
❖ Analítica
Un estudio se considera analítico cuando su finalidad es evaluar una presunta relación
causal entre un factor (p. ej., un agente que se sospecha que puede causar una
enfermedad o un tratamiento que puede prevenir o mejorar una situación clínica) y un
efecto, respuesta o resultado. Al final es cuando se busca alguna causalidad , estos
estudios se tienden a evaluar de manera posterior a través de estadísticas inferencial ya
sea buscando asociación o comprar alguna variable con otra. Debe presentar una
descripción previa
❖ Descriptivo
Un estudio se considera descriptivo cuando no busca evaluar una presunta relación causa
efecto, sino que sus datos son utilizados con finalidades puramente descriptivas. Suele ser
útil para generar hipótesis etiológicas que deberán contrastarse posteriormente con estudios
analíticos. Es cuando observo alguna población y voy describiendo o enumerando los
resultados con las cosas que le pasan según determinada condición que puede ser alguna
patología, algún diagnóstico, tratamiento. Describo lo que efectivamente está pasando en
esa población, no comparo, no asocio, no busco esa causalidad.
Secuencia temporal 10:45
● Se consideran transversales los estudios en los que los datos de cada sujeto
representan esencialmente un momento del tiempo. Estos datos pueden
corresponder a la presencia, ausencia o diferentes grados de una característica o
enfermedad (como ocurre, por ejemplo, en los estudios de prevalencia de un
problema de salud en una comunidad determinada), o bien examinar la relación
entre diferentes variables en una población definida en un momento de tiempo
determinado. El ejemplo clásico de una foto, uno evalúa a los sujetos solo una vez.
Estudia la prevalencia del número de casos que hay.
● consideran longitudinales los estudios en los que existe un lapso de tiempo entre
las distintas variables que se evalúan, de forma que puede establecerse una
secuencia temporal entre ellas. Pueden ser tanto descriptivos como analíticos. En
estos últimos debe tenerse en cuenta, además, la dirección temporal, que puede ir
de la causa hacia el desenlace (estudios experimentales y estudios de cohortes) o
bien desde el desenlace hacia la causa (estudios de casos y controles). Hacen un

seguimiento de la población. Tiene mayor representación a la hora de poder hacer
conclusiones, se sigue a la población por un tiempo determinado, con evaluaciones
periódicas. Permite conocer cómo se comportan ciertos determinantes de salud o
sociales dentro de las poblaciones.
Se muestra ejemplificado lo
que es la secuencia temporal.
Transversal: en el presente
Cohorte prospectivo: desde el
presente al futuro
Cohorte retrospectivo: se
evalúa lo que ya pasó
Cohorte ambispectivo: pasado
presente y futuro
Casos y controles: son las
personas que ya tuvieron la
enfermedad.
ensayos clínicos: Son prospectivos: presente y futuro.
Asignación de los factores de estudio
❖ Se consideran experimentales los estudios en los que el equipo investigador asigna
el factor de estudio y lo controla de forma deliberada para la realización de la
investigación, según un plan preestablecido. Estos estudios se centran en una
relación causa-efecto (analíticos), y en general evalúan el efecto de una o más
intervenciones preventivas o terapéuticas. Aca se evalúan las variables o
controlando, tienen que ver con los ensayos clínicos, donde se entrega un fármaco a
algunos pacientes y a otros pacientes se les da … de forma aleatoria y voy midiendo
los efectos en determinadas fases de estas investigaciones.
❖ Tienen mayor nivel de evidencia ya que los protocolos de rigurosidad son más
exhaustivos.
❖ Se definen como observacionales los estudios en los que el factor de estudio no es
controlado por los investigadores, sino que éstos se limitan a observar, medir y
analizar determinadas variables en los sujetos. La exposición puede venir impuesta
(p. ej., el sexo o la raza), haber sido «escogida» por los propios sujetos (p. ej., el
consumo de tabaco) o decidida por el profesional sanitario dentro del proceso
habitual de atención sanitaria (p. ej., los actos terapéuticos ordinarios), pero no de
forma deliberada en el marco de una investigación.
Inicio del estudio en relación con la cronología de los hechos
❖ Se consideran prospectivos aquellos estudios cuyo inicio es anterior a los hechos
estudiados, de forma que los datos se recogen a medida que van sucediendo.
❖ Se consideran retrospectivos los estudios cuyo diseño es posterior a los hechos
estudiados, de modo que los datos se obtienen de archivos o registros, o de lo que
los sujetos o los médicos refieren. Terminan en el presente y van hacia el pasado.
❖ Cuando existe una combinación de ambas situaciones, los estudios se clasifican
como ambispectivos.
Clasificación de los tipos de diseño
Estudios descriptivos transversales:

❖ Estudios de prevalencia
❖ Series de casos transversales
❖ Evaluación de pruebas diagnósticas: Generalmente las curvas Roc: sensibilidad
especificidad, valor negativo-positivo
❖ Estudios de concordancia: para evaluar encuestas o si la validez de la encuesta es
la adecuada
❖ Estudios de asociación cruzada: Se cambian los sujetos de evaluación
❖ Otros estudios transversales descriptivos: mixtura de diseños que se puedan ir
realizando.
Estudios descriptivos longitudinales:
❖ Estudios de incidencia: Casos nuevos
❖ Descripción de los efectos de una intervención no deliberada
❖ Descripción de la historia natural: se utiliza para el análisis de las fichas clínicas
Estudios analiticos observacionales:

❖ Dirección causa-efecto: estudios de cohorte:
➢ Prospectivos
➢ Retrospectivos
➢ Ambispectivo
❖ Direccion efecto-causa: estudios de casos y controles
❖ Estudios híbridos: mezcla de los componentes
Estudios analiticos experimentales: S on los de mayor nivel de evidencia

❖ Ensayos controlados: Aleatorizados ECAS. Son los de mejor nivel de evidencia
➢ Ensayos clínicos en paralelo
➢ Ensayos clínicos cruzados
➢ Ensayos comunitarios: no son tan potentes como un estudio clínico
aleatorizado, pero revisten de información muy importante a la hora de tomar
conclusiones en poblaciones grandes, comunidades completas. Como
comunidades de salud, sociales, etc.
❖ Ensayos no controlados:
➢ Ensayos sin grupo control
➢ Ensayos con control externo: Los tipos de investigacion que mas se utilizan
en las ciencias de salud
Tabla resumen: La aleatorización disminuye mucho los sesgos de selección de los sujetos.
Estudios de cohortes: Estudios que más se realizan en ciencias de salud, Los estudios de
casos y controles revisten de fondo porque no son estudios que se realicen con poco
tiempo, ni tampoco se realizan en poblaciones pequeñas. Generalmente son estudios que
se hacen con fondos públicos o privados.
El término cohorte se utiliza para designar a un grupo de sujetos que tienen una
característica o un conjunto de características en común (generalmente la exposición al
factor de estudio, como la contaminación ambiental, exposición a algún metal pesado), y
de los que se realiza un seguimiento en el transcurso del tiempo
En el diagrama muestra a las personas

expuestas y a las no expuestas, y siempre
dentro del seguimiento se pierde el
seguimiento ya que por temas éticos en
cualquier momento pueden desistir de
participar en la investigación o pueden morir
por otras causas.
Hay un seguimiento de los expuestos y los
no expuestos. Se hacen análisis de este tipo
de enfermedades y del riesgo.
En un estudio prospectivo de cohortes, el investigador parte de la formación de los grupos

de sujetos expuestos y no expuestos a un posible factor de riesgo, y los sigue durante un

tiempo para determinar las tasas de incidencia del desenlace de interés o de mortalidad en
ambos grupos. Similar a los análisis de sobrevida, donde se hace un seguimiento de las
personas cuando se les diagnostica un cáncer y cuanto es el tiempo de evolución, o cuanto
es el tiempo de sobrevida.
En un estudio retrospectivo de cohortes, tanto la exposición como la enfermedad ya han
ocurrido cuando se lleva a cabo el estudio. La identificación de las cohortes expuesta y no
expuesta se basa en su situación en una fecha previa bien definida (p. ej., la fecha de inicio
de una exposición laboral) Por ejemplo una persona puede estar expuesta a una condición
laboral que puede ser perjudicial para esa persona como exposición al frío o malas posturas
de trabajo o excesivas cargas de peso y eso puede generar una determinada condición.
Entonces si se sabe que un paciente estuvo expuestos a esos agentes nocivos, por un
determinado tiempo, se puede investigar si es que ya ocurrió la enfermedad y cuáles fueron
las condiciones de esas enfermedades.
Ejemplo de estudio de cohorte:

Se realizó un estudio para examinar la asociación entre la exposición a los asbestos
(material nocivo, tóxico y está asociado con la presencia del cáncer o la disminución de y el
cáncer:
❖ Un grupo de personas que había trabajado con asbestos fueron identificados a
través de los registros impositivos (expuestos)
❖ También se identificó un grupo que había trabajado en la industria textil y que no
había estado expuesto a los asbestos (no expuesto)
❖ Las causas de muerte fueron determinadas en los certificados de defunción
❖ Se comparó la mortalidad por cáncer de pulmón en ambos grupos.
Se toma a los expuestos y no expuestos y se ve el desenlace que es tener o no el cáncer
de pulmón y ver si el factor de exposición genera alguna alteración, como una disminución
del tiempo de sobrevida o aumento de la mortalidad.
Ventajas y desventajas de los estudios de cohorte:

Ventajas:
❖ Permiten el cálculo directo de las tasas de incidencia en las cohortes expuestas y no
expuestas y del riesgo relativo de los expuestos en relación con los no expuestos.
Riesgo relativo: Permite conocer el impacto que puede tener la población con un
determinado agente, algún agente nocivo.
❖ Aseguran una adecuada secuencia temporal (la exposición al factor de estudio
precede a la aparición del desenlace)
❖ Los diseños prospectivos se minimizan los errores en la medición de la exposición
(tiene que ver con el control de sesgo, al controlar de mayor manera los sesgos será
una investigación más adecuada)
❖ Permiten evaluar los efectos del factor de riesgo sobre varias enfermedades. Si se
cuenta con fichas o consignación de desenlace de las personas de manera
adecuada.
Desventajas:
❖ No son eficientes para el estudio de enfermedades poco frecuentes
❖ No son eficientes para el estudio de enfermedades con un largo periodo de latencia

(VIH por ejemplo, no sería adecuado porque su latencia es alta y se necesita llegar a
la conclusión de los estudios)
❖ Los estudios prospectivos suelen ser de larga duración (2 años de seguimiento,
dependiendo de si son estudios con participación multicéntrica en el cual participan
muchos países y ahí pueden ser 10 años de evaluación)
❖ Requieren un número elevado de participantes
❖ Los estudios prospectivos tienen un costo elevado
Ejemplos:
Aquí se concluye (tabla inferior)

que l@s niñ@s que tienen
obesidad tienen un riesgo
importante de tener alteraciones
nutricionales desde salud
evaluados con el OR, (cuántas
veces podemos tener una
determinada condición de riesgo)
Entonces 6- 7 veces es una
condición bastante importante.
En la tabla superior se ven las
características de las cohortes
que se utiliza para determinar las características de las poblaciones.
Otra tabla que muestra la

incidencia del desarrollo de
flebitis, entonces se ven las
características de los sujetos (en
la tabla), el N de sujetos que se
evaluó y el valor P que es un valor
de la diferencia, ya que son tablas
de las condiciones o las
características de la población, y lo
que muestra es que no hay
diferencias significativas, eso quiere
decir que tenemos muestras o sujetos
muy heterogéneos, entonces uno
busca las poblaciones lo más
homogéneas posibles para hacer las
conclusiones.
Consideración de interpretación:
Las evaluaciones de riesgo que es un aspecto
que hay que tener en consideración respecto a la
evaluación de los resultados de los estudios de
casos y controles y estudios de cohortes que es
la diferencia entre el riesgo relativo (RR) y el OR.
Si se fijan en la tabla vamos evaluando la
frecuencia de evento o sea las prevalencia que
los elementos tienen, son eventos que tienen
mucha representación dentro de la población y
los valores de RR-OR en la vertical. Entonces en
el RR independiente de la frecuencia del evento
se mantienen estables, pero el OR, principalmente entre los 25-30 de la prevalencia de las
enfermedades de las canciones va separándose del riesgo relativo, eso quiere decir que en
un punto entre 50 y hasta 70 de las prevalencias o de la cantidades de información de la
población con respecto a esa patología tiende a sobreestimar el valor, entonces podemos
encontrar un OR de 14 pero eso no quiere decir que nosotros tenemos 14 veces más
posibilidades de tener la enfermedad dado que hay una condición sino que si miramos el
riesgo relativo vemos que efectivamente el RR sigue siendo 2 o sea 2 veces más
posibilidades de tener la condición y el OR tiende a subestimar. Entonces cuidado al
evaluar cuando revisamos los OR, muchas veces se recomienda la utilización de RR pero
eso depende del tipo de estudio.
Estudios de casos y controles: La diferencia con el de cohorte que ellos estaban expuestos
o no expuestos y aquí son personas enfermas o personas sanas.
En los estudios de casos y controles se elige un grupo de individuos que tienen un efecto
o una enfermedad determinada (casos), y otro en el que está ausente (personas sanas)
(controles). Ambos grupos se comparan respecto a la frecuencia de exposición previa a un
factor de riesgo (factor de estudio) que se sospecha que está relacionado con dicho efecto o
enfermedad.
Aquí se ven enfermos y no
enfermos y a partir de eso ver si
tuvieron una exposición,
entonces es distinto al cohorte,
porque aquí se tienen a
personas con la enfermedad o
personas sanas.
Ejemplo: Un estudio realizado para evaluar la asociación de cáncer de páncreas con el

hábito de fumar y el rol del consumo de alcohol como variables confundentes. También se
recolectó información sobre el consumo de café y té.
Casos: Pacientes con diagnóstico histológico de cáncer en 11 hospitales del área
metropolitana de Boston y Rhode Island entre octubre de 1974 y agosto de 1979.
Se identificaron 578 pacientes de los cuales se entrevistaron a 405.
Los investigadores trataron de investigar a
todos los pacientes bajo el cuidado del mismo
médico en el mismo hospital al momento de la
entrevista de un caso. (protocolos exhaustivos)
Pacientes con enfermedades del páncreas o
hepatobiliares o enfermedades que se conocía
que estaban asociadas con el hábito de fumar o
el consumo de alcohol fueron excluidos.
Los principales diagnósticos excluidos fueron:
Enfermedad cardiovascular, diabetes, cáncer
del aparato respiratorio o vejiga, úlcera péptica.
Aquí se tiene a los pacientes controles,

es decir aquellos que no tenían la
enfermedad.
No se tienen muestras balanceadas se
puede tener cada 1 caso por 2 controles,
que eso mejora muchas veces cuando
las patologías no son muy prevalentes o
uno quiere disminuir el número de
sujetos con casos a evaluar entonces se
aumenta el número de controles.
Ventajas y desventajas de la población
demandante y la general:
La población demandante es más fácil de identificar que son los casos. En cambio la
población general es más difícil ya que deben tener características similares a los casos
pero que no presenten la enfermedad.
Ejemplo: Enfermedad de
Parkinson y factores
ambientales:
Se evaluó a personas que ya
tenían la enfermedad.
Aquí hablan de la especificación

del tamaño de la muestra con
significancia de 0.05 , potencia
de 80% y un OR de 2, son
cálculos que se hacen para
estudios de casos y controles y
que son diferentes a las fórmulas
de muestra que se utilizan para
poblaciones generales o
estudios por encuesta.
Entonces personas con un nivel socio demográficos con nivel educacional lo más probable
que bajo tenga un 1,8% de tener una condición y cuando se ajusta el ORC con ciertas
variables, tiende a bajar por lo tanto quiere decir que el nivel educacional incide pero no
incide de una manera tan importante y el P valor no es significativo, lo que quiere decir que
no es tan importante. Si bien es cierto que existe una tendencia a tener un riesgo con
respecto al nivel educacional bajo ese riesgo no es significativo.
En las condiciones de salud como traumatismo encéfalo craneano o enfermedad crónica, es
extraño porque el ORC en este valor aparece como un valor bajo 1 eso quiere decir que el
tener una enfermedad crónica para el parkinson sería un factor de protección y si lo vemos
el p es un valor estadísticamente significativo tanto para el valor del crudo como el ORA
(OR ajustado) entonces ojo hay que tener cuidado con que tipo de enfermedades crónicas
son las que pudiesen tener un factor de protección, en realidad el factor de protección no
necesariamente tiene que ver con la patología en sí, sino con el cuidado previo que hay o
la mejor pesquisa que se hace de estos pacientes, son pacientes que generalmente
presentan un grado de consultas médicas mucho mayor.
Luego se ven antecedentes de estilo de vida y factores ambientales, los tóxicos presentan
ORC alto y un porcentaje significativo. Entonces es un factor de daño. Con este estudio
podemos ver que efectivamente los agentes nocivos están asociados a una mayor
presentación de enfermedad de parkinson en personas principalmente si miramos que está
la ruralidad, donde la gente está más expuesta a estos contaminantes, pero no es
significativo si vemos el ORC, pero en el de tóxicos si lo es, donde tienen 3 veces o mas
bien 2,9 más posibilidades de tener esta enfermedad.
Cáncer de pulmón y tabaco en Asturias: un estudio de casos y controles

En la tabla 1 se muestran las características

de los casos y control. La tabla 2 es Odds,
mostrando el intervalo de confianza. Si
nosotros evaluamos la variable tabaco (fuma
o no fuma) que es una variable cualitativa
nominal,entonces el test estadístico que se
realiza es Shif cuadrado (z²), y el test de
riesgo es el Odds ratchet? con su respectivo
nivel de confianza del 95%.
Entonces con esto
podemos determinar que
efectivamente el fumar
incide en el cáncer de
pulmón, entonces el fumar
más de 41 cigarrillos al día
tiene 8 veces más
probabilidades de tener
cáncer de pulmón. También
se analizan los paquetes de
cigarrillos al año, y mientras
más cigarrillos también hay más riesgo. Otro factor importante es la edad de inicio del
consumo de tabaco, 8 veces más posibilidades en personas que empiezan entre 15-17
años. Eso tiene que ver con la DATA o el tiempo que las personas fuman o consumen
cigarrillos que impacta negativamente en la presencia de cáncer de pulmón.
Estudios ecológicos:
● Contexto
En los estudios ecológicos, las unidades de análisis son agregaciones de individuos, a
menudo basadas en criterios geográficos o temporales. Son estudios rápidos, económicos y
fáciles de realizar, especialmente si la información que se pretende recoger está disponible
en anuarios estadísticos o grabada en soporte digital o censales. Investigaciones que se
hacen con datos gubernamentales o datos de la DEIS, o datos de la encuesta nacional de
salud, o datos del ministerio de salud, educación, son datos de uso público. Entonces esos
datos los utilizó para obtener conclusiones nuevas. Presenta imprecisiones.
● Tipos de estudios ecológicos
○ Exploratorios: Buscan componentes nuevos que no estan revisados en las
poblaciones
○ Grupos múltiples: Cuando se comparan etnias o se hacen estudios
ecológicos de determinado países, también en las edades o algunas
condiciones de salud.
○ Series de tiempo: Cuando se hace un seguimiento del tiempo que se puede
hacer un estudio de serie de tiempo de cancer de pulmon desde que se
empezó a evaluar en chile con datos censales
○ Mixtos
Dentro de los estudios ecológicos:
● La falacia ecológica se refiere al error que se comete cuando se aceptan

asociaciones entre eventos cuando en realidad no existen, siguiendo el supuesto de
que los resultados obtenidos a partir de un estudio ecológico serían los mismos que
se obtendrían de un estudio basado en observaciones de individuos (un supuesto
implícito aquí es que el estándar de oro son los estudios de base individual).
Se debe tener cuidado ya que si bien es cierto que se tiene información que es
representativa, muchas veces no se sabe sobre una persona, no podemos saber quien,
entonces no podemos conocer los entornos o las condiciones específicas de salud.
Entonces se pueden cometer estos errores de asociaciones que no son tan correctas.
Dentro de todo, tienen una representatividad bastante alta de la poblaciones, pueden
cometer ciertos errores cuando se busca componentes específicos
● Ética
Por ser estudios secundarios y presentar como eje principal que los sujetos son anónimos,
se deben solicitar cartas de dispensa de consentimiento informado a los comités de ética.
No se necesita solicitar permiso a las personas.
Estudio ecológico sobre la

tuberculosis en Cuba en el
periodo de 1995-2000. La
temporalidad me indica que este
es un estudio ecológico como una
serie de tiempo.
“Se identifican patrones de
distribución espacial” entonces
aquí hay una mezcla de geografía
para determinar algunos
componentes.
Aquí lo importante es que se
utilizan datos digitales
Revisiones sistemáticas: Tipo de estudio secundario

• Una revisión sistemática (RS) de la evidencia científica consiste en la síntesis de la mejor
evidencia disponible para responder a una pregunta concreta mediante la aplicación de una
metodología explícita y rigurosa. Para ello utiliza el mismo procedimiento que cualquier
estudio de investigación: se formula un objetivo, se busca, se identifican y se valoran las
pruebas disponibles siguiendo un protocolo con criterios explícitos, y se obtienen
conclusiones a partir del análisis de los datos recogidos y la interpretación de los resultados.
● Deben tener un protocolo muy exhaustivo y ojala analizado por grupos de expertos
múltiples.
La pirámide muestra el nivel de evidencia

según los protocolos que se siguen:
las revisiones sistematicas (metaanalisis y
meta regresiones) están en la cúspide de
investigación científica ya que recaban
mucha informacion, y mucha de esa
información primaria (como esta es una
investigación secundaria) tiende a sumar
cantidades de poblaciones importantes,
entonces las revisiones sistemáticas buscan
ensayos clínicos aleatorizados los cuales
presentan el mejor nivel de evidencia. Si yo
realizo otra investigación con muchos
ensayos clínicos aleatorizados, mi nivel de
evidencia será más potente a la hora de poder hacer conclusiones y esas conclusiones
generalizarlas a la población. Son relevantes para la toma de decisiones de los gobiernos.
Todas son importantes pero la potencia de las revisiones sistemáticas es importante.
Guia para la realización de una revisión sistemática:

● la evaluación de la calidad de los estudios se
hace por tablas*
Entonces la estructura según el formato Picot?

Una de las tablas de resultados o

diagrama de flujo de lo que son la
selección de los artículos en las
revisiones sistemáticas
1-búsqueda en la literatura
2- se tiene un resultado de búsqueda
combinado eliminando los
duplicados.
3- se filtran
Entonces lo que hace está diagrama
de flujo es disminuir la cantidad de
artículos según el protocolo de la
revisión sistemática. Al final del
proceso se termina con 9 estudios.
De 1700 artículos se terminan en 9.
Para
posteriormente
resumir los
resultados. Se
indica el autor,
país tipo de
estudio,los
sujetos y el
origen, los
resultados y las
conclusiones
*falto el grado
de
recomendación
que se hace por distintas evaluaciones, donde grey es la más importante*
Si un paper tiene un alto grado de recomendación, se debe considerar a la hora de la
creación de políticas públicas, etc.
Otro resultado de las revisiones
sistemáticas, tiene que ver con
los colores spot ? son gráficos
donde considero los estudios de
determinados autores, años y el
número de sujetos, y en este
gráfico se ve principalmente se
obtiene el valor de riesgo o la
razón de verosimilitud con
respecto a los estudios.
Entonces si yo obtengo todos los OR ( con sus intervalos de confianza) de todas las
investigaciones se puede construir un OR global y eso es significativo si no atraviesa la
línea inferior.
Se utiliza mucho para análisis de fármacos.
Clase 5: Muestreo
Diseño de Muestras:
❖ La dirección de la muestra y el método de
muestreo (importantes para tener muestras
representativas) va enmarcado en el diseño de la
planificación.
Dentro del esquema general de una investigación
tenemos:
1. En un inicio la idea, junto con la pregunta de
investigación.
2. Cómo se operacionaliza o se generan los
cuestionarios.
3. Marco y diseño muestrales, estos no pueden
ayudar con la gestión de recursos humanos y
económicos.
Dentro de la metodología de un estudio es necesario

definir:
❖ Unidad de análisis: Tiene que ver con:
➢ Población blanco (universo): aquella a la
cual el investigador quiere extrapolar sus resultados. Ej:
Si yo quiero evaluar patología en niños, mi universo son
todos los niños de la RM.
➢ Población Accesible (población):
conjunto de casos que satisfacen los criterios de
inclusión y que
son accesibles
al investigador.
❖ Tipo de muestra.
Muestra:
❖ Es la parte de la
población que
efectivamente se mide
(subconjunto de la
población), con el
objeto de obtener
información acerca de
toda la población (estimación).
❖ La selección de la muestra se hace por un procedimiento que asegure en alto grado

la representatividad de la población, esto se consigue por muestreos probabilísticos
o aleatorios.
Unidad Muestral:
❖ Es cada uno de los miembros individuales de una población.

❖ Cada unidad muestral proporciona una medida.
❖ Ej: Yo puedo evaluar a los miembros de la población la presión arterial.
Marco muestral:
❖ Es la parte de la población desde donde se selecciona la muestra.

❖ Idealmente el marco muestral coincide con la población, aunque no necesariamente
debido a los criterios de inclusión o variables que se miden.
Diseño muestral:
❖ Según tipos de análisis posteriores.
Etapas del muestreo:
❖ Tienen que ver con:

➢ Definir la población.
➢ Especificar el marco muestral acotado a criterios de inclusión.
➢ Especificar el método de muestreo (diseño): Muestreo probabilístico y no
probabilístico.
➢ Determinar el tamaño de la muestra (Fórmulas)
➢ Especificar el plan de muestreo, en este se definen los procedimientos
operacionales para la selección de las unidades muestrales.
➢ Seleccionar la muestra con consideraciones importantes como el abandono,
tasas de no respuesta que puede haber con determinadas evaluaciones.
Selección de la muestra:
❖ Población: Es el conjunto sobre el que estamos interesados en obtener conclusiones

(hacer inferencia). Normalmente es demasiado grande para poder abarcarlo.
❖ Muestra: Es un subconjunto de una población más grande que tiene características
similares a esta, esto es lo que conocemos como representatividad.
➢ Debería ser “representativo” sus características claves son iguales a la de la
población o con un pequeño error o manejable, que es el tema de los sesgos.
➢ Está formado por miembros “seleccionados” de la población (individuos,
unidades experimentales, Cuando se trabaja en procesos industriales y se
muestrea un objeto).
Este esquema representa el universo

(totalidad de personas), población
(pueden tomarse como sinónimos o se
puede considerar bajo los criterios de
inclusión) y muestra (subconjunto que se
obtiene por muestreo).
Cuando avanzamos del universo la

muestra se va disminuyendo por
limitaciones.
Selección de componentes de la muestra
Criterios de elegibilidad:
❖ Criterios de inclusión
❖ Criterios de exclusión.
Si yo especifico mucho mis criterios se reduce el tamaño poblacional y la idea es hacer esto
mediante muestreo para lograr la representatividad.
Los criterios pueden definirse por razones:
❖ Prácticas: cercanía geográfica.

❖ Costos: hacer una encuesta puerta a puerta vs llamar por teléfono.
❖ Participación: estado de salud o movilidad.
❖ Diseño de acuerdo con el tipo de variable en estudio, es importante definir los

componentes de la muestra, ya que según el tipo de estudio y variables que
se analicen son los diseños muestrales que se utilizarán más adelante
Sesgos:
❖ Error aleatorio que se produce sistemáticamente.

❖ En los procesos inferenciales o de muestreo estadístico estamos expuestos a
sesgos, que tienen que ver con:
➢ Selección de la muestra, tiene que ver con:
■ Muestra no representativa de la población estudiada.
■ Pérdida durante el seguimiento.
■ Diferencias iniciales entre grupos control y tratado, es difícil manejarlo
pero con el muestreo se mantiene controlado.
➢ Manera como se recoge la información:
■ Instrumentos de medición validados.
■ El observador tiene mayor conocimiento de lo que se hace, para que
no se genere distorsión en la percepción o el reporte de la medición.
■ Participantes, hay sesgos de memoria, cuando se pregunta a los

pacientes de sus fichas clínicas. Puede haber pérdida de información
en el proceso y el muestreo ayuda a controlar esto.
Cuando se seleccionan pacientes de un cesfam,

hospital, etc. Uno tiende a seleccionar los casos
más graves, por lo que se encuentran más
resultados anormales y eso genera una
sobreestimación del test.
Por otro lado, se pueden seleccionar voluntarios

y que sean personas muy saludables, lo que
hace complicado comparar deportistas jóvenes
con personas de la tercera edad.
En conclusión, la selección de la muestra debe

ser lo más representativa de la población y debe tener homogeneidad.
Este esquema representa el

proceso de muestreo, donde se
tienen procedimientos de selección:
❖ Simple, doble o múltiple: Se

elige personas o cantidades de
sujetos pacientes y controles.
❖ Los procedimientos
probabilísticos y no probabilísticos:
Son los que más se utilizan, tienen
protocolos más acabados para
elegir personas.
Tipos de muestreo:
Probabilístico:
❖ Muestreo aleatorio simple (más utilizado): Se eligen aleatoriamente unidades de la

población pero sin un requisito previo.
❖ Muestreo sistemático.
❖ Muestreo estratificado: Estratificar por variables, ejemplo: sexo, edad, etc.
❖ Muestreo polietápico (mezcla de otros muestreos).
❖ Muestreo por áreas.
❖ Muestreo por conglomerado: Conglomerados naturales, ejemplo: etnia, raza, etc.
No probabilístico:
❖ Por conveniencia (más utilizado): Pueden servir en investigaciones de salud, tienen

que haber expertos.
❖ Según criterio: Se ocupa el juicio de expertos para elegir.
❖ Muestreo por cuotas: Cuando se cumplen cuotas se cierran procesos muestrales, se
eligen individuos por criterio de investigación.
❖ Cuasi probabilístico: Híbrido de probabilístico, no tiene representatividad importante.
❖ Bola de nieve.
Otros:
❖ Errático
❖ Opinático
Los que más se utilizan en el muestreo probabilístico:
❖ Aleatorio simple: El mejor, pero no permite seleccionar personas con más

características.
❖ Sistemático
❖ Estratificado
❖ Conglomerados
Diferencias:Muestreo aleatorio simple (MAS):
❖ Seleccionar sujetos de una población, ejemplo:

Si yo tengo una población de doce individuos lo
que hace MAS es seleccionar cuatro sujetos,
pero no sabremos cuáles cuatro.
❖ Problemas:
➢ Sobrestima la muestra, da un número muy grande para alcanzar la
representatividad.
➢ Puede haber características de las personas que no sean seleccionadas.
Muestreo aleatorio sistemático (MS):
❖ Deriva del MAS.

❖ Tenemos dos valores: El valor de la
muestra y punto de entrada o de
inicio (K).
❖ Se da un número de ranking, esto
quiere decir que yo tengo un valor en
el ejemplo está representado por K=3
que a va a decir que cada tres
sujetos seleccionó a esa persona.
❖ Permite mayor representatividad, pero no condiciona los sujetos según
algunas variables.
Muestreo aleatorio estratificado (MAE):
❖ Estratificación por variables.

❖ Se garantiza que desde el lugar que yo saco mi muestra tenga un número adecuado
a la cantidad de unidades o personas que ahí encuentre.
❖ Permite seleccionar números representativos de cada lugar.
Fórmula MAE
Se determinan los tamaños de los estratos, se tiene

en cuenta el error de estimación. Se puede hacer en
Excel.
Muestreo aleatorio por conglomerado (MC)
❖ Es una técnica utilizada cuando hay

agrupamientos "naturales" relativamente
homogéneos en una población estadística.
❖ Dentro de un conglomerado pueden existir
características distintas.
❖ Ayuda con poblaciones homogéneas y permite tener resultados específicos o
buenos.
❖ Si no existe homogeneización de las variables o de los componentes que estoy
estudiando, lo mejor es utilizar un muestreo estratificado.
❖ Ej: Un criterio habitual para definir conglomerados es el geográfico. Por ejemplo, si
queremos estudiar qué proporción de la población chilena fuma, podemos dividir el
total de la población en comunas y seleccionar algunas de ellas para ser estudiadas.
Si no tenemos razones para pensar que el porcentaje de fumadores va a cambiar de
una comuna a otra, esta solución nos permitirá concentrar el esfuerzo de muestreo
en un único entorno geográfico.
Ejemplo ENS 2010:
❖ En estudios grandes no se tiene un muestreo único, sino que combinaciones de

muestras.
❖ El marco muestral fue construido a partir del Censo de Población y Vivienda 2002. El
diseño del estudio fue transversal, con una muestra aleatoria de hogares de tipo
complejo (estratificada y multietápica (se pasó desde una etapa hasta la unidad,
ejemplo de una región a un hogar) por conglomerados) con representatividad
nacional, regional y por zona rural/urbana. La población objetivo fueron los adultos
de edad mayor o igual a 15 años.
❖ La encuesta tuvo una tasa de respuesta en la población elegible de 85% (85% de las
personas seleccionadas respondieron efectivamente). La tasa de rechazo fue de
12% (personas que no desean participar y si fueron muestreadas).
❖ Se entrevistó finalmente a 5.434 personas.
❖ Una enfermera realizó mediciones clínicas y exámenes a 5.043 participantes y 4.956
aceptaron la realización de exámenes de laboratorio (sangre y orina). La pérdida
muestral total de la muestra sobredimensionada fue de 28% (esto incluye rechazo,
no contacto y otras causales de pérdida aleatoria).
❖ Con el sobremuestreo garantizo que efectivamente la población mínima para que
sea representativa para la población se haga los exámenes o conteste la encuesta.
Resultados y
estratificación.
Muestra final expandida:

Se hace con factores de
expansión, esta nos
muestra la
representatividad de la
muestra en la población.
Ejemplo:
❖ Estudio de calidad de servicios de salud.

❖ Diseño observacional de corte transversal en muestras probabilísticas.
(Crosssectional).
❖ Muestreo aleatorio estratificado con fijación proporcional, permite que se le asigne
un peso a los lugares en que encuentre mayor cantidad de personas. Es decir, que
la cantidad de población de la muestra debe ser proporcional a la población.
Números
aleatorios, quiere
decir que cuando
yo obtengo el
proceso de
muestreo (verde),
del total de la
población (Ni) se elige la cantidad de la muestra (verde) aleatoriamente. Lo que garantiza
esto es que no se seleccione por criterio, sino aleatoriamente, eliminando los sesgos de
selección.
Números aleatorios:
❖ Es aquel obtenido al azar, es decir, que todo número tenga la misma probabilidad de
ser elegido y que la elección de uno no dependa de la elección del otro.
❖ Se asegura la elección aleatoria de las personas, eliminando sesgos o
disminuyéndolos al máximo.
❖ Cómo formar números aleatorios en Excel: =ALEATORIO.ENTRE(inferior; superior)
❖ Ej: =ALEATORIO.ENTRE(1; 100).
➢ La tabla que se generó con el resultado se expande hasta 10, es decir, que
entre 1 y 100 personas eligen de manera aleatoria a 10 personas.
Muestreo no Probabilísticos
❖ Subgrupo de la población en que la elección de los elementos no depende de la

probabilidad sino de las características de la investigación.
❖ Se utilizan en diseños cualitativos o no cuando no se tienen muchos recursos
humanos o monetarios.
❖ Tiende a generar muestras menos precisas que el muestreo probabilístico.
❖ La mayoría de las muestras de los estudios biomédicos son de este tipo.
❖ No son tan representativas.
❖ v Los principales métodos de muestreo no probabilístico son:
➢ Por conveniencia.
➢ De criterio de expertos.
➢ Por cuota.
Muestreo por conveniencia:
❖ Es aquel con el cual se seleccionan las unidades muéstrales de acuerdo con la

conveniencia o accesibilidad del investigador.
❖ Ej: Si trabajo en un hospital elijo pacientes que se atienden en ese hospital, puede
tener problemas éticos.
❖ Este muestreo se puede utilizar en los casos en que se desea obtener información
de la población, de manera rápida y económica.
❖ Las muestras por conveniencia se pueden utilizar en las etapas exploratorias de la
investigación como base para generar hipótesis y para estudios concluyentes en los
cuales el investigador desea aceptar el riesgo de que los resultados del estudio
tengan grandes inexactitudes.
Muestreo según criterio (juicio)
❖ Selección de los elementos de la muestra se realiza de acuerdo con el juicio y

criterio del investigador.
❖ Por ejemplo, en una investigación sobre las ventas diarias de todos los
supermercados de una ciudad, el investigador, a juicio, selecciona primero aquellos
supermercados que son más representativos.
Muestreo por cuotas:
❖ Son un tipo especial de muestras a propósito.

❖ En el caso del investigador da pasos concretos con el fin de obtener una muestra
que es similar a la población en algunas características de “control”, anteriormente
especificadas.
❖ El investigador determina el número de entrevistados, y los entrevistadores eligen a
sus entrevistados libremente con base en sus conocimientos y experiencia.
Muestreos especiales:
❖ Complejo: Utilización o muestreo mixto en el que se hacen varias etapas, mezclando

diseños de muestra. Se utilizan en investigaciones grandes o a nivel país.
❖ Respondent-Driven Sampling (RDS):
➢ Se utilizan para población de difícil acceso.
➢ Es un método de muestreo para poblaciones ocultas o de difícil acceso.
➢ Se trata de un procedimiento que permite realizar estimaciones de la
representatividad de la muestra en aquellos grupos en que desconocemos el
marco muestral.
➢ No es tan específico el número que da, pero entrega conocimiento certero.
➢ Definición de olas de muestreo (imagen): Selecciono una persona y le digo
que me ayude para seleccionar más personas que tienen sus características.
Cuando llegó el último, sigo con otra ola.
➢ Ej: Inmigrantes ilegales, personas que roban.
Clase 6: Estadística Descriptiva Parte I

ESTADÍSTICA
❖ “La Estadística es el arte y la ciencia de extraer información útil y relevante de un

conjunto de datos empíricos”
❖ Viene de la época en que los estados recopilaban información acerca de la
población, por ejemplo, cuál era el número de nacidos o fallecidos en una ciudad, o
cuál era el número de personas que debían pagar los impuestos
Estadística y Ciencias de la salud
❖ La estadística es una herramienta muy utilizada en las ciencias de la salud, para la

realización de estudios en muestras que permitan identificar situaciones y
manifestaciones que gráficamente son de gran utilidad para el profesional, puesto
que de la interpretación de la información puede tomar decisiones informadas
respecto de la salud de la población.
❖ Usamos la estadística a diario en salud
➢ Un área que utiliza mucho la estadística es la epidemiología que es lo que
vemos hoy en día con el Covid-19
■ Se hacen extrapolaciones de hasta cuando durará el virus o cuántos
serán los contagiados en un mes
➢ Por Ejemplo cuando hablamos de:
■ Se hicieron estudios en la población para determinar el uso medio o
tiempo medio de los tratamientos)
■ Uso medio de eritropoyetina administrada en diálisis.
■ Tiempo medio de duración de una sesión de hemodiálisis.
➢ Cuando decidimos:
■ Tratar con fármacos a un paciente con cifras elevadas de presión
arterial.
● Estudios realizados sobre la población para saber la presión
normal
■ Al comparar si existen diferencias entre un fármaco inmunosupresor u
otro a la hora de prevenir el rechazo de trasplante renal.
Clasificación de la estadística
❖ Estadística Descriptiva:
➢ Tiene por objetivo describir y analizar las características de un conjunto de
datos
❖ Estadística Inferencial:
➢ Está fundamentada en los resultados obtenidos del análisis de una muestra,
con el fin de inducir o inferir el comportamiento o característica de la
población, de donde procede, por lo que recibe también el nombre de
Inferencia estadística.
➢ Los estadísticos se refieren a esta rama como inferencia estadística, esta

implica generalizaciones y afirmaciones con respecto a la probabilidad de su
validez.
➢ Va a extrapolar un valor o va a inducir un comportamiento al resto de la
población
➢ Nosotros tenemos la población o universo sobre la cual vamos a extrapolar
nuestra información, esta población o universo está compuesta por individuos
o elementos que son nuestra unidad de observación, nosotros podemos
seleccionar una muestra o un conjunto de individuos para medir una
característica
Ejemplo:
Queremos medir la edad de una población, podemos hacerlo de 2 maneras:
❖ Si la población es pequeña, se pregunta a TODOS los habitantes su edad y se

calcula el promedio, en este caso que estamos hablando de una característica de la
población, estamos hablando de estadística descriptiva
➢ Población (n): 5
Personas analizadas (n): 5
Edad media poblacional: 38 años
❖ Si la población es grande y no puedo preguntarle a todos individuos, escojo una
muestra representativa de la población, es decir, se le pregunta la edad a un grupo
de personas y se extienden las conclusiones a toda la ciudad, en este caso
hablamos de estadística inferencial.
Nota: Siempre hay un error en mi deducción o inferencia cuando hablo de
estadística inferencial
➢ Población: 15
Personas analizadas: 5
Edad media estimada: 38 años
Edad media prevista 2025: 42 años
Pasos de la Estadística
1) Recopilación
● Se recolectan variables
2) Presentación
● Representación gráfica de los datos
3) Análisis
● Tenemos que resumir y analizar los datos
4) Interpretación
● Interpretar y concluir a partir de los datos
VARIABLE
● Unidad de Observación:
○ Es la unidad física que nos interesa estudiar en nuestra investigación (es la
variable), pueden ser pacientes, personas, familias, objetos…
○ Nosotros vamos a estudiar características de la unidad de observación que
van a cambiar de un individuo a otro
■ Por ejemplo, las características de un paciente pueden ser: peso,
altura, color de piel, presión arterial, niveles de glucosa en sangre,
temperatura, etc
● Categorías de la Variable:
○ Son todas las posibilidades/opciones que yo puedo encontrar de esta
variable dentro de la muestra que estoy estudiando
■ Ejemplo:
Variable: Color de pelo
Categorías: Negro, Rubio, Castaño, Azúl, Rojo, Gris, Verde, Colorín,
etc..
Variables
❖ Las variables son los aspectos o características cuantitativas o cualitativas que son
objeto de búsqueda respecto a las unidades de análisis.
❖ Constituyen conceptos que reúnen dos características fundamentales:
➢ Criterios de Clasificación
■ Según su naturaleza o recorrido
● Variables Estadísticas: se clasifican en:
◆ Cualitativas
➢ Este tipo de variables representan una cualidad
o atributo que clasifica a cada caso en una de
varias categorías.
■ DICOTÓMICAS: 2 categorías:
(hombre/mujer, enfermo/sano,
fumador/no fumador).
■ POLITOMICAS, más de 2 categorías
(color de los ojos, grupo sanguíneo,
profesión, etcétera).
➢ Se subdividen en:
■ Nominal
■ Ordinal
◆ Cuantitativas
➢ Hablan de cantidades, con ellas nosotros
podemos hacer operaciones matemáticas}
➢ Se dividen en:
■ Discretas
● Se hallan restringidas a
determinados valores dentro de
su rango, no aceptan números
intermedios.
● Ejemplo: N úmero de hijos: 1, 2,

3…. (no 1,5 , 1,3, sino números
enteros)
■ Continuas
● Son aquellas que pueden tomar
cualquier valor dentro de su
rango, si admiten valores
intermedios entre 2 unidades
● Ejemplo: Peso de la persona:
Entre 70 kgs y 71 kgs existen
infinitos valores (aquí si existen
valores intermedios).
■ Según su escala de medición
● Es el grado de precisión como se expresa la medida de una
variable
● El investigador construye las categorías de la variable y ello a
su vez determina la escala de medición que está optando
◆ Él decide cómo va a medir y categorizar las variables
● Tipo de variable y escala de medición
◆ Determinan los métodos estadísticos que se
emplearán para analizar los datos
● Escalas de Medición
Existen 4 escalas de medición (Stevens 1958)
● Nominal
◆ A todas la unidades estadísticas equivalentes respecto
a la propiedad o atributo en estudio le corresponde un
número real que funciona solo como una “etiqueta”
◆ Todas las categorías de la variable tiene la misma
jerarquía
◆ Ejemplo:
➢ Sexo: Femenino (1)
Masculino (2)
➢ Tipo de Paciente: Hospitalizado (1)
Ambulatorio (2)
Atención domiciliaria (3)
● Ordinal
◆ Cuando el orden de los números asignados a las
unidades estadísticas refleja diferentes grados de la
propiedad o atributo en estudio
◆ Estas SI tienen un orden o jerarquía entre ellas,
podemos ordenarlas y el orden determina distintos
grados o propiedades de la característica en estudio
◆ Ejemplo:
● Intervalo
◆ Se tiene una escala intervalo, cuando los valores
asignados a las unidades estadísticas no solo permiten
ordenarlas, sino que además, las diferencias iguales
entre estos indican diferencias iguales en las
cuantías de las propiedades a medir. El inicio de la
escala (0) es arbitrario, convencional, no significa la
ausencia de la variable a medir

◆ Ejemplo:
➢ La más característica es la escala de
temperatura, por ejemplo, en grados celsius, 0
grados celsius no significa que no hay
temperatura, es un valor que se le ha puesto en
una convención, y tenemos temperaturas bajo 0
grados y sobre 0 grados
● Razón
◆ Cuando los valores asignados a las unidades
estadísticas no solo permiten que estas puedan ser
ordenadas, sino que además, las diferencias iguales
entre estos indican diferencias reales en las
cuantías de las propiedades a medir
◆ Acá el cero significa 0, la ausencia de la variable a
medir, no como antes que era arbitrario
◆ Ejemplo: E l peso de un paciente, aquí el 0 sí significa
la ausencia de la variable en cuestión
◆ Ejercicios:
■ Según su función / Según su relación con otras variables en hipótesis

causales
● Se puede distinguir las variables:
● Dependientes:
○ Designan las variables a explicar, los efectos o
resultados respectos a los cuales hay que buscar su
motivo o razón de ser.
● Independientes:
○ Son las variables explicativas, cuya asociación o
influencia con la variable dependiente se pretende
descubrir en la investigación
● Ejemplos Hipótesis:
El nivel educativo de los padres influye positivamente en el
rendimiento académico de los hijos.
Variable Independiente: Nivel educativo de los padres
Variable Dependiente: Rendimiento académico de los
hijos
La variable independiente que es el nivel, educativo de
los padres, tendría una influencia sobre la variable
dependiente que es el rendimiento académico de los
hijos
El cáncer de pulmón está relacionado con el hábito de fumar
en hombres de 45 a 60 años de edad.
Variable Independiente: Hábito de fumar
Variable Dependiente: Cáncer de pulmón
El peso corporal de un perro depende de la cantidad de
comida que consume diariamente y su nivel de actividad física
Variable Dependiente: Peso corporal de un perro
Variable Independiente: cantidad de comida y nivel de
actividad física
➢ Con frecuencia encontraremos en estudios científicos hipótesis donde están

relacionando las variables, en un estudio, una variable que puede ser independiente,
se puede transformar en una variable dependiente y viceversa
➢ Ejemplo:
○ Un estudio quiere determinar las causas de hipertensión arterial en
la población de Punta Arenas.
Objetivo: Conocer cuál es la frecuencia de ausencia de hipertensión (HTA)

así como entender cuáles factores pueden explicar su ocurrencia tales como
tabaquismo, consumo de bebidas alcohólicas, estrés, dieta de la población
HTA= tabaquismo + alcohol + edad + respuesta al estrés + obesidad + tipo

de dieta +…
La variable dependiente va a ser la HTA y las variables independientes van a

ser el tabaquismo, consumo de bebidas alcohólicas, la respuesta al estrés, y
el tipo de dieta
○ Otro estudio simultáneo en la misma población quiere determinar la

causa de otra enfermedad cardiovascular, el infarto agudo al miocardio
(IAM) recolectados variables como edad, antecedentes de hipertensión,
diabetes y tabaquismo.
IAM = Edad + HTA + diabetes + tabaquismo + tipo de dieta + alcohol +…
El IAM va a ser la variable dependiente que va a depender de la edad,

hipertensión arterial, diabetes, tabaquismo, tipo de dieta y del consumo de
alcohol.
Aquí vimos como la variable dependiente del primer estudio pasó a ser una
variable independiente en el segundo estudio.
➢ Cuando un investigador cuando va a realizar su investigación, debe definir
conceptual y operacionalmente las variables
➢ Definición conceptual de la variable
Es lo que entiende el investigador por la variable
Es en general la definición que encontramos en los diccionarios
Esto es para que tanto él como la persona que lea la investigación
tengan el mismo concepto o idea de la variable que se está midiendo
➢ Definición operacional de la variable
Va a definir cómo el investigador va a recopilar o va a medir esta
variable, si la va a considerar de tipo dicotómica, si es cualitativa, o si
la va a considerar cuantitativa por ejemplo.
➢ Ejemplo:
Estudio de la incidencia de tuberculosis pulmonar en pacientes diabéticos
Clase 7: Estadística descriptiva Parte II

¿Cómo sintetizar los datos recopilados? si ya tenemos la unidad de observación , las
variables definidas y hemos recopilado los datos;
Métodos numéricos para describir variables cuantitativas:
❖ Medidas de tendencia central : las que ayudan a encontrar el centro de la
distribución
❖ Medidas de dispersión:que miden la dispersión de los datos
❖ Medidas de posición(distribución): describen posición relativa de una observación
dentro del conjunto de datos
MEDIDAS DE TENDENCIA CENTRAL

Generalmente los datos tienden a agruparse en el centro(estilo campana de gauss), por
tanto son los valores numéricos que quieren mostrar el centro de un conjunto de datos:
❖ 3M
➢ Media o promedio:suma de las observaciones dividida por el número de
observaciones.Es muy sensible a los datos extremos ,sobretodo cuando el
tamaño muestral es pequeño.No debier calcularse promedio con menos de
15 datos,en esa condición se debiera reemplazar por la mediana.**la media
no siempre es representativa**
➢ Mediana: “n” observaciones ordenadas de menor a mayor , es el valor que
está justo al centro .para encontrar la mediana:
■ Ordenar los datos de menor mayor
■ Calcular posición con (n+1)/2 .(n es número de observaciones)
■ Si n es impar;la mediana s un solo dato.Si n es par; es el promedio de
los 2 términos centrales
■ La mediana es resistente , NO cambia o cambia muy poco con datos
extremos
➢ Moda: es el valor más frecuente .Pueden haber 2 modas(bimodal).Se usa
más para datos cualitativos que para cuantitativos
Se dice que hay una distribución normal cuando media

,mediana y moda coinciden.
MEDIDAS DE DISPERSIÓN:
Indican la tendencia de los datos a dispersarse
respecto al valor central, reflejan las diferencias
individuales entre los miembros de una muestra
❖ Varianza( s2 ,var(X)) mide el grado de
dispersión de cada uno de los valores respecto la
media .Es el promedio al cuadrado de las
desviaciones de cada observación con respecto a la media

❖ Rango(R): diferencia entre el valor mayor y menor.casi no se ocupa porque solo
depende de valores, y no proporciona info respecto al centro de distribución.La
ventaja es que podemos aber el máximo de la dispersión y es fácil de calcular
➢ Rango intercuartil: se divide el conjunto de datos en 4 , el primero
corresponde al 25% de los datos, el segundo al 50%, el tercero al 75% y el
cuarto al 100%. .Entre el Q1 y Q2 está el
50% de los datos .Se suele representar en
gráficos de cajas y bigotes
❖ Desviación estándar o típica: es la raíz
cuadrada de la varianza .Está en las mismas
unidades que la variable de estudio, es fácil
de interpretar, no tiene desventajas
❖ Coeficiente de variación(CV): es la
única que compara el nivel de dispersión de 2
Muestras de variables diferentes , no tiene
dimensiones
(s=desviación estándar).Es fácil de calcular pero no es respecto al centro de
distribución de los datos.
L1 tiene un promedio de 95 y desviación estándar de 8, el otro un promedio de 256 y

desviación estándar de 12.Con la fórmula de CV en L1 nos da un valor de 8,4%, y en L2
sería 4,8% de CV. Por tanto L2 midió con mayor precisión , porque tiene una menor
dispersión de los datos.
ERROR ESTÁNDAR: Medida de dispersión relacionada con la varianza y la desviación

estándar, se utiliza porque tiene valores más pequeños .Es importante para graficar los
datos .fórmula=desviación estándar/raíz de “n”
MEDIDAS DE DISTRIBUCIÓN
● frecuencia absoluta
● frecuencia relativa: frecuencia absoluta/total .La suma de todas debe dar 1 o aprox 1
● frecuencia acumulada
● frecuencia porcentual : se calcula cuando n es 100 o mayor. de manera contraria se
reemplaza por la f.relativa .Es= f.relativa x 100
:resumen
Clase 7: Estadística descriptiva Parte III

Representación Gráfica: “Una imagen dice más que mil palabras”
Las representaciones gráficas son herramientas utilizadas en estadística descriptiva que
nos permiten resumir la información, presentar la información recopilada de manera clara y
es una poderosa herramienta para el análisis de los resultados. Ésta nos puede ayudar a
mostrar o a resaltar alguna idea o apoyar alguna decisión. Como aquí dice la frase: “una
imagen dice más que mil palabras”, esto quiere decir que muchas veces, cuando tenemos
textos largos o informes, nosotros nos vamos hacia las imágenes donde nosotros vemos
transmitida una idea de forma inmediata.
Para que la representación gráfica cumpla

este propósito debe cumplir ciertas
características. Este gráfico, por ejemplo,
que muestra la evolución de casos de
Covid-19 en Chile, es un gráfico que
nosotros al observar vemos un aumento, en
el tiempo, de los casos. Una característica
que debe cumplir una representación
gráfica, es que debe tener título o leyenda,
los ejes deben estar descritos, en este caso tenemos el eje x, que es el tiempo o casos
durante el periodo un entre marzo a mayo; tenemos también el número de casos (eje y).
Los gráficos deben ser simples y fáciles de interpretar; deben transmitir de forma inmediata
una idea general, en este caso es el aumento de los casos de Covid-19, vemos que los
fallecidos casi se mantienen en el tiempo; y el tipo de gráfico va a depender del objetivo que
queremos realizar en el análisis y del tipo de datos con el cual vamos a hacer el análisis.
Aquí vemos varios

ejemplos de
representaciones
gráficas que son
frecuentes de
encontrar, por
ejemplo, los gráficos
de barra, los
circulares, las
tablas, los gráficos
de regresión lineal,
histogramas o los
gráficos de supervivencia como los de Kaplan-Mejer que es muy utilizado en medicina.
Vamos a tener un tipo de representación

gráfica, el cual va a servir para un tipo de
variable o tipo de dato y para un objetivo dado
en este estudio. Si el objetivo es mostrar la
distribución de frecuencias de una variable, y
ésta es de tipo cualitativa, el gráfico de tipo
circular o de barras simples, es el más
adecuado. Si la variable a mostrar es de tipo
continua utilizaremos histogramas y polígonos
de frecuencia. (Sigue leyendo la tabla, solamente agrega las tablas de contingencia en el
tipo de diagrama para la relación entre dos variables).
Vamos a ver algunos tipos más usados de representaciones gráficas:

❖ Diagrama de líneas o gráfico de tendencia: que muestra la tendencia de una curva.
Es muy útil en variables discretas y variables
continuas de intervalo o de razón. En este
gráfico podemos ver la evolución del Covid-19
en algunos de los países del mundo. En línea
azul podemos ver a Chile, en el eje x tenemos
los días desde el primer caso, y en el eje y
vemos el número de casos. Podemos
comparar nuestra evolución con la evolución
de otros países, como Estados Unidos,
España, Italia, China o Brasil. Entonces, este
gráfico nos muestra como los casos han ido aumentando en el tiempo.
❖ Gráficos de Barras Simples / Agrupadas: usados en variables de tipo cuantitativas
discretas (que no aceptan valores intermedios), y de tipo cualitativas (representando
frecuencia, en donde la altura de la barra es proporcional a la frecuencia de esa
categoría). En este ejemplo, podemos ver representadas las epidemias más letales
de la historia, donde tenemos en el eje x las variables ‘epidemias más letales’
(variable cualitativa nominal), y en el eje y el ‘número de fallecidos’ (cuantitativa
discreta) provocados por estas epidemias. Pueden ser barras verticales o
horizontales como el segundo.
❖ Gráficos de Barras
Agrupadas: su objetivo es comparar dos
variables, en este caso el gráfico compara el
crecimiento económico en distintos países
durante dos años, el crecimiento en el 2019 y
el pronóstico de crecimiento para 2020.
Podemos ver que en todos los países el
pronóstico de la evolución económica se
predice que va a ver un menor crecimiento
económico en el año 2020 en comparación al
2019.
❖ Histogramas: cuando tenemos variables

cuantitativas de tipo continua ya sea de
intervalo o de razón, el gráfico que
utilizaremos para representar este conjunto
de datos es el histograma. Por ejemplo, aquí
tenemos una tabla
donde están
representados datos agrupados de los puntajes de notas
obtenidas en una prueba, es decir, tenemos los rangos de los
puntajes, y la frecuencia que es el número de alumnos que
obtuvo cada uno de estos grupos de puntajes. Podemos ver,
en esta representación gráfica, que es la tabla de frecuencia,
que el grupo que obtuvo mayor frecuencia en su puntaje fue el grupo entre los 25 -
31 puntos, el que vemos representado con la barra mayor. La frecuencia es
proporcional al área del rectángulo.
❖ Polígono de frecuencia: cuando al gráfico de histograma

nosotros le unimos los valores medios de cada uno de
esos rangos, transformamos ese gráfico en un polígono
de frecuencia. Es una curva de distribución de
frecuencia o datos continuos. Es una línea que une los
puntos medios de distribución de los puntajes del
histograma.
❖ Diagrama Circular (o de “torta”): Se

utiliza cuando la variable es de tipo
cualitativa. Es un círculo que se divide en
tantas porciones como clases o categorías
tenga la variable. Muestra la distribución de
frecuencia y porcentajes de una variable
(maximo 5 categorías).
❖ Diagrama de Cajas y Bigotes: Es un gráfico menos

utilizado, nos sirve para representar la distribución de
datos, donde el valor medio corresponde al 50% de
datos o la posición media o la mediana. Se construye a
partir de cuartiles (Q), el cuartil 1 (Q1) representa el
25% de los datos, el cuartil 2 (Q2) el 50%, el cuartil 3
(Q3) el 75%, y así sucesivamente hasta el 100%
(Xmáx).
❖ Tabla de Una entrada (una variable):

simple o univariada (ej: componente
concentrado).
❖ Tabla de Dos entradas (dos variables):

bivariada (ej: edad y sexo).
❖ Tablas Complejas:
multivariadas, de más de
dos variables (ej: región,
casos confirmados -con
síntomas, sin síntomas y
total casos- y fallecidos).
❖ Tablas de Contingencia: muy utilizada en salud, asocia

dos variables cualitativas (nominal u ordinal). Se
reconocen porque tienen subtotales en la última fila y la
última columna. Las verán cuando estudien los riesgos
probabilísticos.
Las representaciones gráficas también nos muestran y visualizan que se han realizado
análisis de tipo inferencial. Las notaciones que van a dar cuenta de este tipo de análisis, son
el asterisco (*) y el valor P. En este ejemplo, compara distintos antiinflamatorios, fármacos
de uso comercial y dos nuevos fármacos que quieren introducirse para ver el efecto
antiinflamatorio en ratas, las cuales se ha enfrentado a una reacción alérgica frente a la
proteína de huevo.
“A unas ratitas de laboratorio se les produjo

reacción alérgica presentándose proteína de
huevo (OVA). La cuantía de la alergia se
determinó por los niveles de la IgE en plasma.
La barra menor es plasma de ratas antes de
exponerse al huevo. Los compuestos 2g,2d se
están probando por su capacidad como
antiinflamatorios comparándolos con Singulair
y Zileuton que son fármacos antiinflamatorios”
En este caso, tenemos una tabla donde muestra la correlación entre dos variables, el índice
de masa corporal (IMC) y la circunferencia de cintura (CC). Donde aparecen los asteriscos
son los resultados que mostraron una correlación estadísticamente significativa.
“Tabla bivariada para observar la correlación entre IMC y

circunferencia de cintura. Obviamente al correlacionar
cada variable consigo misma la correlación es perfecta
=1. Pero al aplicar la prueba de correlación de Pearson
de manera cruzada (IMC vs. CC) se obtiene un resultado
estadísticamente significativo con **.”
Clase 8: Herramientas Computacionales

Gestión de datos en salud
❖ La globalización trae consigo innumerables desafíos para los profesionales de la
salud, los volúmenes de datos que se obtienen, o la complejidad que estos puedan
tener, ya sea de pacientes, fichas clínicas y fuentes de datos confiables, resultan ser
muchas veces tediosas y difíciles de trabajar.
➢ Para esto es importante la gestión de datos, fichas clínicas, fuentes de datos
confiables, fuentes de datos gubernamentales que muchas veces se utilizan
para la investigación científica, pero esto es un poco difícil de trabajar, sobre
todo si se manejan volúmenes muy grandes
❖ Para esto la estadística descriptiva aporta variadas formas de resumir, datos y
exponerlos de una manera comprensible por la población general.
➢ Exponerlos en forma de tablas o gráficos, cuya función es poder resumir los
datos y que estos sean fáciles de interpretar por la población general
● Existen diversos programas computacionales que facilitan el proceso de análisis de

datos y su posterior reporte, ya sea en tablas o gráficos, siendo los más utilizados:
○ La diferencia entre estos software es que según los volúmenes de datos que
nosotros vayamos a trabajar, la funcionalidad, las herramientas integradas
que estos software puedan tener será la selección que hagamos
○ Los más utilizados so Excel, GraphPad y STATA porque las licencias son
mucho más baratas que las del resto y hay tutoriales para utilizarlos
○ En general actúan bajo ambientes similares, la mayoría tienen un lenguaje
de programación y otras solo tienen un menú en el que podemos ingresar y
realizar estadística descriptiva, estadística de sobrevida, de riesgo… Y si no
están los modelos estadístico incorporados en el programa se puede
implementar creando macros a través de lenguaje de programación lo que
uno necesite
○ Excel
● MicrosoE Excel es una hoja de cálculo desarrollada por
MicrosoE para Windows, macOS, Android e iOS. Cuenta con
cálculo, herramientas gráficas, tablas calculares y un lenguaje
de programación macro llamado Visual Basic para
aplicaciones.
● Es una plataforma bastante sencilla, siempre considerando el

lenguaje de programación (() , .)
○ Graphpad Prism
■ Muy amigable porque va explicando/diciendo en el momento
que nosotros vamos realizando los gráficos o estadísticas, si
es que estamos cometiendo un error o no
○ SPSS
■ Es un software estadístico que se utiliza principalmente en
ciencias sociales, pero puede utilizarse mucho en ciencias de
la salud, pero el problema es que tiene una diferencia con
respecto al resto de los programas, muchas veces no
considera las diferencias entre las variables cuantitativas
discretas y continuas, sino que las considera como un todo
○ STATA
■ Puede hacer tanto estadística descriptiva, inferencial de
diferentes niveles
○ R
■ Es un software estadístico que se usa mucho, de uso libre,
pero presenta su uso respecto al lenguaje de programación
Python que se pueden integrar
○ SAS
■ Es un programa pagado como STATA y SPSS y también
puede hacer estadística de resumen ya sea descriptiva o
inferencial
Clase 9: Estadística Inferencial

Luana Wosiack Menin
Para medir la edad de una población, se puede hacer de dos maneras:

1) Preguntando la edad y calculando el promedio
2) Preguntando a un grupo y extendiendo las conclusiones a toda la ciudad (inferencia)
¿A cuantas personas tengo que preguntar para estimar la edad de toda la ciudad? ¿Cuál
será la Edad Media dentro de 5-10 y 50 años? ¿Cuáles características como peso o sueldo
que ganan influyen?
Azar y probabilidad:
❖ Azar: aleatorio, no controlado, como lanzar una moneda
❖ Probabilidad: lenguaje que utiliza como “no hay suficiente evidencia”, “resultado no
es estadísticamente significativo”, “a partir de los datos que me ofrece, la
probabilidad que ocurra es de...”
Estadística inferencial
❖ Busca conclusiones válidas para poblaciones a partir de datos observados en
muestras
➢ Ejemplo: valor promedio de colesterol en sangre de la población de la ciudad.

Como la muestra es muy grande, se escoge una MUESTRA
REPRESENTATIVA
Muestra Representativa
❖ Requisitos:
➢ Debe ser aleatoria (misma probabilidad de aparecer en la muestra)
➢ Debe ser homogénea (misma proporción de características que pueden
influenciar el experimento, es decir, Misma proporción de mujeres, hombres,
edad, fumadores o no fumadores etc )
❖ ¿Cómo se toma la muestra?
➢ Muestreo probabilístico:
■ Aleatorio simple
■ Estratificado
■ Sistemático
■ En etapas múltiples
➢ Muestreo no probabilístico
■ No participa el azar, como por ejemplo, voluntarios
Tamaño Muestral
Tamaño apropiado para los objetivos del estudio. Cuando es insuficiente, se limita encontrar
diferencias buscadas. Para su cálculo se define los riesgos a asumir:
❖ Errores tipo I o alfa
❖ Errores tipo II o beta
❖ Magnitud de la diferencia que se desea detectar
Errores comunes al seleccionar una muestra

❖ Error aleatorio
➢ La diferencia entre el resultado de la muestra y la realidad poblacional.
➢ Se disminuye al aumentar el tamaño de la muestra
❖ Error sistemático (sesgos)
➢ Errores cometidos en el procedimiento del estudio. No se disminuye al
aumentar la muestra
Situación
Para saber el valor medio de colesterol en sangre de la población de nuestra ciudad con 4
millones de habitantes:
236 mg/dl (VALOR PROMEDIO DE LA MUESTRA)
Pero queremos saber el valor promedio de nuestra población, que probablemente será
parecido pero no igual. ¿Cómo solucionarlo?
Escogemos otras muestras y repetimos el
experimento 9 veces con grupos de
muestras elegidas al azar.
A la probabilidad de que la media escape del intervalo de confianza se le denomina

probabilidad de error. La estadística inferencial permite contestar la hipótesis del estudio.
Para trabajar con la estadística inferencial, se debe conocer:
❖ El alfa del estudio
❖ Finalidad del análisis
❖ Normalidad del set de datos
❖ Tipo de datos que trabaja
❖ Grados de libertad
Hipótesis
❖ Declaración sobre el valor de un parámetro de la población desarrollado con el fin de
poner a prueba.
❖ Ejemplos: El ingreso mensual para analistas de sistemas es de 865.000 pesos;
veinte por ciento de los clientes del restaurante chilenazo regresan para otra comida
dentro de un mes
¿Qué es una prueba de hipótesis?

Procedimiento basado en la evidencia de la muestra y la teoría de las probabilidades,
usadas para determinar si la hipótesis es razonable y no debe ser rechazada, o irrazonable
y que debe ser rechazada.
Contraste de Hipótesis
Proceso de decisión en que una hipótesis formulada en términos estadísticos es puesta en
relación con datos empíricos para determinar si es o no compatible con ellos
❖ Datos empíricos: muestra
❖ Hipótesis: población
Todo contraste necesita de dos hipótesis:

❖ H0: nula, y que se somete a contraste (No hay diferencia entre términos
comparados, y la diferencia se debe al azar)
❖ H1: alternativa a H0 (Se acepta si H0 es rechazada, y supone que existe diferencia
entre los términos comparados. La diferencia no se debe al azar)
➢ Rechazar H0: Hipótesis incompatible
➢ Mantener H0: Hipótesis compatible con los datos
Pasos de la prueba de hipótesis

1. Plantear H0 y H1
2. Seleccionar nivel de significancia
3. Identificar estadística de la prueba
4. Formular regla de decisión
5. Se toma la muestra y se decide si acepta o rechaza H0
Pruebas de significancia de una cola

❖ Cuando H1 indica una dirección.
❖ Ejemplo:
➢ “Las comisiones anuales ganadas por corredores de buenas raíces a tiempo
completo son mas de 35.000 dólares. (>35.000)”
➢ “La velocidad de los autos que viajan en la ruta 68 es menos de 100 km/hora
(<100)”
❖ Distribución muestral para el estadístico z para la prueba de una
cola, con el 0.05 de nivel de significancia
❖ Valor critico: z = 1.65
❖ 0.95 de probabilidad
❖ 0.05 region de rechazo
Prueba de significancia de dos colas

❖ No especifica ninguna dirección en la hipótesis alterna H1.
❖ Ejemplo:
➢ “La cantidad pagada en el restaurant Chilenazo no es igual a 25 mil pesos
por cliente.” (25000)
➢ “El precio para el galón de gasolina no es igual a 1.500 pesos.” (1500)
❖ Distribución muestral para el estadístico z para la prueba de dos

colas, con el 0.05 de nivel de significancia
➢ 0.95 de probabilidad
➢ 0.025 región de rechazo
➢ Valor crítico: z= 1.96, -1.96
Suponga que quieres saber la rapidez de combustión de un agente utilizado en los sistemas
de emergencia para la tripulación de una aeronave. El interés se centra sobre la rapidez
promedio. Específicamente, recae en decir si la rapidez de combustión promedio es o no de
50 cm/s.
❖ Se puede expresar como:
➢ H0 = 50 cm/s
➢ H1; 50 cm/s
➢ Como la H1 especifica valores de que pueden ser mayores o menores que
50 cm/s, también se conoce como hipótesis alternativa bilateral
➢ La hipótesis nula se rechaza sólo si la evidencia muestral sugiere que H0 es
falsa. Si la muestra no contradice a H0, se continúa creyendo en la validez de
la nula.
➢ Entonces las conclusiones posibles serán rechazar H0 o no rechazarlo.
Valor de significancia (alfa)

❖ Valor crítico de corte definido por el investigador previo al análisis.
❖ Indica el valor máximo en que puede asumir la evaluación de la H0, por lo que si
obtengo un valor menor de error que el nivel de significancia, indica que el efecto
observado en la variable se debe al azar o a una intervención.
➢ Error tipo I: probabilidad de rechazar la hipótesis nula cuando ésta es

verdadera
❖ ¿Qué valores puede tomar alfa?
➢ • 0.01 (1% del análisis hecho en miles de personas o con equipos muy
exactos y precios (Censos o estudios socio-demográficos))
➢ 0.05 (5%, valor más común en estudios biomédicos con cientos-decenas de
personas y equipos analíticos comunes)
➢ 0.1 (10%, valor poco frecuente en publicaciones porque indica medidas poco
exactas)
❖ ¿Cómo se interpreta alfa?
➢ Si consideramos un umbral de probabilidad entre 0 y 100% para evaluar que
la H0 sea verdadera tenemos que:
■ 0%: zona donde H1 es V
■ 5%: alfa o punto de corte
■ 5-100%: zona del estudio en que H0 es verdadera
Contraste significativo / diferencia / asociación / correlación estadísticamente significativo

❖ En un análisis estadístico, se arroja un valor P (resultado) que se compara con el
valor alfa definido previamente para el estudio y el contraste es significativo cuando
el valor de P es menor que alfa.
❖ En esta condición, no se cumple H0 y existe un efecto debido a la intervención, es
decir, se cumple H1.
❖ Cuando P es menor que alfa, se ubica bajo el punto de corte entre 0 y 5%, y se cree
en la hipótesis del investigador H1 (Existe correlación, asociación o diferencia entre
los grupos de datos)
Ejercicios
Ud quiere comparar el efecto de un fármaco A con el gold standard B. Realiza una prueba
de hipótesis para saber si el A es más efectivo en reducir la inflamación de la rodilla.
Plantee la hipótesis nula y la alternativa.
❖ Hipótesis nula: el fármaco A no es más efectivo que el fármaco B en reducir la
inflamación de la rodilla (No hay diferencias entre los términos comparados, y las
diferencias se deben al azar)
❖ Hipótesis alternativa: el fármaco A es más efectivo que el fármaco B en reducir la
inflamación de la rodilla 8 (Si h0 es rechazada, se acepta. Existe diferencias
evidentes y que no se deben al azar)
¿Qué se puede inferir si se obtiene como resultado un p de 0,003, con un nivel de confianza
del 95%?
❖ Como P es menor que alfa (0,05), se cree en la hipótesis del investigador H1, de
asociación, correlación o diferencia entre los grupos de datos. El fármaco A es más
efectivo que el fármaco gold standard.
Otras maneras de evaluar contrastes significativos

❖ Comparar los valores tabulados y calculados asociados a una prueba
❖ Si el valor calculado es mayor que el valor tabulado de un estadígrafo de acuerdo

con el nivel de significancia y grados de libertad definidos por el investigador. Se
cumple la hipótesis
Cosas que debo conocer para elegir la prueba estadística

❖ Finalidad (quiero asociar, comparar, relacionar, determinar efecto…)
❖ Normalidad de los grupos en análisis
❖ Tipo de datos que utilizo
❖ Grados de libertad
Elección de pruebas estadísticas

Hay que tener en cuenta:
❖ Tipo de variable (cuantitativa / cualitativa)
❖ Grado de dependencia (independientes o apareados)
❖ Condiciones de aplicabilidad (normalidad, tamaño de la muestra)
Pruebas paramétricas y no paramétricas

❖ Es importante conocer la distribución de la variable a la hora de establecer la prueba
estadística que nos permite evaluar la hipótesis nula
❖ No paramétricas son menos potentes, y menos exigentes al rechazar la hipótesis
nula de igualdad
Cuando una prueba es paramétrica y cuando no lo es

❖ Es paramétrica si se puede aplicar a una variable distribuida normalmente; y es no
paramétrica si no se puede.
❖ En la duda respecto de la normalidad de la variable, utilizar la prueba no paramétrica
Normalidad
Un grupo se distribuye normalmente si:
❖ Su gráfico de distribución de frecuencia de la variable adquiere la forma de una
campana de Gauss
❖ Moda, mediana y promedio de la distribución de la variable son iguales o dentro del
mismo intervalo
Grados de Libertad
Medidas independientes que puedo realizar
dentro de un número de muestras.
❖ No pareadas: (n1+n2)-2
❖ Pareadas: números pares – 1
❖ Tablas de contingencia (col-1)(fil-1)
Columnas: 3; filas: 2. Grado de libertad: (3-1) x (2-1) = 2
Muestras pareadas o dependientes / no pareadas o independientes

❖ Si los sujetos son elegidos en forma que se parecen en sus características o se trata
de los 9 mismos individuos evaluados en dos momentos diferentes, es una muestra
pareada.
❖ Son de individuos de un mismo grupo; dos medidas de un mismo individuo; series
de datos en el tiempo.
❖ Cuando los datos provienen de individuos de diferentes grupos , se dice que la
muestra es 10 independiente o no pareada.
Finalidad de la estadística inferencial

❖ Establecer asociaciones o relaciones (chi cuadrado)
❖ Establecer correlación (Pearson o spearman)
❖ Para establecer efecto de una variable en otra (Test de McNemar o ODDS RATIO
(OR))
❖ Realizar comparaciones entre valores adoptados por las variables entre grupos o
intragupos; para dos grupos se utiliza prueba chi-cuadrado trend, T de student, U de
MannWhitney; para tres o más grupos de datos ANOVA paramétrico o no
paramétrico etc.
Clase 10: Pruebas de Comparación

Existen pruebas para comparar grupos:
❖ 2 Grupos o 2 conjuntos de datos (de la misma variable): T-student; Chi cuadrado por
tendencia.
❖ 3 o más set de datos (de la misma variable): ANOVA (análisis de varianza).
Test T de Student
El test de T independiente, no pareado o de dos colas de Student, puede ser usado para
determinar cuándo los promedios de dos muestras independientes (o pareadas) son lo
suficientemente diferentes como para concluir que provienen de distintas poblaciones. En
general, cuando uno hace el contraste entre grupos todos los test están diseñados para
demostrar que la hipótesis nula es verdadera, es decir, que no hay diferencia entre los
grupos, pero cuando ocurre el caso que el valor de probabilidad, el p-valor, que obtienes
con tus datos es menor que el nivel de significancia que has definido para el estudio, en ese
caso se dice que el test falló, y uno tiene una prueba que es estadísticamente significativa,
es decir, una diferencia que es más grande que aquella variabilidad propia del dato o de la
muestra.
Usos: el test T de student es útil para determinar si existen diferencias significativas entre
resultados obtenidos bajo dos condiciones experimentales.
Requisitos:
❖ Las observaciones son independientes (o pareadas).
❖ Extraídas de poblaciones normalmente distribuidas (las 3M son iguales: la moda,
mediana y el promedio).
❖ Tamaño de muestra <30 si es mayor a 30 usar la prueba de z de la distribución

normal (prueba binominal).
Cuando uno o los dos conjuntos de datos que estás comparando no son normales (3M
iguales), se usa una prueba derivada del test T de student pero para datos no paramétricos
o no normales.
El test T de student se divide en 4
posibles pruebas (tabla), de acuerdo con
la normalidad de la variable y tipo de
dato. Las cuatro pruebas hacen lo
mismo.
Una muestra pareada es cuando, por
ejemplo, hay un antes y un después de
un mismo grupo.
1. Hipotetizamos que la diferencia entre los promedios de mis poblaciones es nula

(hipótesis nula).
2. Determinamos la probabilidad (el valor de p) en que la diferencia entre los promedios
de nuestras poblaciones se deba al azar. Un valor de P menor o igual a 0.05 (alfa,
valor habitual de significancia estadística) indica que hay evidencia estadística para
rechazar H0 y H1 es verdadera (Mi intervención produjo un cambio mayor en las
variables que el debido solo al azar).
❖ Hay dos formas de verificar contraste significativo usando el test T de
student, la primera es comparar el p contra el alfa: el valor de probabilidad
obtenido con tus datos contra el nivel de significancia que definiste para el
estudio, y si el p es más pequeño que el alfa tenemos una hipótesis nula que
es falsa y por lo tanto H1 es verdadero.
Si T tabulado es mayor o igual que T calculado no se rechaza H0.
❖ La segunda forma de evaluar un contraste significativo es obteniendo un
valor de T calculado con tus datos, lo cual significa que tienes que poner tus
datos dentro de la ecuación del test T de student y calcular un valor de T, y
después lo comparas con el valor que puedes observar en una tabla
estadística para la función de T de student para los mismos grados de
libertad y nivel de significancia que has definido para el estudio.
Ecuación del T de student:

➢ (X1-X2)= promedio de un conjunto de
datos menos el promedio del otro.
➢ SE1= error estándar primer grupo.
➢ SE2= error estándar segundo grupo.
Grados de libertad= (n1+n2)-2, es decir, el
conjunto de datos 1 menos un dato más el conjunto de datos 2 menos un dato.
Los grados de libertad son el número de posibles medidas independientes que puedes
realizar dentro de tu población.
Al aplicar el test de T se asume que:

A. Las dos muestras son extraídas desde poblaciones normales.

B. Las varianzas de las dos poblaciones son iguales.
Ejemplo aplicación test T-student para muestras

independientes: se necesita verificar que la nueva
marca de balones para angioplastia es tan
resistente como la que se utiliza actualmente.
Presión de reventado de balones de angioplastia
(Kg/cm2).
En este caso es una investigación diferente, ya que
queremos demostrar igualdad, es decir, que H0 sea
verdadera, que no cambien los datos.
Habitualmente, el investigador busca que haya un cambio, una modificación producto de
una intervención, en este caso no.
(La profe aquí empieza a enseñar a ocupar programas para realizar el análisis T de student
min 8:06 a 14:03)
Test de t para muestras pareadas (caso especial test de T)

Muestra pareada: frecuentemente es cuando el mismo sujeto es testeado dos veces por
ejemplo antes y después del tratamiento y las dos observaciones de cada sujeto constituyen
un par.
Uso: en este tipo de estudios se descarta la variabilidad intragrupo porque el mismo
individuo es testeado dos veces y se determina en forma exclusiva el efecto del tratamiento.
En la ecuación aparece un “r” de

correlación, hay que hacer primero una
prueba de correlación, calcular la
covarianza (SE1)(SE2).
Grados de libertad (número de pares) -1

Ejemplo: Cambios en los niveles plasmáticos
de lipoproteína A (mg/dl), en mujeres pre y
post histerectomía.
(Explicación de la utilización del software

para realizar el análisis de T de student min
15:25 a 18:20)
Usos de la prueba Chi-Cuadrado
❖ Para comparar: Usar el chi cuadrado para comparar si nuestros datos se aproximan
a un set de datos teóricos (chi square for trend o por tendencia) frecuencia
observada vs frecuencia esperada. Tenemos solo un set de datos experimentales, el
otro set son datos teóricos.
● Chi cuadrado por tendencia: permite comparar la frecuencia de aparición de

una variable cualitativa o también comparar cuando tienes un conjunto de
datos practicos con respecto a lo que ocurre en la teoría o lo que debiese
haberse esperado.
❖ Para asociar (determinar relación causa-efecto): Cuando hemos registrado las
frecuencias de dos o más variables desde dos o más muestras, lo que se presenta
como una tabla de doble entrada o tabla de contingencia y en ese caso chi cuadrado
(o test exacto de Fisher) se utiliza para detectar asociación entre dichas variables.
Condiciones de uso de chi-cuadrado por tendencia (for trend)

❖ Se puede utilizar esta prueba cuando se cuenta con un set de datos recogidos
desde la muestra (datos prácticos) y se quiera comparar contra datos de referencia.
❖ Otro uso es para comparar la frecuencia de aparición de un fenómeno cualitativo
entre dos grupos.
Ejemplos de aplicación
❖ Contenidos de un principio activo en un fármaco vs el valor del principio indicado en
su etiquetado.
❖ Número de episodios de tos (variable cualitativa dicotómica, tiene o no tiene
episodio) de un grupo de pacientes usando dos tipos diferentes de jarabe
antitusígeno.
❖ Se utiliza en este caso la ley de herencia
mendeliana como dato teórico y se
compara con la distribución de aparición
de un carácter dominante en una camada
de ratas. (Explicación de la utilización del
software para la prueba de Chi-Cuadrado
con este ejemplo min 22:07 a 24:46)
A diferencia de todos los otros test anteriores, el
análisis de datos usando pruebas de
Chi-cuadrado no requiere el cálculo de
normalidad, da lo mismo si son variables normales o no normales, se aplica de la misma
manera para todas.
ANOVA (del análisis de varianza)
De acuerdo con la normalidad de la

variable y tipo de dato se encuentra
que hay 4 tipos de test de ANOVA
que hacen lo mismo, es decir,
comparan en base a la varianza 3 o más grupos.

❖ Comparamos 3 o más grupos en base a la dispersión.
El estadígrafo asociado a ANOVA es F.
● En particular, cuando uno calcula ANOVA, lo que uno está calculando es la varianza
intra y entre grupos, y para ese caso se utilizó el estadígrafo F (fracción)= (varianza
intra grupos / varianza entre grupos).
Para poder elegir si el test de ANOVA se aplica a normales o no normales, basta que un
conjunto de los tres, cinco, veinte, etc., no sea normal para que se elija la prueba para
variables no normales.
Análisis de varianza de una vía (ANOVA) para muestras no pareadas

La hipótesis nula se rechaza si al menos un par de promedios de poblaciones son
significativamente diferentes entre sí.
Bajo la hipótesis nula, si las muestras se extraen de poblaciones normales con iguales
promedios y varianzas, entonces la varianza estimada en base a la variabilidad intergrupo
debe ser igual a la varianza debida a la variabilidad entre grupos.
Ganancia de peso en gramos (g) por día, de bebés recién

nacidos prematuros alimentados con distintas fórmulas.
(Explicación de la utilización del software para ANOVA en
muestras no pareadas min 27:40 a 30:30)
De todas las pruebas que hemos visto en esta clase, ANOVA es la única que no es
informativa por sí sola, porque el ANOVA lo único que me dice es si hay o no diferencia
entre grupos, pero no me va a decir entre cuales grupos, por lo que se necesita hacer un
análisis posterior (post test o post hoc) llamado de comparaciones múltiples. Si sale
diferencia significativa en el ANOVA debo hacer el post test, para saber cuales son los
grupos que se compararon que dieron significancia estadística.
ANOVA para muestras pareadas

Se aplica cuando el diseño experimental requiere que el mismo sujeto sea medido bajo tres
o más condiciones. Para aplicar este test se requiere que:
a) La variable dependiente se mide con una misma escala de intervalos.
b) Las medidas entre cada grupo sean independientes entre sí.
c) Las fuentes de las muestras son poblaciones normalmente distribuidas.
d) Los grupos tienen aproximadamente igual varianza y toda posible correlación entre los
grupos sea positiva y de igual magnitud.
Cantidad de hormona FSH (mg/dL) liberada en

respuesta a tratamiento anticonceptivo.
Se tienen 10 mujeres que fueron sometidas al consumo
de anticonceptivos orales en 3 ciclos menstruales
consecutivos, pero con 3 tipos diferentes de pastillas. El
mismo día del ciclo se les midió la cantidad de FSH liberada, para ver que tan buena era la
pastilla.
(Explicación de la utilización del software para ANOVA para muestras pareadas min 31:25 a
33:08)
Antes de nada es necesario conocer la normalidad de la distribución de los datos de las 3

columnas. Se observa que solo los datos del trat 1 tienen distribución normal, por lo tanto,
una prueba que compare los 3 tratamientos debe ser no paramétrica y pareada (porque se
mide en la misma gente 3 veces).
El test de ANOVA por sí solo está incompleto solo informará si hay diferencia entre los
grupos de datos. Es necesario realizar un post test (post hoc o comparación múltiple) que
compare todos los pares de columnas para verificar las diferencias. Este último análisis sólo
se realizará si el valor de P del análisis de ANOVA es menor de 0,05.
Al final del ppt hay 5 Ejercicios.
Clase 11: Pruebas de Asociación
USOS DE LA PRUEBA CHI-CUADRADO

● Usar chi-cuadrado(para conjunto grandes de datos) para comparar si nuestros datos
se aproximan a un set de datos teóricos(chi cuadrado por tendencia),frecuencia
observada vs frecuencia esperada.Tenemos solo un set de datos experimentales,el
otro set son datos teorico
● Cuando hemos registrado las frecuencias de 2 o más variables desde 2 o más
muestras lo que se representa como una tabla de doble entrada o tabla de
contingencia y en ese caso chi cuadrado(o test exacto de fischer,que e para
muestras más pequeñas)se utiliza para detectar asociación entre dichas variables
aca a la izquierda
está la tabla de la
frecuencia
observada y se
compara con la
tabla de frecuencia
esperada, esta
último se calcula
como la
multiplicación del
total de la fila total x
total de la columna/total entre todo .Entonces para calcular chi-cuadrado=
∑ /(valor observado − v alor esperado)e2/valor esperado .Necesito ademas saber los grados de
libertad del sistema, que es el número filas con datos-1 x número de columnas con
datos-1(sin considerar fila ni columnas con totales . entonces sería 1x1=1 grado de libertad
.Y saber el grado de significancia que generalmente 0,95%.Entonces ahora buscar en la

tabla la intersección del grado de libertad y el nivel de significancia.
Ahora comparó este valor tabulado con el valor

calculado , y veo que el calculado es mayor por tanto
existe diferencia de frecuencias , digo que H1 es
verdadera(esto también pudiera hacerlo en un
software)
❖ h1 verdadero: si chi
cuadrado>valor tabulado
Test de chi cuadrado(pero en asociacion;para ver relación causa-efecto)
aca(hay 4 grupos de personas) la

tabla debe tener en la columnas
si presenta o no algo vs en las
filas que esta el estado de salud
de la persona, es decir si es
paciente o los controles .ej:
(Gl=grado de libertad),entonces
se construye esta tabla en un
software y nos da el resultado del valor de p
que es menor a 0.05.Aca como es por
asociación y no por tendencia, el análisis es
diferente ,pero como el chi tabulado que dio
el software es menor que el calculado;H1 es
verdadero
TEST DE ODDS RATIO O

MCNEMAR(es un complemento de chi cuadrado)
❖ Si chi cuadrado dice que no hay asociación entre variables, este test dirá que A y B
no tienen impacto una sobre la otra . Por el contrario, si el chi dice que si hay
relación, nos dirá que tipo de relación (predisponente,protectora,etc)
❖ Prueba que permite la evaluación del impacto de una variable sobre la otra
concluyendo que:
➢ A es predisponente del evento B
➢ A no tiene impacto sobre B
➢ A es protectora d B
❖ Requiere la construcción de una tabla de contingencia (por tanto también se puede
evaluar de manera conjunta la asociación entre variables chi cuadrado)
➢ lo difícil es armar esta tabla;en las columnas estarán los casos y los controles
en ese orden, y en las filas ;los casos expuestos y luego los no expuestos
entonces hago la “fracción de fracciones”

:a/c(numerador)/b/a(denominador)
La interpretación:(supongamos que variable 1 es
masticar chicle y v2 es tener caries)
❖ OR=1 no hay efecto de una variable sobre otra
❖ OR<1 la variable tiene efecto protector
disminuyendo la probabilidad de que la segunda
variable ocurra
❖ OR>1 la variable tiene efecto predisponente aumentando la probabilidad de que la
segunda variable ocurra (si or=1 , entonces hay el x3 de posibilidad de que la
segunda variable ocurra)
➔ con el OR también podemos calcular el % de población afectada : OR/OR+1
◆ Si OR=1 , habría un 50% de que ocurra B estando o no presente A(no hay
impacto)
◆ si OR=2.5 , habría un 71,4% , es decir hay mayor probabilidad de que ocurra
efecto en un individuo estando presente una variable determinada
➔ también podemos ver a través de una tabla OR , que el intervalo de confianza este
completo sobre el 1 o bajo el 1 , si hay bajo y sobre el 1 , entonces no hay
significancia estadística en la relación de variables
➔ EJ: aca se ve que si OR en la primera fila es 0.6 (para tener enfermedad coronaria y
ser atleta de larga distancia),que es menor que 1 , entonces seria protector y su
intervalo de confianza va desde( 0.38-0.95) osea el 95% de los datos esté en ese
rango , y todos esos valores son menores que 1 .Por tanto para todo ese intervalo la
variable es protectora.Por lo mismo p <0.05, y por tanto H1 verdadera.
➔ pero si OR en la segunda fila es 0.84(para tener enfermedad coronaria y ser atleta
de velocidad)y su intervalo de confianza(0.6-1.18 lo que significa que hay
poblaciones; bajo,en y sobre 1 )por tanto con el 0.84 uno pensaría que es protector,
pero por su intervalo , la relación no existe y no se puede concluir nada.
Clase 12: Correlación y Regresión

❖ La regresión y correlación son 2 medidas que están estrechamente relacionadas
pero son totalmente diferentes
❖ correlación:coexistencia de 2 o + variable que afectan o están ocurriendo al mismo
tiempo en una muestra(se define por medio del coeficiente de correlación “r”)
❖ regresión: mecanismo que permite producir un modelo matemático(ecuación)que
explica el cambio de una variable con respecto a otra(s), y se explica en base al
ajuste de bondad de R 2 .
Relaciones entre variables y regresión:

❖ El término regresión fue introducido por Galton en su libro “natural inheritance”
refiriéndose a la “ley de regresion universal”:
➢ “cada peculiaridad en un hombre es compartida por sus descendientes , pero
en media,en un grado menor”-->regresión a la media
➢ su trabajo se centraba en la descripción de los rasgos físicos de los
descendientes(una variable)a partir de sus padres(otra variable)
➢ Pearson(un amigo suyo)realizó un estudio con más de 1000 registros de
grupos familiares observando una relación del tipo:
■ altura del hijo=85cm+0,5 altura del padre(aprox)
■ conclusión;los padres muy altos tienen tendencia a tener hijos que
heredan parte de esta altura,aunque tienen tendencia a acercarse
(regresar)a la media.Lo mismo puede decirse de los padres muy
bajos
➢ Hoy en día el sentido de la regresión es el de predicción de una medida
basándonos en el conocimiento de otra
CORRELACIÓN:
Estudio conjunto de 2 variables:
❖ A la izquierda hay una posible manera de recoger los datos

obtenidos observando 2 variables en varios individuos
➢ en cada fila tenemos los datos de un individuo
➢ cada columna representa los valores que toma una
variable sobre los mismos
➢ los individuos no se muestran en ningún orden en
particular
❖ Dichas observaciones pueden ser representadas en un diagrama de dispersión

.En ellos,cada individuo en un punto cuyas coordenadas son los valores de las
variables
❖ el objetivo será intentar reconocer a partir del mismo si hay relación entre las
variables,de qué tipo, y sies posible predecir el valor de una de ellas en función de
la otra
Aca esta el diagrama de dispersión, y al parecer el
peso aumenta con la altura,por tanto podemos predecir
qué ocurrirá con otros valores .¿Cómo reconocer la
relación directa e inversa?:
Teniendo esto
podemos
reconocer si hay
buena o mala
relación entre las
variables:
❖ poca
relación: al
dibujar una línea
entre puntos no
se sigue una
tendencia
porque están
todos
dispersos.Probablemente son variables independientes.Mala relación

❖ fuerte relación (directa):si trazamos la línea, los puntos se acercan a esta .Buena
relación
❖ cierta relación (inversa): si trazamos la línea , hay mayor dispersión de los puntos
pero igual existe cierta tendencia
Pero cómo se expresa esta relación numéricamente:
Covarianza de 2 variables x e y:
❖ la covarianza (Sxy) nos indica la posible relación entre 2 variables ,si es directa o
inversa:
➢ directa: Sxy>0
➢ inversa:Sxy<0
➢ no correlacionadas: Sxy=0
❖ El signo de la covarianza nos dice si el aspecto de la nube de puntos es creciente o
no, pero no nos dice nada sobre el grado de relación entre las variables
❖ Coeficiente de correlacion dlineal de Pearson(r)
➢ este coeficiente,entre 2 variables,nos indica si los puntos tienen una

tendencia a disponerse alineadamente(excluyendo rectas horizontales y
verticales)
➢ tiene el mismo signo que Sxy por tanto de su signo obtenemos el que la
posible relación sea directa o inversa
➢ r es útil para determinar si hay relación lineal entre 2 variables, pero no
servirá para otro tipo de relaciones( cuadrática,logarítmica)
➢ Propiedades de r:
■ adimensional
■ toma valores entre [− 1, 1]
■ si r=0, las variables son no correlacionadas
■ relación lineal perfecta ;si es justo -1(inversa perfecta), si es
+1(directa perfecta)-->excluimos puntos alineados vertical u horizontal
■ cuanto más cerca esté r de +1 o -1, mejor será el grado de relación
lineal(siempre que no existan observaciones anómalas)
Entrenando el ojo:
El valor de r es de 0,1, los puntos se encuentran muy

dispersos y si trazo una diagonal, los puntos están muy
lejos del valor de r.
R cercano a 0 nos dice que estas variables no están

relacionadas.
A medida que el valor de r se va a acercando a uno, podemos ver que la dispersión de

puntos se va acercando más a la linealidad.
Hasta llegar al r=1 (valor perfecto), donde todos los puntos están alineados en la diagonal.
Una relación fuerte entre las variables.
Cuando la correlación
es negativa, es decir,
cuando aumenta X,
disminuye Y. Esta es
una relación débil
entre las variables. A
medida que el valor de
r va aumentando hacia
el -1, se puede ver que
los puntos se acercan
a la linealidad.
Preguntas frecuentes: Cuando se estudia correlación entre las variables.
❖ ¿Si r=0 eso quiere decir que las variables no son independientes?
➢ En la práctica, casi siempre sí, pero no tiene por qué ser cierto en todos los
casos.
➢ Lo contrario si es cierto: Independencia de las variables implica que no existe
correlación.
Primera imagen: Dos variables independientes,

no existe correlación entre ellas.
Segunda imagen: A pesar de que la covarianza

es 0, hay dependencia entre las variables.
❖ Me ha salido r=1,2 ¿la relación es “superlineal” [sic]?

➢ ¿Superqué? Eso es un error de cálculo. Siempre debe tomar un valor entre
-1 y +1. No puede ser mayor.
❖ ¿A partir de qué valores se considera que hay “buena relación lineal”?
➢ Es difícil dar un valor concreto (mirar los gráficos anteriores).
➢ Para este curso digamos que si |r|>0,75 hay buena relación lineal, que si
|r|>0,5 hay cierta relación y si |r|<0,5 es muy débil o inexistente.
Otros coeficientes de correlación:
❖ Cuando las variables en vez de ser numéricas son ordinales, es posible preguntarse
sobre si hay algún tipo de correlación entre ellas.
❖ Disponemos para estos casos de dos estadísticos, aunque no los usaremos en
clase:
➢ ρ (‘ro’) de Spearman
➢ τ (‘tau’) de Kendall
➢ Las dos anteriores se utilizan cuando queremos estudiar la relación de
variables que no son numéricas, es decir, de tipo ordinales.
❖ Lo más importante es que tal cual existe para los test de comparación, también para
los de correlación, podemos diferenciar o elegir el correcto de acuerdo con el tipo de
datos que tengamos:
❖ Si tenemos datos que se distribuyen normalmente o son paramétricos, el coeficiente
de correlación de Pearson es el que debemos utilizar.
❖ Si tenemos datos que no se distribuyen normalmente utilizamos el test no
paramétrico que es el coeficiente de Spearman.
Regresión:
❖ Mecanismo que permite producir un modelo matemático (ecuación) que explica el

cambio de una variable con respecto a otra(s), y se explica en base al ajuste de
bondad de R2.
❖ El análisis de regresión sirve para predecir una medida en función de otra medida (o
varias).
➢ Y = Variable dependiente. La que vamos a predecir y explicar.
➢ X = Variable independiente: La conocemos, es la predictora o explicativa.
❖ ¿Es posible descubrir una relación?
➢ Y = f(X) + error (ecuación de la recta). Siempre hay un error asociado.
➢ f es una función de un tipo determinado
➢ El error es aleatorio, pequeño, y no depende de X
Ejemplo del estudio de la altura en grupos familiares de Pearson es del tipo que
desarrollaremos en el resto del tema.
❖ A partir de la ecuación predice que la altura del hijo = 85cm + 0,5 altura del
padre (Y = 85 + 0,5 X)à Ecuación de la recta, donde Y corresponde a la
variable a predecir, al que queremos conocer y X corresponde la variable
predictora, que es la que conocemos (en este caso la altura del padre).
➢ Si el padre mide 200 cm ¿cuánto mide el hijo?
■ Se espera (predice) 85 + 0,5x200=185 cm. (Se reemplaza el
valor de X en la ecuación y obtenemos el de Y)
● Alto, pero no tanto como el padre.
● Regresa a la media, valor promedio.
➢ Si el padre mide 120 cm ¿cuánto mide el hijo?
■ Se espera (predice) 85 + 0,5x120=145 cm (Reemplazamos el
valor de X en la ecuación)
● Bajo, pero no tanto como el padre.

● Regresa a la media.
En este curso es importante conocer los modelos de regresión lineal simple.
Modelo de regresión simple: Implica la relación de dos variables (X e Y)
❖ En el modelo de regresión lineal simple, dado dos variables:

■ Y (dependiente).
■ X (independiente, explicativa)
❖ Buscamos encontrar una función de X muy simple (lineal) que nos permita aproximar
Y mediante
➢ Ŷ = b0 + b1X
■ b0 (valor de ordenada en el origen, constante).
■ §b1 (valor de la pendiente de la recta)
❖ Y e Ŷ (valor predicho de Y, el que nos da la ecuación) rara vez coincidirán
exactamente, por muy bueno que sea el modelo de regresión. Esto se debe a que
en el ámbito de la estadística inferencial siempre va a haber un error involucrado.
Este error o diferencia entre el valor predicho y el real se llama:
➢ e=Y-Ŷ se le denomina residuo o error residual.
En el ejemplo de Pearson y las alturas, él encontró:
❖ Ŷ = b0 + b1X
❖ Que la pendiente de su
ecuación era igual a 0,5 (b1) y el
intersecto del valor era 85 (b0)
❖ Que el intersecto sea 85 cm
no quiere decir que cuando el padre
mide 0 cm, el hijo medirá 85 cm. No
se deben extrapolar valores. Los
valores para predecir siempre deben
estar entre medio de los valores medidos.
❖ Entonces la pendiente nos dice que en medio o en promedio el hijo gana 0,5 cm por
cada cm del padre.
❖ Entonces podemos decir que esta recta está dibujada a partir de los 85 cm, pero hay
varias formas de dibujarla y que pase por todos los puntos, entonces ¿cómo
podemos saber cuál es la mejor recta? Cada vez que trazamos una recta
cometemos errores, por ello utilizamos:
Estimación mínimo-cuadrática:
❖ Busca los valores del intersecto (b0) y de la pendiente (b1), de tal manera que se
minimicen los errores residuales.
➢ Σi ei2
❖ Se comprueba que para lograr dicho resultado basta con elegir:
❖ Por lo tanto, el valor residual medio debe ser nulo.

❖ La varianza del error residual es mínima para dicha estimación, es decir, que los
errores que se cometan en predecir deben anularse entre sí, cosa de que la recta
pase de tal manera por lo puntos para que el error se minimice.
❖ Traducido: En término medio no nos equivocamos. Cualquier otra estimación que no
cometa error en término medio, si es de tipo lineal, será peor por presentar mayor
variabilidad con respecto al error medio (que es cero). La idea es que los errores se
anulen.
❖ Que el error medio de las predicciones sea nulo no quiere decir que las predicciones
sean buenas, quiere decir que los errores se anulan entre sí.
❖ Hay que encontrar un medio de expresar la bondad del ajuste (bondad de la
predicción), esto trata de buscar que haya un equilibrio entre los errores y que sea
un valor medio expresado como bondad ajuste.
¿Cómo medir la bondad de una regresión?
❖ Imaginemos un diagrama de dispersión, y vamos a tratar de comprender en primer

lugar qué es el error residual, su relación con la varianza de Y, y de ahí, cómo medir
la bondad de un ajuste.
❖ Hay que centrarse en el eje Y, como varían los valores de Y
en la predicción.
❖ Olvidemos que existe la variable X
❖ Veamos cuál es la variabilidad en el eje Y
❖ La zona sombreada indica la zona donde varían los valores
de Y,
❖ Proyección sobre el eje Y = olvidar X
❖ El camino que recorren los puntitos a la franja es el error en
su estimación
❖ Si ahora lo vemos proyectado en el eje Y,
vemos que los errores de predicción se encuentran
dispersos y más menos a la misma distancia. Por lo
tanto, los errores se anulan entre ellos.
❖ Mientras menos dispersos sean los residuos,
mejor será la bondad del ajuste.
❖ Entonces lo que busca esta línea recta es
hacer que los valores de Y estén los menos
dispersos posibles, esta será la recta que elegirá el
modelo matemático.
Resumiendo:
❖ La dispersión del error residual será una fracción de la dispersión original de Y

❖ Cuanto menor sea la dispersión del error residual mejor será el ajuste de regresión.
Eso hace que definamos como medida de bondad de un
ajuste de regresión, o coeficiente de determinación (R2) a:
❖ La bondad de un ajuste de un modelo de regresión se mide

usando el coeficiente de determinación (R2)
❖ R2 es una cantidad adimensional que sólo puede tomar valores en [0, 1] , porque se
utiliza lenguaje de probabilidades, donde la probabilidad máxima es 1, donde el
modelo predice en un 100% a Y
❖ Cuando un ajuste es bueno, R2 será cercano a uno, es decir, que el modelo predice
muy bien a Y.
❖ Cuando un ajuste es malo R2 será cercano a cero.
❖ A R2 también se le denomina porcentaje de variabilidad explicado por el modelo de
regresión.
❖ R2 puede ser pesado de calcular en modelos de regresión
general, pero en el modelo lineal simple, la expresión es de lo
más sencilla: R2=r2
Otros modelos de regresión:
Se pueden considerar otros tipos de modelos, en función del aspecto

que presente el diagrama de dispersión (regresión no lineal). Por
ejemplo: De parábola
Incluso se puede considerar el que una variable dependa de varias

(regresión múltiple).
En clases solo ocuparemos el modelo de regresión lineal simple.
Correlación v/s regresión:
❖ La Regresión y la Correlación son dos medidas que están estrechamente

relacionadas pero son totalmente diferentes.
❖ El concepto de correlación dice si existe una relación entre las dos variables y como
es esta. Ej: Cómo se relaciona la cantidad de fumadores con la cantidad de
enfermos de cáncer del pulmón o la relación que tienen las notas de cursos de
estudiantes de diferentes universidades o diferente nivel económico.
Tratar de encontrar un modelo matemático que prediga el valor o el comportamiento

de las medidas, con un modelo de regresión podemos construir una fórmula que nos
de el numero de enfermos con cancer de pulmon si yo conosco el numero de
fumadores o saber el número de cursos aprobados en función de la universidad o
del estatus social del estudiante.
Coeficiente de correlación de Pearson, y el coeficiente de correlación de Spearman.
Existen 2 tipos de análisis:
Datos que siguen una distribución normal (paramétricos) se utiliza pearson, que es un
coeficiente paramétrico, es decir, infiere sus resultados a la población real, lo que hace
necesario que la distribución de nuestra muestra se asemeja a la distribución real, es decir,
que haya normalidad (campana de gauss, totalmente simétrica)
Esta es la mayor diferencia entre ambos coeficientes, que el de Pearson es paramétrico, y

requiere que se cumpla el supuesto de normalidad en las variables, mientras que el de
Spearman es no paramétrico, pues la distribución muestral no se ajusta a una distribución
conocida, por lo que los estimadores muestrales no son representativos de los parámetros
poblacionales.
Cuando se tienen datos que están dispersos y no tienen una distribución normal se utiliza la
correlación de Spearman.
➢ Para ambos
■ Sus valores (r) están comprendidos entre -1 y 1 (signo me dice
si la relación es inversa (-) y directa (+)). Inversa cuando X
aumenta e Y disminuye. Directa cuando X aumenta e Y
aumenta.
■ Para saber la fuerza de la variable:
■ 0 – 0,25: Escasa o nula (cercanos a 0, no existe relación)
■ 0,26-0,50: Relación Débil
■ 0,51- 0,75: Relación entre moderada y fuerte
■ 0,76- 1,00: Relación entre fuerte y perfecta.
Ejemplos:
Supongamos que disponemos de un pequeño conjunto de datos con información sobre 35

marcas de cervezas que estamos interesados en estudiar la relación entre el grado de
alcohol de la cerveza y su contenido calórico.
Variables: Grado alcohólico de la cerveza y contenido calórico.
1. ¿Existe relación entre las

variables? se mira el gráfico para
conocer la relación. Al aumentar el
porcentaje de alcohol, aumenta el
número de calorías: Se deduce que
existe relación directa entre las
variables.
2.Al hacer test de correlación, se

obtiene r= 0,92 ¿Qué tipo de
relación?: Relación fuerte.
¿Podemos encontrar algún modelo matemático que nos explique o nos permita conocer el
número de calorías que tiene la cerveza si se conoce el %de alcohol?
Se ve la recta de regresión,
del análisis realizado. Y se
obtiene que:
n° de calorías= -33,77+
37,65* (%de alcohol)
Donde:
● -33,77 valor
donde la recta corta al eje Y
● 37,65 valor
de la pendiente.
.La pendiente de la recta indica que, en promedio, a cada incremento de una unidad
en el porcentaje de alcohol le corresponde un incremento de 37,65 calorías
¿Cuál es el grado en que la recta se ajusta a la nube de puntos?
Si nosotros estudiamos y sabemos cual es grado de que esta ecuación predice realmente el
número de calorías si yo conozco el alcohol, vemos el coeficiente de determinación (R²).
Esto quiere decir que si conocemos el % de alcohol y utilizamos esta ecuación, predecimos
un 83% de los
casos, el número
de calorías que
tendrá esta
cerveza.
R²= 0,83
Si conocemos el % de alcohol de una cerveza, podemos acertar en un 83% nuestros

pronósticos sobre su número de calorías
¿Se podrá predecir el precio de la cerveza conociendo su grado alcohólico?
Ahora quiero saber si

el precio de la cerveza
se puede conocer si
conozco su grado
alcohólico.
1-¿existe alguna
relación entre las
variables? Si observo
los puntos del
diagrama, existe una
gran dispersión entre puntos, y a mayor valor de X, existen tanto valores sobre el promedio
como bajo el promedio de Y. Entonces a simple vista, en general estas variables no están
relacionadas.
Si se determina el coeficiente de determinación R², veo que es muy bajo, cercano a 1. Las
variables no están relacionadas.
Si quiero encontrar una ecuación que prediga, la mejor recta que encontraran, el mejor
modelo matemático dará un R² de 0,06. Eso quiere decir que solamente con esa ecuación
puede predecir un 0.06% de las veces cuál es el % de alcohol si conozco el precio de la
cerveza, Mal modelo matemático.
Correlación entre índice de

masa corporal y
circunferencia corporales
de niños entre 4-10 años.
En la tabla se ven las

variables (edad, peso, etc)
Realizaron el estudio con la

correlación de Pearson, entre IMC,
circunferencia del brazo, muslo y
pantorrilla.
Se ven los coeficientes de determinación (r) y valores mayores a 0,75 ya podemos decir que
existe una buena relación entre las variables.
La variable que se correlaciona mejor es el IMC con la circunferencia de brazo o pantorrilla

con la de muslo.
Para el análisis de correlación también se utiliza una prueba de hipótesis, en la que

estableceremos la hipótesis nula la cual sería que no existe correlación entre las variables, y
la hipótesis alternativa es que si existe correlación entre las variables. Se hace la prueba de
hipótesis que son los valores obtenidos que son indicados inferiormente.
Entonces se hace la prueba de hipótesis y si el valor de p obtenido es menor al alfa del

estudio, entonces se rechaza la hipótesis nula y decir que si existe correlación entre las
variables.
CONCLUSIÓN:
Clase 13: Tasas, Riesgos Probabilísticos y Screening

Indicadores en salud
Los indicadores de salud presentan diversas utilidades e interpretaciones según los
escenarios, tanto poblacionales como clínicos y a su vez se pueden adaptar o crear
combinando parámetros de salud.
Se pueden adaptar combinando parámetros de salud
❖ INDICADORES BASADOS EN EVENTOS INCIDENTES
“Un evento incidente se define como un evento o caso nuevo de una enfermedad (o
la muerte u otra situación de salud) que ocurre en determinado período de
observación.”
Casos nuevos
❖ INDICADORES BASADOS EN EVENTOS PREVALENTES
“Un evento (o caso) prevalente se define como un evento o caso existente de una
enfermedad (u otra condición) en un momento dado.”
Casos que ya existen.
La diferencia entre uno y otro tiene que ver con la temporalidad, cuando ocurre o si es que
uno ya está dentro de la población.
Tasa: Indicador de salud que se utiliza mucho.

La tasa se calcula dividiendo el número de casos por la población correspondiente expuesta
al riesgo y se expresa en n° de casos por x 10ⁿ personas.
❖ 10ⁿ Depende de la frecuencia de la condición o enfermedad que se manifiesta en
las personas.
Algunos epidemiólogos solo usan el término tasa *Rate en ingles, cuando las medidas de
frecuencia de enfermedad están referidas a una unidad de tiempo (semana, año, etc.).
Indicadores que se basan en el recuento de salud y enfermedad (dentro de las tasas)

❖ Mortalidad:
N° de fallecidos en una población en una unidad de tiempo determinado y/población. Si yo
tengo la mortalidad por coronavirus, accidente vehicular, etc esa tasa está dada por años o
meses, según como se necesite o como sea, y que esa tasa explique de mejor forma el
comportamiento de esa condición, ya sea un accidente o una enfermedad.
❖ Morbilidad:
N° de enfermos/población
❖ Letalidad:
N° de fallecidos por una enfermedad/todos los enfermos de esa enfermedad.
Son las principales tasas que se utilizan y tienen especificaciones segun edad o sexo,
patologia, periodo de tiempo, etc.
Ejemplo de tipo de mortalidad:

Infantil, neonatal, infantil tardía,
etc.
En 20 años Chile reduce mortalidad infantil a la mitad
Se ve que aquellos países que

tienen un círculo de menor área
tienen altos estándares de
calidad en salud y por lo tanto
tienen un ranking de mortalidad
infantil más bajo.
Chile está en un n° bueno dentro
del ranking, y eso se debe a las
políticas de salud, etc.
Entonces son problemas de
salud pública que efectivamente,
con el pasar de los tiempos, ya que nosotros conocemos estos indicadores, podemos ir
manejando para que efectivamente estos indicadores bajen y se acerquen a lo que son
países más desarrollados y que presentan mejores indicadores de salud.
Gráfico de mortalidad infantil

Se observa:
Las tasas de mortalidad infantil
han declinado en todos los
continentes (figura), pero hay
grandes diferencias entre
países y dentro de cada país
entre distintas regiones.
Lo que pasa en Chile, por
ejemplo, que a veces se tiende
a ejemplificar solo como
Santiago porque tiene una
densidad poblacional bastante
grande, pero no
necesariamente Santiago
representa todo el país, obviamente las miradas más específicas siempre se van a dar por
regiones, por comunas o por sectores que presentan heterogeneidad en los resultados de,
en este caso, la mortalidad infantil, entonces cuando uno mira la globalidad obviamente va a
decir si, el país está bajando, pero ¿estará bajando en todas las regiones?, esta es una
pregunta que nos podemos plantear para comprender si es que efectivamente las políticas
son efectivas en todo el territorio, no solo en Santiago y las regiones más grandes, y con
eso se van tomando medidas de manera local para efectivamente ir en apoyo de las
personas que pudieran presentar eventualmente estas alteraciones o la muerte.
❖ Las tasas son muy utilizadas en salud pública, en epidemiología porque nos
representan la globalidad de un componente, ya sea una enfermedad o un deceso,
nos permiten tomar acciones a nivel de políticas públicas para generar programas de
salud y guías de apoyo, en los cuales, obviamente se vaya tomando como meta
disminuir esos indicadores que muchas veces están construidos a nivel
internacional, y si nosotros los podemos construir de la misma forma, podemos ser
comparados y comparables con otros países para ver como están las políticas
internas, y si es que esas políticas han sido efectivas en la disminución de algunos
riesgos o algunos problemas que puedan presentar las poblaciones.
Riesgos Probabilísticos
❖ Indica, por un lado, la propia idea de peligro y, por otro, posibilidad de ocurrencia. lo
que explica el significado finalmente establecido en la teoría epidemiológica.
➢ ¿Qué es lo que es un riesgo?, ¿qué es lo que nosotros entendemos por
riesgo?, ¿una actividad peligrosa, algo que genere alguna noxa o alguna
alteraciones a nivel fisiológico, patológico, fisiopatológico?
➢ En el área científica, lo que siempre estaremos haciendo es buscar, no

eliminar del todo porque siempre van a existir, pero sí controlar y conocerlos
de buena manera para trabajarlos de la mejor manera posible
❖ El riesgo en epidemiología equivale a efecto, probabilidad de ocurrencia de una
patología en una población determinada, expresado a través del indicador de
incidencia.
➢ Muchas veces los factores de riesgo o las indicaciones de riesgo van
asociadas a las incidencias. Las incidencias son los números de casos
nuevos, entonces, obviamente si yo tengo una condición, tengo que mirar,
ya sea hacia atrás o hacia adelante para determinar los casos prevalentes
que son los que ya existen, y los casos incidentes que son los casos nuevos
que van apareciendo.
➢ Ejemplo: El riesgo que yo podría presentar es que si yo fumo tengo un riesgo
de padecer un montón de enfermedades que están asociadas al hábito de
fumar, entonces yo estoy cometiendo una actitud riesgosa, que puede
desencadenar en una condición que va a afectar mi correcto desarrollo, o va
a alterar mi fisiología principalmente y a la larga podría desencadenar una
patología como cáncer de pulmón alteraciones a nivel respiratorio, etc
➢ Ejemplo: En un procedimiento médico existen muchos riesgos, por ejemplo,
si es que se estuviera evaluando a un paciente con covid, el riesgo de
contagio, si bien es cierto que el personal de la salud presenta medidas de
resguardo para proteger su salud, muchas veces el riesgo está, por eso
tenemos hoy en día tanto profesional de la salud que tiene o ha tenido covid,
debido a esto el riesgo siempre debe ser evaluado y conocido por las
personas para tratar de controlarlo de la mejor forma posible
❖ Cualquier proporción o probabilidad puede indicar una estimación del riesgo. Es
necesario observar la presencia de tres elementos del riesgo:
1) Ocurrencia de casos de enfermedad salud (numerador)
a) Tiene que ver con el numerador, con lo que nosotros vamos a
considerar para construir estas proporciones, riesgos o tasas de
riesgo
2) Base de referencia poblacional (denominador)
a) Es muy similar a lo de las tasas
3) Base de referencia temporal (período)
➢ Si bien es cierto que la tasa es un aspecto mucho más general que lo que son los
screening pronósticos y los indicadores de salud, lo que hace el riesgo es
entregarnos un valor para saber cuánto es la magnitud de lo que pudiese presentar
eventualmente una condición, ya sea una patología o un accidente si es que tomo
determinada actitud, o si me encuentro en cierto lugar expuesto a una contaminación
o un lugar que me genere algún daño.
Medidas de asociación e impacto

❖ Asociación (causalidad)
➢ RR (ex/no ex) Est. cohorte
■ Riesgo Relativo
■ Este es el que más se usa
■ Tiene que ver con estudios de cohorte, en el cual nosotros tenemos
una persona expuesta (ex) y una persona no expuesta (no ex),
entonces ahí evaluaremos el riesgo relativo.
■ Hay investigadores que al realizar estudios de cohorte utilizan el
odds, no está del todo malo, se puede utilizar siempre y cuando las
patologías estudiadas sean de baja prevalencia, si es una de
prevalencia muy alta puede que el odds matemáticamente entregue
sobreestimaciones al indicar el riesgo.
➢ OR (enf. ex/ enf. no ex)
■ Odds Ratio
■ Son personas enfermas (enf. ex), y personas no enfermas que no han
sido expuestas (enf. no ex)
■ Estos son los diseños de estudio de casos y controles
➢ Razón de prevalencias
❖ Impacto (efecto de intervenciones)
➢ Cada una se utiliza para puntos diferentes en que yo quiera evaluar o valorar
el riesgo
■ Riesgo atribuible (RA)
■ Fracción etiológica expuestos
■ Riesgo atribuible poblacional
■ Proporción de RA / Proporción de Riesgo Absoluto
Gráfico de Comparación de
Riesgo Relativo y OR.
Si yo tengo una enfermedad que

presenta un riesgo del evento
sobre 30, que son patologías más
frecuentes, lo que pasa con el OR
que se ve ascendiendo de
manera asintótica, que crece y
crece sin tocar jamás la línea, es
una sobreestimación, entonces,
tal vez el riesgo, por ejemplo, de
que una persona fume y tenga una patología respiratoria, si yo hago estimo riesgo relativo,
ya que las patologías respiratorias son bastante frecuentes, voy a tener que éste me indica
que el riesgo es 2 veces más de las personas que no fumen. Pero si yo evalúo OR, en un
punto no tan extremo (aprox en la frecuencia 60), vamos a tener un OR de casi 5 veces más
la probabilidad de padecer la enfermedad dado que presenta la actitud riesgosa. Entonces,
efectivamente el OR está sobreestimando la función de riesgo, diciéndonos que hay mucho
más del real, eso porque la ecuación del OR en esa región no sirve tanto para evaluar el
riesgo de eventos muy frecuentes, lo recomendado en esos casos es el Riesgo Relativo.
Riesgos Probabilìsticos
❖ Los riesgos probabilísticos son utilizados como indicadores de magnitud del efecto
de una intervención
❖ Riesgo absoluto (RA): Cantidad de individuos que enferman de entre la población
general
➢ Esta Condición de riesgo absoluto está o no asociado a un evento adverso
❖ Ejemplo: En esta condición: ¿Cuál será el RA asociado al evento adverso?
En esta situación tenemos

una intervención, que es el
uso de antibióticos y
tenemos cirugía, tenemos
el número de personas
que mejoran dado el uso
de antibióticos, tenemos el
número de personas que fallecen dado el uso de antibióticos, las personas que mejoran
dado que tienen una cirugía, y personas que fallecen dado que tienen una cirugía.
Esta es una tabla de doble entrada, de 2x2, estas son tablas epidemiológicas que se utilizan
en salud y nos permiten a través de, principalmente, respuestas dicotómicas (presenta o no
presenta dadas algunas condiciones) poder conocer las frecuencias y principalmente los
riesgos.
Tenemos los tales marginales, donde está la totalidad de personas que usan antibióticos y
la totalidad de personas que reciben una cirugía, la totalidad de personas que fallecen y la
totalidad de personas que mejoran
➢ Para calcular el riesgo absoluto de fallecer dado que consume antibióticos:

Se realiza el cálculo 168 (personas que fallecen por el uso) / 1426 (el total marginal,
es decir, el total de personas que los utilizan), eso da una probabilidad de 0,117 que
al pasarlo a porcentaje da 11,7% de probabilidad de fallecer dado que consume
antibióticos.
RA[Ab/fallecer]= 168/1426 = 0,117 = 11,7%
➢ Se calcula de la misma manera para la probabilidad de fallecer producto de recibir

una cirugía:
RA [Cir/fallecer]= 78/537= 0,145= 14,5%
A partir de estos, yo podría decir que el riesgo de fallecer de una persona es mayor si
se realiza una cirugía que si consume antibióticos
❖ Pero la interpretación de este resultado no es del todo directa, porque hay que estoy
evaluando una utilización de antibióticos de manera aguda, obviamente la cirugía va
a presentar mayor riesgo, porque es una intervención, pero yo no sé si tal vez a la
larga (uso crónico) de antibióticos está matando a más personas que la cirugía.
❖ Reducción del riesgo absoluto (ARR)

➢ Es la diferencia de la ocurrencia de un evento adverso (expresado en %) en
grupos control y tratados ARR = (Control - Tratados)*100
➢ Es básicamente cuanto baja,
➢ Consideremos el ejemplo anterior, que la intervención con más pacientes a la
fecha es la condición control
ARR= RA (Ab/fallece) – RA (Cir/fallece) = (11,7 - 14,5)= -2,8 %
ARR con valor negativo, terapia control es mejor que la nueva??
➢ Estos resultados, si bien evalúan el riesgo dadas la condiciones designadas,
no son taxativos a la hora de poder concluir, si quisiéramos utilizar inferencia
estadística para determinar si es que efectivamente la reducción es
estadísticamente significativa, podríamos tener una meayor certeza de lo que
se está diciendo
➢ Muchas veces estos resultados de RRA tienden a tener descripciones más
descriptivas
Si yo veo este resultado de RRA del 2,8%, veo que la diferencia de la probabilidad de
fallecer por antibióticos y la probabilidad de fallecer por cirugía, veo que si yo tomo
antibióticos tendría casi 3 veces menos probabilidades de morir, pero este número podría
incluso ser despreciable si el número de personas fuera más grande, por eso siempre
la interpretación del clínico es relevante para saber si el RRA es relevante para la
toma de decisión cuál de los tratamientos realizar.
❖ Riesgo Relativo (RR)

➢ Es el cuociente de la ocurrencia del evento adverso (expresado en %) entre
los grupos tratados y control, o expuestos y no expuestos
En esta tabla de doble

entrada, 2x2 o epidemiológica
vemos personas que fuman,
que no fuman, personas con
HTA (hipertensión arterial) y
personas sanas. Tenemos los
totales marginales tanto de la condición de fumar como de no fumar, y de la patología de
HTA y de personas sanas
Fórmula del Riesgo Relativo=RR = (a/a+b) / (c/c+d)

➢ Si vemos la tabla, van a tener letras y estas nos van a ayudar a saber cómo
incorporarlas dentro la fórmula
➢ Cuando yo utilizo las personas que presentan la enfermedad (HTA) y dado que
tienen la condición(fumar) , vamos a consignarlos con la letra [a], que es este que
está acá (a/a+b), y todo eso lo voy a dividir por esa misma condición [a] más los
sanos [b] que fuman (a/a+b).
➢ Hago una segunda división, tomo a las personas que presentan HTA pero que no
fuman [c] más las personas sanas [d] que no fuman: (c/c+d).
➢ Reemplazando obtengo el RR= (1258/1947) / (150/1950)= 0,64/0,076= 8,4
➢ Interpretación: Existe 8,4 veces más de probabilidad de tener HTA si se fuma. 8,4 es
un valor bastante alto.
➢ El RR=1 indica que no hay asociación entre la presencia del factor de riesgo y el
evento. Esto puede ser considerado también como independencia, no es lo mismo,
pero a veces si coinciden como independencia entre los factores.
➢ El RR>1 indica que existe asociación positiva, es decir, que la presencia del factor
de riesgo se asocia a una mayor frecuencia de suceder el evento. Es como veo en
ejemplo: si yo aumento el consumo de cigarrillo, voy a aumentar la probabilidad de
tener HTA.
➢ El RR<1 indica que existe una asociación negativa, es decir, que no existe factor de
riesgo, que lo que existe es un factor protector. Por ejemplo, si yo en vez de poner
fumar pongo realizar actividad física o alimentación saludable, se espera que estas
personas tengan menor riesgo de presentar HTA o incluso un factor de protección.
➢ Reducción del riesgo relativo (RRR): es la diferencia de riesgo de evento adverso
entre los dos grupos respecto del control.
➢ RRR = (incidencia del evento en el grupo control - incidencia del evento en el grupo
tratado) / (incidencia del evento en el grupo control)
★ Ejemplo: en un ensayo clínico doble ciego, aleatorizado, se comparó la
incidencia de primer sangrado por várices esofágicas (SVE), entre pacientes
tratados con ß bloqueadores versus tratados con placebo.
En el primer grupo se produjo SVE 2/51 (4%) y en el segundo grupo 11/51
(22%). La RRR = 22% - 4% /22%= 82%.
Interpretación: En los pacientes que reciben beta bloqueador (BB) y tienen
várices esofágicas es 82% menos probable que desarrollen SVE si se
compara con los que tienen VE y toman placebo. El tratamiento de beta
bloqueadores presenta una efectividad bastante alta.
❖ Number Needed to treat (número necesario a tratar) (NNT) = 1/RAR número de

personas que tienen que ser tratadas para prevenir un caso, sirve para evaluar
potencia de una intervención (porque a menor NNT más potente es la intervención).
Por ejemplo, si necesito tratar a 5 personas para que se mejore 1, obviamente si
necesito tratar a 2 para que se mejore 1, va a ser mucho mejor, por lo que es
importante que NNT sea suficientemente bajo, para determinar qué necesito pocos
sujetos tratados para que se mejore al menos 1 paciente.
❖ Reducción absoluta de riesgo (RAR) = Incidencia en el grupo con placebo - incidencia
en el grupo tratado.
★ Utilizando el mismo ejemplo anterior: El riesgo de SVE en el grupo control es
22% y en el grupo con BB, 4% y por lo tanto RAR es 18% lo que significa que
por cada 100 paciente que sigan el tratamiento con BB se evitarían 18 SVE
con respecto al grupo placebo y por lo tanto para evitar un episodio de SVE
se necesitará tratar 1/0,18 ó 100/18 = 5,6.
Evaluación de los efectos de una intervención, en términos de probable beneficio
La tabla indica los resultados obtenidos en un grupo de 2650 pacientes sometidos a un

estudio aleatorio (Control: tratamiento médico y Experimental (tratamiento nuevo: cirugía).
Compare los efectos de los dos
tratamientos en la supervivencia de los
pacientes, para establecer los
siguientes antecedentes clínicos:
Entonces con esto nosotros podemos revisar los riesgos que se pudiesen eventualmente
tener con una intervención o no. Estos se pueden calcular por si quieren practicar los
riesgos que hemos visto.
Publicación de la revista Médica de Chile que explica en español

cómo se calculan e interpretan los indicadores de magnitud de
efecto… lectura muy aconsejable.
El mismo ejemplo anterior:

1. ¿Cual es el Riesgo (absoluto) de
morir de pacientes sometidos a
tratamiento médico (% total)?
(404/1325)*100 = 30,4%
2. ¿Cuál es el % de disminución en el riesgo absoluto? (riesgo absoluto en tratamiento
médico– riesgo absoluto en cirugía) (404/1325) - (350/1325) = 0,04 *100 = 4%
3. ¿Cuál es el riesgo relativo de muerte entre ambas condiciones terapéuticas?
(0.264/0.304)*100 = 86.7%
4. ¿Cuál es el % de disminución en el riesgo relativo? (100-86,7%)= 13,3%
Evaluacion de caracteristicas de un test diagnóstico
Los screening pronóstico tienen que ver con determinar algunos indicadores que me dicen
que un test es suficientemente fiable y confiable para determinar lo que efectivamente el
test dice que realiza.
❖ SENSIBILIDAD: Capacidad de un sistema para poder discriminar dos valores muy
cercanos entre sí.
★ Por ejemplo, la probabilidad de que la persona esté enferma dado que el test
de covid le dió positivo. Aquí entra en juego el tema de falsos negativos y
falsos positivos, este último es el inverso de la sensibilidad, por que si
efectivamente la probabilidad de que el test sea positivo dado que yo tengo la
enfermedad es lo correcto, ¿qué pasa si el test me dá positivo y yo
efectivamente no tengo la enfermedad? eso es un error.
❖ ESPECIFICIDAD: Capacidad de un sistema para poder medir una variable lejos de
la interferencia del resto de las variables.
★ Probabilidad de que el test me dé negativo y que efectivamente yo esté sano.
¿Cúal es el error? el falso negativo, que puede ser un error importante,
porque yo puedo decirle a una persona que si está enferma, que como salió
negativo, no tiene covid.
❖ EXACTITUD: Capacidad de un sistema de entregar un valor igual al real de la
variable.
★ O sea que efectivamente yo esté apuntando a lo que la variable me está
midiendo.
❖ PRECISIÓN: Capacidad de un sistema para entregar un mismo valor de una
variable luego de múltiples medidas.
★ O sea si yo repito el test varias veces y me dá siempre el mismo valor, va a
ser muy preciso.
Como se puede aplicar la probabilidad para determinar la sensibilidad , especificidad y los

valores predictivos de un test
clínico:
Sensibilidad: a/(a+c)= personas

que presentan la enfermedad [a]
dividido por las personas que
presentan la enfermedad más las personas que presentan la enfermedad pero que tienen el
test negativo [c], es decir, (a+c).
Especificidad: d/(b+d)= personas que no están enfermas y que tienen la prueba negativa [d],
lo divido por ese mismo valor más las personas que no están enfermas pero que presentan
una prueba positiva [b], es decir, (b+d).
Valor predictivo positivo: a/(a+b) (para poder predecir el valor de una condición si yo me
realizo un test).
Valor predictivo negativo: d/(c+d)
Prevalencia: (a+c)/(a+b+c+d)
Tasa de falsos negativos = (1-sensibilidad)*100
Tasa de falsos positivos= (1-especificidad)*100
Ejemplo: Se está evaluando la capacidad de

un test para discriminar la presencia de virus
HIV en la sangre recibida en un banco de
sangre, para lo cual se lleva a cabo un
screening en 1000 personas obteniendo que:
¿Cuál es el % y número de falsos positivos detectados en el sistema?

(1-especificidad)*100= 1 - 0,78= 22% y 26 individuos
¿Cuál es el % de sensibilidad del test clínico? 94/120=0,78=78%
¿Cuál es el % de especificidad del test clínico? 836/880=0.95= 95%
¿Cuál es el % de prevalencia de la patología? (94+26)/1000= 0.12= 12%
Interpretación (para recordar)
❖ Los valores del Riesgo Relativo si son mayores de 1 denotan asociación a un mayor
riesgo de enfermedad, si al contrario es menor de 1, denota factor de protección, y si
es igual a la unidad, no hay asociación entre la exposición y el efecto, por lo tanto no
hay riesgo.
❖ RR = 1 No hay Asociación.
❖ RR > 1 Hay Asociación al Factor de Riesgo.
❖ RR < 1 Hay Asociación al Factor de Protección.
Interpretación Odds Ratio ( para recordar)
Es una interpretación similar (no igual) al Riesgo Relativo. Las probabilidad de estar
expuesto es la cantidad de veces del resultados del Odds, en los casos que en los
controles.
Clase 14: Intervalo de confianza y Odds ratio

Intervalo de confianza(IC)
❖ Sirve para determinar el rango dentro del cual se encuentra un parámetro de una
población, con un nivel de confianza adecuado. Ej :rango de valores para la
glucemia.
❖ En otras palabras es un rango en donde tengo certeza que encontrare un parámetro
de la población
❖ Probabilidad definida de que un parámetro se va a encontrar dentro de un
determinado intervalo
❖ Se puede calcular en base a 2 fórmulas: (la puntuación ta y el 1.96 se encuentran en
una tabla estadística que está
publicada)
**Dato: para un conjunto mayor de
datos oupo la fórmula de abajo **
Para puntuación T (menor a 30 datos)Aca esta la tabla.La manera de utililizarla:es ver la

parte superior donde aparece el error, es decir si mi medida tiene 95% de confianza , el otro
5% puede quedar por arriba o abajo del intervalo, siendo el error: 00.5 en este caso y
buscar en esa columna. El segundo elemento es el grado de libertad (gl) que es
n-1.(n=número de datos), y cuando me de por el gl igual a 9, debo hacer un cruce entre los
2 valores del error y el grado de libertad. De esta manera saco la puntuación t. PERO si
tengo mas de 30 datos ocupare la otra ecuación, en donde sacó la puntuación Z que es
1.96, pero este valor también salió de la tabla derecha, entre el cruce de 1,9 y 0,06 que
tiene el valor de 0,0250 (que sería que el 2,5% de los datos queda fuera del intervalo de
confianza, tanto arriba como abajo, es decir un 5%queda afuera).
¿Cómo se calcula
un intervalo de
confianza en la
forma antigua?
1. Tener los
datos de los cuales
se quiere tener un
intervalo
**el grado de libertad
acá es n-1 (es decir
11-1=10)**
Ahora que tengo el error estándar y el promedio, puedo calcular con la fórmula para un
n<30 el intervalo de confianza, entonces considerando la fórmula de abajo, el promedio era
2476,5 gr, más menos, la puntuación P para 10 grados de libertad y 95% de certeza, que en
la tabla aparece como 1,812 y eso lo multiplico por el error estándar, que es 56.55. Qué
significa eso, que tengo un intervalo de confianza del promedio, más menos, 102,46 gr. Esto
significa que dentro del intervalo formado por 2476, 5, más menos, 102,46 gr voy a tener el
peso del 95% de mi muestra. Los datos que están por abajo están en las medidas de error,
no serán evaluadas con el mismo nivel de seguridad y confianza.
El intervalo de confianza sirve para especificar que tan buena es una terapia si yo la
comparo con la mejor terapia disponible.
Paper explicado para entender cómo se interpreta el valor del

intervalo de confianza.
Lo que tenemos que considerar cada vez que miramos un intervalo de confianza es:
1. Cuál es la variable que estoy evaluando y como me interesa que cambie. Ejemplo:
Tiempo de sobrevida de un cáncer, variable que medimos en meses, debe ser un
número positivo y grande, porque mientras mayor sea la terapia aumenta la sobrevida.
Por el contrario, si pensamos en el número de días que los pacientes permanecen
hospitalizados, conviene que el valor sea pequeño y negativo a la terapia estándar.
2. Relación entre los valores extremos del rango y el umbral de beneficio
Un buen intervalo de confianza debe ser de la misma naturaleza, es decir, todos deben ser
positivos o todos negativos. Deben estar siempre sobre o bajo el 0.
Existe por otra parte, el umbral crítico de beneficio, que está definido por los expertos de un
tema, por ejemplo, una nueva terapia puede hacer que todos los pacientes tengan una
sobrevida mayor a 0 comparado al grupo control, pero el grupo de expertos puede decidir
que para ese cáncer esa intervención tiene un costo emocional o económico muy grande,
que debería tener un aumento en la sobrevida de 4 meses o más. Este sería el umbral
crítico definido por los expertos. Por lo que, yo podría tener una sobrevida mayor a 0, pero
que no esté por sobre el valor crítico.
Condición A: S e tiene una evaluación de una terapia, se tiene el 0 donde está definido el
valor normalizado de la mejor terapia disponible y un intervalo de confianza para por
ejemplo, el riesgo de morir o la sobrevida de pacientes que va desde el -1 al +7. Por lo que
tenemos un conjunto de pacientes que se distribuye en su sobrevida de -1, es decir, se
muere un mes antes del control, hasta +7, donde se mueren hasta 7 meses después de la
terapia control.
El problema de este intervalo es que tenemos pacientes que están falleciendo antes del
grupo control, también que el umbral de beneficio definido por los expertos está definido en
2,8 (línea puntitos), por lo que, tenemos gran cantidad de pacientes bajo ese umbral y tengo
una sobrevida más alta que el control. Por lo tanto, tiene beneficios de tener sobrevida más
alta, no logran tener todos los beneficios. Por lo que, no se debería aceptar esta nueva
terapia.
Cuando se tiene la posibilidad de ofertar una terapia a un grupo de pacientes, no se sabe en

qué zona de la curva estos van a quedar, por sobre el umbral de beneficio, por debajo de
éste, o menos de 0, si no tenemos esta certeza la terapia no puede ser utilizada.
Una segunda forma de entender este intervalo: Nueva terapia donde el valor de
salida/respuesta debe ser positivo.
Condición B:El valor promedio del rango está por sobre el umbral de beneficio al igual que
uno de los extremos del rango ….conclusión hay evidencia significativa para apoyar el uso
del tratamiento pero solo será aconsejable si el umbral de beneficio es superado por todo el
intervalo
En la curva se ve
que todos los
pacientes viven
más que el
control
(control=0). O
sea la nueva
terapia sería
mejor que la
teoría control. Sin
embargo, los
expertos
determinaron que 3 era el umbral crítico de beneficio, y se ve que hay una población que
está debajo de ese umbral de beneficio, estas personas viven más que el control pero no
tienen todos los beneficios de la nueva terapia. Entonces en ese caso tampoco esta nueva
terapia es recomendable.
Condición C. El valor promedio del rango

está por sobre el umbral de beneficio al igual
que ambos extremos del rango ... .conclusión
hay evidencia significativa para apoyar el uso
del tratamiento ... .totalmente aconsejable.
La única condición en la cual una terapia es

aceptable (del punto de vista del análisis del
intervalo de confianza) es cuando tiene todo
el conjunto de valores por sobre el valor del
grupo control pero además por sobre el
umbral de beneficio. Ahí nos aseguramos de un adecuado balance entre el costo- beneficio.
En la curva vemos que, todos los pacientes con valores positivos para la variable de salida y
de además están por sobre el umbral de beneficio. En estas condiciones es aceptable la
utilización de una nueva terapia. (valores de la variable de salida para grupo de pacientes
sobrepasa el umbral de beneficio). Si me interesa que la variable de salida sea negativa,
(como días de toma de remedio, o días para tomas de alta), en esos casos la curva se
invierte y nos interesa que tenga un intervalo de confianza con valores más negativos.
mientras más negativo y por debajo del umbral de beneficio, va a ser adecuado.
Test de odds ratio (razón de razones o fracción de fracciones) o prueba de McNemar
❖ Nosotros la abreviamos como OR

❖ Esta prueba permite la evaluación del impacto de una variable sobre la otra,
concluyendo que: puede que la
➢ A es predisponente del evento B
➢ A no tiene impacto sobre B
➢ A es protectora de B
Ej: ¿masticar chicle produce caries?
➢ El masticar chicle puede proteger a los dientes de tener caries (protecto)

➢ masticar chicle no tiene ninguna relación con tener caries
➢ Masticar chicle produzca más caries en la población (predisponente de un
efecto)
❖ Esta prueba requiere la construcción de una tabla de contingencia ( por lo tanto
también se puede evaluar de manera conjunta la asociación entre variables con chi
cuadrado). Porque estos datos se usan para ver las causas-efectos a través de la
prueba del chi cuadrado. La misma tabla que se construye para evaluar
efecto-causa en chi cuadrado, sirve para evaluar qué impacto tiene una variable
sobre la otra.
Esta es una tabla de

contingencia, tiene doble
entrada (info de columnas
es diferente a la info de
filas) y además la info que
interpretó en cada una de
las cuadrículas tengo que
J: tengo c personas no expuestas en
verlas en dos direcciones (filas y columnas). E
el grupo control.
La fórmula de OR se construye haciendo dos fracciones. (el resultado siempre es positivo) y

determina la frecuencia de aparición de un fenómeno.
OR es una forma de expresar la proporción de veces que un suceso ocurre frente a que no
ocurra. De tal manera que un OR = 2,5 debemos leerlo como 2,5:1 (la posibilidad de que un
efecto aparezca en presencia de otra variable es 2,5 veces mayor que si esta variable no
está presente)
Interpretación de OR: Pueden ser valores 0, <1 o >1. Esos son los tres posibles rangos
para la evaluación de los OR.
❖ OR=1 no hay efecto de una variable en otra (ej: masticar chicle no causa más caries
que si no se masticara) ¿Como se si da 1? si reemplazamos el OR en la ecuación
de probabilidad que calcula el % de población afectada, y esta probabilidad si da
50% que en este caso significa que el 50% de la gente que mastica chile tiene caries
y el otro 50% no tiene, por lo tanto no hay relación directa (causa-efecto) (no hay
efecto de una población sobre otra=50%)
❖ OR <1 la variable tiene efecto protector disminuyendo la probabilidad de que la
segunda variable ocurra. EJ: OR=0,5, eso da 33%, en este caso se tiene protección.
Todos los OR<1 indica protección de la variable frente al daño que se evalúa.
❖ OR >1 indica que la variable tiene efecto predisponente aumentando la probabilidad
de que la segunda variable ocurra. Ej: si el OR=3, al reemplazar en ecuación de
probabilidades daría 75%, en este caso el factor es predisponente de un daño.
Si se piensa que el OR = 1 , esto significa que la posibilidad de que un efecto ocurra es

igual estando o no presente la variable
Permite determinar el porcentaje de la población afectada, y

en base a eso hace más sencilla la interpretación del OR
Para un OR =1 la proporción de la población afectada es OR/(OR+1)= 1/(1+1) = ½ = 50% o

sea que hay exactamente la misma probabilidad de enfrentar a la variable B estando o no
presente A.
Si un estudio conduce a un valor de OR de 2,5 entonces aplicando la fórmula de arriba, se
determina que probabilidad tiene un individuo de sufrir un efecto estando presente una
variable determinada ( en este caso el resultado es de 0,714, o lo que es igual del 71,4%. )
Permite determinar el porcentaje de la población afectada, y en base a eso.
Se puede mezclar el reporte de intervalo de confianza con el reporte de OR.
Ejemplo: Esta
es una
publicación en la
cual se está
evaluando la
probabilidad de
tener una
enfermedad
coronaria
cardiaca en el
año 85´y en el
año 95´para un
conjunto de gente que es deportista como deportistas de largo rango, deportistas de

carreras de corto aliento, etc…
Vemos informado el valor de OR, entre paréntesis sale el intervalo de confianza que el
inglés es CI para cada una de las medidas.
Por ejemplo vemos un 0,21, es menor a uno, por lo tanto es un factor protector, y todo el
intervalo de confianza de 0,11 a 0,39 se mantiene dentro del rango de menor a 1, por lo
tanto esa evidencia es de calidad y podemos creer que en ese caso, las personas que
hacen atletismo de larga distancia tienen un factor predisponente de padecer enfermedades
coronarias.
En el caso de los atletas de corta distancia, sale un OR de 0,79, como es menor a 1,
todavía podríamos creer que es un factor de predisposición cardiaca, pero cuando
evaluamos el intervalo de confianza vemos que parte en 0,5 y termina en 1,23, y en este
caso, el menor a 1 significa otra cosa en el OR, y el mayor a 1 significa otra cosa. Entonces,
en este caso, tenemos una parte de la población para la cual el factor está siendo protector,
parte de la población para la cual no hay efecto que son aquellos que caen en 1, y parte de
la población para los cuales son predisponentes de daño que son para los cuales van del 1
al 1,23, en este caso hay que decir que para esta población no hay una relación clara entre
el haber practicado o practicar atletismo de corta distancia y el de padecimiento de
enfermedades coronarias, porque tenemos que nuestro intervalo de confianza atraviesa el
valor de 1, que era el valor que define ser protector o predisponente para el OR, es lo
mismo que ocurre cuando hay un intervalo de confianza de un tratamiento clínico en el cual
el intervalo de confianza pasa sobre el 0 y tenemos valores positivos y negativos ahí
tenemos poblaciones que tienen diferentes comportamientos y es evidencia concluyente.
También se relaciona con valores de interpretación de estadística inferencial e indican que
gana h0, es decir, no existe suficiente evidencia para asegurar que hay efecto de una
variable sobre la otra.Por ejemplo, en el caso anterior estábamos entre 0,51 y 1,23, el valor
de p o el valor de significancia del análisis es muy superior al 0,05 que habitualmente se
utiliza para interpretar los niveles de confianza, por lo tanto, acá se tiene una hipótesis nula
verdadera , lo cual indica que no hay evidencia suficiente para indicar que en la práctica de
ejercicio está protegiendo de tener una enfermedad coronaria.
Ejemplo OR: Se ha hecho un estudio que pretende evaluar si el hábito de fumar

corresponde a un factor de riesgo de enfermedad coronaria en adultos varones, estar
expuesto, entonces, a un factor negativo y padecer una patología.
Hay un conjunto de población que se divide entre gente sana y gente con enfermedad
coronaria, algunos fuman, otros no.
Esta tabla sirve

para evaluar en
Chi2 la asociación
causa efecto, y
también sirve para
el cálculo OR.
Se divide 112176 sobre 88224, y se divide por 52000 sobre 103000,
de esa manera yo tengo el OR para la relación entre fumar y
enfermedad coronaria.
Para contestar la pregunta de la investigación es necesario: a)Calcular: la razón de

razones (ODDS RATIO) a partir de la información presentada e interprete su resultado
b)¿Qué probabilidad existe de que se presente una enfermedad
coronaria siendo fumador?
No lo calculó pero cree que debería ser mayor a 1 porque el

denominador es menor a 1, debiera ser un factor predisponente el tener
fumar para enfermedad coronaria. Entonces en este conjunto de datos fumar si es un factor
predisponente para enfermedad coronaria.
Ejemplo de utilización del intervalo de confianza y el

OR en conjunto para evaluar las características de
una población
Acá tenemos factores asociados al estrés en
estudiantes de enfermería durante sus prácticas
clínicas.
Hay un conjunto de estudiantes que dicen que no tienen
estrés y un conjunto que dice que tiene estrés, se evalúo
el OR y el intervalo de confianza para ese OR.
En el primer caso cuando se consideran los alumnos de
cualquier edad hay un OR=1, por lo que uno podría
pensar que la edad no es un factor que predispone si la
persona va a tener o no estrés, sin embargo, el intervalo
de confianza dice de 0,6 a 1,5, es decir, hay gente para
la cual ser más joven está siendo un factor protector del
estrés , pero hay otro grupo para el cual ser de mayor
edad está significando mayor estrés. Como el intervalo de confianza va de valores menores
a 1 a mayores a 1, es evidencia inconcluyente, no puedo asegurar que existe una relación
entre edad y estrés en esta población de estudiantes.
En la segunda variable, género, dividido como una variable dicotómica en masculino y
femenino, tenemos un OR de 3,8 y vemos en este caso en particular que el intervalo de
confianza el valor menor es 2,4 y el valor mayor es 5,8, o sea, en el mejor de los casos, hay
2,4 veces mayor probabilidad de tener estrés si eres una persona identificada con el género
femenino, y en el pero de los casos se puede llegar a tener hasta 5,5 veces más de
probabilidades de tener estrés que una persona identificada con el género masculino. Por lo
tanto, para todo el grupo de estudiantes existe un aumento de probabilidad de tener estrés
si te identificas con el género femenino.
DE ESTA MANERA SE INTERPRETA LA INFORMACIÓN, NO BASTA CON TENER EL
VALOR DE OR, OR DA UNA INDICACIÓN DE SI EXISTE PREDISPOSICIÓN,
PROTECCIÓN O NO HAY IMPACTO EN UNA VARIABLE O EN OTRA, PERO TENGO
QUE EVALUAR TAMBIÉN EL INTERVALO DE CONFIANZA PARA ESE OR PARA
DECIDIR SI ESA EVIDENCIA ES O NO CONCLUYENTE
Por ejemplo, en la tabla, en ingresos familiares mensuales, aparece un OR de 1,2

… de ese punto de vista yo podría pensar que un mayor ingreso es un factor predisponente
de tener estrés, sin embargo, el intervalo de confianza (95% CI) para ese conjunto de datos
va entre 0,9 y 1,6, tengo valores que están abajo de 1 y arriba de 1, por lo tanto, tenemos
un conjunto de datos que dan información no concluyente.
Análisis de OR ODDS RATIO:
➢ OR=1 no hay dependencia entre variables.
➢ OR menor a 1 implica que la variable A protege del efecto negativo.
➢ OR mayor a 1 implica que variable A predispone a un evento negativo.
➢ TODO EL IC del OR debe quedar por sobre o bajo el 1 para ser evidencia
significativa.
No solo importa el OR sino que también el intervalo de confianza, porque todos los valores
tienen que estar por arriba del 1 o por abajo para ser predisponentes o protectores frente a
un daño.
Figura 2 : Factores asociados a
alto nivel de sedentarismo en
chile. Datos presentados como
odds ratio (95% IC).
Otra forma en la que se puede
presentar la información de un
intervalo de confianza para el
OR, es a través de lo que se
llama los diagramas de forest o
o los forest plot. Está marcado
el 1, y aparece por arriba del
uno (→) o por abajo de él (←).
Todas aquellas variables
graficadas en el 1 (en su línea),
son variables que no se han podido evaluar si hay una predisposición o una protección con
respecto al daño que estoy evaluando, por ejemplo, acá el sexo masculino (hombres) con
respecto al sedentarismo da 1, por lo tanto, no hay impacto de ser varón y tener un nivel de
sedentarismo mayor o peor, pero en el caso de ser mujer estamos por arriba del valor 1 y
todo el intervalo de la evaluación está sobre el 1, por lo tanto, para ellas si se tendría un
factor de tipo predisponente al sedentarismo. Lo mismo para los grupos etarios divididos por
estratos, tenemos algunos para los cuales no hay impacto (IC=1) y tenemos valores para
los otros en que son protectores (IC<1), si mantienes una actividad física alta tienes factor
protector en edades mayores (25 - >65). No hay relación entre hipertensión y sedentarismo,
y tampoco para no tener síndrome metabólico (IC=1), pero si cuando sí lo padecen (1<IC,
valor predisponente).
Ejercicios (para resolver)
1) Tabla 6. Aumento de las competencias clínicas y confianza de estudiantes de

enfermería. Se les
aplicó una encuesta a
un grupo de
estudiantes antes y
después de haber
pasado por un
programa que
supuestamente les
aumentó las
competencias
clínicas, entonces
aparece un intervalo
de confianza (CI) para
el nivel de diferencia antes y después del programa. ¿Qué información extraigo del
análisis de datos?
2) Un grupo de investigadores desarrolló un nuevo fármaco para el tratamiento del
cáncer de colon, obteniendo para un grupo tratado (n=150) en comparación con el
grupo tratado con la terapia tradicional (n=150), un IC (alfa=0,05) = 10 ± 4 para el
promedio de meses de sobrevida, siendo el umbral de beneficio clínico de 8 meses.
A. ¿Qué evidencia entrega el estudio?
B. ¿Qué propondría para disminuir el rango del IC=0,05? Justifique su
respuesta.
3) Con el fin de determinar el estado general de salud de una población de pacientes
adolescentes con vigorexia (n=10) se desea tener una idea general del peso
promedio de músculo. Por ese motivo él midió dicha variable, obteniendo los
siguientes pesos en gramos 31250; 29750; 28300; 30100; 23900; 29400; 27650;
25200; 24150; 38250. Para un nivel de confianza del 95% ¿cuál es el IC95 del valor
promedio de peso de músculo en los pacientes? Responda a través de los
siguientes pasos:
A. ¿Qué fórmula de IC utilizara en el análisis? ¿Utilizará la tabla de distribución
Z o T? fundamente su respuesta. ¿Cuantos grados de libertad están
involucrados en este estudio?
B. Realice el cálculo de IC95 e informe sus resultados.
4) Se pretende evaluar el impacto del consumo durante un año de té verde como
coayudante en la terapia de hipertensión, en un grupo de pacientes observándose lo
siguiente:
A. Calcule la razón de razones (ODDS RATIO) a partir de la información
presentada e interprete su resultado
B. ¿Qué probabilidad existe de que se presente hipertensión al beber té?
C. Calcule para este estudio la
significancia de la
asociación entre el
consumo de té verde y la
presencia de hipertensión en la muestra en estudio. ¿Qué test usaría, con

que nivel de significancia y grados de libertad?
5) En un estudio en México se aplicó un

cuestionario para evaluar factores de riesgo
y presencia de DM II, obteniéndose la
siguiente tabla.¿ Cuál es el OR y existe
asociación entre las variables? Interprete
sus resultados.

Biblia Metodo

Cargado por

Información del documento

Descripción original:

Título 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

Biblia Metodo

Cargado por

Copyright:

Formatos disponibles

Romina Armijo-Bárbara Fernández-Diana Huina-Camila Jerez-Daphne Molina

Clase 1: Investigación, Metodo Cientifico y Metodo Clinico

La investigación científica aplica criterios rigurosos

como la biológica o la física ;la generación de nuevo conocimiento se basa principalmente

Aca podemos ver la comparación de ambos

El enfoque cualitativo se caracteriza por ser inductivo, es

En el enfoque cuantitativo observamos por un lado un carácter

En el enfoque mixto se combinan diferentes realidades;una

Sea cual sea el enfoque escogido para realizar una

CARACTERISTICAS DE METODO CIENTIFICO

❖ Si se utilizan rigurosamente estas etapas y éstas se repiten de manera

ETAPAS DE UNA INVESTIGACIÓN

1-IDEA: " inicio" de una investigación.Surge de la observación de la realidad producto

Las ideas surgen de las más variadas fuentes y diversos

Las ideas de investigación son inicialmente bastante vagas

Necesidad de conocer “Lo que ya se sabe” y las ideas de investigación

Para que la idea se transforme finalmente en el origen de una

En esta proyección se puede ver una tabla

Clase 1: Investigación y Método científico Parte II

La buena idea y la evaluación del valor de una investigación

Como se mencionó anteriormente una idea inicialmente

Un problema de investigación fundamentalmente se

Recién mencionamos la importancia del marco teórico en los

❖ Una revisión bibliográfica exhaustiva que lleva a lo que habitualmente se llama el

Entonces el marco teórico va a determinar de manera precisa

La hipótesis es, como ya dije, una afirmación en tiempo

El diseño de una investigación, es aquel que va a organizar

❖ Experimental: tenemos básicamente investigación

En próximas clases van a poder ahondar en los

Podemos eventualmente necesitar un muestreo que

El análisis de los datos en el caso de las mediciones de datos

En esta proyección se resume un poco lo que hemos visto

❖ Si la hipótesis es ​cierta​ informar los resultados

poder llegar a un ​diagnóstico definitivo y poder implementar el manejo que

El método clínico: Si objetivamos en etapas el método clínico:

Buena parte de esta suerte de investigación

Ahora, esto es importante porque a partir de la

Errores que se cometen con más frecuencia durante el examen físico

6. Práctica de la exploración en momento inoportuno (no hay facilidades para la

Diferentes formas de la vulneración del método clínico:

Clase 1: Fuentes de información y tipos de publicaciones

¿Dónde y cómo se encuentra información referencial válida?

En bases de datos biomédicos o científicos y habitualmente estas bases de datos contienen

❖ ¿Por qué es tan relevante tener esta información válida?

❖ ¿​En qué secciones de una publicación o proyecto se necesita información

Búsqueda de información bibliográfica desde fuentes ¿válidas?

Una variante de google llamada google académico que efectivamente da la posibilidad de

Fuentes válidas de información científica (repositorio usach)

➢ Fuentes de referencias bibliográficas

➢ Fuentes de artículos científicos por disciplina

➢ Recursos clínicos combinados (repositorio usach)

El banco de datos más completo del mundo: PubMed

Y en este sitio si ponemos el mismo término,

La identificación de la referencia bibliográfica

Ustedes también van a tener la oportunidad de desarrollar su proyecto de investigación

Búsqueda en PubMed: Nueva interfase a partir de Mayo 2020

A partir de Mayo del 2020 PubMed va a cambiar su

Búsqueda en Pubmed: Nueva interfase a partir de Mayo 2020 (​ 15)

Una interfase muy similar, donde me aparece

SciELO: Archivo científico latinoamericano​ (16)

Existe un archivo científico que recaba toda la

La página SciELO está organizada en base a

❖ Si la hipótesis es cierta informar los resultados

poder llegar a un diagnóstico definitivo y poder implementar el manejo que

❖ ¿En qué secciones de una publicación o proyecto se necesita información

Búsqueda en Pubmed: Nueva interfase a partir de Mayo 2020 ( 15)

SciELO: Archivo científico latinoamericano (16)

SciELO: Archivo científico latinoamericano (17)

SciELO: Cada país tiene su sitio propio (18)

SciELO: Cada país tiene su sitio propio (19)

En relación al contenido se pueden cuatro tipos de publicaciones:

Ejemplo publicación: Full Paper (25)

Ejemplo publicación: Review (26)

Ejemplo publicación: Caso Clinico (27)

❖ Las variables que componen la hipótesis deben ser comprensibles,

Hipótesis Nula (H0)

❖ Es un aporte del campo de la estadística inferencial. Corresponde a la

Hipótesis ALTERNATIVA (H1)

“Realizar una campaña de fumigación en los