UNIVERSIDAD EL BOSQUE

FACULTAD DE ODONTOLOGÍA
UNIDAD DE INVESTIGACIÓN

APLICACIONES DE LA BIOESTADÍSTICA EN INVESTIGACIÓN CLINICA

Luis Rogelio Hernández 1, Gloria Rocío Bautista Mendoza2 Gloria Lafaurie Villamil 3
1. Master of Science; Magíster en Educación,Docente de Bioestadística y Miembro unidad de Investigación, Facultad
de Odontología, Universidad El Bosque
2. Bacterióloga M.Sc. Microbiología Especialista en Estadística, Profesor Asistente Facultad de Odontología, Universidad El
Bosque
3. Odontóloga, Magister en epidemiología clínica, Directora Grupo UIBO- Universidad El Bosque

INTRODUCCIÓN

La Estadística es un conjunto de procedimientos matemáticos y gráficos

que tienen por objeto el análisis de series de datos con el fin de describirlos o de
inferir de ellos conclusiones que tengan validez y confiabilidad expresables en
términos probabilísticos.

La Estadística se divide tradicionalmente en dos grandes categorías:

1. Estadística descriptiva: permite describir una o más series de datos de

manera que se aprecien sus características de exactitud, precisión,
confiabilidad y se puedan presentar de manera gráfica para la
comprensión de un público no especializado.
2. Estadística inferencial: aplicación de pruebas matemáticas para
comprobar o negar hipótesis o efectuar inferencias acerca de
tendencias, relaciones entre variables y predicciones.

En cada una de las categorías anteriores, existen dos tipos de estadísticas

inferenciales denominada PARAMETRICA y otra NO PARAMETRICA, de
acuerdo a la naturaleza y distribución de los datos que se estén procesando.
La Bioestadística es la aplicación de la estadística al estudio de procesos
biológicos, que por su variabilidad y complejidad, requieren de manera
indispensable un análisis de tipo matemático.
La Bioestadística es una herramienta indispensable en el desarrollo de una
investigación clínica, en las siguientes etapas:
El diseño de la investigación:
Ayuda a seleccionar el número de variables, los indicadores
(referentes empíricos) de cada variable, las unidades de medición y el tamaño
de los grupos.
A. El diseño muestral: ayuda en la selección del método de muestreo y sirve
para determinar el tamaño mínimo de muestra que se requiere para
que la investigación tenga un determinado nivel de confiabilidad. En
el caso de que el muestreo y/o la asignación de las unidades muestrales a
diferentes grupos sean aleatorio, ayuda en el procedimiento de
aleatorización.
B. En el proceso de selección de métodos : la calibración de instrumentos o
de l o s evaluadores requiere estudios de reproducibilidad y de
concordancia que aseguren que los diferentes investigadores
participantes en el estudio tienen los mismos criterios y obtienen
resultados similares, dentro de un rango de error aceptable. De igual
manera, en el caso de utilizar instrumentos como encuestas, y
cuestionarios, la validación de las mismas requiere procedimientos
estadísticos.
C. En el proceso de crear una base de datos: El estadístico debe sugerir la
forma más adecuada de tabular los datos, para facilitar su posterior
depuración y análisis. Participa en el diseño de las tablas y formatos para
la recolección de datos.

En el proceso de análisis de los datos:

El estadístico debe participar en las decisiones relativas a los criterios

de exclusión de datos, a fin de depurar la base de datos sin afectar su
confiabilidad y posteriormente aplica los procedimientos descriptivos e
inferenciales que respondan a los objetivos de la investigación.

En la presentación de los resultados:

Una parte importante de la estadística se ocupa de la presentación adecuada

de los resultados de la investigación en tablas y figuras. El estadístico resuelve
dudas sobre la mejor manera de presentar los resultados gráficamente.
PROCEDIMIENTO PARA SELECCIONAR LAS PRUEBAS ESTADÍSTICAS
QUE SE DEBEN APLICAR PARA ANALIZAR LOS DATOS GENERADOS EN
LA INVESTIGACIÓN.

El algoritmo para seleccionar los procedimientos estadísticos aplicables en una

investigación se fundamenta en la respuesta que se dé sistemáticamente a las
siguientes preguntas:
3.1 Cual es el objetivo del estudio?
Los objetivos más comunes de un estudio clínico, son expresados por verbos
como:
DESCRIBIR: Ejemplo: Series de casos
ASOCIAR: Ejemplo: Casos vs controles, expuestos vs no
expuestos.
COMPARAR: Ejemplo: Estudios de intervención: datos antes y
después. Estudios de intervención: grupos
experimentales vs. grupos control
RELACIONAR: Ejemplo: Estudios correlaciónales o ecológicos,
relación entre variables en general ya sea relaciones
positivas o negativas. Se usan mucho en pruebas
diagnósticas.
.
La palabra “relacionar” implica estudios que pueden ser de CORRELACION Y
ANÁLISIS DE REGRESIÓN; o bien de ASOCIACIÓN o de CONCORDANCIA. En
consecuencia, es necesario especificar qué tipo de relación se pretende
estudiar.

3.2 Demostrar o rechazar una hipótesis

Si el objetivo es describir, solamente se podrá utilizar estadística descriptiva y

ésta será diferente según que los datos. Los datos se pueden expresar en
distribuciones de frecuencias, medidas de tendencia central y dispersión e
inclusive en medidas de posición como percentiles.

Los objetivos “comparar” y “relacionar” son propios de investigaciones

analíticas y experimentales e implican por lo menos dos grupos de datos, por lo
cual debe pasarse a responder las siguientes preguntas.
 HIPÓTESIS ESTADÍSTICAS:
Las hipótesis estadísticas son de dos categorías: nulas y alternas. La hipótesis
nula (Ho) o de equivalencia supone que al comparar dos grupos A y B,
la diferencia no es significativa, es decir, se puede considerar que A es = a B.
Las hipótesis alternas (H1, H2, etc.), establecen que los grupos son
diferentes A≠B (hipótesis a dos colas), es decir esta hipótesis es planteada sin
dirección anticipada y pretende establecer que la diferencia es significativa, es
decir, que A es significativamente diferente de B. Las hipótesis alternas con
dirección anticipada, establecen la superioridad de un grupo sobre el otro,
pudiendo ser que A > B o que B > A. Por enunciar anticipadamente la
dirección, estas hipótesis son unidireccionales o de una sola cola y sólo se
plantean en estudios de no inferioridad.
Las inferencias estadísticas que se dirigen a comprobar hipótesis pueden
cometer errores a los que se denomina variación aleatoria. Los
correspondientes errores estadísticos que se pueden cometer al no rechazar o
rechazar hipótesis se especifican en la figura 1:

Figura 1. Errores estadísticos

Error α, tipo 1, falso (+) o por exclusión: Ho es cierta y se rechaza

SE DICE QUE SÍ HAY UNA DIFERENCIA O UNA RELACION SIGNIFICATIVA CUANDO

REALMENTE NO LO ES

1 - α = Potencia de la prueba = probabilidad de aceptar Ho correctamente

Error ß, tipo 2, falso negativo o por inclusión: Ho es falsa y se acepta

NO SE DETECTA UNA DIFERENCIA SIGNIFICATIVA REALMENTE EXISTENTE

1 - ß = Poder de la prueba = Probabilidad de rechazar Ho correctamente

El error tipo 1 se da generalmente por sesgos de selección, sesgos de

observación y por presencia de variables de control que pueden generar
interacción o confusión. El error tipo 2 está más relacionado con el tamaño de la
muestra inadecuado que no permite encontrar diferencias que si se obtendrían si el
tamaño de muestra es mayor.
 Toma de decisiones para la utilización de estadísticas para comparación de
grupos.
Existen múltiples cantidad de pruebas para comparar dos o más grupos. La
estadística inferencial la podemos clasificar en tres grupos:
1. Estadística para comparar grupos cuyas variables se expresan en distribución
de frecuencias. Utiliza generalmente distribución de chi cuadrado.
2. Estadística paramétrica para comparar dos o más grupos con variables
continuas que siguen la distribución normal. Se basan en distribución normal.
3. Estadística no paramétrica para comparar dos o más grupos con variables
continuas que no siguen la distribución normal.

Los datos discretos numéricos no utilizan promedios por lo que la mayoría de veces
se expresan en frecuencias absolutas y relativas ya que se establecen en intervalos
o utilizan puntos de corte ej. >1 diente con caries dental. Los datos discretos utilizan
otro tipo de distribuciones diferentes a la distribución normal; las distribuciones
discretas clásicas tanto desde el punto de vista teórico como práctico son:
Bernouïlli, Binomial, Multinomial, Geométrico, Hypergeométrico, Poisson, y
logrithmic series. Este tipo de análisis se verá más delante de este curso.
En la mayoría de las investigaciones en salud se utilizan variables expresadas en
frecuencias, proporciones y variables continuas sea o que sigan o no la
distribución normal. A continuación se presentan los pasos a seguir para definir el
tipo de prueba estadística que se debe utilizar en cada caso particular.

1. Cuantos grupos se quieren comparar? Los grupos son independientes o

no relacionados, es decir, son grupos diferentes aunque con características
comparables?
El número de grupos que se quieren comparar es básico para definir el tipo de
prueba a utilizar. En general, las pruebas tanto paramétricas como no
paramétricas están diseñadas para comparar dos grupos o más de dos grupos.
Los grupos son relacionados, es decir, es el mismo grupo antes y después de una
intervención? Son grupos pareados en edad y género que permiten ser
comparados como grupos relacionados? (Esto sólo se admite en estudios
analíticos, en estudios de intervención sólo se habla de pareamiento cuando se
compara el mismo individuo antes o después o en diseños de boca dividida donde
la mitad de la boca es comparada con la otra ´para comparar un tratamiento
en el mismo individuo.
La principal característica de las muestras pareadas o de grupos relacionados es
que para cada observación en el primer grupo hay una observación
correspondiente en el segundo grupo, mientras que en las muestras
independientes el número de observaciones en las dos muestras no
necesariamente debe ser el mismo. El propósito de los datos pareados es
controlar fuentes de variación ajenas que podrían influir en los resultados de la
comparación, siendo la ventaja al utilizar este tipo de muestras el lograr
comparaciones más precisas y si es pareada en un mismo sujeto en lugar de
realizarlas en dos diferentes individuos tiene la ventaja que se elimina cierto grado
de variabilidad biológica. Este tipo de muestras son muy útiles para estudios de
eficacia donde se requieren controlar todo tipo de variación, pero no son muy
utilizadas en estudios de efectividad.

2. Los datos siguen una distribución normal?

Se pueden aplicar diversas pruebas de normalidad para determinar si la
distribución de los datos es “normal” o no lo es. Las más frecuentes
pruebas de normalidad son las pruebas de: Levene; Kolmogorov-Smirnoff; Shapiro
– Wilks. Cuando los datos siguen la distribución normal puede utilizarse
pruebas paramétricas, en caso de que los datos no sigan la distribución normal se
utilizan pruebas no paramétricas.

3. Los datos tienen varianzas homogéneas?

Cuando los grupos de datos son siguen la distribución normal y presentan
varianzas homogéneas se utilizan las pruebas convencionales, sin embargo,
cuando las varianzas no son homogéneas se debe utilizar una modificación de
estas pruebas para varianzas no homogéneas. Antes de definir la prueba a utilizar
es necesario comparar las varianzas de los grupos con una prueba de comparación
de varianzas.

4. Cuantas variables independientes y dependientes se pretende

analizar simultáneamente?
Las posibles respuestas a ésta pregunta son:
Una sola variable independiente
Dos variables independientes

Más de dos variables independientes, que pueden o no interactuar entre ellas

produciendo o no covarianza, es decir, variaciones concomitantes.
Si hay varias variables dependientes se deben analizar por separado los
resultados para cada una de ellas, a menos que se pretenda ver los efectos
combinados.

5. Cuál es el tamaño de la muestra?

El tamaño de la muestra puede ser:
Grande: usualmente más de 100
Aceptable para aplicar estadística paramétrica normal: 30 a 99
Relativamente pequeño: 12 a 30
Pequeño: Menos de 12 pero más de 5 en cada grupo
Muy pequeño: menos de 5 en todos los grupos

En muchas investigaciones en seres humanos, a pesar de que los datos

sean continuos, puede preferirse aplicar pruebas no paramétricas si se estima
que el tamaño es demasiado pequeño para asumir o comprobar con pruebas
paramétricas (n=30). En estudios experimentales de laboratorio es posible utilizar
estadística paramétrica ya que estos estudios son totalmente controlados y no
conllevan variación biológica.

PRUEBAS ESTADISTICAS
Una vez seleccionada la prueba o procedimiento estadístico de acuerdo a las
consideraciones de la sección 3, y con la ayuda de la tabla 1 el procedimiento es
el que se describe en la figura 2: se establece la hipótesis nula que la
prueba pretende comprobar o negar la hipótesis nula; se fija el valor crítico del
parámetro estadístico para el nivel de significación seleccionado (usualmente el
valor p= 0.05) y se calcula el valor del parámetro a partir de los datos. Si

el valor calculado supera el valor crítico, esto significa que la probabilidad

de que el resultado sea explicable por efecto del azar es < 0.05 y por lo tanto la
diferencia o relación es significativa, por lo cual se debe rechazar la hipótesis
nula y aceptar la hipótesis alterna. En el caso contrario, el valor del
parámetro estadístico calculado corresponde a una p> 0.05 y por consiguiente
se debe aceptar la hipótesis nula. (Ver figura 1)
Tabla 1. Pruebas estadísticas para estudios de intervención.
Pruebas
Tipo de datos N° de grupos
estadísticas
Cualitativos 2 o más grupos
inferenci
Chi cuadrado o Fishe
nominales 2 grupos ales
Prueba para diferencia de
dicotómicos proporciones

Expesados en Un grupo con dos mediciones Prueba para diferencia de proporciones

distribución repetidas(Grupos relacionados) Prueba de Mc Nemar
de frecuencias
Un grupo varias mediciones en el tiempo Prueba Q de
Cochrane
U de Mann Whitney o
2 grupos no relacionados
Prueba de Suma de rangos
de Wicolxon
Cuantitativos
que no siguen 2 grupos relacionados Prueba de suma de signos de
la distribución Wilcoxon
normal. Un grupo con dos mediciones
Pruebas no Prueba de signos de Wilcoxon
repetidas(Grupos relacionados)
paramétricas Más de 2 grupos con SOLO un factor
H de Kruskar Wallis y
de tratamiento de interés (Grupos no
Prueba de
relacionados y relacionados)
Comparación
múltiple o post
hoc
Más de 2 grupos con dos factores de
tratamiento de interés(Grupos no Prueba
relacionados y relacionados) deFriedman

t- Student
2 grupos no relacionados (promedios)

2 grupos no relacionados (proporciones) t- para proporciones

t– para grupos relacionados.
Un grupo con dos mediciones repetidas
Cuantitativos (t-pareada)
(Grupos relacionados)
continuos que
siguen la
Más de 2 grupos con SOLO un factor ANOVA a una vía y Prueba de
distribución de tratamiento de interés Comparación
normal. multiple o post
Pruebas hoc
paramétricas Más de 2 grupos con más de un factor ANOVA a dos o más vías y
de tratamiento de interés Prueba de Comparación
múltiple

Un grupo con más de dos mediciones

ANOVA de medidas repetidas
repetidas en el tiempo

Dos o más grupos independientes con

dos o más mediciones repetidas en el ANOVA de medidas repetidas
tiempo
REFERENCIAS BIBLIOGRAFICAS

1. Norman GR; Streiner DL .Bioestadística Ed. Mosby / Doyma España 1996

2. Pagano, M. y Gauvreau K. Principies of Biostatistics. Dusbury Press. 1999.
3. Miguel Ángel Martínez-González, Francisco Javier Faulín Fajardo, Almudena Sánchez Villegas
Díaz de Santos, Estadistica amigable, 2006
2
3
Nota: En caso que los datos no sigan una distribución normal o un número reducido de datos se
utilizan pruebas no paramétricas.

REFERENCIAS BIBLIOGRAFICAS
1. Norman GR; Streiner DL .Bioestadística Ed. Mosby / Doyma España 1996
2. De Hinkle ; W.Wiersma ; S Jurs Applied statistics for the behavioral sciences
Houghton Mifflin Co. Boston Fifth Ed. 2000.
3. NM Downie ; RW Heath Métodos estadísticos aplicados Ed. Harla México 1996
4. Sidney Siegel Estadística no paramétrica Ed. Trillas México 1998
5. JL Londoño Metodología de la investigación epidemiológica Ed. Universidad de
Antioquia Colombia 1998
6. Basant K.Puri Statistics for Medical Sciences using SPSS Mc Graw Hill 1996
7. Denise F.Polit ; B.P. Hungler Investigación clínica en ciencias de la salud Mc Graw
Hill, México 2000.