INTRODUCCIÓN A LA BIOESTADISTICA

I. BREVE DEFINICIÓN DE BIOESTADÍSTICA Y SU APLICACIÓN EN LA INVESTIGACIÓN BIOMÉDICA:

• La bioestadística es una disciplina que utiliza métodos estadísticos para analizar datos biológicos y médicos.
• Su objetivo principal es extraer conclusiones significativas a partir de datos obtenidos en estudios biomédicos,
como ensayos clínicos, estudios epidemiológicos y experimentos de laboratorio.
• La bioestadística ayuda a los investigadores a comprender la variabilidad inherente en los datos biológicos, a
evaluar la validez y la fiabilidad de los resultados, y a tomar decisiones informadas basadas en la evidencia
científica.

EJEMPLOS
EN UN ENSAYO CLÍNICO para evaluar la eficacia de un nuevo tratamiento contra el cáncer, la bioestadística se
utiliza para analizar los datos de los pacientes tratados y controlados, determinar si hay una diferencia significativa
en la tasa de supervivencia entre los grupos de tratamiento y control, y calcular la probabilidad de que los
resultados observados sean simplemente el resultado del azar.
ESTUDIO DE PREVALENCIA DE UNA ENFERMEDAD:
Supongamos que un grupo de investigadores quiere determinar la prevalencia de diabetes en una población
específica. Para hacerlo, seleccionan aleatoriamente a 500 individuos de esa población y les realizan pruebas para
detectar la presencia de la enfermedad. Después de analizar los datos, encuentran que 100 de estos individuos
tienen diabetes. En este caso, la bioestadística les ayuda a calcular la prevalencia de la diabetes en la población
objetivo.
EVALUACIÓN DE LA EFICACIA DE UN TRATAMIENTO:
Supongamos que un nuevo medicamento se ha desarrollado para tratar la hipertensión arterial. Para evaluar su
eficacia, se lleva a cabo un ensayo clínico en el que se reclutan 200 pacientes con hipertensión. Estos pacientes se
dividen aleatoriamente en dos grupos: uno recibe el medicamento experimental y el otro recibe un placebo.
Después de un período de tratamiento, se comparan los cambios en la presión arterial entre los dos grupos. La
bioestadística aquí es crucial para analizar si las diferencias observadas son estadísticamente significativas y para
estimar la magnitud del efecto del medicamento.

II. LA IMPORTANCIA DE LA BIOESTADÍSTICA EN LA TOMA DE DECISIONES BASADAS EN EVIDENCIA EN EL ÁMBITO DE LA

SALUD:
La bioestadística desempeña un papel crucial en la toma de decisiones en el campo de la salud, ya que proporciona
evidencia sólida y confiable para respaldar esas decisiones.

EJEMPLOS:
• EN LA FORMULACIÓN DE POLÍTICAS DE SALUD PÚBLICA, la bioestadística se utiliza para analizar datos
epidemiológicos y determinar la prevalencia de enfermedades, identificar factores de riesgo y evaluar la
efectividad de intervenciones preventivas.
• EN LA PRÁCTICA CLÍNICA, la bioestadística ayuda a los médicos a interpretar los resultados de pruebas
diagnósticas, evaluar la eficacia de tratamientos y tomar decisiones informadas sobre el cuidado de los
pacientes.
• ENSAYO CLÍNICO PARA EVALUAR LA EFICACIA DE UN MEDICAMENTO:
Imagina que una compañía farmacéutica ha desarrollado un nuevo medicamento para tratar una enfermedad
crónica como la diabetes. Antes de que este medicamento pueda ser aprobado para su uso generalizado, debe
someterse a ensayos clínicos rigurosos. En este contexto, la bioestadística es esencial para diseñar el estudio,
determinar el tamaño de la muestra necesario para obtener resultados significativos, analizar los datos
recopilados y evaluar la eficacia y seguridad del medicamento de manera objetiva. La bioestadística garantiza
que las conclusiones extraídas del estudio sean válidas y confiables, lo que proporciona una base sólida para
la toma de decisiones sobre si el medicamento debe ser aprobado para su comercialización y uso en pacientes.
III.UBICACION DE LA BIOESTADISTICA EN EL CUADRO DE LAS CIENCIAS
La bioestadística se sitúa en la intersección de varias disciplinas dentro del cuadro de las ciencias.

• Estadística: Proporciona métodos estadísticos. Se basa en los principios fundamentales de la estadística, como la
probabilidad, la inferencia estadística, el análisis multivariado y la modelización, adaptándolos para abordar
problemas específicos en biología y medicina.
• Biología: Proporciona datos biológicos, como la genética, la ecología, la evolución y la biología celular y molecular.
• Medicina: Proporciona información referente a datos clínicos, evaluar la eficacia de tratamientos, identificar
factores de riesgo y comprender la distribución de enfermedades en la población.
EJEMPLOS:
Imaginemos un equipo de investigadores que está llevando a cabo un estudio sobre el impacto de la contaminación
del aire en la salud respiratoria de una población urbana. Este equipo incluye biólogos, médicos, epidemiólogos y
expertos en salud pública.
Estadística: Los expertos en bioestadística del equipo se encargan de diseñar la metodología del estudio,
determinar el tamaño de la muestra necesario, y elegir las herramientas estadísticas adecuadas para analizar los
datos recopilados sobre la calidad del aire, los síntomas respiratorios y otros factores relevantes
Biología: Los biólogos del equipo contribuyen proporcionando conocimientos sobre la fisiología respiratoria y los
posibles mecanismos biológicos mediante los cuales la contaminación del aire puede afectar la salud respiratoria.
Además, ayudan en la interpretación de los resultados del estudio en términos de procesos biológicos subyacentes.
Medicina: Los médicos del equipo están involucrados en la recolección de datos clínicos de los participantes del
estudio, como el historial médico, los diagnósticos previos y los resultados de las pruebas de función pulmonar.
También participan en la evaluación de la relación entre la exposición a la contaminación del aire y la aparición o
exacerbación de enfermedades respiratorias como el asma o la enfermedad pulmonar obstructiva crónica (EPOC).

IV. LA IMPORTANCIA DE LA BIOESTADISTICA EN LA MEDICINA

La bioestadística desempeña un papel crucial en la medicina por varias razones fundamentales:
• Diseño de estudios clínicos: Elige muestras, divide en grupos de tratamiento y control, determina métodos de
recolección de datos y que datos, el tiempo de estudio y la forma de analizar los datos recolectados.
• Análisis de datos clínicos: analiza datos de manera adecuada. Esto incluye métodos para comparar grupos,
estimar efectos de tratamiento y evaluar la significancia estadística de los resultados.
• Evaluación de los factores de riesgo: La bioestadística se utiliza para evaluar los factores de riesgos asociados con
ciertas enfermedades, como el tabaquismo, la obesidad, la exposición a productos químicos o genéticos, entre
otros.
• Diagnóstico médico: En el diagnóstico médico, la bioestadística se utiliza para evaluar la precisión y exactitud de
las pruebas diagnósticas, como análisis de sangre, imágenes médicas, pruebas genéticas, entre otras. Esto incluye
calcular la sensibilidad, especificidad, valores predictivos y la probabilidad de falsos positivos y falsos negativos.

V.CONCEPTOS FUNDAMENTALES DE ESTADÍSTICA:

A. Definición de estadística y sus ramas: estadística descriptiva e inferencial:
Estadística: La estadística es la ciencia encargada de estudiar los datos. Dicho estudio incluye recolectar, analizar
y describir los datos para llegar a conclusiones sobre un fenómeno en particular.

• Estadística Descriptiva: Es una rama de la estadística, que describe las características de un conjunto de
datos, mediante tablas, gráficos y medidas de resumen para organizar y presentar los datos.
EJEMPLO:si tenemos un conjunto de datos que representa las edades de un grupo de personas, la
estadística descriptiva nos permitiría calcular la media de edad, la mediana y la moda, así como
representar los datos en un histograma.
EJEMPLO:Imaginemos que estamos estudiando el rendimiento académico de los estudiantes en un curso
determinado. Tenemos un conjunto de datos que incluye las calificaciones obtenidas por cada estudiante
en un examen final.
Tablas de frecuencia: Podemos organizar las calificaciones en una tabla de frecuencia, donde se enumeran
todas las calificaciones posibles (por ejemplo, del 0 al 100) y se muestra cuántos estudiantes obtuvieron
cada calificación. Esto nos permite visualizar la distribución de las calificaciones y identificar patrones.
 Gráficos: Para representar visualmente la distribución de las calificaciones, podríamos crear un
histograma. En el eje horizontal (eje X) representaríamos las calificaciones, mientras que en el eje vertical
(eje Y) representaríamos la frecuencia con la que ocurre cada calificación. Esto nos daría una imagen clara
de cómo se distribuyen las calificaciones y si hay algún sesgo o tendencia en los datos.
Medidas de resumen: Podemos calcular medidas de resumen como la media, la mediana y la moda de las
calificaciones. La media nos daría un promedio de las calificaciones de todos los estudiantes, la mediana
nos indicaría el valor central de las calificaciones (el puntaje que separa la mitad superior de la mitad
inferior de los datos), y la moda nos mostraría la calificación más comúnmente obtenida.

• Estadística Inferencial: Es una rama de la estadística, que hace predicciones, inferencias y

generalizaciones sobre una población basándose en la información proporcionada por una muestra de
datos.
POR EJEMPLO, si queremos saber si la edad promedio de los estudiantes de una universidad es
representativa de la edad promedio de todos los estudiantes universitarios en el país, podríamos usar
técnicas de inferencia estadística para hacer una estimación con cierto nivel de confianza.

B. Explicación de variables, tipos de datos y escalas de medición:

Variables: Son características o atributos que pueden tomar diferentes valores.

EJEMPLO:en un estudio sobre el rendimiento académico de los estudiantes, las variables podrían incluir la
calificación en matemáticas, la asistencia a clases, el tiempo de estudio, etc.

Dato: Es la representación simbólica (numérica, alfabética, algorítmica, espacial, etc.) de una variable.
Tipos de Datos:
• Cualitativos: Son datos que describen cualidades o características no numéricas.
Por ejemplo, el género (masculino/femenino) o el estado civil (soltero/casado/divorciado).
Color de los ojos:Los colores de los ojos pueden ser azules, verdes, marrones, etc. No se pueden cuantificar
en términos numéricos.
Tipo de sangre: Los tipos de sangre pueden ser A, B, AB, O, y dentro de estos, pueden ser positivos o
negativos. No se puede asignar un valor numérico a estos tipos de sangre, ya que representan una cualidad
específica.
• Cuantitativos: Son datos que representan cantidades numéricas y se dividen en dos subtipos:
Discretos: Son datos que toman valores específicos y no pueden subdividirse en valores más pequeños.
Por ejemplo, el número de hijos de una familia.
La cantidad de autos en un estacionamiento es un ejemplo de datos cuantitativos discretos. No puedes
tener 2.5 autos en el estacionamiento; solo puede haber números enteros de autos, como 1, 2, 3, etc
Continuos: Son datos que pueden tomar cualquier valor dentro de un rango determinado.
Por ejemplo, la altura de una persona.
El peso de una persona es un ejemplo de datos cuantitativos continuos. El peso puede tomar cualquier
valor dentro de un rango determinado y puede subdividirse en valores más pequeños. Por ejemplo, una
persona podría pesar 65.3 kg, 66.8 kg, etc. No hay límites definidos para el peso de una persona dentro de
un rango específico.

Escalas de Medición: Son herramientas utilizadas para cuantificar y clasificar variables en una investigación.
• Nominal: Es una escala de medición que se utiliza para variables cualitativas.
Por ejemplo, el color de los ojos (azul, verde, marrón).
• Ordinal: Es una escala de medición que implica un orden.
Por ejemplo, el nivel de satisfacción del cliente (bajo, medio, alto).
• De Intervalo: Es una escala de medición que tiene un punto de referencia, el cero arbitrario. Y los valores
son positivos y negativos.
Por ejemplo, la temperatura en grados Celsius.
• De Razón: Es una escala de medición que tiene un punto de referencia cero absoluto y numero positivos.
Por ejemplo, la altura, el peso y la edad.
C. Presentación de medidas de tendencia central y dispersión:

Medidas de Tendencia Central: Herramientas que determinan cual es el dato central de un conjunto de datos.
• Media: Es el promedio de todos los valores en un conjunto de datos.
Por ejemplo, si tenemos los siguientes números: 10, 15, 20, 25, la media sería (10+15+20+25)/4 = 17.5.
• Mediana: Es el valor que esta al medio o al centro de un conjunto de datos cuando están ordenados de
menor a mayor.
Por ejemplo, si tenemos los siguientes números: 10, 15, 20, 25,30 la mediana sería 20.
• Moda: Es el valor que aparece con mayor frecuencia en un conjunto de datos.
Por ejemplo, si tenemos los siguientes números: 10, 15, 20, 20, 25, la moda sería 20.

Medidas de Dispersión: Son herramientas que determinan cuánto se dispersan o se esparcen los datos alrededor
de un valor central (como la media o la mediana).

• Desviación Estándar: Es una medida de dispersión que indica cuánto se desvían los valores individuales
de la media.

EJEMPLO: Supongamos que tenemos un conjunto de datos que representan las edades de un grupo de
personas: 20, 25, 30, 35 y 40 años.
Primero, calculamos la media aritmética de estas edades sumándolas y dividiendo por el número total de
edades:
Media = (20 + 25 + 30 + 35 + 40) / 5 = 30
Luego, calculamos la diferencia entre cada edad individual y la media:
Diferencias = (20 - 30), (25 - 30), (30 - 30), (35 - 30), (40 - 30) = -10, -5, 0, 5, 10
Ahora, elevamos al cuadrado cada una de estas diferencias y las sumamos:
(-10)^2 + (-5)^2 + 0^2 + 5^2 + 10^2 = 100 + 25 + 0 + 25 + 100 = 250
Luego, dividimos la suma de los cuadrados de las diferencias por el número total de edades:
250 / 5 = 50
Finalmente, tomamos la raíz cuadrada de este resultado para obtener la desviación estándar:
Desviación Estándar = √50 ≈ 7.07
Por lo tanto, la desviación estándar de este conjunto de datos es aproximadamente 7.07 años. Esto indica
que, en promedio, las edades individuales están desviadas alrededor de 7.07 años de la media de 30 años.
Cuanto mayor sea la desviación estándar, mayor será la dispersión de los datos.

• Rango: Es la diferencia entre el valor máximo y el valor mínimo en un conjunto de datos.

EJEMPLO: si tenemos los siguientes números: 10, 15, 20, 25, el rango sería 25-10 = 15.
EJEMPLO: Supongamos que tienes un conjunto de datos que representan las alturas (en centímetros) de
los jugadores de baloncesto de un equipo: 180, 185, 190, 195 y 200.
Para calcular el rango, primero identificamos el valor máximo y el valor mínimo en el conjunto de datos:
El valor mínimo es 180 (la altura más baja).
El valor máximo es 200 (la altura más alta).
Luego, calculamos la diferencia entre el valor máximo y el valor mínimo:
Rango = Valor máximo - Valor mínimo
Rango = 200 - 180
Rango = 20
Por lo tanto, el rango de alturas en este conjunto de datos es de 20 centímetros. Esto significa que la
diferencia entre la altura más alta y la más baja en el equipo es de 20 centímetros. El rango es una medida
simple pero útil para comprender la variabilidad en un conjunto de datos. En este caso, el rango nos
proporciona una idea de cuán dispersas están las alturas de los jugadores de baloncesto en el equipo.
 • Rango Intercuartílico: Es la diferencia entre el tercer y el primer cuartil de un conjunto de datos y
proporciona una medida de dispersión que es menos sensible a valores extremos que el rango.

EJEMPLO: si tenemos los siguientes números: 10, 15, 20, 25, el rango intercuartílico sería la diferencia
entre el tercer y el primer cuartil:10.
EJEMPLO: Supongamos que tenemos el siguiente conjunto de datos que representa las edades de un grupo
de personas: 20, 25, 30, 35, 40, 45, 50, 55, 60, 65.
Primero, ordenamos los datos de manera ascendente: 20, 25, 30, 35, 40, 45, 50, 55, 60, 65.
Luego, calculamos los cuartiles (dividimos el número total de datos entre 4,en la que cada grupo vale un
25 %). Para este ejemplo, vamos a calcular los cuartiles Q1 (primer cuartil) y Q3 (tercer cuartil).
Q1 es el valor que deja atrás al 25% de los datos, mientras que Q3 deja atrás al 75% de los datos.
Q1 = 27.5 (promedio de 25 y 30)
Q3 = 52.5 (promedio de 50 y 55)
Ahora, calculamos el rango intercuartílico:
Rango Intercuartílico = Q3 - Q1
Rango Intercuartílico = 52.5 - 27.5
Rango Intercuartílico = 25
Por lo tanto, el rango intercuartílico en este conjunto de datos es de 25 años. Esto significa que la diferencia
entre el tercer cuartil y el primer cuartil es de 25 años, proporcionando una medida de dispersión menos
sensible a valores extremos que el rango simple.

VI.DISEÑO DE ESTUDIOS EN BIOESTADÍSTICA:

A. Descripción de los diferentes tipos de estudios epidemiológicos y experimentales:

Estudios Epidemiológicos:
• Estudios Transversales (o de Prevalencia): Estos estudios recopilan datos en un solo punto en el tiempo
y son útiles para estimar la prevalencia de una enfermedad o condición en una población en particular.

EJEMPLO: un estudio transversal podría determinar la prevalencia de diabetes en una comunidad en un

momento dado.
EJEMPLO: Imaginemos que un equipo de investigadores está interesado en determinar la prevalencia de
la obesidad entre los estudiantes de una escuela secundaria en un momento específico en el tiempo. Para
llevar a cabo el estudio, seleccionan aleatoriamente a 500 estudiantes de diferentes grados y géneros de
la escuela.
Los investigadores miden el peso y la altura de cada estudiante para calcular su índice de masa corporal
(IMC). Luego, clasifican a los estudiantes en diferentes categorías de IMC (por ejemplo, bajo peso, peso
normal, sobrepeso u obesidad) según los criterios establecidos por la Organización Mundial de la Salud.
Después de recopilar y analizar los datos, los investigadores encuentran que el 15% de los estudiantes de
la escuela secundaria tienen obesidad, lo que significa que la prevalencia de la obesidad en esta población
escolar en particular en ese momento específico es del 15%.
Este ejemplo ilustra cómo los estudios transversales pueden proporcionar una instantánea de la
prevalencia de una enfermedad o condición en una población en un momento dado, lo que puede ser útil
para la planificación de intervenciones y políticas de salud pública.

• Estudios de Cohorte: En estos estudios, los participantes se dividen en grupos según la presencia o
ausencia de un factor de riesgo y se siguen a lo largo del tiempo para determinar la incidencia de una
enfermedad o condición.

Por ejemplo, un estudio de cohortes podría seguir a un grupo de fumadores y no fumadores para
determinar el riesgo de desarrollar cáncer de pulmón.
EJEMPLO: Imagina que un grupo de investigadores está interesado en estudiar el riesgo de desarrollar
enfermedades cardíacas en relación con el consumo de alimentos ricos en grasas saturadas. Deciden llevar
a cabo un estudio de cohortes para investigar esta relación.
 Para este estudio, reclutan a dos grupos de participantes: uno compuesto por personas que consumen
regularmente alimentos ricos en grasas saturadas, como carne roja, productos lácteos enteros y alimentos
fritos (grupo de alto consumo de grasas saturadas), y otro compuesto por personas que siguen una dieta
baja en grasas saturadas, como pescado, aves, frutas, verduras y granos enteros (grupo de bajo consumo
de grasas saturadas).
Los participantes de ambos grupos se someten a evaluaciones de salud al inicio del estudio para
determinar su estado de salud cardiovascular y otros factores relevantes, como el peso, la presión arterial,
el colesterol, etc. Luego, se siguen a lo largo del tiempo, generalmente durante varios años, para detectar
la aparición de enfermedades cardíacas.
Después de un período de seguimiento, los investigadores analizan los datos recopilados y comparan las
tasas de incidencia de enfermedades cardíacas entre los dos grupos. Si encuentran que el grupo de alto
consumo de grasas saturadas tiene una incidencia significativamente mayor de enfermedades cardíacas
en comparación con el grupo de bajo consumo de grasas saturadas, podrían concluir que el consumo de
grasas saturadas está asociado con un mayor riesgo de desarrollar enfermedades cardíacas.
Este es solo un ejemplo simplificado, pero ilustra cómo se pueden diseñar y utilizar estudios de cohortes
para investigar la relación entre un factor de riesgo (en este caso, el consumo de grasas saturadas) y la
incidencia de una enfermedad o condición (en este caso, enfermedades cardíacas).

• Estudios de Casos y Controles: En estos estudios, los investigadores comparan a individuos con una
enfermedad o condición específica (casos) con individuos sin la enfermedad o condición (controles) para
identificar factores de riesgo.

POR EJEMPLO, un estudio de casos y controles podría comparar la exposición a pesticidas entre individuos
con cáncer y aquellos sin cáncer para determinar si la exposición aumenta el riesgo de la enfermedad.
EJEMPLO: Supongamos que un equipo de investigadores quiere determinar si la exposición a cierto tipo
de pesticidas está asociada con un mayor riesgo de desarrollar enfermedad de Parkinson. Deciden llevar
a cabo un estudio de casos y controles para investigar esta relación.
Selección de casos: El equipo identifica a un grupo de personas que han sido diagnosticadas con
enfermedad de Parkinson (casos). Estos individuos serán los casos en el estudio.
Selección de controles: Luego, seleccionan a un grupo de personas similares en edad, sexo y otros factores
relevantes que no tienen enfermedad de Parkinson (controles). Estos individuos serán los controles en el
estudio.
Recopilación de datos sobre la exposición: Se recopila información detallada sobre la exposición a
pesticidas de ambos grupos (casos y controles). Los investigadores recopilan datos sobre el historial
laboral, residencial y de uso de pesticidas en el hogar o en el trabajo de los participantes.
Análisis de datos: Una vez recopilados los datos, los investigadores comparan la frecuencia y la intensidad
de la exposición a pesticidas entre el grupo de casos y el grupo de controles. Utilizan análisis estadísticos
para determinar si hay una asociación entre la exposición a pesticidas y el riesgo de enfermedad de
Parkinson.
Si el estudio encuentra que los casos tienen una exposición significativamente mayor a los pesticidas en
comparación con los controles, los investigadores podrían concluir que la exposición a estos pesticidas está
asociada con un mayor riesgo de desarrollar enfermedad de Parkinson.
Los estudios de casos y controles son valiosos para identificar factores de riesgo potenciales para una
enfermedad específica y son especialmente útiles para enfermedades poco comunes o de larga duración.

Estudios Experimentales:

• Ensayos Clínicos Aleatorizados: En estos estudios, los participantes se asignan aleatoriamente a un grupo
de tratamiento o a un grupo de control y se sigue un protocolo de intervención. Son el estándar de oro
para evaluar la eficacia y seguridad de tratamientos médicos.
Por ejemplo, un ensayo clínico aleatorizado podría comparar un nuevo medicamento con un placebo para
tratar la hipertensión.
 • Estudios de Intervención Comunitaria: Estos estudios evalúan los efectos de intervenciones de salud a
nivel comunitario, como campañas de concienciación o programas de prevención.
Por ejemplo, un estudio de intervención comunitaria podría evaluar el impacto de un programa de
educación nutricional en la reducción de la obesidad infantil en una comunidad determinada.

B. Importancia del diseño del estudio en la validez de los resultados:

El diseño del estudio es fundamental para garantizar la validez de los resultados y la interpretación adecuada de
los hallazgos. Algunas razones por las cuales el diseño del estudio es crucial incluyen:

• Control de Variables Confundidoras: Un diseño cuidadosamente controlado permite minimizar la

influencia de variables confundidoras que podrían distorsionar los resultados y conducir a conclusiones
erróneas.
Por ejemplo, en un estudio sobre los efectos de un nuevo medicamento para tratar la hipertensión, es
importante controlar variables confundidoras como la edad, el género, el historial médico previo y el estilo
de vida de los participantes. Esto se puede lograr mediante la asignación aleatoria de los participantes a
los grupos de tratamiento y control, así como mediante el emparejamiento en características relevantes.
• Asignación Aleatoria: En estudios experimentales, la asignación aleatoria ayuda a reducir el sesgo de
selección y garantiza que los grupos de tratamiento y control sean comparables, lo que aumenta la validez
interna de los resultados.
Por ejemplo, en un ensayo clínico para evaluar la eficacia de un nuevo tratamiento contra el cáncer, los
participantes se asignan aleatoriamente a un grupo que recibe el tratamiento experimental y a un grupo
de control que recibe un placebo o tratamiento estándar. La asignación aleatoria ayuda a reducir el sesgo
de selección y garantiza que los grupos sean comparables en términos de características importantes,
como la gravedad de la enfermedad y el estado de salud general.
• Seguimiento a Largo Plazo: Los estudios longitudinales permiten observar cambios y tendencias a lo largo
del tiempo, lo que puede proporcionar una comprensión más completa de los efectos de las
intervenciones o exposiciones.
Por ejemplo, en un estudio prospectivo sobre el impacto de la dieta y el ejercicio en la prevención de
enfermedades cardiovasculares, se puede realizar un seguimiento a largo plazo de los participantes
durante varios años para observar los cambios en los hábitos alimenticios, el nivel de actividad física y los
eventos cardiovasculares, como ataques al corazón o accidentes cerebrovasculares. Este seguimiento a
largo plazo proporciona una comprensión más completa de los efectos de las intervenciones a lo largo del
tiempo.
• Generalización de Resultados: Un diseño que represente adecuadamente la población de interés
aumenta la validez externa y la capacidad de generalizar los resultados a la población más amplia.
Por ejemplo, en un estudio sobre los efectos de la contaminación del aire en la salud respiratoria, es
importante seleccionar una muestra representativa de la población general para garantizar que los
resultados sean generalizables a la población más amplia. Esto puede implicar la selección aleatoria de
participantes de diferentes áreas geográficas y grupos demográficos para reflejar la diversidad de la
población objetivo.

VII. MUESTREO:
Explicación de los métodos de muestreo utilizados en estudios biomédicos:
• Muestreo Aleatorio Simple: En este método, cada miembro de la población tiene la misma probabilidad de
ser seleccionado para formar parte de la muestra.
Por ejemplo, si queremos estudiar la prevalencia de la diabetes en una población de pacientes hospitalizados,
podríamos asignar un número a cada paciente y luego seleccionar al azar un número predeterminado de
pacientes para formar la muestra.
• Muestreo Estratificado: La población se divide en subgrupos o estratos basados en características relevantes,
como la edad o el género. Luego, se selecciona una muestra aleatoria de cada estrato en proporción a su
tamaño en la población.
 Por ejemplo, si queremos estudiar la incidencia de enfermedades cardíacas en una población, podríamos
dividir la población en grupos de diferentes edades (por ejemplo, 18-30, 31-45, 46-60, mayores de 60 años) y
luego seleccionar una muestra aleatoria de cada grupo de edad.
• Muestreo por Conglomerados: En este método, la población se divide en grupos más grandes llamados
conglomerados, como zonas o escuelas, y luego se seleccionan algunos conglomerados al azar para formar la
muestra. Dentro de los conglomerados seleccionados, se puede realizar un muestreo aleatorio simple o
estratificado para seleccionar individuos.
Por ejemplo, si queremos estudiar la eficacia de un programa de prevención de enfermedades en una ciudad,
podríamos seleccionar al azar algunas zonas de la ciudad y luego seleccionar individuos de cada comunidad
para formar la muestra.

VIII. PROBABILIDAD
La probabilidad es una medida numérica que indica si un evento pasara. Se expresa como un número entre 0 y 1,
donde 0 significa que el evento es imposible y 1 significa que el evento es seguro. Entre estos valores, cuanto más
cercano a 1 esté el número, mayor será la probabilidad de que ocurra el evento.

EJEMPLO: En el lanzamiento de un dado equilibrado de seis caras, la probabilidad de que salga un número par (2,
4 o 6) es de 3/6 o 0.5, ya que hay tres resultados favorables (2, 4 o 6) de un total de seis posibles resultados.
EJEMPLO:Imagina que estás jugando a lanzar una moneda. Quieres calcular la probabilidad de que la moneda
caiga con la cara hacia arriba (cara).
En este caso, hay dos resultados posibles: cara o cruz.
Solo uno de estos resultados es favorable para el evento de interés, que es obtener cara.
Entonces, la probabilidad de obtener cara al lanzar la moneda es:

Esto significa que hay una probabilidad del 50% de que la moneda caiga con la cara hacia arriba en cualquier
lanzamiento. La probabilidad está en el punto medio entre 0 (imposible) y 1 (seguro), lo que indica que es un evento
igualmente probable de ocurrir o no ocurrir.