Q3-Q1

DC =
2

Sección 3

BIOESTADISTICA

AUTORES

Dra. MAR GARCIA ARENILLAS

Dr. EMILIO VARGAS CASTRILLON*
Facultativos Especialistas de Area
Servicio de Farmacología Clínica
Hospital Clínico Universitario San Carlos
Madrid

*Profesor asociado Farmacología

Escuela Universitaria de Enfermería de la UCM
INDICE

BIOESTADISTICA

Capítulo I. ESTADISTICA DESCRIPTIVA Y

ESTIMACION
Estadística y metodología
científica
Concepto y tipos de estadística
Conceptos estadísticos básicos
Estadística descriptiva
Distribuciones de frecuencia más utili-
zadas en medicina
Estimación de parámetros

Capítulo II. ESTADISTICA ANALITICA

Comprobación de hipótesis
Pruebas paramétricas y no paramétricas
Contrastes de hipótesis bivariantes
Contrastes variable categórica/ categó-
rica
Contraste variable categórica/ cuantita-
tiva
Contraste variable cuantitativa/ cuanti-
tativa
Análisis de supervivencia

BIBLIOGRAFIA
INDICE DE MATERIAS
 Capítulo I
ESTADISTICA
DESCRIPTIVA Y
ESTIMACION
Indice
Estadística y metodología científica
Concepto y tipos de estadística
Conceptos estadísticos básicos
Estadística descriptiva
ESTADISTICA Y METODOLOGIA CIENTIFICA
El conocimiento biomédico, como otros conocimientos empí-
ricos, se basa en la observación y en la experimentación. La
observación permite elaborar modelos teóricos que intentan
explicar los distintos fenómenos biológicos, y la experimenta-
ción pretende aceptar o rechazar el modelo propuesto. Aunque
la ciencia médica ha realizado grandes avances sin herramien-
tas estadísticas, el uso de estos métodos por investigadores
biomédicos ha producido importantes resultados, y en la ac-
tualidad prácticamente no es posible ningún estudio sin una
correcta metodología estadística.
CONCEPTO Y TIPOS DE ESTADISTICA
La estadística es un sistema de razonamiento que proporcio-
na un conjunto de herramientas matemáticas que permiten el
manejo e interpretación de datos. Los datos que utiliza tienen
Distribuciones de frecuencia más utilizadas en me-
dicina
Estimación de parámetros
como característica principal la variabilidad, es decir, pueden
tomar valores diferentes entre distintos individuos, o incluso
dentro del mismo individuo si el dato se obtiene en momentos
diferentes. Dentro de la estadística podemos considerar dos
grandes apartados: Estadística descriptiva: pretende la organi-
zación y presentación de los datos. Su papel principal se en-
contraría en las fases observacionales del ciclo científico. Es-
tadística analítica: intenta evaluar la probabilidad con que el
azar es responsable de una determinada distribución de datos.
Es también llamada estadística inferencial o deductiva.
CONCEPTOS ESTADISTICOS BASICOS
Población
Es el conjunto total de elementos sobre los que se quiere
estudiar un determinado fenómeno. Cada uno de estos ele-
mentos recibe el nombre de individuos. Las poblaciones pue-
den ser finitas (conocemos el número de elementos que la for-
125
ESTADISTICA DESCRIPTIVA Y ESTIMACION
man) e infinitas (no podemos conocer cuántos elementos la
forman).
Muestra
Es un subconjunto de elementos de la población que quere-
mos estudiar. Se considera que una muestra es representativa
de una población cuando el método para elegir sus elementos
es aleatorio (realizado al azar), es decir, cuando la probabilidad
que tienen todos los elementos de la población de estar en la
muestra es la misma.
Los procedimientos para obtener una muestra representativa
de una población se denominan técnicas de muestreo. Cuando
se estudian caracteres numéricos, se consideran muestras
grandes aquellas que incluyen 30 o más individuos. Cuando se
estudian caracteres cualitativos, se consideran grandes mues-
tras aquellas en las que la proporción del carácter menos fre-
cuente multiplicado por el número de individuos es ≥ 5.
Relación entre muestra y población
La población en la que se quiere estudiar el fenómeno reci-
be el nombre de población diana (población objeto, población
objetivo, población de referencia, población blanco). Sin em-
bargo, no todos los pacientes de la población diana son accesi-
bles, ya que existen factores que limitan la posibilidad de que
se incluyan en el estudio. El conjunto de elementos que real-
mente puede ser incluido recibe el nombre de población infe-
rencial (población marco, población de muestreo, población ac-
cesible, población de estudio). Sobre esta población es sobre
la que se realiza el muestreo, y lógicamente la muestra es re-
presentativa de la población inferencial, no siéndolo siempre
de la población diana. En otras palabras, la extrapolación de
resultados a la población inferencial es directa, mientras que
la extrapolación a la población diana no es directa y debe justi-
ficarse que los factores limitantes para la inclusión no influyen
en los resultados encontrados.
Variables
Una variable es cada uno de los caracteres o aspectos que
se miden en los individuos. Según el tipo de escala de medida
podemos diferenciar:
Variables cualitativas (categóricas)
Sus valores son nominales (sexo, nacionalidad, medicamen-
to utilizado, estado civil, etc.). La única operación que puede
realizarse con ellas es la de igualdad/desigualdad. Aquellas
variables que pueden presentar únicamente dos valores se lla-
man dicotómicas, las que pueden presentar varios valores se
denominan policotómicas.
Variables ordinales
Sus valores son también nominales, pero pueden ordenarse
(gravedad: leve/moderado/severo; estadio de un tumor, etc.).
Las operaciones que pueden realizarse con ellas son igual-
126
dad/desigualdad y menor/mayor. En muchas ocasiones las va-
riables ordinales se representan con números, pero no por ello
deben considerarse variables cuantitativas.
Variables cuantitativas
Sus valores pueden medirse numéricamente y pueden cuan-
tificarse. Con ellas pueden realizarse operaciones de igual-
dad/desigualdad, cuantificando diferencias. Dentro de ellas
podemos diferenciar las continuas (tensión arterial, colestero-
lemia), que pueden adoptar todos los valores del intervalo de
medida (hasta la capacidad del instrumento de medición utili-
zado), y las discretas que únicamente pueden adoptar algunos
valores (número de hijos, número de ingresos hospitalarios).
Existen otros términos que se utilizan con frecuencia al refe-
rirse a las variables. Variable dependiente/independiente, ha-
ce referencia principalmente a modelos en los que se valora la
influencia de una o varias variables (independientes) sobre
otra (dependiente), sugiriendo una relación causal. También
con mucha frecuencia, especialmente en diseños experimenta-
les, se utiliza la terminología variable controlada/aleatoria, en
referencia a aquella variable cuyo valor depende del investiga-
dor (controlada) y aquella que no (aleatoria).
Según el número de variables que se incluyan simultánea-
mente en el análisis, podemos diferenciar técnicas univarian-
tes, técnicas bivariantes y técnicas multivariantes.
Estadísticos y parámetros
Un parámetro es un valor que resume los valores de una de-
terminada variable en una población. Un estadístico expresa
los valores de una variable en una muestra. Los estadísticos
suelen utilizarse como estimadores de los parámetros, pero ló-
gicamente para que la estimación sea buena, las muestras uti-
lizadas deben ser representativas.
ESTADISTICA DESCRIPTIVA
Tabulación y presentación gráfica de la información
La estadística descriptiva intenta condensar y sumarizar un
conjunto de medidas realizadas en un gran número de indivi-
duos. El primer paso de una descripción es la tabulación, ope-
ración que permite realizar un resumen de los datos, indicando
el número de veces (frecuencia) con que se repite un determi-
nado valor de una variable. El resumen de los datos se presen-
ta como una tabla de frecuencias. Las tablas de frecuencias se
pueden utilizar con cualquier tipo de variable, sin embargo en
las variables cuantitativas la información debe agruparse en
intervalos (especialmente en las continuas), que tengan un lí-
mite superior e inferior. Al tratarse de valores continuos la pro-
babilidad o frecuencia en cada punto sería muy pequeña.
La frecuencia puede presentarse en forma absoluta (número
de veces que se repite un valor) o relativa (frecuencia absolu-
ta/número de observaciones). Con variables cuantitativas y con
 BIOESTADISTICA

3
ordinales puede tener interés diferenciar la frecuencia simple
(número de veces que se repite un valor) y la frecuencia acu- 1
mulada (número de veces con que la variable puede tomar un ¿Cuál de las siguientes afirmaciones es falsa?:
valor igual o inferior a uno determinado).
Las tablas de frecuencia pueden representarse gráficamente 1. El término población diana hace referencia al conjunto de indivi-
de diversas maneras (fig. 1). Las más frecuentemente utiliza- duos accesibles para la realización del estudio.
2. Un estadístico resume los valores muestrales de una variable.
das son: 3. Los estadísticos se utilizan como estimadores de los parámetros
poblacionales.
Diagrama de barras 4. Las muestras obtenidas de forma no aleatoria pueden producir es-
timadores sesgados.
Utiliza barras de la misma anchura para cada valor, que tie- 5. La moda es el valor de la variable que más veces se repite.
nen una altura proporcional a la frecuencia. Se usa para varia-
bles cualitativas y cuantitativas discretas. Su utilización en va-
riables continuas no es razonable, ya que al estar las barras 2
separadas unas de otras, sugieren una falta de continuidad.
¿Cuál de las siguientes no es una medida de variabilidad?:
Pictograma 1. Desviación típica.
2. Distancia entre percentil 25 y 75.
Utiliza símbolos de distinto tamaño en función de la fre- 3. Recorrido.
cuencia. Se usa principalmente para variables cualitativas y 4. Segundo decil.
cuantitativas discretas. 5. Varianza.

Diagrama de sección circular 3

Asigna sectores de un círculo de forma proporcional a la fre- ¿Qué medida de variabilidad no depende las unidades de medida?:
cuencia (tarta, pastel). Se utiliza principalmente para variables
cualitativas. 1. Amplitud.
2. Recorrido intercuartílico.
3. Coeficiente de variación.
Cartograma 4. Desviación estándar.
Utiliza mapas geográficos en los que se indica la frecuencia 5. Desviación media.
del fenómeno en distintas localizaciones.
4
Histograma
¿Cuál de las siguientes no es una característica de la distribución normal ti-
Se utiliza para representar variables continuas. La frecuen- pificada?:
cia de cada intervalo es proporcional a su superficie (amplitud
1. Es simétrica.
del intervalo por altura). Si la amplitud del intervalo es la mis- 2. Su media es 0.
ma, sería similar a un diagrama de barras en el que las barras 3. Su desviación típica es 0.
estuvieran juntas. Cuando la amplitud del intervalo tiende a 0, 4. Su varianza es 1.
el histograma representaría la función de probabilidad de la 5. Su mediana es 0.
variable.
5
Polígono de frecuencias ¿A qué denominamos intervalo de confianza al 95%?:
Consiste en unir con una línea los puntos medios de los in- 1. Una zona de la distribución donde con un 95% de posibilidades se
tervalos de un histograma. encontrará el parámetro poblacional.
Los histogramas y polígonos de frecuencia pueden represen- 2. Una zona de la distribución donde con un 95% de posibilidades se
tar la frecuencia simple o la acumulada. encontraría el estimador muestral.
3. Una zona de la distribución donde sólo hay un 5% de posibilida-
des de encontrar el estimador muestral.
Medidas de tendencia central 4. Una zona de la distribución donde sólo hay un 5% de posibilida-
Las variables cualitativas quedan suficientemente descritas des de encontrar al parámetro poblacional.
5. Ninguna de las anteriores es correcta.
con las tablas de frecuencias, y sus correspondientes propor-
ciones y porcentajes. No obstante, las variables cuantitativas
pueden ser resumidas con algunos índices o medidas. RESPUESTAS:1: 1; 2: 4; 3: 3; 4: 3; 5: 1.
Las medidas de tendencia central intentan indicar el valor

127
ESTADISTICA DESCRIPTIVA Y ESTIMACION

Consumo de fármacos al alta Distribución de RAM por aparatos y sistemas.

419 Aparato digestivo
450 Otros
400 9,4% 62,3%
Frecuencia

350 331
297
300
250 204
200 164
150 103 111
100
40 30
50
0 0 1 2 3 4 5 6 7 >8
Aparato
N.° fármacos cardiovascular
DIAGRAMA DE BARRAS 28,3%

SECTOR CIRCULAR
80 Miles de defunciones/año de edad 80

70 70
Miles de defunciones/año de edad

60 60

50 50

40 40

30 30

20 20

10 10

0 0 0
10 20 30 40 50 60 70 80 90 100 10 20 30 40 50 60 70 80 90 100
Edad en el momnento de la defunción (años) Edad en el momento de la defunción (años)

HISTOGRAMA POLIGONO FRECUENCIAS

Fig. 1. Tipos de gráficos.

de la variable sobre el que se agrupan las observaciones. Son series con un número par de casos, la mediana corresponde a
fundamentalmente tres: la semisuma de los valores centrales. Si únicamente se dispo-
ne de datos agrupados la mediana se calcula interpolando en
Moda el intervalo correspondiente.
Es el valor de la variable que más veces se repite. Una dis-
Media aritmética
tribución puede presentar una o varias modas (distribuciones
unimodales, bimodales, trimodales....). La moda puede utilizar- Representa el centro de gravedad de la distribución. La me-
se en variables cualitativas. En el caso de variables continuas dia poblacional suele representarse por µ, y la muestral por x.
debe hablarse de intervalo modal. Se calcula sumando todos los valores de la variable y dividien-
do por el numero total de individuos.
Mediana
∑ Xi
Es el valor que deja por debajo el 50% de los casos. Es pues x= ———————-
el valor central del conjunto ordenado de las observaciones. En n.° individuos

128
 BIOESTADISTICA

3
Existen otras medias que se utilizan con poca frecuencia:
media geométrica, media ponderada, media cuadrática, media 6
armónica. ¿Qué significa que un determinado valor (B) de una variable es el percentil
20?:
Medidas de posición
1. El 20% de los valores de la variable son superiores a B.
Los percentiles dividen una distribución en 100 partes igua- 2. El 20% de los valores son inferiores o iguales a B.
les (el percentil 10 deja por debajo del valor al 10% de los ca- 3. El 20% de los valores son iguales a B.
4. El 80% de los valores son inferiores a B.
sos). Los deciles dividen la distribución en 10 partes (el decil 2 5. 1 y 4 son verdaderas.
deja al 20% de los casos por debajo de su valor) y los cuartiles
la dividen en 4. El decil 5, el percentil 50 y el cuartil 2 coinci-
den con la mediana. 7
¿Cuál de las siguientes es una medida de apuntamiento?:
Medidas de variabilidad 1. Amplitud intercuartílica.
2. Coeficiente de variación.
Evalúan la oscilación o dispersión de los valores de la varia- 3. Kurtosis.
ble. Las más utilizadas son: 4. Desviación media.
5. Mediana.
Amplitud
Es la diferencia entre el valor máximo y mínimo de la varia- 8
ble. También se denomina rango (por traducción del inglés ran- Tiene usted una variable de distribución normal, que ha sido medida en
ge), y recorrido. 100 pacientes. La media y mediana encontradas son de 6, y la varian-
za es de 9. ¿Cuál sería aproximadamente el intervalo que contendría
el 95% de los valores de esta distribución?:
Amplitud intercuartílica
1. 5.4 a 6.6.
Es la distancia entre el cuartil primero y tercero. 2. –3 a 15.
3. 3 a 9.
Desviación media 4. 0 a 12.
5. No puede calcularse.
El promedio de los valores absolutos de las diferencias en-
tre la media y los valores de la variable: 9
∑ Xi - x Tiene usted una variable de distribución normal, que ha sido medida en
DM = ———————— 100 pacientes. La media y mediana encontradas son de 6, y la varian-
n.° de individuos za es de 9. ¿Cuál sería aproximadamente el intervalo que contendría
el 68% de los valores de esta distribución?:
Varianza (variancia) 1. 5.4 a 6.6.
2. –3 a 15.
Es el promedio de los cuadrados de las diferencias entre la 3. 3 a 9.
media y los valores de la variable. La varianza muestral se re- 4. 0 a 12.
presenta por S2, y la poblacional por σ2 5. No puede calcularse.

∑ (Xi - x)2 ∑ (Xi - x)2 10

σ2 = —————— S2= ————————- Tiene usted una variable de distribución normal, que ha sido medida en
n.° de individuos n.° individuos - 1 100 pacientes. La media y la mediana encontradas son de 6 y la va-
rianza es de 9. ¿Cuál sería aproximadamente el intervalo que conten-
Desviación típica (desviación estándar) dría con un 95% de posibilidades la media poblacional?:

Es la raíz cuadrada de la varianza. 1. 5.4 a 6.6.

2. –3 a 15.
3. 3 a 9.
Coeficiente de variación 4. 0 a 12.
5. No puede calcularse.
Es la desviación típica dividida por la media aritmética.
Frente a la desviación típica, tiene la ventaja de que no depen-
de de las unidades de medida utilizadas, y permite comparar la RESPUESTAS: 6: 2; 7: 3; 8: 4; 9: 3; 10: 1.
dispersión de distribuciones distintas.

129
ESTADISTICA DESCRIPTIVA Y ESTIMACION

Media, mediana y moda

68,27% Punto de inflexión

95%
µ-2s µ-s µ µ+s µ+2s

DISTRIBUCION NORMAL

µ µ µ
Platicúrtica Mesocúrtica Leptocúrtica
K<0 K=0 K>0
(normal)
Representación de diferentes grados de apuntamiento.

µ µ µ
Asimetría negativa Simetría Asimetría positiva
S<0 S=0 S>0
Representación de los diferentes tipos de asimetría.

Fig. 2. Distribución normal y tipos de medidas de forma.

130
 BIOESTADISTICA

3
Medidas de forma
11
Las índices que se utilizan son los de asimetría (skewness) y
de apuntamiento (kurtosis). La distribución normal tiene unos ¿Qué tipo de representación gráfica es más adecuada para variables conti-
índices de asimetría y apuntamiento de 0 (fig. 2). nuas?:
1. Diagrama de barras.
Una distribución con un índice de asimetría de: 2. Diagrama de sección circular.
3. Cartograma.
— 0: es simétrica. 4. Histograma.
— < 0: es asimétrica a la izquierda. 5. Ninguno de los anteriores.
— > 0: es asimétrica a la derecha. 12
¿Cuál de las siguientes afirmaciones es falsa?:
Una distribución con un índice de apuntamiento de:
1. La media es una medida de tendencia central que se afecta poco
— 0: es mesocúrtica (normal). por los valores extremos.
— < 0: es platicúrtica (aplanada). 2. El valor de la mediana se corresponde con el percentil 50.
— > 0: es leptocúrtica (puntiforme.) 3. La mediana es una medida de tendencia central que se afecta
poco por los valores extremos.
DISTRIBUCIONES DE FRECUENCIA MAS 4. La moda no suele resultar de gran utilidad cuando manejamos
variables continuas.
UTILIZADAS EN MEDICINA 5. El decil 25 se corresponde con el primer cuartil.

Distribución normal 13
Es un tipo de función de distribución de variables continuas ¿Cuál de las siguientes características no corresponde a la distribución
normal?:
que se caracteriza porque (fig. 2):
1. Es simétrica.
— Es simétrica. 2. Su media coincide con su mediana.
3. Su mediana coincide con su moda.
— Media, mediana y moda coinciden, y constituyen su
4. La distancia entre el punto de inflexión de la curva y el eje de si-
eje de simetría. metría es de una varianza.
— Sus colas son asíntotas al eje horizontal. 5. Sus colas son asíntotas al eje horizontal.
— La distancia entre el eje de simetría y el punto de in-
flexión de la curva es de 1 desviación típica. El inter- 14
valo comprendido entre estos puntos contiene el 68% ¿Cuál de las siguientes medidas de variabilidad permite comparar distin-
de los casos. tas distribuciones?:
1. Amplitud.
Como ocurre con las distribuciones continuas, el área bajo 2. Desviación media.
la curva de la distribución representa una probabilidad. El área 3. Varianza.
total bajo la curva incluirá la totalidad de los casos (probabili- 4. Coeficiente de variación.
dad=1), y el área bajo la curva entre dos puntos representaría 5. Desviación típica.
la probabilidad de que la variable presente valores comprendi- 15
dos entre ellos. Por ello, la probabilidad de distintos intervalos
de valores de las variables, que se ajusten a esta distribución, Tiene usted la distribución de una variable continua obtenida a partir de su
medición en una muestra de 120 pacientes. La variable oscila entre
pueden calcularse fácilmente. Para ello se utilizan las tablas 20 y 300. Su mediana es 40, su media 80, y su desviación típica de
de la distribución normal reducida (tipificada), distribución que 36. ¿Cuál de las siguientes afirmaciones sobre ella es correcta?:
se representa por Z. La distribución normal reducida se carac-
1. El 68% de los valores estarán comprendidos entre 50 y 110.
teriza porque: su media es 0 y su varianza y desviación típica 2. La media poblacional de la variable se encontrará con un 95% de
es 1. probabilidades entre 20 y 140.
Cualquier distribución normal puede ser transformada en 3. La media poblacional de la variable se encontrará con un 95% de
una reducida, restando la media a los valores de la variable y probabilidades entre 74.5 y 85.5.
dividiendo esta resta por su desviación típica. Las funciones de 4. Todas las anteriores son falsas, ya que esta distribución es cla-
probabilidad de la normal reducida están ampliamente difundi- ramente «no normal».
5. Unicamente son ciertas 1 y 3.
das.
x-µ
Z= ——— RESPUESTAS: 11: 4; 12: 1; 13: 4; 14: 4 ;15: 4.
σ

131
ESTADISTICA DESCRIPTIVA Y ESTIMACION
Distribución binomial
La distribución binomial es una distribución de frecuencia
que modeliza una variable dicotómica (factor Rh). Conociendo
cuál es la frecuencia (π) de ser Rh+ en una zona geográfica
(70%), permitirá calcular cuál es la posibilidad de encontrar en
una muestra de n personas, k personas Rh+.
n!
p(k)= ————— πk (1- π)n-k
k!(n-k)!
Sabiendo cuáles son los valores de que salgan 1,2,3 .... n
personas Rh+, podríamos calcular la probabilidad de cualquier
combinación.
Distribución de Poisson
La distribución de Poisson resuelve problemas similares a
los de la binomial, pero únicamente para factores muy poco
frecuentes (≤ 0,05) y muestras grandes (≥100).
Otras distribuciones
Las distribuciones de Ji-Cuadrado, distribución de t de Stu-
dent y F de Snedecort, tienen características que les confieren
una gran utilidad.
ESTIMACION DE PARAMETROS
La estimación es el proceso que nos permite conocer un de-
terminado parámetro poblacional (media, proporción, varianza,
etc.) a partir de la muestra estudiada, permitiéndonos obtener
conclusiones sobre la población sin haberla estudiado en su
totalidad. El estimador debe tener las siguientes característi-
cas:
— No sesgado; que coincida con el parámetro poblacio-
nal.
— Consistente; cuando aumente el tamaño muestral de-
be converger hacia el valor del parámetro.
132
— Eficiente; debe tener la mínima varianza.
— Suficiente; debe usar toda la información relevante
sobre el parámetro.
Los estadísticos son en sí mismos variables aleatorias que
cambian en cada muestra que estudiamos. Sin embargo, cuan-
do se realiza una estimación sólo estudiamos una muestra y
sugerimos un determinado valor para el parámetro. Este es el
principal problema de la estimación - ¿cuánto se acerca el es-
timador al parámetro? -. Para solucionar este problema, a la
estimación puntual se le añade el denominado intervalo de
confianza (IC). Es decir, un valor mínimo y máximo alrededor
del estimador puntual (límites del intervalo de confianza), que
nos determinan la zona donde más probablemente se encuen-
tre el parámetro. Normalmente, el nivel de probabilidad que se
calcula es el 95% (IC95%), lo que indicaría que sólo 5 de cada
100 veces el parámetro estaría fuera de esos límites (error al-
fa). La forma de calcular el intervalo de confianza es distinta
en función del tipo de variable que midamos y del tamaño
muestral.
Para finalizar este apartado deberíamos comentar el signifi-
cado del error estándar (SE) y su diferencia frente a desviación
estándar (DE). Ambos valores están matemáticamente relacio-
nados, pero representan aspectos conceptualmente distintos.
La desviación típica de la muestra es una estimación de la va-
riabilidad de la variable que estamos analizando. El error es-
tándar de la muestra indica la variabilidad de estimador (no de
la variable) que estamos utilizando, e indicaría su precisión.
SE=DE/√ n
Como podemos deducir, una muestra mayor, aunque tenga
la misma variabilidad (igual desviación estándar) que otra me-
nor, mejora la precisión del estimador, ya que reduce el error
estándar. Con muestras grandes en las que puede utilizarse la
distribución normal el IC95% es x ± 1,96*SE (el valor de “Zα”
para el 5% es de 1,96), por ello cuanto mayor es el tamaño
muestral mas pequeño es el intervalo de confianza.
 Capítulo II
ESTADISTICA ANALITICA
Indice
Comprobación de hipótesis
Pruebas paramétricas y no paramétricas
Contrastes de hipótesis bivariantes
Contrastes variable categórica/categórica
COMPROBACION DE HIPOTESIS
Concepto estadístico de hipótesis
Una hipótesis es una idea que construimos a partir de un
marco de conocimiento (¿produce un medicamento más cura-
ciones que otro?). Para evaluar la verosimilitud de esta idea
desde una perspectiva estadística, lo que hacemos es determi-
nar la denominada Hipótesis nula (H0 - no hay diferencias en-
tre ambos medicamentos), y la Hipótesis alternativa (H1 - los
medicamentos se comportan de forma diferente). La verosimili-
tud de que la hipótesis nula no sea verdadera, se evalúa deci-
diendo si las diferencias en el número de curaciones entre las
muestras de pacientes tratados con los dos fármacos son ex-
plicables por la variabilidad del muestreo. Si las diferencias
encontradas no parecen ser debidas la azar, se rechaza la hi-
pótesis nula y se acepta la alternativa. No rechazar la hipóte-
sis nula no supone que los tratamientos sean iguales, única-
mente supone que con el número de pacientes incluidos no so-
Contraste variable categórica/cuantitativa
Contraste variable cuantitativa/cuantitativa
Análisis de supervivencia
Dr. EMILIO VARGAS CASTRILLON
mos capaces de encontrar diferencias, lo que puede deberse a:
que el número de pacientes incluidos es pequeño, o que la di-
ferencia entre ambos tratamientos es pequeña, pero real. De
forma arbitraria se acepta como probabilidad baja aquella que
es inferior al 5%, es decir, siendo la hipótesis nula cierta, la
rechazaríamos en 5 ocasiones de cada 100.
Las pruebas de contraste de hipótesis pueden ser (fig. 3):
Bilaterales
La hipótesis alternativa es que las muestras son diferentes
(los medicamentos se comportan de forma diferente - es el
medicamento A mejor que el B, o el medicamento B mejor que
el A-).
Unilaterales
La hipótesis alternativa es que una de las muestras es supe-
rior a la otra (el medicamento A es mejor que el B), careciendo
de importancia para el investigador la otra posibilidad.
133
ESTADISTICA ANALITICA

Prueba unilateral* Prueba bilateral**

Ho: µ0 ≤ µ Ho µo = µ
Ha: µ0 > µ Ha µo ≠ µ
α = 0,05
α/2 = 0,025 α/2 = 0,025

0 Z = 1 645 Ζ = −1,96 0 Ζ = 1,96

H0 H1

β
α/2
p
H0

El aumento del tamaño

muestral disminuye el
error B e incrementa la
potencia

α/2 β
p
H0
Representación del riesgo β. Efecto del tamaño de
muestra sobre el valor del riesgo β.

Fig. 3. Pruebas de contraste de hipótesis.

En general, se suelen utilizar pruebas bilaterales, ya que la Tipos de pruebas de hipótesis

hipótesis unilateral tiene interés únicamente en pocas situa- Pruebas de conformidad
ciones. Verifican hipótesis sobre la forma de distribución (bondad de

134
 BIOESTADISTICA

3
ajuste), o evalúan si un determinado valor muestral puede ajus-
tarse a una parámetro poblacional. Una de las pruebas de bon- 16
dad de ajuste más utilizada es la de Kolmogorov-Smirnov, que El error alfa indica:
evalúa si una distribución se ajusta a la distribución normal.
1. La posibilidad de aceptar la hipótesis nula cuando la hipótesis al-
ternativa es cierta.
Pruebas de relación/independencia 2. La posibilidad de rechazar la hipótesis nula cuando la hipótesis
Evalúa la existencia de dependencia entre variables. alternativa es cierta.
3. La posibilidad de aceptar la hipótesis alternativa cuando la hipó-
tesis nula es cierta.
Pruebas de homogeneidad
4. La posibilidad de aceptar la hipótesis alternativa cuando la hipó-
Verifican si dos o más muestras provienen de la misma po- tesis nula es falsa.
blación. 5. La posibilidad de rechazar la hipótesis alternativa cuando la hipó-
Las diferencias entre pruebas de homogeneidad y las de re- tesis nula es falsa.
lación son sutiles, y a veces puede ser difícil diferenciarlas. 17

Tipos de errores ¿Cuál de las siguientes afirmaciones es verdadera?:

1. Las pruebas no paramétricas se utilizan con variables que tienen
Al realizar una prueba de contraste de hipótesis se toma una distribuciones normales.
decisión de rechazo/no rechazo de la hipótesis nula, basándose 2. La prueba de Kolmogorov-Smirnov se utiliza para evaluar si la
en estimaciones obtenidas a partir de muestras. Sin embargo, la distribución de una variable se ajusta a la normalidad.
realidad en las poblaciones de las que se obtienen las muestras 3. En las muestras pequeñas siempre deben utilizarse pruebas para-
puede no coindicidir con lo decidido (tabla I, fig. 3). métricas.
La posibilidad de que en nuestro estudio concluyamos que 4. Cuando una variable no sigue la distribución normal no puede
los tratamientos son diferentes, cuando la realidad no es así analizarse.
(aceptar H1 cuando la realidad es H0), recibe el nombre de 5. Los resultados de las pruebas paramétricas y no paramétricas
son siempre similares.
error tipo I (error alfa, error de 1.a especie), y corresponde con
lo que suele denominarse valor de la p de la prueba estadística
utilizada (puede calcularse). Cuanto mayor número de pruebas 18
de hipótesis realicemos, más facil es cometer un error tipo I. Ha recogido usted información sobre la motalidad a los 30 días en 16 pa-
La posibilidad de que en nuestro estudio concluyamos que los cientes con intoxicación por setas. La mitad de los enfermos fueron
tratamientos son iguales cuando la realidad es que son dife- tratados de forma habitual, y la otra mitad con un nuevo medicamen-
rentes (aceptar H0 cuando la realidad es H1) recibe el nombre to. De los 8 que recibieron el tratamiento habitual 7 murieron y de los
8 que en los que se utilizó el medicamento nuevo solamente murió 1.
de error tipo II (error beta, error de 2.a especie ). Este último ti-
¿Qué prueba utilizaría para descartar que estas diferencias puedan ser
po de error no es directamente calculable, ya que requiere de- debidas a la casualidad?:
terminar a partir de qué tamaño de diferencia consideraría-
mos realmente distintas las posibilidades. Para cada magnitud 1. La prueba de Ji-Cuadrado con la corrección de Yates para mues-
tras pequeñas.
de la diferencia tendremos un valor distinto de error tipo II. La
2. La prueba exacta de Fisher.
probabilidad complementaria del error tipo II (1-error tipo II) re- 3. Un análisis de supervivencia mediante la técnica de Kaplam-
cibe el nombre de potencia, y es la probabilidad de detectar di- Meier.
ferencias entre los tratamientos en nuestro estudio cuando en 4. La prueba de la t de Student.
la realidad estas diferencias existen (aceptar H1 cuando la rea- 5. Un análisis de la varianza.
lidad es H1).
19
PRUEBAS PARAMÉTRICAS Y Las pruebas no paramétricas:
NO PARAMETRICAS 1. Unicamente se utilizan para comparar distribuciones de variables
continuas.
Muchos de los procedimientos estadísticos más utilizados 2. Requieren la comprobación del requisito de normalidad.
—métodos paramétricos— requieren que las variables a las 3. Originan unos valores de error alfa similares a los que se calculan
que se aplican sigan algún modelo de distribución (habitual- mediante pruebas paramétricas.
mente la normal). Sin embargo, en medicina, con frecuencia 4. Deben utilizarse siempre que manejemos muestras de gran tamaño.
trabajamos con variables que no cumplen el requisito de nor- 5. No realizan asunciones sobre el tipo de distribución de la varia-
ble.
malidad, o sobre las que no sabemos claramente si lo hacen
(con pequeños tamaños muestrales - n < 10 - es muy difícil que
pueda descartarse la normalidad, incluso en variables que no RESPUESTAS : 16: 3; 17: 2; 18: 2; 19: 5.
se ajustan claramente a esta distribución). En ocasiones, pode-

135
ESTADISTICA ANALITICA
TABLA I
Errores en las pruebas de contrste de hipótesis
REALIDAD
E Diferentes
S
T Diferentes Correcto
U (potencia)
D
I Iguales Error tipo II
O Error beta
mos realizar transformaciones de las variables originales (loga-
ritmo, raíz cuadrada, etc.) que normalicen la variable; sin em-
bargo, con frecuencia resulta útil usar otras técnicas estadísti-
cas llamadas no paramétricas (libres de distribución). En ellas
la violación del supuesto de normalidad no afecta al resultado.
Estas pruebas no utilizan los valores de la variable, sino que
utilizan el orden de la distribución de sus valores. Por ello, pue-
den utilizarse con variables continuas, discretas y cualitativas
ordinales.
CONTRASTES DE HIPOTESIS BIVARIANTES
La existencia de distintas pruebas de hipótesis depende
principalmente del tipo de variables incluidas. En la tabla II
puede verse cuáles serían las técnicas más frecuentemente
utilizadas.
Muchas de estas pruebas pueden realizarse para dos tipos
de datos, los datos apareados y los datos independientes. En
las pruebas de datos independientes la información proviene
de grupos diferentes de individuos (comparar la tensión arte-
rial en un grupo de jóvenes frente a un grupo de ancianos); por
el contrario, en los pruebas para datos apareados la informa-
ción proviene con mucha frecuencia de determinar la misma
medición en el mismo individuo en momentos distintos (medir
la tensión arterial en un grupo de personas jóvenes, esperar a
que se hagan ancianos y repetir la medición). Los dos ejemplos
propuestos intentarían contestar la misma duda (¿son diferen-
tes las tensiones arteriales de los jóvenes que las de los ancia-
nos?); sin embargo, el diseño apareado requeriría menos indi-
viduos, ya que la variabilidad de la tensión arterial dependien-
te del individuo se reduce. El ejemplo más claro de datos apa-
reados es el de la repetición de la medida en el mismo indivi-
duo, pero en algunos otros diseños también requieren la utili-
zación de estas pruebas (estudios de gemelos, cuando los ca-
sos se aparean por variables importantes, etc.).
136
Iguales
Error tipo I
Error alfa
Correcto
CONTRASTES VARIABLE
CATEGORICA/CATEGORICA
La cuestión que se intenta resolver es si la distribución de
los valores de cada variable se hace homogéneamente entre
los valores de la otra, o si por el contrario, cuando una variable
tiene un valor en un individuo es más probable que tenga un
valor determinado en la otra. Por ejemplo, si estamos compa-
rando dos medicamentos hipoglucemiantes, podemos valorar
cuántos pacientes normalizan sus cifras de glucemia con cada
uno de los medicamentos (tabla III).
Esta forma de presentar la información recibe el nombre de
tabla de contingencia. El número de casos en cada casilla se
denomina efectivos observados. El número de casos que ha-
bría si la distribución fuese homogénea recibe el nombre de
efectivos esperados.
El método de contestar estas preguntas depende del núme-
ro de categorías de las variables y de los efectivos esperados
en cada una de las casillas de la tabla de contingencia, y de si
se trata de datos independientes o apareados.
Si se trata de tablas de contingencia de 2 X 2 (dos variables
dicotómicas) la hipótesis nula puede contrastarse mediante la
prueba exacta de Fisher. Esta prueba consiste en calcular
exactamente la probabilidad de que aparezcan distribuciones
tan o más extremas (más heterogéneas) que la encontrada. Si
los efectivos esperados en cada casilla de la tabla excede a 5
los resultados de la prueba de Fisher son muy similares a los
obtenidos con la prueba de Ji-Cuadrado.
Si se trata de tablas con dimensiones superiores a 2 X 2, el
contraste de la hipótesis nula se realiza calculando la Ji-Cua-
drado de la tabla de contingencia. El valor obtenido se compa-
ra con el existente en las tablas de esta distribución, lo que
nos indica su probabilidad. El número de grados de libertad
que deben aplicarse es de: (número de filas-1) * (número de
columnas-1), es decir, se multiplican el número de categorías

menos uno de cada variable. Si en alguna casilla de la tabla
existen efectivos esperados entre 3 y 5, se debe utilizar la lla-
mada corrección de Yates. Si en alguna de las casillas se ob-
tienen efectivos esperados menores de 3, el valor de la Ji-Cua-
drado obtenido no es correcto y la hipótesis no puede contras-
tarse. En esta situación la única posibilidad es la de colapsar
categorías (unir valores de la variable). El valor de la Ji-Cua-
drado representa la diferencia entre los valores observados y
esperados de cada casilla.
Cuando los datos son agrupados, se realiza la prueba de
McNemar.
En algunas ocasiones puede darse un caso ligeramente dife-
rente. Sabemos la distribución de una variable categórica en
una población porque se ha estudiado en su totalidad y tene-
mos la distribución de esta variable en una muestra. Se pre-
tende saber si la distribución muestral se ajusta a la poblacio-
nal (se trataría de una prueba de conformidad). En esta hipóte-
sis también se evalúa mediante la prueba de la Ji-Cuadrado,
con la salvedad que el número de grados de libertad en esta
caso es el número de categorías de la variable menos 1.
CONTRASTE VARIABLE CATEGORICA/
CUANTITATIVA
En general estos contrastes se resuelven comparando los
valores medios de la variable cuantitativa en los distintos gru-
pos definidos por la variable categórica. Por ejemplo, al eva-
luar el efecto de dos medicamentos hipoglucemiantes pode-
mos ver las glucemias de los pacientes que reciben cada trata-
miento. La decisión del método de contraste a elegir depende
del número de grupos definidos por la variable cualitativa, de
si se trata de datos apareados o independientes, y de si la dis-
tribución de la variable cuantitativa sigue una distribución nor-
mal.
Variable categórica dicotómica
Si la variable categoría diferencia 2 subgrupos las pruebas
que suelen utilizarse son la prueba de Z y la t de Student. La
primera para muestras grandes (ambos grupos con un número
de individuos ≥ 30) y la segunda para muestras pequeñas. Es-
tas pruebas tienen versiones para datos apareados e indepen-
dientes, y necesitan que se cumpla el supuesto de normalidad,
y de igualdad de varianzas en los dos grupos (en caso de no
darse este último supuesto pueden utilizarse soluciones apro-
ximadas).
En ocasiones no pretendemos comparar dos grupos distin-
tos, sino que queremos comparar la media en una muestra ob-
tenida con una media poblacional conocida (prueba de confor-
midad). La sistemática en este caso es la misma, siendo única-
mente distintas las fórmulas de cálculo de la Z y de la t.
Si los datos no cumplen el supuesto de normalidad, deben
utilizarse pruebas no paramétricas. Estas pruebas no comparan
la media de los valores, sino que comparan la distribución de
su ordenación en ambos grupos. Para datos independientes se
BIOESTADISTICA
3
20
La p obtenida en la prueba bilateral de contraste utilizada es de 0,01. ¿Qué
significa este resultado?:
1. En el caso de que los tratamientos fuesen similares sólo se ha-
bría encontrado esta distribución u otra más extrema en 1 de ca-
da 100 casos.
2. Que si se hubiese utilizado una prueba unilateral la p valdría
0,02.
3. Que si los tratamientos fuesen distintos, en 1 de cada 100 casos
no encontraríamos diferencias entre ellos.
4. La interpretación del valor de la p es totalmente distinta en fun-
ción de la prueba estadística utilizada.
5. Ninguna de las respuestas anteriores es correcta.
21
¿En cuál de los siguientes estudios no se aplicaría una prueba para datos
independientes?:
1. Se compara el efecto de 2 medicamentos sobre la evolución de
lesiones existentes en los pliegues interdigitales de los pies. Ca-
da paciente recibe 1 tratamiento distinto en cada pie.
2. Se compara el efecto hipotensor de 2 medicamentos. Los enfer-
mos reciben secuencialmente los dos medicamentos.
3. Se compara el efecto hipolipemiante de 2 medicamentos. Un
grupo de pacientes reciben el medicamento A y otro grupo el
medicamento B. Se evalúa la diferencia entre la colesterolemia
antes de iniciar el tratamiento y la existente tras un mes de tra-
tamiento.
4. Se compara el efecto sobre el glaucoma de 2 medicamentos. Los
pacientes reciben un medicamento distinto en cada ojo.
5. Se quiere evaluar si un medicamento tiene algún efecto hipoten-
sor. Para ello se compara la tensión sistólica antes de tomar el
medicamento con la que presenta 1 hora después de haberlo re-
cibido.
22
Ha realizado usted un cuestionario sobre personalidad a 50 pacientes dia-
béticos y a 50 controles. Un porcentaje mayor de diabéticos presenta
una personalidad neurótica (p<0,002). ¿Qué conclusiones obtendría?:
1. Esta relación no parece debida a la casualidad.
2. Posiblemente la diabetes origine personalidad neurótica.
3. Posiblemente la insulina origine personalidad neurótica.
4. Esta relación parece ser debida a la casualidad.
5. Todas las anteriores afirmaciones son falsas.
RESPUESTAS: 20:1; 21: 3; 22: 1.
137
ESTADISTICA ANALITICA
TABLA II
Principales pruebas de hipótesis bivariantes
Variable Nominal
Nominal Prueba de Fisher Ji-Cuadrado de
Ji-Cuadrado Mantel-Haenszel
Prueba de McNemar
Cuantitativa
* Pruebas no paramétricas
utiliza la U de Mann-Whitney, y para datos apareados se utili-
za la T de Wilcoxon.
Variable categórica politómica
En el caso de que la variable categórica diferencie más de
dos grupos (comparar 3 fármacos hipoglucemiantes), podría
pensarse que podrían realizarse varios pares de comparacio-
nes utilizando las pruebas mencionadas en el apartado ante-
rior. Sin embargo, esto no es razonable, ya que la posibilidad
de cometer un error alfa aumentaría proporcionalmente al nú-
mero de comparaciones realizadas. Por ello debe realizarse
una prueba especial, que recibe el nombre de análisis de la va-
rianza (ANOVA).
La variabilidad de los valores de cada individuo puede de-
berse al azar o al hecho de pertenecer a cada grupo. Este tipo
de prueba lo que hace es valorar si la variabilidad que aporta a
los datos el pertenecer a los distintos grupos es superior a la
que podría deberse al azar, es decir, la hipótesis nula sería que
la varianza que aporta el pertenecer a los distintos grupos (va-
rianza intergrupo) no es mayor que la esperable por el azar,
que en este caso estaría representada por la llamada varianza
intragrupo (varianza residual). Lógicamente, si el pertenecer a
cierto grupo explica parcialmente el valor de la variable, sus
valores medios en cada grupo serán diferentes.
Esta prueba nos informa de que las medias de los distintos
grupos son diferentes en conjunto, pero no informa específica-
mente de cuáles son distintas entre sí (por parejas). Para resol-
ver este problema se recurre a los llamados contrastes (Sheffé,
Fisher, Tukey, etc.).
138
Ordinal Cuantitativa
t de Student
Prueba de Z
ANOVA
U de Mann-Whitney *
T de Wilcoxon *
Kruskall-Wallis *
Regresión
Correlación
Correlación Sperman*
Existen soluciones de esta prueba para datos independien-
tes y apareados (ANOVA de medidas repetidas).
El ANOVA requiere que se cumpla el supuesto de normali-
dad y que la varianza en los distintos grupos sea homogénea.
Si esto no ocurre, puede recurrirse a las pruebas no paramétri-
cas. No obstante, los resultados del ANOVA no suelen ser muy
sensibles a pequeñas violaciones de estos supuestos. La prue-
ba no paramétrica utilizada en esta situación es la prueba de
Kruskall-Wallis.
CONTRASTE VARIABLE
CUANTITATIVA/CUANTITATIVA
El problema que intentan contestar este tipo de técnicas es
si el cambio del valor de una variable se acompaña de una mo-
dificación de la otra. Por ejemplo, podemos intentar ver si la
dosis de hipoglucemiante administrada se relaciona con el
descenso de las cifras de glucemia.
Las técnicas empleadas para la solución de este tipo de du-
das se agrupan bajo el nombre de regresión/correlación. Estas
técnicas buscan la recta que mejor se ajusta a la nube de pun-
tos originada por la representación conjunta de ambas varia-
bles y nos informa de la ecuación que mejor la representa
(y=a+bx). Evalúan el grado de ajuste de la recta teórica a los
puntos (coeficiente de correlación y coeficiente de determina-
ción). Estiman los parámetros propuestos (a, b, y coeficientes)
y finalmente contrastan su verosimilitud.
El coeficiente de correlación (r) es un estadístico que indica la
exactitud de la relación entre dos variables cuantiativas. Oscila
entre -1 y +1. Cuando su valor es 0, no hay relación entre ellas.
 BIOESTADISTICA

3
Cuando su valor es +1, hay una relación positiva perfecta (X au-
menta de forma exactamente proporcional al aumento de Y). 23
Cuando su valor es -1, hay una relación negativa perfecta (X dis- Ha realizado usted un ensayo clínico en el que ha comparado el efecto hi-
minuye de forma exactamente proporcional al aumento de Y). potensor de 3 tratamientos distintos (A, B, C). El tratamiento A origi-
El coeficiente de determinación (r2) nos indica qué porción nó un descenso medio de 20 mmHg en la tensión diastólica, el B de
de la variabilidad de una variable puede ser explicada por la 15 mmHg, y el C de 13 mmHg. El número de pacientes incluidos en
otra y cuánta puede ser explicada por el azar. Es el cuadrado cada grupo no fue homogéneo. El análisis ha sido realizado mediante
del coeficiente de correlación, y lógicamente oscila entre 0 y 1. un ANOVA, y se ha obtenido un p<0,0001. ¿Qué conclusiones podría
obtener con esta información?:
Cuando su valor es 0, ninguna proporción de la variabilidad de
cada variable puede ser explicada por la otra. Cuando su valor 1. El tratamiento A tiene mayor efecto que el B.
es 1, la modificación de una variable explica la totalidad del 2. El tratamiento B tiene mayor efecto que el C.
cambio que sufre la otra. 3. El tratamiento A tiene mayor efecto que el C.
4. Los tratamientos A, B y C tienen distinto efecto.
El coeficiente b (coeficiente de regresión) indica la magnitud
5. Todas las anteriores son ciertas.
del incremento de y con cada unidad de incremento de x. El co-
eficiente a (término independiente) nos indica el valor teórico 24
de y cuando x vale 0. Situación que frecuentemente no tiene ¿Podría haberse realizado el análisis del anterior ensayo mediante varias
sentido biológico. pruebas de la t de student?:
Los coeficientes de determinación y correlación no depen- 1. Sí, además este sistema permitiría comparar los tratamienos 2 a 2.
den del tipo de unidades utilizadas en la medición de las varia- 2. Si, pero aumentando el valor de error alfa asumible.
bles. Pero los coeficientes a y b sí dependen de estas unida- 3. No, ya que disminuiría la potencia del estudio.
des. 4. No, ya que incrementaríamos la posibilidad de que ocurriera
Una vez que estos estadísticos han sido calculados, deben error de tipo I.
contrastarse. La hipótesis nula que suele evaluarse es la de no 5. Sí, los resultados obtenidos serían estrictamente superponibles
existencia de relación, que en este caso equivale a que el coe- a los del ANOVA.
ficiente r o el b son distintos de 0. Esto se hace calculando el 25
valor de t, buscando posteriormente su probabilidad. En el ca- Quiere usted evaluar si la edad (medida en años), se relaciona con la ten-
so de 2 variables el contraste de b o r aporta el mismo resulta- sión arterial diastólica (medida en mmHg). ¿Qué método de análisis
do. Pero si se incluyen variables existirían varios coeficientes b emplearía?:
(y=a+b1x+b2x+b3x), y cada uno de ellos requeriría su contraste
1. Comparación de medias.
individualizado. En este caso, el contraste de r nos informaría 2. prueba de McNemar.
sobre la verosimiltud global del modelo. 3. Regresión.
Estas técnicas requieren para su aplicación: 4. ANOVA.
5. t de Student.
— Que la relación entre ambas variables sea lineal (se
ajuste a una línea recta); las variables estén asocia- 26
das por otro tipo de ecuación (exponencial, parábola, Ha realizado usted un estudio de casos y controles sobre la relación entre el
etc.), y que los datos no se ajusten a una recta. aceclofenaco y la hemorragia digestiva. Ha entrevistado a 200 pacien-
— Las variables deben ser normales. Ambas deben serlo tes con hemorragia digestiva (5 habían utilizado recientemente aceclo-
en correlación, y la dependiente (y) en regresión. fenaco) y a 200 controles (1 había utilizado recientemente aceclofena-
— Las variables deben ser homoescedásticas (varianzas co). El valor de p obtenido fue de 0,21. ¿Qué conclusiones obtendría?:
homogéneas). Ambas deben serlo en correlacion, y la 1. El aceclofenaco no se relaciona con el desarrollo de hemorragia
dependiente en regresión. digestiva.
— Los valores de las variables deben ser independien- 2. El aceclofenaco no produce hemorragia digestiva.
tes. 3. Si no encontrásemos otros factores que expliquen la no existen-
cia de relación estadística entre la hemorragia digestiva y con-
sumo de aceclofenaco, podríamos afirmar que el aceclofenaco
Los términos correlación y regresión están fuertemente em- no produce hemorragia digestiva.
parentados, pero no significan lo mismo. La regresión implica 4. Debido a la baja prevalencia de consumo de aceclofenaco, la
un cierto componente causal, existiendo una variable indepen- potencia del estudio no es muy alta, por lo que no se puede afir-
diente (x), y una dependiente (y), que se modifica a consecuen- mar que el aceclofenaco no se relacione con el desarrollo de he-
cia del cambio de x. La regresión está emparentada con los di- morragia digestiva.
5. La posbilidad de cometer un error de tipo II en este estudio es
seños experimentales (el investigador puede modificar la va- muy baja.
riable independiente) y la correlación con observacionales. Por
otro lado, a la regresión le interesan los coeficientes b y a, y
suele tener un objetivo predictivo; por el contrario, a la correla- RESPUESTAS: 23:4; 24: 4; 25: 3; 26: 4.
ción le interesan r y r2.

139
ESTADISTICA ANALITICA

TABLA III
Tabla de contingencia

MEDICAMENTO
A B

Normalización SI 15 (19,4) 26 (21,5) 41

Glucemia NO 13 (8,6) 5 (9,5) 18
28 31 59

() Efectivos esperados

MEDICAMENTO
A B

Normalización SI a (a´) b (b´) a+b

Glucemia
NO c (c´) d (d´) c+d
a+c b+d total

* Cálculo de efectivos esperados

(a+b)*(a+c) (a+b)*(b+d)
Casilla a´ = Casilla b´ =
total total

La técnica no paramétrica que puede utilizarse cuando no se
cumplan los supuestos de normalidad es la correlación de Spe-
arman.
ANALISIS DE SUPERVIVENCIA
Bajo este nombre se agrupan una serie de técnicas que se
caracterizan por intentar analizar el tiempo que transcurre has-
ta que aparece un determinado acontecimiento. El nombre de
análisis de supervivencia se debe a que con mucha frecuencia
el acontecimiento que se espera es la muerte, pero también
pueden utilizarse para evaluar el tiempo transcurrido hasta
otro tipo de eventos (aparición de infarto agudo de miocardio,
aparición de embolismo cerebral, etc.). Los métodos más utili-
zados son el Kaplam-Meier y el actuarial.

BIBLIOGRAFIA

ARMITAGE, P.; BERRY, G.: «Estadística para la investigación
biomédica». Doyma. Barcelona, 1992.
BAKKE, O. M.; CARNÉ, X.; GARCIA-ALONSO, F.: «Ensayos Clí-
nicos con medicamentos». Doyma. Barcelona, 1994.
CHOU, Y. L.: «Análisis estadístico». Interamericana. México,
1977.
DOMÉNECH, J. M.; RIBA, M. D.: «Una síntesis de los métodos
estadísticos bivariantes». Herder. Barcelona, 1987.
KRAMER, M. S.: «Clinical Epidemiology and Bioestatistics».
Springer-Verlag. Berlin, 1988.
PARDELL, H.; COBO, E.; CANELA, J.: «Manual de bioestadísti-
ca». Massons. Barcelona, 1986.
TSOKOS, M.: «Estadística para biología y ciencias de la salud».
Interamericana, 1987.

140
 Sección 3

INDICE
DE
MATERIAS

Amplitud, 129 Diagrama de sección circular, 127

intercuartílica, 129 Distribución,
análisis de la varianza (ANOVA), 138 binomial, 132
apuntamiento, 131 de Poisson, 132
asimetría, 131 normal, 131
Bilaterales, 133 normal reducida (tipificada), 131
Cartograma, 127 Error,
Coeficiente, alfa, 135
de correlación, 138 beta, 135
de determinación, 138 de 1.ª especie, 135
de regresión, 139 de 2.ª especie, 135
de variación, 139 estándar, 132
Comprobación de hipótesis, 133 tipo I, 135
contrastes, 138 tipo II, 135
corrección de Yates, 137 Estadística descriptiva, 125, 126
correlación, 138 estadística inferencial o deductiva, 125
cuartiles, 129 Estadísticos, 126
datos apareados, 136 Estadística analítica, 125
datos independientes, 136 Estimación de parametros, 132
deciles, 129 estimador, 132
Desviación, Fisher, 138
estándar, 132 Hipótesis alternativa, 133
media, 129 Hipótesis nula, 133
típica (desviación estándar), 129 Histograma, 127
Diagrama de barras, 127 intervalo de confianza, 132

141
INDICE DE MATERIAS

Kolmogorrov-Smirmov, 135 regresión, 138

kurtosis, 131 Sheffé, 138
Media aritmética, 128 skewness, 131
Mediana, 128 supervivencia, 140
Medidas de tendencia central, 127 t de Student, 137
Moda, 128 T de Wilcoxon, 138
Muestra, 126 tablas de contingencia, 136
parámetros, 126 técnicas de muestreo, 126
percentiles, 129 Tukey, 138
Pictograma, 127 U de Mann-Whitney, 138
población, 126 Unilaterales, 133
diana, 126 variable/es, 126
inferencial, 126 aleatoria, 126
Polígono de frecuencias, 127 controlada, 126
prueba/as,
de Ji-Cuadrado, 136 dependiente, 126
de McNemar, 137 independiente, 126
de Z, 137 cualitativas, 126
exacta de Fisher, 136 cuantitativas, 126
no paramétricas, 135 ordinales, 126
paramétricas, 135 Varianza (variancia), 129

142