BIOESTADISTICA

Distribución muestral
Una distribución muestral es un conjunto de valores de una estadística calculada de todas las muestras posibles de determinado tamaño de una
población.
Casi nunca se obtiene la distribución muestral (la distribución de las medias de todas las muestras posibles). Es más bien un concepto teórico definido
por la estadística para los investigadores. Lo que comúnmente hacemos es extraer una sola muestra.
Teorema central del límite: la distribución muestral tiene una media igual a la de la población, una varianza igual a la varianza de la población dividida
entre el tamaño de muestra, La desviación estándar (s) es un parámetro normalmente desconocido, aunque es posible estimarlo por la
desviación estándar de la muestra.

Distribución normal

Las principales características de la distribución normal son:

1. Es unimodal, una sola moda.
2. La asimetría es cero. La mitad de la curva es exactamente igual a la otra mitad.
3. Es una función particular entre desviaciones con respecto a la media de una distribución y la probabilidad de que éstas ocurran.
4. La base está dada en unidades de desviación estándar (–1s, –2s, –3s, +1s, +2s y +3s), la distribución de puntuaciones z es la curva normal.
5. Es mesocúrtica (curtosis de cero).
6. La media, la mediana y la moda coinciden en el mismo punto.

Nivel de significancia:
Es un nivel de la probabilidad de equivocarse y se fija antes de probar hipótesis inferenciales.
Para probar hipótesis inferenciales respecto a la media, el investigador debe evaluar si es alta o baja la probabilidad de que la media de la muestra
esté cerca de la media de la distribución muestral.
Si es baja, el investigador dudará de generalizar a la población. Si es alta, el investigador podrá hacer generalizaciones.

Existen dos niveles convenidos en ciencias sociales:

a) El nivel de significancia de 0.05, el cual implica que el investigador tiene 95% de seguridad para generalizar sin equivocarse y sólo 5% en
contra.
b) El nivel de significancia de 0.01, el cual implica que el investigador tiene 99% en su favor y 1% en contra para generalizar sin temor.

Los resultados posibles al probar hipótesis serían:

1. Aceptar una hipótesis verdadera (decisión correcta).
2. Rechazar una hipótesis falsa (decisión correcta).
3. Aceptar una hipótesis falsa (conocido como error del Tipo II o error beta).
4. Rechazar una hipótesis verdadera (conocido como error del Tipo I o error alfa).

Puede reducirse la posibilidad de que se presenten los errores mediante:

a) Muestras representativas probabilísticas.
b) Inspección cuidadosa de los datos.
c) Selección de las pruebas estadísticas apropiadas.
d) Mayor conocimiento de la población

Distribución normal: Es el modelo de distribución más utilizado en la práctica, ya que multitud de fenómenos se comportan según una distribución
normal. Esta distribución de caracteriza porque los valores se distribuyen formando una campana de Gauss, en torno a un valor central.

Esta distribución viene definida por dos parámetros:

X=N(u, s2)
u: es el valor medio de la distribución y donde se sitúa el centro de la curva de la campana de Gauss
s 2: es la varianza. Si la varianza es baja los valores están próximos a la media; si es alta, entonces los valores están muy dispersos.

Cuando la media de la distribución es 0 y la varianza es 1 se denomina "normal tipificada", y su ventaja reside en que hay tablas donde se recoge la
probabilidad acumulada para cada punto de la curva de esta distribución.

Prueba de hipótesis
Es un procedimiento para juzgar si una propiedad que se supone en una población estadística es compatible con lo observado en una muestra de
dicha población. Se aborda el problema estadístico considerando una hipótesis determinada Ho y una hipótesis alternativa Ha, y se intenta dirimir cuál
de las dos es la hipótesis verdadera, tras aplicar el problema estadístico a un cierto número de experimentos.

La prueba de hipótesis implica el desarrollo del ritual de la significancia estadística:

• Hipótesis nula e hipótesis alterna
• Establecer el nivel de significancia
• Elegir el estadístico de prueba
• Realizar el cálculo del p-valor
• Toma de decisiones
Análisis no paramétricos
Tabla de contingencia: se emplean para registrar y analizar la relación entre dos o más variables, habitualmente de naturaleza cualitativa

CHI CUADRADO

El estadístico Chi Cuadrado, es muy utilizado para ver la asociación de las variables cualitativas nominales, relaciona los valores observados, con los
valores esperados.
Cuanto más grande Chi cuadrado, más dependientes son las variables. Cuanto más próximo a cero Chi cuadrado, más independientes son las
variables.

Prueba de Chi Cuadrado – Análisis no paramétricas

Comparación Asociación
Grupos Medidas Relación entre dos variables dicotómicas
Diferencia entre grupos participantes Diferencia entre las medidas realizadas Asociar categorías de las variables
Chi cuadrado de Homogeneidad Chi cuadrado de McNemar Chi Cuadrado de Independencia
X2= (vo-ve)2/ve X2= (b-c)2/b+c X2= (vo-ve)2/ve
Asocia estrés laboral con profesor en C. de
Estrés en diferentes áreas académicas Nivel de estrés antes y después del examen
Salud
Análisis paramétrico

Se debe partir de los siguientes supuestos:

1. La distribución poblacional de la variable dependiente es normal. (El universo tiene una distribución normal)
2. El nivel de medición de las variables es por intervalos o razón
3. Cuando dos o más variables son estudiadas, tienen una varianza homogénea: dispersión similar en sus distribuciones

Prueba T
Determina si hay diferencia significativa entre las medias de dos grupos, comparar dos medias de poblaciones independientes y normales.
Se asume que las variables dependientes tienen distribución normal.

Prueba de T de Student – Análisis no paramétricas

Comparación
Grupos
Diferencia entre las medidas antes
Comparar el promedio de ambos grupos
T de Student para muestras
independientes
Peso de niña vs peso de niño
Correlación Medida de correlación
Correlaciona las unidades de dos
Medidas
variables diferentes
Identificar existencia de
Identificar existencia de correlación
y después correlación
T de Student para muestras
Correlación de Pearson Correlación de Pearson ®
relacionadas
Peso antes y después de Relación de hemoglobina de Grado de correlación de ponderado
tratamiento la gestante y peso del RN fetal ecográfico y peso del RN
Coeficiente de correlación lineal

Mide el grado de intensidad de esta posible relación entre las variables. Este coeficiente se aplica cuando la relación que puede existir entre las
variables es lineal

Es una prueba estadística para analizar la relación entre dos variables medidas en un nivel por intervalos o de razón.
Se simboliza: r.
Hipótesis a probar: correlacional, del tipo de “a mayor X, mayor Y ”, “a mayor X, menor Y ”, “altos valores en X están asociados con altos valores en Y
”, “altos valores en X se asocian con bajos valores de Y ”. La hipótesis de investigación señala que la correlación es significativa.
Variables: dos. La prueba en sí no considera a una como independiente y a otra como dependiente, ya que no evalúa la causalidad.

Si "r" > 0, la correlación lineal es positiva (si sube el valor de una variable sube el de la otra). La correlación es tanto más fuerte cuanto más se
aproxime a 1.
Si "r" < 0, la correlación lineal es negativa (si sube el valor de una variable disminuye el de la otra). La correlación negativa es tanto más fuerte cuanto
más se aproxime a -1.
Si "r" = 0, no existe correlación lineal entre las variables. Aunque podría existir otro tipo de correlación (parabólica, exponencial, etc.)

Cuando el coeficiente r de Pearson se eleva al cuadrado (r 2), se obtiene el coeficiente de determinación y el resultado indica la varianza de factores
comunes. Esto es, el porcentaje dela variación de una variable debido a la variación de la otra variable y viceversa (o cuánto explica o determina una
variable la variación de la otra)
 Muy baja: 0,0 – 0,2
 Baja: 0,2-0,4
 Moderada: 0,4-0,6
 Buena: 0,6-0,8
 Alta: 0,8-1,0