Bioestadistica Aplicada

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/330521436
Bioestadistica Aplicada Ciencias de la Salud
Book · January 2019
CITATIONS READS
0 1,369
1 author:
Henry Andrade
University of the Andes (Venezuela)
13 PUBLICATIONS 10 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Estadística ciencias de la salud View project
Investigación de Mercados Laborales View project
All content following this page was uploaded by Henry Andrade on 21 January 2019.
The user has requested enhancement of the downloaded file.

Fundación Gustavo Palma Calderón
Presentación
La presente guía es el complemento al curso denominado BioEstadística Aplicada en Ciencias de la
Salud, cuyo propósito es proporcionar al profesional de la salud las herramientas estadísticas
indispensables para la producción investigativa.
A través de aspectos teóricos de la estadística y ejemplos prácticos de trabajos de investigación a

nivel de especialización, maestría y doctorado se ofrece al usuario la experiencia de más de 138
análisis realizados en España, México, Colombia, Cuba, Argentina, Venezuela y ahora en Ecuador
que será útil para mejorar la calidad de vida en las personas..
El portafolio de análisis estadísticos lo pueden seguir a través del link

http://fundaciongustavopalma.org/investigacion/asesoria-y-analisis-estadistico/.
Licenciado en Estadística: Henry Andrade Ruiz.
Correo: [email protected]
2
Contenido Pág.
Módulo 1
1. Introducción al plan de Investigación…………………………………………………… 4
2. Introducción a la estadística…………………………………………………………......... 5
2.1. Concepto de estadística y bioestadística………………………………………....... 5
2.2. Ramas de la estadística…………………………………………………………………...... 5
2.3. Conceptos básicos…………………………………………………………………………….. 5
2.4. Variables y escalas de medición………………………………………………………... 6
2.4.1. Variables cualitativas………………………………………………………………....... 7
2.4.2. Variables cuantitativas………………………………………………………………….. 7
3. Medidas de tendencia central y posición…………………………………………….. 8
3.1. Media………………………………………………………………………………………………… 8
3.2. Mediana…………………………………………………………………………………………….. 9
3.3. Moda…………………………………………………………………………………………………. 9
3.4. Percentiles y cuartiles…………………………………………………………………………. 9
4. Medidas de dispersión: varianza. desviación estándar, error estándar…. 11
4.1. Varianza……………………………………………………………………………………………… 11
4.2. Desviación estándar o típica………………………………………………………………. 12
4.3. Error estándar o típica de la media muestral……………………………………… 12
5. Cuadros y gráficos estadísticos……………………………………………………………… 12
5.1. Cuadros estadísticos…………………………………………………………………………… 13
5.2. Gráficos estadísticos…………………………………………………………………………… 16
6. Introducción a la estadística inferencial………………………………………………… 19
6.1. Estimación por intervalo de confianza………………………………………………… 20
6.2. Prueba de hipótesis…………………………………………………………………………….. 20
Módulo 2
1. Pruebas Paramétricas……………………………………………………………………………. 22
1.1. Prueba T de muestras independientes………………………………………………… 22
1.2. Prueba T de muestras dependientes, relacionadas o pareadas…………… 24
1.3. Análisis de Varianza (ANOVA)……………………………………………………………… 25
1.4. Prueba de independencia estadístico Chi-cuadrado……………………………. 28
2. Coeficiente de correlación de Pearson………………………………………………….. 31
3. Prueba no paramétricas………………………………………………………………………… 33
3.1. Prueba de Mann-Whitney…………………………………………………………………… 33
3.2. Prueba de rango con signo de Wilcoxon……………………………………………… 35
4. Prueba diagnósticas, de concordancia y Odds Ratio………………………………. 37
4.1. Pruebas diagnósticas……………………………………………………………………………. 37
4.2. Pruebas de concordancia…………………………………………………………………….. 39
4.3. Odds Ratio……………………………………………………………………………………………. 40
Bibliografía………………………………………………………………………………………………………………………. 43
3
Módulo 1
1. Introducción al plan de Investigación
En cualquier investigación es importante tener orden, el cual se obtiene mediante la

documentación bibliográfica sobre el tema a investigar, nos permite abordar el problema,
su justificación, hipótesis, marco teórico, objetivos; una vez obtenido el orden, pasamos a
definir los métodos a implementar para dar respuesta a nuestros objetivos e hipótesis (si
aplican), para ello es indispensable tener claridad sobre las variables a utilizar, donde
recolectar los datos, como procesar y analizar los mismos, con ello obtenemos los
resultados de la investigación que nos permitirá comparar con otras investigaciones que
previamente se hicieron referencia en el marco teórico (antecedentes) y generarán la
discusión. (1)
Figura N° 1. Plan de investigación.
Fuente: Elaboración propia
4
2. Introducción a la estadística
2.1. Concepto de estadística y bioestadística
La estadística es la ciencia que permite recopilar, organizar y analizar la información de

determinados fenómenos donde los investigadores mantienen incertidumbre,
permitiéndole tomar decisiones.
Figura N° 2. Representación del concepto de estadística
Tomar
Conjunto de decisiones
Recolectar Organizar Analizar
métodos donde hay
incertidumbre
Por su parte, en las ciencias de la salud constantemente se está buscando nuevas

alternativas terapéuticas y diagnósticas así como técnicas de pronóstico, factores riesgo,
entre otros, dirigidos hacia el ser humano, razón por la cual la estadística aplicada en esta
área se denomina bioestadística.
2.2. Ramas de la estadística
Estadística Descriptiva: describe, analiza y representa un grupo de datos utilizando

métodos numéricos y gráficos que resumen y presentan la información contenida en ellos.
Estadística Inferencial: apoyándose en el cálculo de probabilidades y a partir de datos

muéstrales, efectúa estimaciones, toma de decisiones, predicciones u otras
generalizaciones sobre un conjunto mayor de datos.
2.3. Conceptos básicos
Individuos o elementos: personas u objetos que poseen cierta información que se desea
estudiar.
Población: conjunto de individuos o elementos que cumplen ciertas propiedades

comunes.
5
La población debe quedar adecuadamente definida por a) elementos, b) unidades de

muestreo, c) alcance y d) tiempo. En el caso de las investigaciones clínicas por lo general el
elemento son los pacientes; las unidades de muestreo son los mismos pacientes pero con
características en particular que se definen en los criterios de inclusión y exclusión; en
cuanto al alcance, se refiere al centro de salud donde se levanta la información en un
periodo de tiempo determinado.
Muestra: subconjunto representativo de una población.
El diseño adecuado de una muestra no solo se fundamenta en el procedimiento de

selección, sino en conocer las métodos de muestreo probabilístico, en el caso de estudios
en las Ciencias de la Salud se debe tener en cuenta lo relevante a medir, por ejemplo, no
es igual el cálculo del tamaño de la muestra para un ensayo clínico donde se quiere
comparar el efecto de dos fármacos sobre la hiperlipidemia, que un estudio de casos y
controles donde se determine los factores de riesgo asociados a la hiperlipidemia.(2)
Parámetro: función definida sobre los valores numéricos de características medibles de

una población.
Estadístico: función definida sobre los valores numéricos de una muestra.
2.4. Variables y escalas de medición
Las variables de pueden clasificar como cualitativas (categóricas) y cuantitativas.
2.4.1. Variables cualitativas
Las variables cualitativas pueden se dicotómicas, es decir, tienen dos categorías por
ejemplo: el sexo tiene las categorías hombre y mujer; también pueden ser politómicas,
donde se tienen tres (3) o más categorías, ejemplo: nivel educativo primaria, básica,
secundaria y universitaria.
La escala de medición de las variables cualitativas pueden ser nominal u ordinal; la

diferencias entre ambas radica en que la escala nominal sus categorías no presentan una
jerarquía y resulta indiferente su orden, ejemplo de ello es el sexo, religión, color de los
ojos, presencia o ausencia de una enfermedad, entre otros; mientras que las del tipo
ordinal presentan una jerarquía y consecuencia un orden, por ejemplo el nivel educativo,
6
niveles de colesterol total según clasificación ATP como deseable (<200 md/dL), limite alto
(200-239 mg/dL) y alto (≥240 mg/dL).
El último ejemplo sobre niveles de colesterol total, permite aclarar lo siguiente, una
variable cuantitativa siempre la podemos convertir en una variable cualitativa y esta será
del tipo ordinal.
2.4.2. Variables cuantitativas
Las variables cuantitativas pueden ser discretas o continuas, la primera se caracteriza por
tomar valores finitos o contables, admite solo valores enteros; mientras que las continuas
puede tomar infinitos valores entre dos puntos de una recta.
Las escalas de medición de las variables cuantitativas pueden ser de intervalo o de razón,
las de intervalo son variables numéricas cuyos valores representan magnitudes y la
distancia entre los números de su escala es igual, permitiendo realizar operaciones
matemáticas, como suma, resta, multiplicación o división, para esta escala el valor cero (0)
es relativo y no indica la ausencia del atributo; para la escala de razón tienen las mismas
características que la de intervalo, solo que el valor cero (0) absoluto indica la ausencia
del atributo, por ejemplo el ingreso si el valor es cero, no hay ingreso; número de hijo si es
cero, no tiene hijos.(3)
Con el fin de facilitar un poco a los profesionales de la salud sobre las escalas de medición
de las variables cualitativas, el Software IBM SPSS Statistics agrupa las de intervalo y de
razón simplemente como de escala, lo importante es que deben tener en cuenta cuando
una variable puede tener un cero (0) relativo o absoluto.
7
Actividad
Indica que variables son cualitativas y cuales cuantitativas con su correspondiente

escala de medición:
a) Niveles de glucosa en sangre:____________________________________________
b) Antecedentes de HTA en familiares:_______________________________________
c) Estratos del nivel socioeconómico:________________________________________
d) Número de pacientes con neumonía:______________________________________
e) Tipos de anticonceptivos: _______________________________________________
f) Coeficiente intelectual de tus compañeros de clase:___________________________
3. Medidas de tendencia central y posición
3.1. Media
Es la medida de posición central de gran utilidad siendo la más utilizada, conocida y

sencilla de calcular, debido principalmente a que sus ecuaciones se prestan para el manejo
algebraico. Su principal desventaja radica en su sensibilidad al cambio de uno de sus
valores o a los valores extremos demasiado grandes o pequeños. La media muestral se
define como la suma de todos los valores observados, dividido por el número total de
observaciones.
Su expresión matemática es:
∑ 𝑥
𝑋̅ =
𝑛
8
3.2. Mediana
Con esta medida podemos identificar el valor que se encuentra en el centro de los datos,
es decir, divide el conjunto de datos en dos partes iguales 50-50, su propósito es reflejar la
tendencia central de la muestra de manera que no esté influenciada por los valores
extremos.
Para las investigaciones en el área de la salud, la mediana tiene un uso frecuente, al

identificar puntos de corte donde se encuentran significancia estadística o relevancia
clínica con la variable distinguida del estudio, por ejemplo la variable edad por lo general
se categoriza en función de la mediana de la muestra, obteniendo dos grupos
homogéneos en tamaño donde se compara o relaciona la variable de interés. Utilizándose
también para los años de diagnóstico de una enfermedad, años de servicio en
instituciones de salud, tamaño del tumor, entre otros.
3.3. Moda
La moda es el valor que más veces se repite dentro de los datos; si tenemos la serie
ordenada 2, 2, 5 y 7 el valor que más veces se repite es el número 2, quien sería la moda
de los datos. Es posible en algunas ocasiones se presente dos valores con la mayor
frecuencia, lo cual se denomina Bimodal o en caso de más de dos valores se conoce como
multimodal.
Nota: cuando la media, mediana y moda son iguales en un conjunto de datos, estos deben
proceder de una distribución normal.
3.4. Percentiles y cuartiles
Percentil: dividen a la muestra en 100 partes iguales.
La mediana es el percentil 50.
9
Cuartiles: dividen a la muestra en 4 grupos con frecuencias similares.
Primer cuartil = Percentil 25
Segundo cuartil = Percentil 50 = mediana
Tercer cuartil = Percentil 75
Es importante señalar que en algunas investigaciones la recolección de las variables

sobre todo las del tipo cuantitativo, se realiza ya agrupando las variables, lo cual
impide luego buscar mediante medidas de posición, puntos de corte donde se pueda
obtener significancia estadística o relevancia clínica, por tanto, es recomendable
recolectar las variables en sus unidades de medidas naturales, y luego de acuerdo al
comportamiento de los datos se construyen los grupos que correspondan.
3.5. Ejemplo de medida de posición como punto de corte
De la tesis de Maestría en Salud Pública titulada “El tabaquismo asociado al factor de

riesgo en pacientes con artritis reumatoide”. Autora Gladys Adela Colantuoni C. (4)
Se categorizó el número de cigarrillos utilizando los percentiles 33 y 66 obteniendo tres (3)

grupos de comparación ≤ 3 cigarrillos, entre 4 a 9 cigarrillos y ≥10 cigarrillos. Al comparar
la actividad de la artritis reumatoide entre estos grupos se encontró diferencias
significativas en la frecuencia de la severidad de la actividad con P (0,033), donde los
pacientes que fuman 10 o más cigarrillos al día se observó que 50% presenta una actividad
moderada (41,67%) o alta (8,33), en contraste a los pacientes que consumen de 4 a 9
cigarrillos al día, donde 25% presentó actividad moderada (12,50%) y alta (12,50%) y para
pacientes que fuman 3 o menos cigarrillos solo 9,09% presentó actividad moderada; otra
manera de enfocar este resultado es observando la frecuencia de pacientes con remisión,
para pacientes con 3 cigarrillos menos la remisión fue 36,36%, resultado muy similar a los
pacientes con 4 a 9 cigarrillos donde la remisión fue de 37,50%, mientras que para los
pacientes que consumen 10 cigarrillos o más la remisión fue muy inferior a las anteriores
ubicándose en 8,33% (ver cuadro Nº 1).
10
Cuadro Nº 1. Asociación de la actividad de la artritis reumatoide y el número de cigarrillos

consumidos al día. Unidad de Reumatología del IAHULA. Año 2015.
Número de cigarrillos
Actividad de la enfermedad
≤ 3 (n=11) 4 - 9 (n=8) ≥10 (n=12) P
(DAS-28)
Pacientes (%) Pacientes (%) Pacientes (%)
Remisión 4 (36,36%) 3 (37,50%) 1 (8,33%)
Baja 6 (54,55%) 3 (37,50%) 5 (41,67%)
0,033*
Moderada 1 (9,09%) 1 (12,50%) 5 (41,67%)
Alta 0 (0,00%) 1 (12,50%) 1 (8,33%)
Fuente: Cálculos propios; * asociación lineal significativa
Aplicación SPSS N° 1
4. Medidas de dispersión: varianza. desviación estándar, error estándar
Así como, las medidas de tendencia central nos permiten identificar el punto central de
los datos, las Medidas de dispersión nos permiten reconocer que tanto se dispersan los
datos alrededor del punto central; indicando cuanto se desvían las observaciones
alrededor de su promedio aritmético (Media).
4.1. Varianza
Esta medida nos permite identificar la diferencia promedio que hay entre cada uno de los
valores respecto a su punto central (media) al cuadrado.
La varianza de una muestra se calcula mediante la siguiente ecuación:
∑ (𝒙 − 𝒙
̅)
𝑺 =
−
Desventajas
 Es sensible a valores extremos (alejados de la media).

 Su interpretación no es sencilla ya que las unidades de medida están cuadrado.
Ventajas
 De gran utilidad para determinar tamaños muéstrales en estudios posteriores.
11
4.2. Desviación Estándar o Típica
Esta medida permite determinar el promedio aritmético de fluctuación de los datos

respecto a su punto central o media.
La desviación estándar se calcula mediante la siguiente ecuación:
𝑺 = √𝑺
Desventajas
 Es sensible a valores extremos (alejados de la media).
Ventajas
 Tiene las misma dimensionalidad (unidades) que la variable original.

 De gran utilidad para pruebas de hipótesis e intervalos de confianza.
4.3. Error Estándar o Típica de la Media Muestral
Mide el grado de variabilidad de la media muestral con respecto a la media poblacional.

Se determina mediante el cociente entre la desviación estándar y la raíz de n.
𝑺
𝑺𝒙̅ =
√
Es de gran utilidad para la inferencia estadística, para la elaboración de intervalos de

confianza para la media poblacional y para las pruebas de hipótesis ya que permiten
definir el estadístico de prueba.
5. Cuadros y gráficos estadísticos
Según el Instituto Nacional de Estadística y Censos (INEC) de Costa rica en la guía para la
presentación de información estadística 2017, se tiene las siguientes definiciones:
Cuadro estadístico: también llamados “tablas” o “tabulados”. Son arreglos de datos

ordenados en filas y columnas que permiten sintetizar, comparar e interpretar de
forma sencilla, un conjunto de características que describen el comportamiento de
una o más variables.
12
Un cuadro construido adecuadamente debe tener la capacidad de explicarse por sí

mismo, sin la necesidad de recurrir a textos adicionales. Además, debe ser lo
suficientemente claro para facilitar su interpretación.
Gráfico estadístico: También llamados “figuras”. Son herramientas que ayudan a

representar visualmente los datos estadísticos. Existen distintos tipos de gráficos, los
cuales se elaboran de acuerdo con el tipo de información que se desee mostrar.
5.1. Cuadros estadísticos
De la tesis de Maestría en salud Pública titulada “Influencia de los estilos de vida en el

rendimiento académico de los estudiantes de enfermería”. Autor Luis Abreu Ribeiro.(5)
Se presenta a continuación uno de los cuadros estadísticos realizados para la

investigación:
El número del cuadro: en este caso N° 2.
a) El título del cuadro: Comparación de las prácticas de estilo de vida por grupo de
edad de los estudiantes de la Escuela de Enfermería de la ULA. Año 2017. Es
importante definir acá de donde es la información y a que periodo de tiempo
hace referencia.
b) Columna matriz: Prácticas estilo de vida.
c) Matriz de cifras: Presentada discriminada por grupos de edad con valores
absolutos y relativos.
d) Columna de probabilidad: en caso de que se presente una prueba estadística se
refleja el p-valor asociado.
e) Notas a pie de cuadro: es importante señalar las aclaratorias que sean necesarias
del cuadro, si se realizó alguna prueba estadística debe mencionarse y señalar las
diferencias que pudieron presentarse.
f) Fuente: si los cálculos corresponden al propio investigador se coloca elaboración
propia, de lo contrario deberá decir de donde obtuvo la información.
13
En cuanto al formato del cuadro, este debe ser abierto por los lados (sin líneas).
Cuadro N° 2. Comparación de las prácticas de estilo de vida por grupo de edad de los
estudiantes de la Escuela de Enfermería de la ULA. Año 2017.
Grupo de edad
Prácticas estilo de vida ≤ 23 años > 23 años P
n (%) n (%)
Ejercicio y actividad física
Prácticas saludables 53 (43,09%) 34 (34,00%)
0,171
Prácticas No saludables 70 (56,91%) 66 (66,00%)
Tiempo de ocio
0,875
Alimentación
0,008*
Sueño
0,202
Nota: * Diferencias significativas en la proporción de prácticas saludables o no P<0,05; basada en
la prueba de homogeneidad del estadístico chi-cuadrado
Fuente: Elaboración Propia
En las Ciencias de la Salud la presentación de los cuadros y gráficos puede estar sujeta al
tipo de investigación. En los estudios de casos y controles y algunos estudios
transversales, lo relevante es determinar factores de riesgo; en este sentido, la tesis de
Maestría en Salud Pública titulada “Factores de riesgo involucrados en la incidencia de
dengue Parroquia JJ Osuna Rodríguez (PJJOR). Mérida”. Autora Delymar Quintero R.(6), se
presentó un cuadro según sectores de la PJJOR donde se comparó la tasa de incidencia de
los sectores con respecto al resto de la parroquia y se determinó su correspondiente Odds
Ratio (OR) para determinar qué sectores de la parroquia son factores de riesgo o factores
protectores. En este caso, se muestra todos los elementos que debe tener un cuadro
estadístico, teniendo en cuenta que las matriz de cifras muestra los casos, la población y la
tasa de incidencia además de la columna de probabilidad y una columna adicional del
Odds Ratio (OR) con su correspondiente intervalo de confianza con el cual se determina
los factores de riesgo y protectores.
14
Cuadro Nº 3. Comparación de la tasa de incidencia y riesgo de dengue según sectores de

la PJJOR, municipio Libertador del Estado Mérida, Año 2013.
Tasa de
Sectores Casos Población P OR (Li - Ls)
incidencia
Cercanía Quebrada Carvajal 15 2447 0,61% 0,033* 0,56 (0,33 - 0,94)***
Parte baja 17 647 2,63% 0,001* 2,64 (1,61 - 4,34)**
Cercanía Quebrada Los Barros 101 3078 3,28% 0,000* 4,39 (3,44 - 5,62)**
Parte media 56 547 10,24% 0,000* 13,12 (9,67 - 17,81)**
Parte alta 63 612 10,29% 0,000* 13,59 (10,14 - 18,19)**
Nota: OR = Odds Ratio; * Significancia estadística P < 0,05, ** OR significativo (factor de riesgo), ***OR significativo (factor protector)
Para pruebas diagnósticas los cuadros estadísticos pueden presentarse de varias maneras,
a continuación se presenta las salidas de la investigación denominada “Lesiones de mamas
papilares diagnosticadas por Biopsia Percutánea”, cuyo autores son Pérez Fuentes et al
(2017)(7), en la matriz de cifras se presentan todos los parámetros considerados en una
prueba diagnóstica, en este caso, se diseñó de esta manera porque habían más de una
técnica, las cuales eras en función del tipo de cánula empleado.
Cuadro N° 4. Parámetros de la prueba diagnóstica en las pacientes con lesión papilar que
fueron a cirugía. CECLINES-Caracas, Venezuela. Periodo abril 1996 a diciembre 2016.
Parámetros prueba diagnóstica
Tipo de cánula
Sensibilidad Especificidad VPP VPN
Corte 95,83% 100,00% 100,00% 85,71%
Corte y vacío 95,00% 100,00% 100,00% 91,67%
General 95,45% 100,00% 100,00% 89,47%
Nota: VPP=Valor predictivo positivo; VPN=valor predictivo negativo
Los cuadros estadísticos deben cumplir con la estructura básica, en las Ciencias de la
Salud el diseño debe estar sujeto al tipo de investigación o al volumen de la
información a presentar, siendo entendibles y bien diseñados, consideraciones
importantes e indispensable para la publicación del artículo científico.
Cuando los cuadros estadísticos presenten el valor de la media, este debe ir acompañado
por su desviación estándar (DE), anteriormente la forma habitual de presentarlo era
15
mediante la expresión 𝑥̅ ; sin embargo, cada vez es menos utilizada, dado que si es
una prueba de comparación de medias pudiera generar confusión sobre el nivel de
significación utilizado, el cual para la expresión anteriormente señalada sería de 0,32
(32%), hoy en día se está utilizando la expresión 𝑥̅ ( ), la cual en primer lugar no deja a
lugar a dudas del valor que acompaña la media, en segundo lugar no genera confusión
sobre el nivel de significación.
De la tesis de Doctorado de Patología e Intervención en Crisis de la Universidad Autónoma

de Madrid (AUM) España en convenio con la Universidad de Los Andes (ULA) Venezuela,
titulada “Estrés psicosocial, reactividad al estrés y marcadores bioquímicos LDL-oxidada y
anti-Hsp60: su relación en el ACV isquémico”. Autora Norys Margarita Rodríguez de Cruz,
se presentan el cuadro estadístico con valores de media y desviación estándar.
Cuadro N° 5. Comparación del puntaje del índice de reactividad al estrés por grupo.
Facultad de Farmacia y Bioanálisis de la ULA. Mérida-Venezuela. Periodo noviembre 2009
– octubre 2014.
Grupo
Índice de reactividad al estrés ACV Control P
Media (DE) Media (DE)
IRE total 1,30 (0,45) 0,61 (0,33) 0,000*
Vegetativo 1,05 (0,64) 0,51 (0,37) 0,000*
Emocional 1,49 (0,60) 0,60 (0,38) 0,000*
Cognitivo 1,35 (0,81) 0,68 (0,43) 0,000*
Conductual 1,52 (0,59) 0,71 (0,38) 0,000*
Nota: DE= desviación estándar
Fuente: Cálculos propios; * diferencias significativas P<0,05
5.2. Gráficos estadísticos
Los gráficos estadísticos son herramientas para representar, tendencias y

comportamientos de los datos mediante barras, líneas, áreas o punto; existen gráficos
muy particulares que son propios de los análisis estadísticos, por ejemplo los de curva de
supervivencia, los de las funciones discriminantes, los dendogramas del análisis cluster, las
16
curvas ROC para determinar puntos de corte, los de análisis de correspondencia, entre
otros.
Los gráficos estadísticos deben evitar el uso de tres (3) dimensiones, al menos que los
datos permitan presentarlos de esa manera.
La elaboración de gráficos estadísticos debe contemplar al igual que en los cuadros con
una estructura básica a) número del gráfico, b) título del gráfico, c) títulos de los ejes X y Y,
d) leyenda cuando aplique, e) pie de gráfico cuando aplique, f) fuente.
En los gráficos de sectores se utilizan para representar la distribución de las categorías de

un total (100%), se recomienda no graficar más cinco categorías.
Los gráficos de sectores se deben hacer con variables donde las categorías de estas
representen el 100%, no se puede hacer en variables que sean excluyentes, por ejemplo,
los antecedentes personales de un paciente, este puede presentar DM, HTA; otro
paciente puede tener solo DM, estas variables son independientes, por tanto un gráfico
de sectores no aplica, en este caso sería mejor el gráfico de barras.
Gráfico N° 1. Distribución de los médicos por tipo de entidad. Hospital San Rafael de Tunja
y Clínica SaludCoop, Tunja-Boyacá. Año 2015.(8)
0; 0%
23 médicos;
27%
38 médicos;
44%
25 médicos;
29%
Tipo de entidad: Pública Privada Ambas
17
Por su parte, el diagrama de barra representa un plano cartesiano, donde en el eje X se

especifican las categorías y en el eje Y se muestran los valores (porcentajes, cantidad de
casos, etc.), se pueden presentar con un eje secundario para mostrar valores absolutos y
relativos de manera simultánea. Ejemplo: distribución absoluta y relativa del maltrato en
menores o iguales a nueve (9) años, información obtenida de la Fundación Gustavo
Calderón en su publicación Datos Quito.(9)
Para los gráficos de barras se debe tener en cuenta lo siguiente, si la

variable es cualitativa nominal se puede ordenar de menor a mayor, esto
con el fin de mostrar las variables o categorías de mayor frecuencia; pero si
la variable es del tipo cualitativo ordinal deben mantener su jerarquía en el
gráfico, por tanto no se debe ordenar.
Gráfico N° 2. Distribución absoluta y relativa de la población menor o igual a nueve (9)

años con síndrome de maltrato por tipo de maltrato. Cantón Quito. Provincia de
Pichincha. Año 2017.
45 50%
40
40 45%
35 43,01% 40%
35%
30
30%
Porcentaje
25
Total
19 25%
20 17
20%
15 20,43%
18,28% 15%
10 8
6 10%
5 3 8,60% 5%
3,23% 6,45%
0 0%
T742 - Abuso T743 - Abuso T741 - Abuso T748 - Otros T749 - T740 -
sexual psicologico fisico sindromes del Sindrome del Negligencia o
maltrato maltrato no abandono
especificado
CIE-10
Nota: La información referente a morbilidad ambulatoria se tomó del Ministerio de Salud Pública en la dirección
https://public.tableau.com/profile/darwin5248#!/vizhome/Perfildemorbilidadambulatoria2016/Men?publish=yes
18
En tanto a las series de tiempo, es una gráfica que muestra el comportamiento de una
variable a lo largo del tiempo. En la tesis “Estudio del cáncer de laringe e hipofaringe en
los pacientes del Hospital General de Castellón durante los últimos 10 años (1998-2007)”
desarrollada por la autora Sidarta Molina en la Universidad Jaume I de Castellón
España.(10), se presentó una serie de tiempo desde 1998 hasta 2007, mostrando el
comportamiento de la ocurrencia del cáncer de laringe e hipofaringe, donde se evidenció
una tendencia a la disminución.
Gráfico Nº 3. Serie de tiempo de la ocurrencia de cáncer de laringe e hipofaringe. Servicio

de Otorrinolaringología del Hospital General de Castellón. Periodo 1998-2007.
16% 14,63%
13,82%
14% Correlación de Pearson=-0,762; P (0,010)
12% 10,57% 10,57%

9,76%
10% 8,94%
Porcentaje
8,13% 8,13% 8,13%

7,32%
8%
6%
4%
2%
0%
1998 1999 2000 2001 2002 2003 2004 2005 2006 2007
Año
Aplicación Excel N° 1
6. Introducción a la estadística inferencial
La estadística inferencial comprende dos áreas:
a) Estimación: la cual puede ser puntual o por intervalo de confianza.

b) Prueba de hipótesis: estas pueden ser paramétricas y no paramétricas.
19
6.1. Estimación por intervalo de confianza
La estimación por intervalos se refiere al proceso de determinar un intervalo de valores, el

cual incluirá el verdadero valor del parámetro, con un nivel de confianza determinado y
expresado en términos de probabilidades.
6.2. Prueba de hipótesis
Conceptos básicos:
Hipótesis estadística: es una aseveración o conjetura con respecto a una o más

poblaciones.
Hipótesis nula y alternativa: la hipótesis nula se refiere a la hipótesis que deseamos

someter a prueba se denota con H0. El rechazo de H0 conduce a la aceptación de la
hipótesis alternativa que se denota con H1.
Una prueba se denomina de una cola, cuando la hipótesis alternativa es unilateral
o :   a Hipótesis nula.
1 :   a o 1 :   a Hipótesis alternativa.
Una prueba se denomina de dos colas, cuando la hipótesis alternativa es bilateral
o :   a Hipótesis nula.
1 :   a Hipótesis alternativa.
Tipos de errores que se pueden incurrir al probar una hipótesis estadística:
Error tipo I: sucede cuando, se rechaza la hipótesis nula cuando es verdadera. La

probabilidad de cometer un error tipo I, también llamada nivel de significación, la cual se
denota la letra alfa (α), esta probabilidad se compara con la probabilidad (P) obtenida en
la prueba para determinar el rechazo o aceptación de la misma.
Si P<α se rechaza H0 caso contrario se acepta, el rechazo de H0

implica la aceptación de H1.
20
Error tipo II: sucede cuando, se acepta la hipótesis nula cuando es falsa. La probabilidad de
cometer un error tipo II, se denota con la letra beta (β), para determinar este valor es
necesario conocer una hipótesis alternativa específica.
Las situaciones posibles al probar una hipótesis estadística(11) se presentan en el cuadro N°

6.
Cuadro N° 6. Situaciones al probar una hipótesis estadística

Realidad
Resultado de la prueba H0 es H0 es
verdadera falsa
Aceptar H0 Decisión correcta Error tipo II
Rechazar H0 Error tipo I Decisión correcta
(11)
Fuente: Walpole RE, Myers RH, Myers L.
Procedimiento para pruebas de hipótesis:
a) Establecer las hipótesis nula y alternativa.

b) Definir el nivel de significación α.
c) Seleccionar la estadística de prueba apropiada (t-studen, F, etc.).
d) Calcular el valor P de la estadística de prueba, a partir de los datos de la muestra.
e) Decisión: rechazar H0 si el valor P es menor o igual al nivel de significación α; en
cualquier otro caso se acepta H0.
21
Módulo 2
1. Pruebas Paramétricas
Son pruebas donde se conoce el modelo de distribución de la población objeto de estudio,

mediante la cual una muestra se estima los parámetros de dicha distribución.
1.1. Prueba T de muestras independientes
Este procediendo consiste en extraer dos muestras aleatorias independientes de tamaño

n1 y n2de poblaciones que se distribuyen normalmente con parámetros para la media µ 1 y
µ2 y varianzas y .
En general, para estas pruebas las varianzas son desconocidas, el investigador en estos
casos puede suponer que dichas varianzas son iguales = = .
Las pruebas de dos medias independientes constituyen una de las técnicas estadísticas
más utilizadas para el análisis de la información científica, la prueba t se basa en el
estadístico t definido como:
( x1  x2 )  d 0
t
s 1 / n1  1 / n2
2
p
s12 (n1  1)  s22 (n2  1)

donde s  2
n1  n2  2
p
Ejemplo: en la tesis de especialización de Medicina Física y Rehabilitación, titulada

“Neuromioterapia Segmental en Pacientes con Lumbalgias Mecánicas”. Autora Daicy
Magaly Rojas de Rangel, se comparó el dolor y la limitación funcional a los pacientes,
empleando la escala análoga visual y la escala de oswestry respectivamente, estas escalas
fueron medidas en los dos grupos de interés antes y después del tratamiento, el primero
denominado grupo control conformado por 15 pacientes a los que se le suministro
22
tratamiento convencional (farmacológico y/o fisioterapia), el segundo denominado grupo

experimental integrado por 13 pacientes, los cuales recibieron el tratamiento con bloqueo
paraespinoso de los puntos de gatillos y fisioterapia.(12)
El análisis fue el siguiente:
Los resultados muestran que antes del tratamiento el grupo control y grupo experimental
no tenían diferencias significativas en los promedios de las escalas (análoga visual y
oswestry), ya que los valores de P fueron 0,422 y 0,155, los cuales son superior al nivel de
significación 0,05, por tanto los dos grupos son homogéneos.
Después del tratamiento, los resultados muestran con P (0,000) y P (0,006) diferencias
significativas en los valores promedios de las escalas (análoga visual y oswestry) en el
grupo control y grupo experimental. Observando los promedios de los grupos, se tiene
que el grupo experimental constituido por pacientes que recibieron tratamiento con
bloqueo paraespinoso de los puntos de gatillos y fisioterapia, presentó valores promedios
más bajos en la escala análoga visual (1,15) y escala de oswestry (18,31%) con respecto al
grupo control, cuyos valores promedios se ubicaron en 4 para la escala análoga visual y 28,
20% la escala de owestry.
Cuadro N° 7. Comparación de la escala análoga visual y la escala de Oswestry por grupo.

Servicio de Medicina Física y de Rehabilitación del IAHULA. Año 2009.
Escalas Grupo Control Grupo Experimental P

Antes del tratamiento
Escala análoga visual 8,6 (1,35) 9 (1,22) 0,422
Escala de Owestry (%) 47,60 (12,96) 54,61 (12,23) 0,155
Después del tratamiento

Escala análoga visual 4,00 (1,56) 1,15 (1,28) 0,000*
Escala de Owestry (%) 28,20 (9,67) 18,31 (7,29) 0,006*
Nota: * diferencias significativas en la media P<0,05; basada en la prueba t de muestras independientes;
grupo control: tratamiento convencional (farmacológico y/o fisioterapia); grupo experimental: bloqueo
paraespinoso de los puntos de gatillos y fisioterapia
23
Aplicación en SPSS N° 2
1.2. Prueba T de muestras dependientes, relacionadas o pareadas
Las pruebas de medias para muestras dependientes surgen normalmente cuando se

evalúa a un individuo más de una vez en una misma variable y en espacios de tiempo
distinto. Además se puede encontrar este tipo de observaciones en estudios de casos y
controles donde cada caso se aparea individualmente con un control.
Estadística de prueba:
d  d0
t
sd
n
Donde ̅ y sd representan la media muestral y las desviación estándar de las diferencias de
las observaciones.
Siguiendo con el ejemplo anterior, donde los pacientes fueron evaluados en dos
oportunidades en las dos escalas análoga visual y oswestry, se presentan los análisis para
la prueba t de muestras dependientes.
Los resultados obtenidos indican que hay diferencias significativas en el grupo control y el
grupo experimental ambos con P(0,000), siendo los valores promedios de las escalas
(análoga visual y oswestry) distintas antes y después del tratamiento. Es importante
resaltar que el grupo experimental (constituido por pacientes que recibieron tratamiento
con bloqueo paraespinoso de los puntos de gatillos y fisioterapia) al inicio de la
investigación sus valores promedio de escala análoga visual y escala oswestry fue de 9 y
54,61% respectivamente, luego de aplicado el tratamiento estas se ubicaron en 1,15 y
18,31%. El grupo control también presentó diferencias significativas en las escalas, donde
estas disminuyeron y en consecuencia proporcionan mejoría al paciente, sin embargo,
como se demostró anteriormente el grupo experimental proporciono mejores resultados
que el grupo control.
24
Cuadro N° 8.Comparación de la escala análoga visual y la escala de Oswestryintra-grupos

antes y después del tratamiento. Servicio de Medicina Física y de Rehabilitación del
IAHULA. Año 2009
Antes Después
Grupo/escala P
Experimental
Escala análoga visual 9 (1,22) 1,15 (1,28) 0,000*
Control
Escala análoga visual 8,60 (1,35) 4,00 (1,56) 0,000*
Nota: * diferencias significativas en la media P<0,05; basada en la prueba t de muestras
dependientes; grupo control: tratamiento convencional (farmacológico y/o fisioterapia); grupo
experimental: bloqueo paraespinoso de los puntos de gatillos y fisioterapia
1.3. Análisis de Varianza (ANOVA)
El análisis de varianza (ANOVA) se utiliza cuando se tienen más de 2 muestras. Se

supondrá que hay K muestras de K poblaciones, conocido como experimentos de un
factor, donde el factor pose más de 2 grupos o tratamientos.
El termino grupo o tratamiento se emplea para referirnos a las clasificaciones: tipos de

fármacos, tipos de enfermedad, grupos de edad, entre otros.
Hipótesis estadística:
= = =
𝑛 𝑛 𝑛
25
La estadística de prueba es conocida como F:
MCG
F
MCDG
Donde:
MCG representa la media cuadrática entre grupos.
MCDG representa la media cuadrática dentro de los grupos.
Ejemplo: En el Doctorado de Patología e Intervención en Crisis de la Universidad

Autónoma de Madrid, se presentó la tesis denominada titulada “Salud mental y
estrategias de afrontamiento en estudiantes de la carrera Técnico Superior Universitario
En Estadística De Salud. Facultad De Medicina Universidad de Los Andes” (13). Autora Dra.
Nancy Freitez de Sardi.
En la investigación se comparó la salud mental mediante en test de Golberg en los

distintos semestres de la carrera del Técnico Superior Universitario en Estadística de Salud
(TSUES), teniendo en cuento que el test de Golberg comprende cuatro subescalas
denominadas 1.- Síntomas somáticos, 2.- Ansiedad insomnio, 3.- Disfunción social y 4.-
Depresión; las puntuaciones de estas subescalas fueron comparadas en los distintos
semestres de la carrera del TSUET, empleando el análisis de varianza (ANOVA) con nivel de
significación de 0,05.
Los análisis de la prueba se presentan a continuación:
Los resultados obtenidos muestran diferencias significativas en las puntuaciones

promedios con P (0,02) y P (0,01) en las subescalas ansiedad insomnio y disfunción social
respectivamente.
26
Cuadro N° 9.Comparación de las subescalas del test Golberg por semestre. Facultad de
Medicina, Universidad de Los Andes. Año 2011
Semestre
Sub-escalas de GOLBERG I III V P
Media (DE) Media (DE) Media (DE)
Ansiedad insomnio 1,57 (1,9) 1,82 (2,39) 0,79 (1,38) 0,024*
Disfunción social 0,37 (0,63) 0,86 (1,27) 0,3 (0,7) 0,010*
Depresión 0,37 (1,13) 0,36 (0,62) 0,06 (0,23) 0,094
Nota: * diferencias significativas en al menos dos medias P<0,05; Basada en la prueba de ANOVA
Fuente: Elaboración Propia
El ejemplo anterior en el ANOVA se observó diferencias significativas en al menos dos

medias, por tanto se debe realizar las pruebas a posteriori entre las cuales se tiene
Scheffe, Tukey, Duncan, Dunnett, entre otras.
Los resultados de ese análisis fueron:
El resultado anterior permitió concluir que existen diferencias en los puntajes promedios
de las subescalas ansiedad insomnio y disfunción social en los distintos semestres de la
carrera del TSUES; sin embargo, para encontrar las diferencias de las medias en los
distintos semestres se empleó la prueba a posteriori de Tukey que permite realizar
comparaciones múltiples pareadas de las medias de los distintos semestres de la carrera
con nivel de significación de 0,05.
Se observó para el tercer y quinto semestre diferencias significativas con P (0,047) para la
subescala ansiedad insomnio, donde los alumnos del tercer semestre presentaron un
puntaje promedio de 1,82 y los del quinto 0,79, obteniendo una diferencia de ± 1,03. Por
otra parte, en la subescala disfunción social se observó diferencias significativas entre el
tercer (0,86 puntos) y primer (0,37 puntos) semestre con P (0,023) cuya diferencia de
medias es de ± 0,49 puntos, de igual modo, se observó diferencias significativas entre el
tercer (0,86 puntos) y quinto (0,30 puntos) semestre con una diferencia de medias de ±
0,56 puntos.
27
Cuadro N° 10.Comparación múltiple de las subescalas del test Golberg. Facultad de

Medicina, Universidad de Los Andes. Año 2011
HSD de Tukey
Sub-escalas de (I) (J) Diferencia de
P
GOLBERG Semestre Semestre medias (I-J)
Ansiedad insomnio I III -0,25 0,821
I V 0,78 0,063
III I 0,25 0,821
III V 1,03 (*) 0,047
V I -0,78 0,063
V III -1,03 (*) 0,047
Disfunción social I III -0,49 (*) 0,023
I V 0,06 0,909
III I 0,49 (*) 0,023
III V 0,56 (*) 0,011
V I -0,06 0,909
V III -0,56 (*) 0,011
(*) La diferencia de medias es significativa al nivel .05
En la investigación clínica se suele tener tres o más grupos de investigación, donde

alguno de ellos se le define como grupo control, placebo, entre otros; si al aplicar
ANOVA resulta significativo y tiene un grupo control, entonces la prueba a posteriori
debe ser la de Dunnett; es importante que a la hora de tabular los datos, el grupo
control este de primero o de último ya que algunos software estadísticos tienen
condicionada la posición de este tipo de grupo.
1.4. Prueba de independencia estadístico Chi-cuadrado
En la investigación biomédica nos encontramos frecuentemente variables de tipo

cualitativo, mediante las cuales un grupo de individuos se clasifican en dos o más
categorías mutuamente excluyentes.
La prueba de independencia se basa en el procedimiento de prueba de ji-cuadrada X2 que

permite contrastar la hipótesis de independencia de dos variables de clasificación, las
28
frecuencias observadas en las distintas categorías son agrupadas en tablas de doble

entrada que reciben el nombre de tablas de contingencia.
Tabla de contingencia
Variable Z
Variable Y
p q r Total
a Oap Oaq Oar Total filas (a)
b Obp Obq Obr Total filas (b)
c Ocp Ocq Ocr Total filas (c)
Total Total columna (p) Total columna (q) Total columna (r) Total
Categorías de las variables

Frecuencias observadas
Frecuencias marginales
Estadística de prueba ji-cuadrada X2
∑ ( − )
=
Donde X2 es un valor de la variable aleatoria cuya distribución se aproxima muy cerca con
la distribución ji-cuadrada; Oi y ei representan las frecuencias observadas y esperada,
respectivamente; para la i-ésima celda. La suma se extiende a todas las celdas de la tabla
de contingencia.
Las frecuencias esperadas se determinan con los totales columnas y filas asociada a la
casilla da de la tabla de contingencia. Ejemplo si se quiere calcular la frecuencia esperara
de la casilla Obr sería así:
( ) 𝑛 ( )
=
Ejemplo: en el artículo publicado en la Revista Cubana de Cardiología y Cirugía

Cardiovascular denominado “Alteraciones del metabolismo lipídico en pacientes
seropositivos para VIH con tratamiento Retroviral altamente efectivo”(14) de los autores
29
Mirna Andrade y Henry Andrade, se quiere probar si el tratamiento suministrado a los

pacientes VIH es independiente de los niveles de triglicéridos clasificados por ATP, con un
nivel de significación de 0,05.
Los resultados de la investigación mostraron con P (0,000) que el tratamiento

suministrado a los pacientes VIH y los niveles de triglicéridos encontrados en los mismos
son dependientes, más aun se tiene que para el grupo INN+IPP el 61,01% tenía niveles
alto (42,37%) o muy altos (18,64%); en contraste a los del grupo control e INN donde la
mayoría de los pacientes presentó valores normales.
Cuadro N° 11.Relación entre tratamiento retroviral y niveles de triglicéridos, pacientes

seropositivos. IAHULA. Año 2009
Tratamiento
Niveles Triglicéridos (ATP) P
Control INN INN+IPP
Normal 69,23% 57,14% 23,73%
14
Valor límite alto 5,13% ,29% 15,25% 0,000*
Alto 23,08% 25,00% 42,37%
Muy Alto 2,56% 3,57% 18,64%
Nota: * dependencia entre las variables p<0,005, basada en prueba chi-cuadrado
Fuente: elaboración propia
Cuando las tablas de contingencia son 2x2(dos filas y dos columnas) y las frecuencias esperadas
están entre 5 y 10, se debe aplicar la corrección de Yates. Para frecuencias esperadas menor de
5, se debe utilizar la prueba exacta de Fisher-Irwin.
Por otra parte, el estadístico chi-cuadrado se utiliza para las pruebas de homogeneidad, en este
caso se predeterminan los totales columnas, y se prueba la hipótesis de que las proporciones son
iguales. En el ejemplo anterior, suponga que se seleccionaron previamente el número de
pacientes por cada tratamiento para comparar si las proporciones en la categorización de los
niveles de triglicéridos son las mismas.
30
2. Coeficiente de correlación de Pearson
La relación lineal de dos variables X y Y se realiza mediante el análisis de correlación. La

fuerza y direccionalidad de la relación de las variables se determina por lo que se conoce
como coeficiente de correlación.(11)
El coeficiente de correlación se le denota con la letra r, la estimación de r mediante una

muestra se acostumbra a referírsele como coeficiente de correlación de Pearson, el cual
se utiliza para variables cuantitativas, su rango va de -1 a 1, los valores negativos indican
relación inversa o negativo, mientras que los valores positivos indican relación directa o
positiva.
Su fórmula de cálculo es:
=
√
Ejemplo: de la tesis de Doctorado de Patología e Intervención en Crisis de la Universidad

Autónoma de Madrid (AUM) España en convenio con la Universidad de Los Andes (ULA)
Venezuela, titulada “Estrés psicosocial, reactividad al estrés y marcadores bioquímicos
LDL-oxidada y anti-Hsp60: su relación en el ACV isquémico”. Autora Norys Margarita
Rodríguez de Cruz, se presentan el análisis de correlación entre marcadores bioquímico,
estrés psicosocial e IRE.
Resultados:
Al considerar todos los individuos bajo estudio, es decir pacientes ACV y controles se
observó que el LDL-Oxidada presentó relación lineal directa o positiva con el Home y Rahé
P (0,001); el IRE-total P (0,001), IRE-vegetativo P (0,008), IRE-emocional P (0,002), IRE-
cognitivo P (0,012) e IRE-conductual P (0,005). Para el Anti-HSP60 se observó correlación
lineal directa con el Home y Rahé P (0,001), IRE-emocional P (0,048), e IRE-cognitivo P
(0,023). Estas relaciones obedecen a la condición de los individuos: enfermos (ACV) y
sanos; e indica que a medida que se incrementan los valores de los parámetros
31
bioquímicos LDL-Oxidada y Anti-HSP60 se incrementa también el estrés psicosocial y el

índice de reactividad al estrés y viceversa.
Cuadro N° 12.Correlación entre marcadores bioquímico, estrés psicosocial e IRE. Facultad

de Farmacia y Bioanálisis de la ULA. Mérida-Venezuela. Periodo noviembre 2009 – octubre
2014.
Marcadores bioquímicos
Estrés psicosocial e IRE
LDL-Oxidada Anti-HSP60
Home Rahé r (0,40) P (0,001)* r (0,42) P (0,001)*
IRE-total r (0,40) P (0,001)* **
IRE-vegetativo r (0,33) P (0,008)* **
IRE-emocional r (0,39) P (0,002)* r (0,25) P (0,048)*
IRE-cognitivo r (0,31) P (0,012)* r (0,28) P (0,023)*
IRE-conductual r (0,35) P (0,005)* **
Fuente: Cálculos propios; * Correlación significativa P<0,05, ** no significativa
En el Gráfico Nº 4, se presenta el diagrama de dispersión entre el LDL-oxidada y el Anti-

HSP60, el cual muestra una correlación lineal directa con P (0,000), donde al
incrementarse el LDL-oxidad también se incrementa el Anti-HSP60 y viceversa.
32
Gráfico N° 4. Correlación entre LDL-oxidada y Anti-HSP60. Facultad de Farmacia y

Bioanálisis de la ULA. Mérida-Venezuela. Periodo noviembre 2009 – octubre 2014.
140.000
120.000
100.000
Anti-HSP60)
80.000
R² = 0,2036
60.000
40.000
20.000
0
0 5.000 10.000 15.000 20.000
LDL-Oxidada
Fuente: Cálculos propios; * Correlación significativa P<0,05
3. Prueba no paramétricas
Denominadas también pruebas de distribución libre, son aquellas que no es necesario

conocer la distribución de la población ni sus parámetros (media, varianza, etc.).
Cuando se quiera contrastar la hipótesis H0: µ1=µ2 y el tamaño de n1 y n2 pequeños

(<30) y las poblaciones no se distribuyen normalmente debemos recurrir a las pruebas no
paramétricas.
Las pruebas no paramétricas se emplean también para datos en escala ordinal.
Pruebas no paramétricas para comparar dos medias (independientes, relacionadas):
a) Prueba de Mann-Whitney.
b) Prueba de rango con signo de Wilcoxon.
3.1. Prueba de Mann-Whitney
Se aplica en combinación con el diseño de grupos independientes, con datos que al menos
tienen una escala ordinal, se utiliza en lugar de la prueba t para grupos independientes
33
cuando existe violación extrema del supuesto de normalidad o cuando los datos no tienen
escala apropiada para la prueba t.
Estadística de prueba de Mann-Whitney:
n1 (n1  1)
U  n1n2   R1
2
Dónde:
n1 y n2 tamaños correspondientes de la muestra 1 y muestra 2.
R1 suma de los rangos de los elementos en la muestra 1.
Ejemplo: en la tesis de especialización en Medicina Física y Rehabilitación titulada

“Efectividad de la terapia neural versus tratamiento de fisioterapia convencional en
pacientes con cervicalgía mecánica crónica”. Autora Dra. Danys Dayana Alguero Molina, se
midió la respuesta clínica de los pacientes con cervicalgía mecánica crónica, evaluando el
dolor por escala de EVA y funcionalidad a través del IDF.(15)
La comparación del dolor (EVA) entre la terapia neural versus tratamiento de fisioterapia
convencional se realizó mediante la prueba de Mann- Whitney por la violación de los
supuestos de normalidad; mientras que para la funcionalidad (IDF) se empleó la prueba T
de muestras independientes.
Los resultados fueron los siguientes:
En la fase de inicio de la evaluación, la escala EVA y IDF no presentaron diferencias

significativas entre terapia neural y tratamiento de fisioterapia convencional. En el estado
basal antes de la intervención, los pacientes presentaban condiciones similares en los
grupos de tratamientos; para el EVA el promedio inicial para la terapia neural fue de 6,38
puntos y para tratamiento de fisioterapia convencional de 6,19 puntos; mientras que el
IDF inicial presentó promedio de 15,62 puntos para la terapia neural y 16,35 puntos para
tratamiento de fisioterapia convencional, lo que indica que los pacientes de los dos grupos
en general se encontraban en discapacidad moderada.
34
Al comparar la escala del dolor EVA en la fase 2 y 3 de la evaluación clínica no se

observaron diferencias significativas entre terapia neural y tratamiento de fisioterapia
convencional;no obstante, en ambas fases se observó que la escala de dolor disminuyó
con relación a la fase inicial; para la escala de funcionalidad IDF tampoco se observaron
diferencias significativas en la fase 2 y 3 con respecto a los tratamientos bajo estudio (ver
cuadro Nº 14).
Cuadro Nº 13. Comparación de la escala de dolor EVA y funcionalidad IDF en pacientes

con cervicalgia mecánica crónica por grupo de tratamiento según fase de evaluación
clínica. Servicio de Medicina Física y Rehabilitación del IAHULA. Periodo marzo-mayo año
2018.
Grupo
Escala / fase de evaluación Terapia neural Fisioterapia P
EVA1/
Fase 1 (inicio) 6,38 (1,33) 6,19 (1,47) 0,619
Fase 2 3,42 (1,45) 3,15 (1,74) 0,328
Fase 3 (final) 1,31 (1,01) 1,56 (1,42) 0,836
IDF2/
Fase 1 (inicio) 15,62 (6,82) 16,35 (5,70) 0,677
Fase 2 8,46 (4,17) 8,15 (4,90) 0,808
Fase 3 (final) 4,88 (2,80) 5,44 (4,07) 0,572
Nota: DE=Desviación Estándar; 1/= Basada en la prueba de Mann-Whitney; 2/= Basada en la
prueba T de muestras Independientes
3.2. Prueba de rango con signo de Wilcoxon
Se emplea en combinación con el diseño de grupos relacionados o apareados, con datos

que al menos tienen escala ordinal. Su uso, en lugar de la prueba t, para grupos
relacionados cuando existe violación extrema del supuesto de normalidad o cuando los
datos no tienen escala apropiada para la prueba t.
La estadística de prueba de rango con signo de Wilcoxon requiere cuatro pasos:
35
1) Calcular la diferencia entre cada pareja de datos.

2) Ordenar los valores absolutos de los puntajes de diferencias, de menor mayor.
3) Asignar a los rangos resultantes el signo del puntaje de diferencia cuyo valor
absoluto produjo ese resultado
4) Calcular por separado, la suma de los rangos para los rangos con signos positivos y
negativos, la suma más baja es la estadística de prueba calculado
Ejemplo: del anterior resultado, ahora se quiere la comparación intra-grupo antes y

después del tratamiento. Para ello, se realizó mediante la prueba de los rangos con signo
de Wilcoxon para la escala de dolor EVA y la prueba t de muestras pareadas o
dependientes para la escala de funcionalidad IDF.
Los resultados fueron los siguientes:
Para la terapia neural se observó diferencias significativas en la escala de dolor EVA con P
(0,000), siendo su promedio al inicio de 6,38 puntos y disminuyendo al final de la
evaluación a 1,31 puntos; similar resultado se observó para tratamiento de fisioterapia
convencional con P (0,000), pasando de 6,19 puntos en el inicio hasta 1.56 puntos al final.
En la escala de funcionalidad IDF se observó diferencias significativas con P (0,000) al inicio

y al final de la evaluación clínica en ambos tratamientos, para la terapia neural el
promedio de inicio fue de 15,62 puntos y al final de 4,88 puntos; mientras que el
tratamiento de fisioterapia convencional mostró un promedio de 16,35 puntos al inicio y
5,44 puntos al final.
36
Cuadro Nº 14. Comparación intra-grupos de la escala de dolor EVA y funcionalidad IDF en

pacientes con cervicalgia mecánica crónica por fase de evaluación clínica. Servicio de
Medicina Física y Rehabilitación del IAHULA. Periodo marzo-mayo año 2018.
Fase de evaluación P
Grupo/Escala Inicio Final

Terapia neural
EVA1/ 6,38 (1,33) 1,31 (1,01) 0,000*
2/
IDF 15,62 (6,82) 4,88 (2,80) 0,000*
Fisioterapia
EVA1/ 6,19 (1,47) 1,56 (1,42) 0,000*
IDF2/ 16,35 (5,70)) 5,44 (4,07) 0,000*
Nota: DE=Desviación Estándar; 1/= Basada en la prueba de los rangos con signo de
Wilcoxon; 2/= Basada en la prueba T de muestras pareadas; * diferencias significativas
en la media P<0,05
Aplicación en SPSS N° 6 y 7
4. Prueba diagnósticas, de concordancia y Odds Ratio

4.1. Pruebas diagnósticas
Las pruebas diagnósticas (sensibilidad, especificidad, prevalencia datos categóricos) son

calculadas a partir de una tabla de doble entrada de la siguiente manera:
Tabla de contingencia
37
Dónde:
VP son los verdaderos positivos.
FP son los falsos positivos.
FN son los falsos negativos.
VN son los verdaderos negativos.
La sensibilidad es la probabilidad de clasificar correctamente a un individuo enfermo, es

decir, la probabilidad de que para un sujeto enfermo se obtenga en la prueba un resultado
positivo. La sensibilidad es, por lo tanto, la capacidad del test para detectar la
enfermedad.
VP 7
Sensibilid ad    0,88
VP  FN 8
Este resultado indica que 88% de los casos estudiados fueron clasificados correctamente
por la prueba de biopsia por ultrasonido como maligno, es importante resaltar que las
probabilidades se encuentran en un rango de 0 a 1 de manera que una sensibilidad de
0,88 es bastante alta, lo que indica que la biopsia por ultrasonido tiene una alta
probabilidad de aceptar en el diagnóstico.
La especificidad es la probabilidad de clasificar correctamente a un individuo sano, es

decir, la probabilidad de que para un sujeto sano se obtenga un resultado negativo. En
otras palabras, se puede definir la especificidad como la capacidad para detectar a los
sanos.
VN 9
Especifici dad    0,90
VN  FP 10
Este resultado indica que 90% de los pacientes fueros clasificados correctamente como
benigno en la prueba de la biopsia por ultrasonido.
38
4.2. Pruebas de concordancia
La prueba de concordancia más conocida es el de kappa de Cohen, el cual mide el acuerdo

entre las evaluaciones de dos jueces cuando ambos están valorando el mismo objeto. Un
valor igual a 1 indica un acuerdo perfecto. Un valor igual a 0 indica que el acuerdo no es
mejor que el que se obtendría por azar. Kappa sólo está disponible para las tablas
cuadradas (tablas en las que ambas variables tienen el mismo número de categorías).
La valoración del índice kappa como estimador de la fuerza de la concordancia entre las
variables es la siguiente: < 0.20: pobre; 0.21-0.40: débil; 0.41-0.60: moderada; 0.61-0.80:
buena; 0.81-1.00: muy buena.(16)
La estadística de prueba es:
∑ ∑ ∑
=
− ∑( )
Ejemplo: para la tesis titulada “Deterioro cognitivo en pacientes con esclerosis múltiple
mediante BriefRepeatableBattery en el Instituto Autónomo Hospital Universitario de Los
Andes y otras instituciones de salud en Mérida-Venezuela”. Autor Dr. Jairo Alfredo
Cáceres Cáceres, se determinó la concordancia entre la batería neuropsicológica de
pacientes con esclerosis múltiple (BNS-EM)y el test de MOCA para el diagnóstico de
deterioro cognitivo.(17)
Los resultados fueron:
Entre BNS-EM y MOCA se observó concordancia con P (0,003), donde la intensidad de la

concordancia es débil (0.41-0.60) dado que el valor de Kappa fue de 0,533, el porcentaje
de acuerdos reflejado en la diagonal principal fue de 76,67%.
39
Cuadro N° 15. Concordancia entre MMSE y BNS-EM en la detección de DC en pacientes

con EM. Unidad de Neurología del I.A.H.U.L.A. Mérida –Venezuela durante el periodo
Marzo- Mayo del año 2017.
BNS-EM
MMSE DC Sin DC Kappa P
Pacientes (%) Pacientes (%)
DC 1 (3,33) 0 (0,00%)
0,076 0,277
Sin DC 13 (43,33%) 16 (53,33%)
Nota: Basado en prueba de Kappa
4.3. Odds Ratio
La medida más frecuentemente utilizada para cuantificar la asociación a partir de datos

procedentes de un estudio de casos y controles es el Odds Ratio (OR).
“Un estudio de casos y controles es un estudio observacional que comienza con la

identificación de un grupo de casos (individuos con una enfermedad o condición) y un
grupo de controles (individuos sin la enfermedad o condición). Para cada elemento del
estudio se identifica sí estuvo o no expuesto a cierto factor; entonces, se estima la
prevalencia de la exposición en cada uno de los dos grupos y se comparan estas dos
estimaciones” (18)
El cálculo del Odds Ratio se basa en una tabla de contingencia:
a*d
Odds Ratio 
b*c
40
Para determinar si un Odds Ratio es significativo, se debe calcular su intervalo de

confianza mediante la siguiente expresión:
1 1 1 1
1, 96   
Ln(Odds Ratio  e a b c d
)
Si al construir intervalo de confianza, este no incluye el valor 1 concluimos que el riesgo es
estadísticamente significativo p<0.05.
Si el límite inferior es > 1 se está ante un factor de riesgo.
Si el límite superior es < 1 se está ante un factor protector.
Ejemplo: el estudio de casos y controles denominado “Infecciones nosocomiales en el

Hospital II San José de Tovar. Municipio Tovar estado Mérida” cuya autora es Lcda.
Marangelis Roa Medina, se calculó el Odds Ratio (OR) para determinar factores de riesgo
asociados a infecciones nosocomiales se consideró la exposición a punción lumbar, sonda
vesical, intervención quirúrgica y cesárea.(19)
Los resultados obtenidos fueron:
El OR fue significativo para todos los factores expuestos; es decir, las infecciones
nosocomiales se presentan 9,8, 12,93, 18,89 y 4,17 veces más al estar expuesto a la
punción lumbar, sonda vesical, intervención quirúrgica y cesárea, con respecto a los que
no están expuestos a estos factores. Por tanto, la punción lumbar, sonda vesical,
intervención quirúrgica y cesárea se constituyen en factores de riesgo de parecer
infecciones nosocomiales.
41
Cuadro N° 16. Odds Ratio (OR) según factores de riesgo asociados a procedimientos
diagnósticos y terapéuticos invasivos. Hospital II San José de Tovar. Municipio Tovar,
Estado Mérida. Año 2012.
Factores de riesgo asociados a Intervalo de

procedimientos diagnósticos y Casos Controles confianza al
terapéuticos invasivos % % OR 95%
Punción lumbar
Expuestos 65,00% 35,00% 9,8 * 5,59 17,2
No expuestos 16,00% 84,00%
Sonda vesical
Expuestos 54,60% 42,40% 12,93 * 6,8 24,57
Intervención quirúrgica
Expuestos 66,40% 3360,00% 18,89 * 9,98 35,74
Cesárea
Expuestos 59,70% 40,30% 4,17 * 2,32 7,49
Nota: OR=Odds Ratio; * Factor de riesgo Li>1
Fuente: Cálculos propios
El Odds Ratio se utiliza tanto en estudios de casos y controles,

como en estudios transversales, de cohorte y para el análisis
predictivo utilizando regresión logística.
42
Bibliografía
1. Ministerio de Salud de la República Argentina -Banco Mundial. Epidemiología Básica y
Vigilancia de la Salud Buenos Aires: Ministerio de Salud-Banco Mundial; 2004.
2. Seijas Z FL. Investigación por Muestreo. Faces-UCV ed. Venezuela UCd, editor. Caracas: Faces-
UCV; 2006.
3. Instituto Nacional de Estadística y Censos de Costa Rica (INEC). Guía para la presentación de
información estadística. Segunda ed. San José, Costa Rica: Instituto Nacional de Estadística y
Censos; 2017.
4. Colantuoni C GA. El tabaquismo asociado al factor de riesgo en pacientes con artritis

reumatoide Mérida-Venezuela: Maestría en Salud Pública, Facultad de Medicina-Universidad
de Los Andes; 2015.
5. Abreu R L. Influencia de los estilos de vida en el rendimiento académico de los estudiantes de

la Escuela de Enfermería de la Universidad de Los Andes Mérida: Maestría en Salud Pública,
Facultad de Medicina-Universidad de Los Andes; 2017.
6. Quintero R. Factores de riesgo involucrados en la incidencia de dengue Parroquia JJ Osuna

Rodríguez. Mérida Mérida: Maestría en Salud Pública, Facultad de Medicina-Universidad de
Los Andes; 2015.
7. Pérez Fuentes JA, Marín Martínez CE, Ramírez AK, Acosta Freites V, Acosta Marín , Ruiz
Castellano A. Lesiones de mamas papilares diagnosticadas por Biopsia Percutánea Caracas-
Venezuela: Centro Clínico de Estereotáxia - Ceclines; 2017.
8. Quintero Quintero MJ, Rojas Ruiz JA. Prevalencia y factores asociados al Síndrome de Burnout
en médicos especialistas de dos instituciones de salud Boyacá-Colombia: Especialización en
epidemiología, Facultad de Cienciasde la Salud, Universidad de Boyacá.; 2015.
9. Fundación Gustavo Palma Calderón. Datos Quito. [Online].; 2018. Acceso 21 de Noviembre de
2018. Disponible en: http://fundaciongustavopalma.org/investigacion/publicacion/.
10. Molina S. Estudio del cáncer de laringe e hipofaringe en los pacientes del Hospital General de
Castellón durante los últimos 10 años (1998-2007) Castellón-España: Universidad Jaume I de
Castellón España.; 2016.
11. Walpole RE, Myers RH, Myers L. Probabilidad y estadística para ingenieros. SEXTA ed. México:
PRENTICE-HALL HISPANOAMERICANA, S.A.; 1998.
12. Rojas de Rangel. Neuromioterapia Segmental en Pacientes con Lumbalgias Mecánicas Mérida-
Venezuela: Especialidad en Medicina Física y Rehabilitación, Facultad de Medicina-Universidad
de Los Andes; 2009.
13. Freitez de Sardi N. Salud mental y estrategias de afrontamiento en estudiantes de la carrera

Técnico Superior Universitario En Estadística De Salud. Facultad De Medicina Universidad de
43
Los Andes. Venezuela Merida: Universidad Autónoma de Madrid ; 2012.
14. Andrade Ruiz MA, Andrade Ruiz HA. Alteraciones del metabolismo lipídico en pacientes
seropositivos para VIH con tratamiento Retroviral altamente efectivo. Revista Cubana de
Cardiología y Cirugía Cardiovascular. 2010; 16(1).
15. Alguero Molina D. Efectividad de la terapia neural versus tratamiento de fisioterapia

convencional en pacientes con cervicalgía mecánica crónica Mérida-Venezuela: Postgrado de
Medicina Física y rehabilitación, Facultad de Medicina-Universidad de Los Andes; 2018.
16. López de Ullibarri G, Fernández. Medidas de concordancia: el índice Kappa. [Online].; 2010.
Acceso 2018 de Enero de 20. Disponible en:
https://www.fisterra.com/mbe/investiga/kappa/kappa.asp.
17. Cáceres Cáceres J. Deterioro cognitivo en pacientes con esclerosis múltiple mediante Brief
Repeatable Battery en el Instituto Autónomo Hospital Universitario de Los Aandes y otras
instituciones de salud en Mérida-Veenzuela Mérida: Postgrado de Neurología, Facultad de
Medicina, Universidad de Los Andes; 2017.
18. EPIDAT. Ayuda del EPIDAT..
19. Roa Medina M. Infecciones nosocomiales en el Hospital II San José de Tovar. Municipio Tovar
Estado Mérida Mérida: Maestría en Salud Pública, Facultad de Medicina, Universidad de Los
Andes; 2012.
44
View publication stats

Bioestadistica Aplicada

Cargado por

Copyright:

Formatos disponibles

Bioestadistica Aplicada

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Bioestadistica Aplicada

Cargado por

Copyright:

Formatos disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

Bioestadistica Aplicada Ciencias de la Salud

Book · January 2019

Estadística ciencias de la salud View project

Investigación de Mercados Laborales View project

The user has requested enhancement of the downloaded file.

A través de aspectos teóricos de la estadística y ejemplos prácticos de trabajos de investigación a

El portafolio de análisis estadísticos lo pueden seguir a través del link

Licenciado en Estadística: Henry Andrade Ruiz.

En cualquier investigación es importante tener orden, el cual se obtiene mediante la

Figura N° 1. Plan de investigación.

Fuente: Elaboración propia

La estadística es la ciencia que permite recopilar, organizar y analizar la información de

Figura N° 2. Representación del concepto de estadística

Fuente: Elaboración propia

Por su parte, en las ciencias de la salud constantemente se está buscando nuevas

2.2. Ramas de la estadística

Estadística Descriptiva: describe, analiza y representa un grupo de datos utilizando

Estadística Inferencial: apoyándose en el cálculo de probabilidades y a partir de datos

2.3. Conceptos básicos

Población: conjunto de individuos o elementos que cumplen ciertas propiedades

La población debe quedar adecuadamente definida por a) elementos, b) unidades de

Muestra: subconjunto representativo de una población.

El diseño adecuado de una muestra no solo se fundamenta en el procedimiento de

Parámetro: función definida sobre los valores numéricos de características medibles de

Estadístico: función definida sobre los valores numéricos de una muestra.

2.4. Variables y escalas de medición

Las variables de pueden clasificar como cualitativas (categóricas) y cuantitativas.

2.4.1. Variables cualitativas

La escala de medición de las variables cualitativas pueden ser nominal u ordinal; la

2.4.2. Variables cuantitativas

Indica que variables son cualitativas y cuales cuantitativas con su correspondiente

a) Niveles de glucosa en sangre:____________________________________________

b) Antecedentes de HTA en familiares:_______________________________________

c) Estratos del nivel socioeconómico:________________________________________

d) Número de pacientes con neumonía:______________________________________

e) Tipos de anticonceptivos: _______________________________________________

f) Coeficiente intelectual de tus compañeros de clase:___________________________

3. Medidas de tendencia central y posición

Es la medida de posición central de gran utilidad siendo la más utilizada, conocida y

Su expresión matemática es:

Para las investigaciones en el área de la salud, la mediana tiene un uso frecuente, al

3.4. Percentiles y cuartiles

Percentil: dividen a la muestra en 100 partes iguales.

La mediana es el percentil 50.

Cuartiles: dividen a la muestra en 4 grupos con frecuencias similares.

Primer cuartil = Percentil 25

Segundo cuartil = Percentil 50 = mediana

Tercer cuartil = Percentil 75

Es importante señalar que en algunas investigaciones la recolección de las variables

3.5. Ejemplo de medida de posición como punto de corte

De la tesis de Maestría en Salud Pública titulada “El tabaquismo asociado al factor de

Se categorizó el número de cigarrillos utilizando los percentiles 33 y 66 obteniendo tres (3)

Cuadro Nº 1. Asociación de la actividad de la artritis reumatoide y el número de cigarrillos

4. Medidas de dispersión: varianza. desviación estándar, error estándar

La varianza de una muestra se calcula mediante la siguiente ecuación:

 Es sensible a valores extremos (alejados de la media).

 De gran utilidad para determinar tamaños muéstrales en estudios posteriores.