FUNDAMENTOS ESTADISTICOS Y EPIDEMIOLOGICOS EN SALUD.
TEMA I (ESTUDIOS BIVARIANTES):
El análisis Bivariante se ocupa del análisis estadístico con dos variables. A veces las
funciones del análisis bivariante se confunden con las del análisis univariante, puesto que
este último también admite a menudo el análisis con dos variables. La gran distinción, sin
embargo, es que el análisis univariante está orientado a hacer comparaciones entre
subgrupos y describir las similitudes y las diferencias de esta variable entre subgrupos,
mientras que el análisis bivariante busca principalmente explicar cómo dos variables se
relacionan entre sí (Babbie, 2013).
COMPARACIÓN DE MEDIAS Y PROPORCIONES EN 3 O MAS POBLACIONES
INDEPENDIENTES:
Dicen que los estudiantes de los grupos de tarde son diferentes a los de los grupos
de la mañana. Para comprobarlo han calculado las Medias de los exámenes a los dos
grupos. Comprobar esta hipótesis (a= 0.05, datos ficticios)
a) Supuestos: Las muestras han sido obtenidas aleatoriamente, por lo que se asume que los
datos son independientes.
b) Hipótesis.
c) Estadístico de contraste:
d) Distribución del estadístico de contraste: t con 110+90-2=198 grados de libertad.
e) Significación del estadístico de contraste: 0.01
f) La significación del estadístico de contraste es inferior a 0.05, por lo que se rechaza la
Hipótesis Nula.
g) Intervalo de confianza:
La diferencia entre las medias poblacionales se sitúa entre 0.13 y 0.87 con un nivel de
confianza del 95%.
Conclusión: Los datos respaldan la Hipótesis de que los estudiantes del grupo de la tarde
difieren de los estudiantes en los otros grupos.
COMPARACIÓN DE MEDIAS Y PROPORCIONES EN POBLACIONES
PAREADAS:
¿Qué es una Prueba T Pareada?
La Prueba T pareada es un método estadístico que compara las medias de dos grupos
relacionados para determinar si las diferencias observadas entre ellos son significativas
desde un punto de vista estadístico. Esta prueba es útil cuando los datos son dependientes;
es decir, cuando las observaciones en los dos grupos están vinculadas de alguna forma.
Algunas situaciones donde esto es aplicable incluyen estudios longitudinales, pruebas de
antes y después de un tratamiento, o comparaciones de individuos emparejados en un
experimento.
Prueba t de muestras pareadas: Ejemplo
Supongamos que queremos saber si un determinado programa de entrenamiento puede
aumentar el salto vertical máximo (en pulgadas) de los jugadores de baloncesto
universitarios.
Para probar esto, podemos reclutar una muestra aleatoria simple de 20 jugadores de
baloncesto universitarios y medir cada uno de sus saltos verticales máximos. Luego,
podemos hacer que cada jugador use el programa de entrenamiento durante un mes y luego
mida su salto vertical máximo nuevamente al final del mes.
Para determinar si el programa de entrenamiento realmente tuvo o no un efecto en el salto
vertical máximo, realizaremos una prueba t de muestras pareadas con un nivel de
significancia α = 0.05 usando los siguientes pasos:
Paso 1: Calcule los datos de resumen para las diferencias.
x diff : media muestral de las diferencias = -0,95
s: desviación estándar muestral de las diferencias = 1.317
n: tamaño de la muestra (es decir, número de pares) = 20
Paso 2: Definir las hipótesis.
Realizaremos la prueba t de muestras pareadas con las siguientes hipótesis:
H 0 : μ 1 = μ 2 (las dos medias poblacionales son iguales)
H 1 : μ 1 ≠ μ 2 (las dos medias poblacionales no son iguales)
Paso 3: Calcule el estadístico de prueba t .
t = x diferencia / (s diferencia / √n) = -0,95 / (1,317 / √ 20) = -3,226
Paso 4: Calcule el valor p del estadístico de prueba t .
De acuerdo con la Calculadora de puntaje T a valor P , el valor p asociado con t = -3.226 y
los grados de libertad = n-1 = 20-1 = 19 es 0.00445
Paso 5: saca una conclusión.
Dado que este valor p es menor que nuestro nivel de significancia α = 0.05, rechazamos la
hipótesis nula. Tenemos evidencia suficiente para decir que el salto vertical máximo medio
de los jugadores es diferente antes y después de participar en el programa de entrenamiento.
PRUEBA JI-CUADRADO:
El estadístico ji-cuadrado (o chi cuadrado), que tiene distribución de probabilidad del
mismo nombre, sirve para someter a prueba hipótesis referidas a distribuciones de
frecuencias. En términos generales, esta prueba contrasta frecuencias observadas con las
frecuencias esperadas de acuerdo con la hipótesis nula.
CASO JI-CUADRADO:
En primer lugar usaremos el estadístico ji-cuadrado para probar la asociación entre dos
variables, y luego lo usaremos para evaluar en qué medida se ajusta la distribución de frecuencias
obtenida con los datos de una muestra, a una distribución teórica o esperada. En términos
generales, esta prueba contrasta frecuencias observadas con las frecuencias esperadas de acuerdo
con la hipótesis nula.
EJEMPLO: Supongamos que un investigador está interesado en evaluar la asociación entre uso
de cinturón de seguridad en vehículos particulares y el nivel socioeconómico del conductor del
vehículo. Con este objeto se toma una muestra de conductores a quienes se clasifica en una tabla
de asociación, encontrando los siguientes resultados:
Permiten estos datos afirmar que el uso del cinturón de seguridad depende del nivel
socioeconómico?
Usaremos un nivel de significación alfa=0,05. Los pasos del análisis estadístico en este caso son los
siguientes:
1. En primer lugar se debe plantear las hipótesis que someteremos a prueba H0: “El uso de
cinturón de seguridad es independiente del nivel socioeconómico”. H1: “El uso de cinturón de
seguridad depende del nivel socioeconómico”. En esta prueba estadística siempre la hipótesis nula
plantea que las variables analizadas son independientes.
2. En segundo lugar, obtener (calcular) las frecuencias esperadas Estas son las frecuencias que
debieran darse si las variables fueran independientes, es decir, si fuera cierta la hipótesis nula.
Las frecuencias esperadas se obtendrán de la distribución de frecuencias del total de los casos, 51
personas de un total de 94 usan el cinturón y 43 de 94 no lo usan. Esa misma proporción se
debería dar al interior de los tres grupos de nivel socioeconómico, de manera que el cálculo
responde al siguiente razonamiento: si de 94 personas 51 usan cinturón; de 21 personas, ¿cuántas
debieran usarlo?
La respuesta a esta pregunta se obtiene aplicando la “regla de tres” y es 11,4. Este procedimiento
debe repetirse con todas las frecuencias del interior de la tabla. El detalle de los cálculos es el
siguiente:
Nivel bajo: (21x51/94)=11,4-(21x43/94)=9,6
Nivel medio: (31x51/94)=16,8-(31x43/94)=14,2
Nivel alto: (42x51/94)=22,8-(42x43/94)=19,2
Estas son las frecuencias que debieran presentarse si la hipótesis nula fuera verdadera y, por
consiguiente, las variables fueran independientes.
Estos valores los anotamos en una tabla con las mismas celdas que la anterior; así tendremos una
tabla con los valores observados y una tabla con los valores esperados, que anotaremos en
cursiva, para identificarlos bien.
3. En tercer lugar se debe calcular el estadístico de prueba En este caso, el estadístico de prueba es
Ji-cuadrado que, como dijimos al comienzo, compara las frecuencias que entregan los datos de la
muestra (frecuencias observadas) con las frecuencias esperadas, y tiene la siguiente fórmula
cálculo:
Donde oi representa a cada frecuencia observada y ei representa a cada frecuencia esperada. De
este modo el valor del estadístico de prueba para este problema será:
Entonces este es el valor de nuestro estadístico de prueba que ahora, siguiendo el
procedimiento de problemas anteriores (paso 4), debemos comparar con un valor de la tabla de
probabilidades para ji-cuadrado (x2). Esta tabla es muy parecida a la tabla t de student, pero tiene
sólo valores positivos porque ji-cuadrado sólo da resultados positivos. Véase gráfico 1, que
muestra la forma de la curva, con valores desde 0 hasta infinito.
USO DE TABLA JI-CUADRADO:
La tabla de ji-cuadrado tiene en la primera columna los grados de libertad y en la
primera fila la probabilidad asociada a valores mayores a un determinado valor del
estadístico (véase gráfico de la tabla III). Los grados de libertad dependen del número de
celdas que tiene la tabla de asociación donde están los datos del problema y su fórmula de
cálculo es muy sencilla: Grados de libertad (gl)=(nº de filas–1)x(nº de columnas– 1)
Así, en nuestro ejemplo, en que hay 2 filas y 3 columnas, los grados de libertad
serán: gl=(2-1)x(3-1)=2
Nótese que no se consideran la fila ni la columna de los totales.
Al comienzo elegimos un nivel de significación alfa=0,05. Entonces un valor de
tabla para x2 asociado a 2 grados de libertad y alfa 0,05 es 5,99.
Por lo tanto, como en el gráfico 2 vemos que 5,23 se encuentra a la izquierda de
5,99, la probabilidad asociada a valores superiores a 5,23 es mayor que alfa (0,05).
Según esto, debemos aceptar la hipótesis nula que plantea que las variables “uso de
cinturón de seguridad” y “nivel socioeconómico” son independientes. Limitación: como
norma general, se exige que el 80% de las celdas en una tabla de asociación tengan valores
esperados mayores de 5.
BIBLIOGRAFIA (VALERIA)
https://www.uv.es/webgid/Inferencial/31_diferencia_de_medias_independientes.html
https://openaccess.uoc.edu/bitstream/10609/148455/1/AnalisisBivariante.pdf
https://statologos.com/prueba-t-de-muestras-emparejadas/
https://www.medwave.cl/medios/medwave/
Diciembre2011/2/10.5867medwave.2011.12.5266.pdf
