El documento presenta conceptos clave relacionados con la investigación científica como hipótesis, muestra, población, errores, tipos de estudios, pruebas estadísticas y significancia estadística. Explica que una hipótesis es una proposición provisional que se formula para responder una pregunta de investigación y debe ser corroborada, y que una muestra es un subconjunto representativo de una población total. También describe los tipos de errores y estudios, así como las pruebas estadísticas comunes utilizadas en función del tipo

1. Dra. Aniel Jessica Leticia Brambila Tapia

2.  Proposición provisional que se formula a través de la
recolección de datos para dar respuesta a una pregunta de
investigación específica y que debe ser corroborada por el
método científico.
 Hipótesis alternativa o hipótesis de trabajo: La hipótesis que
formula el investigador (ej: Existe una asociación entre el
optimismo y la satisfacción laboral)
 Hipótesis nula: La hipótesis que denota una ausencia de
asociación o falsedad de la hipótesis alterna. (ej: No existe una
asociación entre el optimismo y la satisfacción laboral)

3.  Es un subconjunto de casos o individuos de una población que
se estudian con el objetivo de inferir propiedades de la
totalidad de la población, para lo cual debe de ser
representativa de la misma.
 La totalidad de la población también se llama población diana

4. <
Argimon-
Pallás.JM,
Jiménez-Villa J.
Métodos de
Investigación
Clínica y
Epidemiológica. 4th
Ed. España:
Elsevier; 13
<

5.  ERROR ALEATORIO: Se produce en tamaños de muestra
pequeños y se debe a la influencia del azar que desvían los
resultados de la realidad (que se presentan en la poblción
diana o universo de estudio)
 ERRORES SISTEMÁTICOS O SESGOS: Son errores que se
producen en el diseño del estudio, ya sea en la selección de los
sujetos o en la medición de las variables que conduce a una
estimación incorrecta o no válida del efecto o parámetro que se
estudia
Argimon-Pallás.JM, Jiménez-Villa J. Métodos de Investigación Clínica
y Epidemiológica. 4th Ed. España: Elsevier; 13

6. Argimon-Pallás.JM, Jiménez-Villa J.
Métodos de Investigación Clínica y
Epidemiológica. 4th Ed. España:
Elsevier; 13

7. <
Argimon-Pallás.JM, Jiménez-Villa J.
Métodos de Investigación Clínica y
Epidemiológica. 4th Ed. España:
Elsevier; 13

8.  Descriptiva: Su objetivo es describir los datos
 Analítica: Su objetivo es analizar y comparar los datos entre
distintos grupos.

9.  Para variables cualitativas:
 Frecuencias y porcentajes
 Para variables cuantitativas:
 Media y Desviación estándar (distribuciones paramétricas)
 Mediana y rangos (Distribuciones no paramétricas)

10. Valor Z
Frecuencia
0 1 2 3
-1
-2
-3
•El 95% de los datos se
distribuyen en +/- 1.96 DS
•Distribución simétrica en
forma de campana,
también se le llama
distribución gaussiana
• La media, mediana
y moda coinciden
en el centro de la
curva (donde está
la desviación
estándar o Z =0)
Media
Mediana
Moda

11.  Las pruebas estadísticas van a depender del:
 Tipo de variable: cualitativa o cuantitativa
 Tipo de muestras: dependientes (también llamadas relacionadas y se refieren
a los mismos sujetos y la misma variable en diferentes tiempos) o
independientes (se refieren a distintos sujetos, misma varaible y mismos
tiempos)
 Distribución de la variable: Paramétrica o no paramétrica (solo para las
cuantitativas): se determina con la prueba de Shapiro-Wilks (para menos de
50 individuos en la muestra) o Kormogorov-Smirnov (50 o más individuos en
la muestra).
 Número de grupos: 2 o más de 2 grupos (en el caso de comparación de
variables cuantitativas)

12. Variable
cuantitativa
Distribución
paramétrica
Distribución no
paramétrica
Dependientes Independientes
Dependientes
Independientes
T-test para muestras
dependientes ANOVA de medidas
repetidas
T-test muestras
independientes
ANOVA
Willcoxon Friedma
n
U de
mann-
whitney
Kruska
l-Wallis
2 grupos +2 grupos 2 grupos +2 grupos
2 grupos
+2 grupos
2 grupos +2 grupos

13.  Chi cuadrada: 2 o más muestras o grupos independientes
 Exacta de Fisher: 2 o más muestras o grupos independientes,
con alguno de los valore esperados menor o igual a 5
 McNemar: 2 o más muestras dependientes

14.  Asociación entre 2 variables cuantitativas:
 Correlaciones:
 Pearson: Distribución paramétrica
 Spearman: Distribución no paramétrica
 Las correlaciones pueden ir de -1 (correlación negativa perfecta) a 1 (correlación positiva perfecta)
pasando por el 0 (ausencia de correlación).
 Una correlación positiva significa que ambas variables van en la misma dirección: o ambas suben o
ambas bajan
 Una correlación negativa significa que ambas varaibles van en diferentes direcciones: cuando una
sube la otra baja.
 Una correlación de 1 significa que el 100% de la variabilidad de una variable se debe a la
variabilidad de la otra, una correlación de 0.5 significa que el 25% por ciento de la variabilidad de
una variable se debe a la variabilidad de la otra, ya que el 0.5 se eleva al cuadrado y multiplica por
100 par aexpresarlo en porcentaje.

15.  Valor de p o significancia estadística:
 Todas las pruebas estadísticas van a arrojar un valor de p o significancia estadística que significa la
probabilidad de que esa diferencia o correlación (dependiendo de la prueba) se deba al azar, por lo
que el valor de p nos habla de la confiabildiad de los resultados encontrados
 Un valor de p en la significancia bilateral < 0.05 se considera significativo:
 ya que implica que la probabilidad de que se la asociación o diferencia estudiada se deba al azar es
menor al 5%
 El valor de p va a depender del:
 Tamaño de la muestra o muestras a comparar: a mayor tamaño de muestra es más probable
obtener un valor de p menor o significativo.
 De la magnitud de la correlación o de las diferencias buscadas: a mayor tamaño o magnitud de las
diferencias o fuerza de correlación (Valor de R) entre los grupos o variables a comparar, es más
probable obtener un valor de p menor o significativo.

16.  Además del valor de p o significanci estadística se debe tomar en cuenta:
Las magnitudes de las diferencias o las fuerzas de correlación encontradas
en nuestros análisis:
Ejemplo para magnitud de las diferencias:
 Si se desea comparar la estatura entre un grupo de 150 mexicanos del
sureste con uno de 137 del norte, además del valor de p de la prueba que
aplica (T de student o U de Mann-Whitney) hay que buscar las medias
de cada grupo y esa sería la diferencia encontrada entre grupos o
magnitud de las diferencias:
 Estatura de los mexicanos del Sureste (Media +/- DS) = 1.61 +/- 0.24 Mts
comparada con la estatura de mexicanos del Norte = 1.73 +/- 0.35 Mts, valor de
p = 0.02: esto nos indica que en promedio los mexicanos del norte son 0.12 mts
más altos que los del sureste y que la diferencia encontrada no se debe al azar,
es decir que es confiable

17.  Ejemplo para fuerza de la asociación en correlaciones:
 Si se desea saber si la variable depresión se asocia con la
variable ansiedad en el mismo grupo de estudio (ej: un estudio
transversal analítico) en una muestra de 150 sujetos:
 Y obtenemos un valor de r = 0.5 con un valor de p = 0.001,
significa que ambas variables sí están correlacionadas (o
asociadas) de forma confiable (significativa) y la fuerza de la
correlación es moderada:
 Entendiendo que las correlaciones se pueden dividir como muy
bajas: <0.2, bajas: 0.2-0.4, moderadas: 0.4-0.6, altas: 0.6-0.8 y muy
altas: > 0.8

18. GRACIAS