2. Subtemas
❏ Evaluación de pruebas diagnósticas y de detección temprana
❏ Pruebas paramétricas y no paramétricas
❏ Cálculo e interpretación de indicadores de sensibilidad, especificidad, valores
predictivos, razones de probabilidad
❏ Verosimilitud
❏ Interpretación de curvas ROC
❏ Distribución binomial
3. Pruebas paramétricas y no paramétricas
Parámetro:
● Valores que definen un conjunto de datos; son números que representan las características de una muestra
estadística.
● Sirven para resumir un conjunto de datos
● Comparar diferentes distribuciones.
Pruebas paramétricas
● Nivel de medición: cuantitativas (intervalo o razón)
● Tamaño de muestra: >30 personas
● Muestreo no aleatorio
Pruebas no paramétricas
● Nivel de medición: cualitativas (nominal u ordinal)
● Tamaño de muestra: <30 personas
● Muestreo aleatorio
Educación y Salud Boletín Científico Instituto de Ciencias de la Salud Universidad Autónoma del Estado de Hidalgo Publicación semestral.Cuadro comparativo de
Análisis Paramétrico y No Paramétrico . Vol. 10, No. 20 (2022) 90-93
4. Pruebas paramétricas y no paramétricas
Educación y Salud Boletín Científico Instituto de Ciencias de la Salud Universidad Autónoma del Estado de Hidalgo Publicación semestral.Cuadro comparativo de Análisis
Paramétrico y No Paramétrico . Vol. 10, No. 20 (2022) 90-93
5. Pruebas paramétricas y no paramétricas
Educación y Salud Boletín Científico Instituto de Ciencias de la Salud Universidad Autónoma del Estado de Hidalgo Publicación semestral.Cuadro comparativo de Análisis
Paramétrico y No Paramétrico . Vol. 10, No. 20 (2022) 90-93
6. Sensibilidad y Especificidad
Para valorar la validez de las medidas y seleccionar la más adecuada para su estudio:
● Sensibilidad
● Especificidad
● Valores predictivos
Criterios que cuantifican la capacidad de una prueba para calificar correcta o erróneamente a una
persona, según la presencia o ausencia de una exposición o una enfermedad
La validez de una medida se calcula a partir de una tabla de 2x2
La presencia o ausencia del resultado (en general una enfermedad) se determina a partir de un criterio de
referencia, idealmente positivo en pacientes enfermos y negativo en pacientes que no presentan la
enfermedad.
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
7. De los resultados obtenidos en cada una de las casillas de la tabla 2x2 se obtienen
2 índices:
Sensibilidad:
Especificidad:
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
8. De los resultados obtenidos en cada una de las casillas de la tabla 2x2 se obtienen
2 índices:
Sensibilidad:
“Si un individuo tiene una enfermedad o factor de riesgo, ¿qué probabilidad existe
de que el resultado de la medida que se le aplica sea positivo?¨ = Enfermos
Especificidad:
“Si un individuo no tiene la enfermedad o el factor de riesgo, ¿qué probabilidad
existe de que el resultado obtenido sea negativo?” = No enfermos
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
10. Si la prueba se aplica a individuos con una población semejante el
resultado será similar.
Ejemplo:
Sensibilidad:
Especificidad: ¿Resultado?
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
11. Si la prueba se aplica a individuos con una población semejante el
resultado será similar.
Ejemplo:
Sensibilidad: 82.4%
Especificidad: 98.3%
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
12. Valores predictivos
En la práctica médica, al solicitar una prueba diagnóstica se desconoce si el paciente tiene o no la
enfermedad.
Los resultados de la prueba nos permiten hacer inferencias sobre la presencia o ausencia de la
enfermedad.
Dos formas de
calcular estas
inferencias
Valor predictivo
Cociente de
probabilidad
+ Probabilidad de que un paciente con
prueba positiva presente la enfermedad
- Probabilidad de que un paciente con
prueba negativa no presente la
enfermedad
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
13. Valores predictivos
DEPENDIENTES DE LA SENSIBILIDAD, ESPECIFICIDAD Y PREVALENCIA
(FACTOR MÁS DETERMINANTE)
VPP= a/n1
VPN= a/n2
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
14. Valores predictivos
Ejemplo:
VPP= a/n1
VPN= a/n2
¿Resultado?
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
15. Valores predictivos
Ejemplo:
“La predictividad de una medida no se puede evaluar sin considerar la prevalencia de la enfermedad; si es alta,
un resultado positivo tiende a confirmar su presencia, mientras que si es negativo, no ayudará a excluirla.”
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
16. “Cuando la prevalencia es baja, un resultado negativo permitirá descartar la enfermedad con un elevado
margen de confianza, pero si es positivo, no permitirá afirmar su existencia.”
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
17. Razones de probabilidad
La razón o cociente de probabilidad compara la probabilidad de obtener un
determinado resultado en un individuo que presente la enfermedad con la de
obtenerlo en un sujeto en el que se ha descartado su presencia.
Razón de probabilidad de una prueba positiva: Dividiendo la proporción de casos que tiene un
resultado positivo de la prueba (sensibilidad), entre la proporción de personas que no tienen la
enfermedad, pero en las que la prueba también ha dado un resultado positivo (1 – especificidad)
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
18. Razones de probabilidad
La razón o cociente de probabilidad compara la probabilidad de obtener un
determinado resultado en un individuo que presente la enfermedad con la de
obtenerlo en un sujeto en el que se ha descartado su presencia.
Razón de probabilidad de una prueba negativa: Dividiendo los casos que tienen un
resultado negativo (1 – sensibilidad) entre la proporción de sujetos que no tienen la enfermedad,
en los que el resultado de la prueba es negativo (especificidad)
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
19. S: 82.4%
E: 98.3%
EJEMPLO
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
20. S: 82.4%
E: 97.3%
EJEMPLO
RPP: 49
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
RPN: 0.18
21. EJEMPLO
RPP: 49
INTERPRETACIÓN: “En el grupo de pacientes diagnosticados con
infección urinaria la probabilidad de encontrar un resultado positivo
a la tinción con azul de metileno es 49 veces mayor que en los
individuos en los que se ha descartado la enfermedad.”
RPN: 0.18
Indica que un resultado negativo se encontró 5,5 veces (1/0,18 =
5,5) más frecuentemente en los individuos sin infección urinaria que
entre aquellos que sí la padecieron
La razón de probabilidad relaciona la sensibilidad y la especificidad en un solo índice, por lo que no varía con la
prevalencia
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
22. Interpretación de curvas ROC
Una forma más global de conocer la exactitud de una prueba en el conjunto de puntos de corte
ROC (receiver operating characteristics o curvas de características operativas para el receptor).
● Eje de ordenadas se sitúa la sensibilidad (proporción de verdaderos positivos)
● Eje de abscisas el complementario de la especificidad (1 − especificidad o proporción de falsos
positivos).
● Cada punto de la curva representa el valor de la RPP correspondiente a un punto de corte
determinado.
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
23. Interpretación de curvas ROC
“Área bajo la curva” Define la probabilidad de
clasificar a un par de individuos correctamente uno
sano y otro enfermo, seleccionados al azar, al
aplicarles la prueba y es independiente de la
prevalencia de la enfermedad.
Para una prueba con una sensibilidad y una
especificidad del 100%, la curva ROC estaría
representada por los lados izquierdo y superior
de la figura (área bajo la curva igual a 1)
Cuanto más próxima es una
curva ROC a la esquina
superior izquierda, más alta
es la exactitud global de la
prueba.
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
24. Interpretación de curvas ROC
Cuando la prueba no tiene ningún poder de
discriminación, es decir, se observan los mismos
resultados en los individuos enfermos que en los
sanos, la curva ROC está representada por la
diagonal principal del gráfico (área bajo la curva igual
a 0,5)
Si el área bajo la curva es:
● Mayor de 0,9, la prueba es muy exacta
● Entre 0,7 y 0,9 indican una exactitud
moderada.
● Entre 0,5 y 0,7 se corresponden con una
exactitud baja.
Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii. https://doi.org/10.1016/B978-84-8086-941-6.00045-4
25. Distribución binomial
El término de “distribución binomial” se utiliza para designar situaciones en las que
los resultados de una variable discreta se pueden agrupar en dos categorías. Las
categorías deben ser mutuamente excluyentes, por lo que no es posible obtener
ningún otro resultado, es decir sólo deben contener dos respuestas el éxito y el
fracaso.
DISTRIBUCIÓN DE BERNOULLI
26. Propiedades
● Repetición de "n" ensayos.
● Cada ensayo es independiente de los demás.
● En cada ensayo existe el "éxito" (p) y el "fracaso "fracaso" (q) como únicos resultados.
● En cada ensayo la probabilidad no cambia
● El número de éxitos se identifica con la variable aleatoria x.
n= número de pruebas
x= número de éxitos
p= probabilidad de tener éxito (/100%)
q= probabilidad de fracaso (1-p)
27. Bibliografía
● Educación y Salud Boletín Científico Instituto de Ciencias de la Salud Universidad Autónoma del
Estado de Hidalgo Publicación semestral.Cuadro comparativo de Análisis Paramétrico y No
Paramétrico . Vol. 10, No. 20 (2022) 90-93
● Argimon. (2012). Front matter. Métodos de Investigación Clínica y Epidemiológica, i–iii.
https://doi.org/10.1016/B978-84-8086-941-6.00045-4
