Este documento proporciona instrucciones sobre cómo presentar estadísticas descriptivas y comparativas en un trabajo científico. Explica cómo presentar datos cualitativos y numéricos para un grupo utilizando tablas de frecuencias, diagramas y medidas como la media y desviación típica. También cubre la presentación de datos entre varios grupos y el uso de diagramas de cajas y gráficos cuantil-cuantil.
Este documento presenta información sobre diferentes medidas de tendencia central y dispersión para describir conjuntos de datos. Define y explica la moda, mediana, media, desviación típica y varianza. Describe sus propiedades, métodos de cálculo y usos para datos agrupados y no agrupados. El objetivo es proporcionar una descripción concisa de estas medidas estadísticas fundamentales para resumir y analizar datos.
Se presenta una forma de evaluar la normalidad. En base del libro Fundamentos de estadisticas para las ciencias de la vida. Se utiliza el programa R para general algunas graficas.
Este documento proporciona información sobre medidas de tendencia central y dispersión. Brevemente describe las medidas de tendencia central como la media, mediana y moda, y explica que miden el centro de los datos. Luego explica medidas de dispersión como el rango y desviación estándar, las cuales miden qué tan dispersos están los valores con respecto al centro. Finalmente, indica que ambos tipos de medidas son necesarias para describir completamente un conjunto de datos.
1. El documento describe diferentes métodos para resumir datos estadísticos, incluyendo tablas, diagramas y medidas de tendencia central y variabilidad.
2. Se explican conceptos como la media, mediana, moda, rango, varianza y desviación estándar para describir cómo se distribuyen y varían los datos.
3. El documento recomienda usar diferentes métodos de acuerdo a si los datos siguen una distribución normal o si hay valores extremos, para proveer resúmenes precisos.
Este documento presenta conceptos básicos de estadística, incluyendo definiciones, tipos de variables, medidas de resumen como media y mediana, medidas de dispersión como desviación estándar, diagramas como histogramas y cajas, y conceptos de forma como asimetría y curtosis. Explica los pasos de un estudio estadístico y técnicas como muestreo, tablas de frecuencias y estadísticos de posición.
Este documento presenta información sobre diferentes medidas de tendencia central y dispersión estadísticas. Define la moda como el valor más frecuente en un conjunto de datos, y describe cómo calcular la mediana y moda para datos agrupados e individuales. También explica conceptos como varianza, desviación estándar, desviación media y sus propiedades e inconvenientes.
Medidas de Tendencia Central, Posición y Dispersiónreynier valor
Medidas de Tendencia Central, Posición y Dispersión, Reynieri Valor, C.I: 25.344.142 I.U.P Santiago Mariño Barcelona, Anzoategui. Asignatura: Estadistica-Saia. 10/09/2018 Profesora Amelia Vasquez.
Este documento resume conceptos estadísticos clave como medidas de tendencia central (media, mediana, moda), medidas de variabilidad (rango, desviación estándar, varianza), y métodos para resumir y representar datos (tablas, gráficos, curvas de frecuencia). Explica cómo estas medidas y métodos permiten condensar grandes cantidades de datos de manera concisa para facilitar su análisis e interpretación.
Este documento presenta información sobre diferentes medidas de tendencia central y dispersión para describir conjuntos de datos. Define y explica la moda, mediana, media, desviación típica y varianza. Describe sus propiedades, métodos de cálculo y usos para datos agrupados y no agrupados. El objetivo es proporcionar una descripción concisa de estas medidas estadísticas fundamentales para resumir y analizar datos.
Se presenta una forma de evaluar la normalidad. En base del libro Fundamentos de estadisticas para las ciencias de la vida. Se utiliza el programa R para general algunas graficas.
Este documento proporciona información sobre medidas de tendencia central y dispersión. Brevemente describe las medidas de tendencia central como la media, mediana y moda, y explica que miden el centro de los datos. Luego explica medidas de dispersión como el rango y desviación estándar, las cuales miden qué tan dispersos están los valores con respecto al centro. Finalmente, indica que ambos tipos de medidas son necesarias para describir completamente un conjunto de datos.
1. El documento describe diferentes métodos para resumir datos estadísticos, incluyendo tablas, diagramas y medidas de tendencia central y variabilidad.
2. Se explican conceptos como la media, mediana, moda, rango, varianza y desviación estándar para describir cómo se distribuyen y varían los datos.
3. El documento recomienda usar diferentes métodos de acuerdo a si los datos siguen una distribución normal o si hay valores extremos, para proveer resúmenes precisos.
Este documento presenta conceptos básicos de estadística, incluyendo definiciones, tipos de variables, medidas de resumen como media y mediana, medidas de dispersión como desviación estándar, diagramas como histogramas y cajas, y conceptos de forma como asimetría y curtosis. Explica los pasos de un estudio estadístico y técnicas como muestreo, tablas de frecuencias y estadísticos de posición.
Este documento presenta información sobre diferentes medidas de tendencia central y dispersión estadísticas. Define la moda como el valor más frecuente en un conjunto de datos, y describe cómo calcular la mediana y moda para datos agrupados e individuales. También explica conceptos como varianza, desviación estándar, desviación media y sus propiedades e inconvenientes.
Medidas de Tendencia Central, Posición y Dispersiónreynier valor
Medidas de Tendencia Central, Posición y Dispersión, Reynieri Valor, C.I: 25.344.142 I.U.P Santiago Mariño Barcelona, Anzoategui. Asignatura: Estadistica-Saia. 10/09/2018 Profesora Amelia Vasquez.
Este documento resume conceptos estadísticos clave como medidas de tendencia central (media, mediana, moda), medidas de variabilidad (rango, desviación estándar, varianza), y métodos para resumir y representar datos (tablas, gráficos, curvas de frecuencia). Explica cómo estas medidas y métodos permiten condensar grandes cantidades de datos de manera concisa para facilitar su análisis e interpretación.
Este documento presenta información sobre medidas de dispersión estadísticas como la varianza, desviación estándar y coeficiente de variación. Define cada medida y explica cómo calcularlas e interpretarlas. También incluye ejemplos numéricos para ilustrar el cálculo e interpretación de estas medidas.
Este documento describe diferentes medidas estadísticas de tendencia central y dispersión para resumir conjuntos de datos. Explica conceptos como la media, la mediana, la moda, la desviación estándar y la varianza, así como cómo se calculan estos estadígrafos para datos agrupados y no agrupados. También introduce conceptos como percentiles y el coeficiente de variación.
Este documento resume las 5 suposiciones de Fisher para el análisis de varianza (ANOVA) y métodos para verificarlas: 1) desviaciones estándar iguales, 2) errores independientes, 3) normalidad, 4) efectos aditivos y constantes, y 5) efectos constantes de los factores. Explica cómo usar diagramas de dispersión, histograma y gráficas para verificar las suposiciones y qué hacer si fallan.
El rango es la diferencia entre el valor máximo y mínimo de un conjunto de datos y mide la dispersión de los datos. El rango intercuartil es la diferencia entre el tercer y primer cuartil y también mide la dispersión, ignorando valores extremos. El rango semi-intercuartil divide la diferencia entre el tercer y primer cuartil entre 2.
La distribución t de Student se utiliza cuando no se conoce la desviación estándar poblacional y la muestra es menor a 30. Es similar a la distribución normal pero tiene áreas mayores en los extremos. Fue descubierta por William Gosset en 1908 para realizar inferencias estadísticas cuando la desviación estándar es desconocida. Se basa en establecer intervalos de confianza y probar hipótesis utilizando los grados de libertad y un nivel de confianza. Es útil para reducir costos al permitir anális
Este documento presenta una introducción a la estadística descriptiva. Explica conceptos clave como población, muestra, variables cualitativas y cuantitativas. También describe técnicas como tablas de frecuencias absolutas y relativas para organizar y resumir datos, así como el uso de intervalos para agrupar grandes cantidades de datos.
El documento describe conceptos básicos de estadística descriptiva como población, muestra, variables cualitativas y cuantitativas, tablas de frecuencias, y diferentes tipos de gráficos como histograma, diagrama de barras y diagrama circular. Explica cómo organizar y resumir datos numéricos para analizar características de una población.
Este documento presenta definiciones de varios términos estadísticos fundamentales como media, mediana, moda, desviación estándar, varianza, coeficiente de variación, curtosis, coeficiente de asimetría, rango y otros. Incluye ejemplos del cálculo e interpretación de cada medida.
Este documento describe los conceptos básicos de la distribución de frecuencias y tipos de gráficas estadísticas. Explica que la distribución de frecuencias organiza los datos en una tabla asignando frecuencias según su correspondencia. Luego detalla tipos de frecuencias como absoluta y relativa, así como distribuciones agrupadas. Finalmente, compara ventajas y desventajas de diagramas de barras, sectores, histogramas y otros para representar datos cualitativos y cuantitativos.
Este documento trata sobre medidas de dispersión y variabilidad estadística. Explica conceptos como desviación típica, varianza, coeficiente de variación y rango intercuartílico, los cuales permiten medir cuán similares o diferentes son los valores de una variable con respecto a su valor central. También introduce el diagrama de caja, una herramienta gráfica para visualizar y comparar la variabilidad entre distribuciones.
Este documento describe los conceptos básicos de estadística descriptiva para una variable, incluyendo tablas de frecuencias, valores típicos (medidas de centralización, posición, dispersión y forma), y ejemplos. Explica cómo construir tablas de frecuencias y calcular la frecuencia absoluta, relativa y acumulada. Luego define medidas como la moda, media, mediana, cuartiles, y cómo calcular la varianza, desviación estándar y coeficiente de variación.
Este documento presenta un informe estadístico sobre los estilos de vida y actividades de salud de 291 estudiantes de enfermería de la Universidad de Sevilla. Incluye tablas y gráficos que resumen y analizan variables cualitativas como los estudios de la madre y la frecuencia de preparar comidas, así como variables cuantitativas como la altura y horas de actividad física. Los resultados muestran, por ejemplo, que la mayoría de las madres tienen estudios primarios o menos, y que la frecuencia más común de salir de fi
Este documento proporciona consejos sobre cómo presentar datos estadísticos en artículos médicos. Explica que es importante resumir datos cuantitativos indicando un valor central y una medida de dispersión, como la media y la desviación estándar si los datos siguen una distribución normal, o la mediana y el rango intercuartílico de lo contrario. También destaca la importancia de indicar frecuencias absolutas junto con porcentajes al presentar datos cualitativos, especialmente para muestras pequeñas. El documento ofrece ejemplos
La epidemiología descriptiva resume información sobre casos según variables como tiempo, lugar y persona. Describe la frecuencia con la que ocurren eventos de salud en una población sin analizar vínculos entre exposición y efecto. Ofrece medidas como razones, tasas y estadísticas descriptivas para generar hipótesis sobre posibles factores causales.
La estadística descriptiva se utiliza para resumir y organizar datos mediante medidas de tendencia central como la media y la mediana, y medidas de dispersión como la varianza y la desviación estándar. Estas medidas proporcionan información sobre las características generales de una muestra de datos y se pueden usar para describir y comparar conjuntos de datos.
Este documento presenta un resumen de conceptos básicos de estadística. Explica que la estadística se divide en descriptiva e inferencial, y describe cada una. También cubre temas como tipos de datos, medidas de tendencia central y dispersión, gráficos y su uso para presentar datos. El objetivo final es aplicar estos conceptos estadísticos en el campo de la medicina.
Este documento presenta conceptos básicos de estadística descriptiva e inferencial. Explica que la estadística descriptiva incluye la tabulación y representación gráfica de datos, mientras que la inferencial permite estimar características de una población a partir de una muestra. También define términos como media, mediana, moda, cuartiles y distribuciones normales; e introduce formas de presentar datos cuantitativos y cualitativos como gráficos y tablas.
Este documento describe diferentes medidas de tendencia central y dispersión estadísticas. Explica que la media aritmética se calcula sumando todos los valores y dividiéndolos por el total. La moda es el valor más frecuente. La mediana divide los datos en dos partes iguales. También describe cómo calcular la varianza, desviación estándar, cuartiles, deciles y percentiles, los cuales miden la dispersión de los datos.
Este documento describe diferentes medidas de tendencia central y dispersión estadísticas. Explica que la media aritmética se calcula sumando todos los valores y dividiéndolos por el total. La moda es el valor más frecuente. La mediana divide los datos en dos partes iguales. También describe cómo calcular la varianza, desviación estándar, cuartiles, deciles y percentiles, los cuales miden la dispersión de los datos.
El documento define diferentes tipos de datos y variables, y describe muestras probabilísticas y no probabilísticas. Define población como el conjunto total de elementos a estudiar, y muestra como un subconjunto de la población. Explica que una muestra probabilística se selecciona matemáticamente para que cada unidad tenga una probabilidad conocida de ser seleccionada, mientras que en una muestra no probabilística no se aplican las reglas de probabilidad.
Este documento presenta información sobre medidas de dispersión estadísticas como la varianza, desviación estándar y coeficiente de variación. Define cada medida y explica cómo calcularlas e interpretarlas. También incluye ejemplos numéricos para ilustrar el cálculo e interpretación de estas medidas.
Este documento describe diferentes medidas estadísticas de tendencia central y dispersión para resumir conjuntos de datos. Explica conceptos como la media, la mediana, la moda, la desviación estándar y la varianza, así como cómo se calculan estos estadígrafos para datos agrupados y no agrupados. También introduce conceptos como percentiles y el coeficiente de variación.
Este documento resume las 5 suposiciones de Fisher para el análisis de varianza (ANOVA) y métodos para verificarlas: 1) desviaciones estándar iguales, 2) errores independientes, 3) normalidad, 4) efectos aditivos y constantes, y 5) efectos constantes de los factores. Explica cómo usar diagramas de dispersión, histograma y gráficas para verificar las suposiciones y qué hacer si fallan.
El rango es la diferencia entre el valor máximo y mínimo de un conjunto de datos y mide la dispersión de los datos. El rango intercuartil es la diferencia entre el tercer y primer cuartil y también mide la dispersión, ignorando valores extremos. El rango semi-intercuartil divide la diferencia entre el tercer y primer cuartil entre 2.
La distribución t de Student se utiliza cuando no se conoce la desviación estándar poblacional y la muestra es menor a 30. Es similar a la distribución normal pero tiene áreas mayores en los extremos. Fue descubierta por William Gosset en 1908 para realizar inferencias estadísticas cuando la desviación estándar es desconocida. Se basa en establecer intervalos de confianza y probar hipótesis utilizando los grados de libertad y un nivel de confianza. Es útil para reducir costos al permitir anális
Este documento presenta una introducción a la estadística descriptiva. Explica conceptos clave como población, muestra, variables cualitativas y cuantitativas. También describe técnicas como tablas de frecuencias absolutas y relativas para organizar y resumir datos, así como el uso de intervalos para agrupar grandes cantidades de datos.
El documento describe conceptos básicos de estadística descriptiva como población, muestra, variables cualitativas y cuantitativas, tablas de frecuencias, y diferentes tipos de gráficos como histograma, diagrama de barras y diagrama circular. Explica cómo organizar y resumir datos numéricos para analizar características de una población.
Este documento presenta definiciones de varios términos estadísticos fundamentales como media, mediana, moda, desviación estándar, varianza, coeficiente de variación, curtosis, coeficiente de asimetría, rango y otros. Incluye ejemplos del cálculo e interpretación de cada medida.
Este documento describe los conceptos básicos de la distribución de frecuencias y tipos de gráficas estadísticas. Explica que la distribución de frecuencias organiza los datos en una tabla asignando frecuencias según su correspondencia. Luego detalla tipos de frecuencias como absoluta y relativa, así como distribuciones agrupadas. Finalmente, compara ventajas y desventajas de diagramas de barras, sectores, histogramas y otros para representar datos cualitativos y cuantitativos.
Este documento trata sobre medidas de dispersión y variabilidad estadística. Explica conceptos como desviación típica, varianza, coeficiente de variación y rango intercuartílico, los cuales permiten medir cuán similares o diferentes son los valores de una variable con respecto a su valor central. También introduce el diagrama de caja, una herramienta gráfica para visualizar y comparar la variabilidad entre distribuciones.
Este documento describe los conceptos básicos de estadística descriptiva para una variable, incluyendo tablas de frecuencias, valores típicos (medidas de centralización, posición, dispersión y forma), y ejemplos. Explica cómo construir tablas de frecuencias y calcular la frecuencia absoluta, relativa y acumulada. Luego define medidas como la moda, media, mediana, cuartiles, y cómo calcular la varianza, desviación estándar y coeficiente de variación.
Este documento presenta un informe estadístico sobre los estilos de vida y actividades de salud de 291 estudiantes de enfermería de la Universidad de Sevilla. Incluye tablas y gráficos que resumen y analizan variables cualitativas como los estudios de la madre y la frecuencia de preparar comidas, así como variables cuantitativas como la altura y horas de actividad física. Los resultados muestran, por ejemplo, que la mayoría de las madres tienen estudios primarios o menos, y que la frecuencia más común de salir de fi
Este documento proporciona consejos sobre cómo presentar datos estadísticos en artículos médicos. Explica que es importante resumir datos cuantitativos indicando un valor central y una medida de dispersión, como la media y la desviación estándar si los datos siguen una distribución normal, o la mediana y el rango intercuartílico de lo contrario. También destaca la importancia de indicar frecuencias absolutas junto con porcentajes al presentar datos cualitativos, especialmente para muestras pequeñas. El documento ofrece ejemplos
La epidemiología descriptiva resume información sobre casos según variables como tiempo, lugar y persona. Describe la frecuencia con la que ocurren eventos de salud en una población sin analizar vínculos entre exposición y efecto. Ofrece medidas como razones, tasas y estadísticas descriptivas para generar hipótesis sobre posibles factores causales.
La estadística descriptiva se utiliza para resumir y organizar datos mediante medidas de tendencia central como la media y la mediana, y medidas de dispersión como la varianza y la desviación estándar. Estas medidas proporcionan información sobre las características generales de una muestra de datos y se pueden usar para describir y comparar conjuntos de datos.
Este documento presenta un resumen de conceptos básicos de estadística. Explica que la estadística se divide en descriptiva e inferencial, y describe cada una. También cubre temas como tipos de datos, medidas de tendencia central y dispersión, gráficos y su uso para presentar datos. El objetivo final es aplicar estos conceptos estadísticos en el campo de la medicina.
Este documento presenta conceptos básicos de estadística descriptiva e inferencial. Explica que la estadística descriptiva incluye la tabulación y representación gráfica de datos, mientras que la inferencial permite estimar características de una población a partir de una muestra. También define términos como media, mediana, moda, cuartiles y distribuciones normales; e introduce formas de presentar datos cuantitativos y cualitativos como gráficos y tablas.
Este documento describe diferentes medidas de tendencia central y dispersión estadísticas. Explica que la media aritmética se calcula sumando todos los valores y dividiéndolos por el total. La moda es el valor más frecuente. La mediana divide los datos en dos partes iguales. También describe cómo calcular la varianza, desviación estándar, cuartiles, deciles y percentiles, los cuales miden la dispersión de los datos.
Este documento describe diferentes medidas de tendencia central y dispersión estadísticas. Explica que la media aritmética se calcula sumando todos los valores y dividiéndolos por el total. La moda es el valor más frecuente. La mediana divide los datos en dos partes iguales. También describe cómo calcular la varianza, desviación estándar, cuartiles, deciles y percentiles, los cuales miden la dispersión de los datos.
El documento define diferentes tipos de datos y variables, y describe muestras probabilísticas y no probabilísticas. Define población como el conjunto total de elementos a estudiar, y muestra como un subconjunto de la población. Explica que una muestra probabilística se selecciona matemáticamente para que cada unidad tenga una probabilidad conocida de ser seleccionada, mientras que en una muestra no probabilística no se aplican las reglas de probabilidad.
La estadística descriptiva se utiliza para resumir y organizar datos mediante medidas como la media, mediana y desviación estándar. Estas medidas de tendencia central y dispersión proveen información sobre el conjunto de datos. La estadística descriptiva divide los datos en variables cualitativas y cuantitativas para analizar las características de la población a partir de una muestra representativa.
1. El documento habla sobre diferentes formas de resumir y representar datos estadísticos, incluyendo tablas, diagramas y medidas de tendencia central como la media, mediana y moda.
2. Explica conceptos como variabilidad, desviación estándar, asimetría, curtosis y cómo dividir datos en cuartiles, deciles y percentiles.
3. Señala que a menudo se toman muestras de una población para estimar parámetros poblacionales, y cómo se pueden calcular intervalos de confianza para estas estim
En este documento podra encontrar las defisiones estadisticas que se plantean en analisis multivariable. Espero que sea de su agrado ya que este curso requiere de mucho interes y tiempo.
Este documento presenta un temario sobre estadística descriptiva. Incluye medidas de tendencia central como la media, mediana y moda, medidas de dispersión como rango, desviación estándar y varianza, y medidas de forma como curtosis y sesgo. También cubre distribución de frecuencias, resumen numérico de datos con Excel, y ofrece ejemplos y ejercicios para calcular estas medidas estadísticas. El documento proporciona información básica sobre conceptos y cálculos importantes en estadística descriptiva.
El documento habla sobre las medidas de dispersión, que miden cuánto se dispersan los datos alrededor de la media. Explica que hay dos tipos de medidas: absolutas como el rango y la desviación estándar; y relativas como el coeficiente de variación. También define conceptos estadísticos clave como la media, la varianza, los cuartiles y proporciona fórmulas para calcular estas medidas.
Este documento define conceptos estadísticos básicos como variables, población, muestra, parámetros estadísticos, escalas de medición, razón, proporción, tasa y frecuencia. Explica que una variable representa elementos que pueden variar en un universo, y que una población incluye todos los posibles valores de una característica, mientras que una muestra es un subconjunto de casos. También describe cómo los parámetros estadísticos resumen aspectos relevantes de una distribución y los diferentes tipos de escalas de medición y
Este documento presenta conceptos básicos de estadística descriptiva y probabilidad. Explica medidas de tendencia central como la media y mediana, y medidas de dispersión como rango, varianza y desviación estándar. También define conceptos como variables, representaciones gráficas, cuartiles y coeficiente de asimetría. Finalmente, introduce los conceptos de espacio muestral, eventos y métodos para asignar probabilidades como el método axiomático, clásico y frecuencial.
Este documento explica las medidas de dispersión y sus usos. Resume que las medidas de dispersión como la desviación media, varianza y desviación estándar miden cuán dispersos están los valores de un conjunto de datos en torno a un valor central como la media. Estas medidas son útiles para comparar la variabilidad de conjuntos de datos y determinar qué tan confiable es la media como representación de los datos. El documento también presenta fórmulas para calcular estas medidas de dispersión para datos poblacionales y de muestra.
Este documento presenta información sobre medidas de posición como percentiles y cuartiles. Explica que los percentiles dividen una distribución ordenada de datos en 100 grupos iguales, y los cuartiles dividen la distribución en 4 grupos. Proporciona ejemplos de cómo calcular percentiles y cuartiles, y cómo usar estos estadísticos descriptivos para analizar y comparar conjuntos de datos.
El documento trata sobre conceptos básicos de bioestadística para la realización y análisis de pruebas de hipótesis. Explica el significado del valor de p y cómo interpretarlo, la diferencia entre muestras independientes y pareadas, la importancia de probar la normalidad de los datos antes de seleccionar pruebas paramétricas o no paramétricas, y ejemplos de cómo utilizar pruebas estadísticas como la t de Student, U de Mann-Whitney y Chi cuadrado en SPSS para comparar grupos con variables cual
Este documento describe los conceptos básicos de medidas de tendencia central (media) y medidas de dispersión (rango, varianza y desviación estándar) en estadística. Explica cómo calcular la media, varianza y desviación estándar tanto de una población como de una muestra, y la importancia de obtener muestras aleatorias representativas de una población para estimar parámetros poblacionales.
En esta presentación encontrarán información detallada sobre cómo realizar correctamente la maniobra de Heimlich y también información sobre lo que es la asfixia.
EL CÁNCER, ¿QUÉ ES?, TIPOS, ESTADÍSTICAS, CONCLUSIONESMariemejia3
El cáncer es una enfermedad caracterizada por el crecimiento descontrolado de células anormales en el cuerpo. Puede afectar a cualquier parte del organismo y su tratamiento varía según el tipo y la etapa de la enfermedad. Los factores de riesgo incluyen la genética, el estilo de vida y la exposición a ciertos agentes carcinógenos. Aunque el cáncer sigue siendo una de las principales causas de morbilidad y mortalidad en el mundo, los avances en la detección temprana y el tratamiento han mejorado las tasas de supervivencia. La investigación continúa en busca de nuevas terapias y métodos de prevención. La concienciación sobre el cáncer es fundamental para promover estilos de vida saludables y fomentar la detección precoz.
Eleva tu rendimiento mental tomando RiseThe Movement
¡Experimenta una Mayor Concentración, Claridad y Energía con RISE! 🌟
¿Te cuesta mantener la concentración, la claridad mental y la energía durante todo el día?
La falta de concentración y claridad puede afectar tu rendimiento mental, creatividad y motivación, haciéndote sentir agotado y sin ánimo. Las soluciones tradicionales pueden ser ineficaces y a menudo vienen con efectos secundarios no deseados. ¿No sería genial tener una solución natural que funcione rápidamente y sin efectos secundarios negativos?
¡Descubre nuestra mezcla de bebidas nootrópicas RISE! Formulada con 7 hongos orgánicos, vitaminas B metiladas y aminoácidos, esta potente mezcla trabaja rápidamente para estimular tu cerebro y estabilizar tu mente.
Beneficios de RISE:
Desempeño mental: Mejora tu capacidad cognitiva y rendimiento.
Salud mental: Apoya el bienestar mental y reduce el estrés.
Claridad mental: Aumenta tu enfoque y claridad.
Energía: Proporciona energía sostenida sin picos y caídas.
Creatividad y motivación: Estimula tu creatividad y te mantiene motivado.
Concentración: Mejora tu capacidad de concentración.
Alerta: Mantente alerta y despierto durante todo el día.
Ánimo: Mejora tu estado de ánimo y bienestar general.
Respuesta antiinflamatoria: Reduce la inflamación y promueve una salud óptima.
viene en un delicioso sabor a limonada de mango, haciendo de esta bebida no solo un potente estimulante cerebral, sino también un manjar saludable y delicioso para tu cuerpo y mente.
¡Siéntete mejor ya y experimenta por ti mismo! Esta limonada de mango te volará la mente. 🤯
Está diseñada para atraer a personas que buscan mejorar su concentración, claridad mental y energía de manera rápida y efectiva, utilizando una mezcla de ingredientes naturales y nootrópicos.
Terapia cinematográfica (6) Películas para entender los trastornos del neurod...JavierGonzalezdeDios
Los trastornos del neurodesarrollo comprenden un grupo heterogéneo de trastornos crónicos que se manifiestan en períodos tempranos de la niñez y que, en conjunto, comparten una alteración en la adquisición de habilidades cognitivas, motoras, del lenguaje y/o sociales que impactan significativamente en el funcionamiento personal, social y académico. Tienen su origen en la primera infancia o durante el proceso de desarrollo y comprende a heterogéneos procesos englobados bajo esta etiqueta.
El Manual diagnóstico y estadístico de los trastornos mentales en su quinta edición (DSM-V) incluye dentro los trastornos del neurodesarrollo los siguientes siete grupos: Discapacidad intelectual, Trastornos de la comunicación, Trastorno del espectro del autismo (TEA), Trastorno de atención con hiperactividad (TDAH), Trastornos específico del aprendizaje, Trastornos motores y Trastornos de tics. Es importante tener en cuenta que en una misma persona puede manifestarse más de un trastorno del neurodesarrollo. Y, dentro de todos los trastornos del neurodesarrollo, el autismo adquiere una especial importancia, por lo que será considerado en el próximo capítulo de la serie “Terapia cinematográfica” de forma particular.
Y esta gran diversidad también la ha reflejado en la gran pantalla y en las historias “de cine” que el séptimo arte nos ha regalado. Y hoy proponemos un recordatorio de la amplia variedad y complejidad de los trastornos del neurodesarrollo en la infancia a través de 7 películas argumentales. Estas películas son, por orden cronológico de estreno:
- El milagro de Ana Sullivan (The Miracle Worker, Arthur Penn, 1962) 6, para valorar el milagro de la palabra, el milagro del lenguaje y de los sentidos.
- Forrest Gump (Robert Zemeckis, 1994) 7, para comprender el valor de la lucha por encontrar cuál es la meta de cada uno, una mezcla de destino y sueños propios.
- Estrellas en la Tierra (Taare Zameen Par, Aamir Khan, 2007) 8, para confirmar que cada niño y niña es especial, incluso con sus potenciales deficiencias psíquicas, físicas y/o sensoriales.
- El primero de la clase (Front of the Class, Peter Werner, 2008) 9, para demostrar el valor de la superación y como, a pesar de nuestras dificultades, somos merecedores de oportunidades.
- Cromosoma 5 (María Ripoll, 2013) 10, para entender la soledad del corredor de fondo ante los trastornos del neurodesarrollo.
- Gabrielle (Louise Archambault, 2013) 11, para intentar normalizar las relaciones afectivas y amorosas entre dos personas con enfermedades mentales y discapacidad.
- Línea de meta (Paola García Costas, 2014) 12, para interiorizar que la carrera de la vida es especialmente difícil para algunos.
Siete películas argumentales que el séptimo arte nos presenta con protagonistas afectos con diferentes trastornos del neurodesarrollo durante su infancia, adolescencia y juventud y que nos ayudan a comprender que cada persona es especial, diversa y con capacidades diferenciales que hay que respetar y potenciar.
1. Instrucciones sobre cómo
presentar la estadística en un
trabajo científico
Francisco Javier Barón López
baron@uma.es
http://www.bioestadistica.uma.es/baron
2. Francisco Javier Barón López 2
1 Introducción
Estamos acostumbrados a ver cómo la práctica totalidad de los artículos y
comunicaciones a congresos requieren del uso de algún tipo de estadísticas. Siendo muy
extenso el número de las técnicas estadísticas existentes, el objetivo de esta obra no
consistirá en exponer muchas en detalle, sino en destacar algunas de ellas, por lo
extendido de su uso, y explicar qué pasos deben seguirse para su utilización en la
redacción de un trabajo científico.
2 Estadística descriptiva
La primera tarea consiste siempre en describir los datos que tenemos, divididos en
tantos grupos como esté formado el estudio. Por ejemplo si estamos presentando los
resultados de un estudio realizados sobre individuos que han seguido uno de tres
posibles tratamientos dermatológicos, la presentación de los resultados descriptivos
debe hacerse para cada grupo por separado.
Por tanto, en primer lugar daremos unas ideas sobre la manera de presentar la estadística
descriptiva de los datos en un grupo, para pasar posteriormente a cómo presentar las
comparaciones de los resultados obtenidos en varios grupos.
2.1 Descriptiva de una variable
Normalmente en cada grupo de pacientes se suelen observar, no una sino varias
variables que pueden ser cualitativas, como sexo, tabaquismo o “presencia de
psoriasis”; o numéricas como edad, peso o Psoriasis Area and Severity Index (PASI).
2.1.1 Datos cualitativos
Decir que el 60% de los pacientes se curaron no es suficiente. No debemos
conformarnos con exponer simplemente los porcentajes. Hemos de dar información
suficiente como para saber qué número exacto de individuos presentó cada modalidad
3. Francisco Javier Barón López 3
de la variable. Un ejemplo de cómo presentar correctamente este tipo de datos sigue a
continuación, acompañado de la tabla de donde han sido obtenidos.
Se estudiaron 50 pacientes con de liquen plano asociado a prurito intenso
de más de un mes. Se les trató con enoxaparina y se evaluó el resultado tras
la primera semana de tratamiento. A 30 pacientes (60%) le desapareció el
prurito, 15 (30%) experimentaron mejoría, y los 5 restantes (10%) no
experimentaron ningún cambio.
Prurito tras una semana de uso de enoxaparina
30 60,0
15 30,0
5 10,0
50 100,0
Desaparece
Mejora
Sin cambios
Total
Válidos
Frecuencia Porcentaje
El espacio que ocupa una tabla de frecuencias es, como se ve, bastante grande, así que si
hay problemas de espacio en la redacción del trabajo, no se suele exponer (a menos que
sea necesario por claridad). Lo mismo ocurriría con los gráficos equivalentes, que para
variables cualitativas suelen ser diagramas de sectores o de barras (a elegir libremente)
como los siguientes:
No fumador
Ex-fumador
Fumador
Estado tabáquico
No fumador
25,00%
n=10
Ex-fumador
40,00%
n=16
Fumador
35,00%
n=14
4. Francisco Javier Barón López 4
2.1.2 Datos Numéricos.
Los datos numéricos no suelen presentarse como los cualitativos, a menos que la
variable numérica presente muy pocas modalidades. Lo habitual es presentar una serie
de medidas que los resuman, denominadas estadísticos, y cuya elección depende de la
distribución que presenten los datos.
45
40
35
30
25
20
15
Edad materna
50
40
30
20
10
0
Frecuencia
Media =30,09
Desviación típica =5,168
N =295
En múltiples ocasiones los datos presentan cierta distribución acampanada como la de la
figura adjunta, denominada distribución normal. En estos casos con sólo dos medidas,
como son la media y la desviación típica, tenemos resumida prácticamente toda la
Estado tabáquico
Fumador
Ex-fumador
No fumador
Recuento
20
15
10
5
0
5. Francisco Javier Barón López 5
información contenida en las observaciones. Así, la forma habitual de presentar los
resultados que se observan en la gráfica mencionada sería:
Las mujeres que habían tenido hijos formaban un grupo de 295 pacientes,
cuyas edades estaban distribuidas de forma aproximadamente normal, con
una media de 30,09 años y desviación típica de 5,17 años.
Como se ve es una forma de redactar que ocupa mucho menos espacio que el gráfico.
Por otro lado, es difícil decidir en ocasiones si los datos se alejan mucho o poco de una
distribución normal, y en este caso, es mejor dar alguna información adicional como el
mínimo y el máximo. En este caso los resultados podríamos exponerlos del siguiente
modo:
El grupo formado por las mujeres que habían tenido hijos estaba formado
por 295 pacientes con edades comprendidas entre los 16 y los 43 años,
siendo la media de 30,09 años y la desviación típica de 5,2 años.
Hay más estadísticos que podemos añadir en estas situaciones donde existe cierto
alejamiento de la normalidad, como son la asimetría y la curtosis (o apuntamiento).
Estos son estadísticos adimensionales (sin unidades). Su utilización indiscriminada haría
que un párrafo como el anterior, que de forma natural ya es farragosa, se haga aún peor.
De estos estadísticos debemos saber lo siguiente:
• Asimetría: Valores negativos (positivos) indican la presencia de una cola a la
izquierda (derecha) de la distribución.
• Curtosis o apuntamiento: Valores negativos indican datos que presentan un
menor grado de apuntamiento que la distribución normal. Es lo que suele ocurrir
cuando las observaciones se distribuyen con una cierta tendencia a la
uniformidad, desde el valor menor hasta el mayor. Valores positivos indican
apuntamiento.
Hay situaciones de claro alejamiento de la normalidad, por ejemplo cuando se observan
distribuciones que presentan largas colas u observaciones anómalas1
(outliers). En ese
caso, resumir los datos mediante medias y desviaciones típicas no es suficiente, y
debemos considerar medidas más resistentes a estas influencias.
1
Observaciones demasiado grandes o pequeñas con respecto al resto de valores.
6. Francisco Javier Barón López 6
Es frecuente encontrarnos con que haciendo alguna transformación a los datos,
recuperemos la normalidad. Un ejemplo de esta situación es cuando el histograma
presenta una larga cola a la derecha. A veces una transformación logarítmica de la
variable o la toma de una raíz cuadrada en variables que representen conteos, pueden
devolvernos a una situación próxima a la normalidad.
En otros casos debemos saber que presentar sólo la media y la desviación de las
variables no es suficiente, y debemos indicar la situación, acompañándola de otras
medidas:
• La mediana, que es aquel valor que deja la mitad de los datos por debajo de él.
Se puede presentar junto a la media para mostrar la diferencia entre ellas, pero
más frecuentemente se hace sustituyéndola.
• La media recortada, utilizada en datos preferentemente simétricos, con muchas
observaciones anómalas. Se obtiene eliminando un determinado porcentaje de
los datos menores y mayores.
150 160 170 180 190
0.00
0.01
0.02
0.03
0.04
0.05
150 160 170 180 190
25% 25% 25% 25%
Mín. P25 P50 P75 Máx.
Rango intercuartílico
Rango
En cuanto a las medidas de dispersión podemos sustituir la desviación típica por el
rango intercuartílico (IQR), que es la diferencia entre el tercer cuartil y el primero. El
primer cuartil (percentil 25, P25) deja al 25% de los datos por debajo de él y el tercer
cuartil (Percentil 75, P75) deja al 75%. Por tanto sabemos que en esa zona central que
tiene una longitud de un IQR, se encuentra el 50% central de las observaciones.
Cuando la muestra no parece tener una distribución normal, para obtener una idea
aproximada de la distribución de los datos, se acostumbra a mostrar un resumen en
cinco números, que son el valor mínimo, el primer cuartil, la mediana, el tercer cuartil,
7. Francisco Javier Barón López 7
y el valor máximo. Estas cantidades vienen reflejadas en el diagrama de cajas. Este
permite ver rápidamente si los datos son simétricos o si incluyen observaciones
anómalas. Su composición se basa en una caja cuyos extremos son el primer y tercer
cuartil (aproximadamente), con una marca interior para la mediana, y dos bigotes, cuya
misión es delimitar hasta donde podemos considerar los datos de las colas como no
anómalos. Cualquier valor que quede fuera de los bigotes es marcado como anómalo.
Cuando la muestra no parece tener una distribución normal, no debemos resumir la
descripción de la muestra en media y desviación típica. La mediana (percentil 50) da
una mejor idea del centro. Para dar una idea de cómo se distribuyen los datos a su
alrededor, se complementa con otras cantidades: mínimo, primer cuartil, tercer cuartil y
máximo, lo que forma un resumen en cinco números.
Estas cantidades vienen reflejadas en el diagrama de cajas de Tukey. Éste permite ver
rápidamente si los datos son simétricos o si incluyen observaciones anómalas. Su
composición se basa en una caja cuyos extremos son el primer y tercer cuartil
(percentiles 25 y 75 respectivamente), con una marca interior para la mediana, y dos
bigotes, cuya misión es delimitar hasta donde podemos considerar los datos de las colas
como no anómalos. Cualquier valor que quede fuera de los bigotes es marcado como
anómalo.
Un tipo de representación gráfica, que es muy útil para estudiar si unos datos sigue una
distribución normal (o cualquier otra), es la de los gráficos cuantil-cuantil (Q-Q). En
ellos se compara la distribución de los datos observados con respecto a una distribución
de referencia. Si los puntos aparecen más o menos alineados, es que ambas
distribuciones son similares. Las desviaciones con respecto a la distribución de
referencia se aprecian como desviaciones con respecto a una línea recta en el gráfico Q-
Q.
8. Francisco Javier Barón López 8
Aplanada
50 55 60 65
0.00
0.04
0.08
50 55 60 65
Normal
30 40 50 60 70 80 90
0.00
0.02
0.04
30 40 50 60 70 80 90
Apuntada
30 40 50 60 70 80
0.00
0.04
0.08
30 40 50 60 70 80
-2 -1 0 1 2
50
55
60
65
Q-Q: Faltan colas
Cuantiles normales
Cuantiles
muestrales
-3 -2 -1 0 1 2 3
30
40
50
60
70
80
90 Q-Q: Normal
Cuantiles normales
Cuantiles
muestrales
-3 -2 -1 0 1 2 3
30
40
50
60
70
80
Q-Q: Sobran colas
Cuantiles normales
Cuantiles
muestrales
Ejemplo: En un estudio sobre psoriasis de 40 individuos, se obtuvieron los siguientes
resultados al medir el indicador “Psoriasis Area and Severity Index” (PASI).
Estadísticos
pasi
40
0
26,88
24,00
10,773
,635
,374
-,789
,733
15
48
18,00
24,00
34,00
Válidos
Perdidos
N
Media
Mediana
Desv. típ.
Asimetría
Error típ. de asimetría
Curtosis
Error típ. de curtosis
Mínimo
Máximo
25
50
75
Percentiles
9. Francisco Javier Barón López 9
Los datos presentan cierta asimetría positiva que la alejan de la normalidad. Cualquiera
de las siguientes alternativas podría ser suficiente para presentar los resultados.
La variable PASI presentaba valores comprendidos entre 15 y 48, con
cierta asimetría positiva (0,635) y aplanamiento (curtosis=-0,79). El valor
medio de PASI fue de 26,9 (desviación típica=10,8).
Otra posibilidad sería la siguiente.
Segunda opción: La variable PASI presentaba valores comprendidos entre
15 y 48, con cierta asimetría positiva (0,635). Los cuartiles tomaron los
valores: 18; 24 y 34.
Una última forma más simple de presentar la información (sobre todo cuando queremos
comparar diferentes grupos) sería:
La variable PASI presentaba una valor mediano de 24, con un rango
intercuartílico de 16.
PASI
50
40
30
20
10
F
r
e
c
u
e
n
c
i
a
10
8
6
4
2
0
10. Francisco Javier Barón López 10
2.2 Estadística descriptiva bivariante
Si resumir la información de una variable es de por sí interesante, en investigación lo es
mucho más el poner de manifiesto la posible relación entre dos de ellas. Para ello
realizamos estudios donde intervienen ambas variables simultáneamente. Según sean los
tipos de cada una de ellas usaremos técnicas diferentes.
2.2.1 Categórica-categórica
Cuando ambas variables son categóricas (o discretas con pocas modalidades), se suele
presentar las observaciones en una tabla de contingencia. Esta es una tabla de doble
entrada donde se presentan la distribución de frecuencias conjunta de las dos variables.
Con ellas podemos estudiar si existe asociación entre ambas. Cuando no hay asociación,
la distribución de porcentajes de una de las variables es similar para cada valor de la
otra.
Adicionalmente, se suele presentar un estadístico (chi-cuadrado) que nos proporciona
una idea del grado de asociación. Si el estadístico no toma un valor “muy grande”, se
considera que no hay asociación entre ambas. Pero, ¿cómo saber cuando un valor del
estadístico chi-cuadrado es grande? Para ello se acompaña de un valor, denominado
significación, del que hablaremos más adelante. En general es costumbre admitir que los
valores de un estadístico no se pueden considerar “extremos”, a menos que su
significación sea inferior a 0,05.
Ejemplo: En un estudio sobre la efectividad de un fármaco se deseaba evaluar la
mejoría de los pacientes. Para ello se formó dos grupos de pacientes, donde por azar, se
les decidía aplicar bien el tratamiento, o bien un placebo (grupo de no intervención)
La tabla de contingencia adjunta muestra los resultados. El valor del estadístico chi-
cuadrado fue de 4,28, con una significación de 0,028.
Tabla de contingencia Grupo * Resultado experimentado por el paciente
111 24 135
82,2% 17,8% 100,0%
117 11 128
91,4% 8,6% 100,0%
228 35 263
86,7% 13,3% 100,0%
Recuento
% de Grupo
Recuento
% de Grupo
Recuento
% de Grupo
No intervención
Intervención
Grupo
Total
Mejora No mejora
Resultado
experimentado por el
paciente
Total
11. Francisco Javier Barón López 11
La forma de exponer los resultados de forma puramente descriptiva sería la siguiente.
El grupo de intervención estaba formado por 128 pacientes frente a 135 del
grupo control. Se observó en el grupo de intervención una mejoría en el
91,4% de los casos (117 pacientes), notablemente superior al 82,2% (111
pacientes) conseguido en el grupo de control.
En la práctica, es muy extraño que no se ofrezca, al mismo tiempo, una medida sobre lo
diferente que son ambos porcentajes. Por ello, aún a riesgo de adelantar conceptos que
se exponen más adelante, indicamos que lo habitual sería expresar el resultado de un
modo más completo de la siguiente forma:
El grupo de intervención estaba formado por 128 pacientes y 135 el grupo
de control. Se observó en el grupo de intervención una mejoría en el 91,4%
de los casos (117 pacientes), notablemente superior al 82,2% (111
Intervención
No intervención
No mejora
Mejora
Resultado experimentado por el paciente
12. Francisco Javier Barón López 12
pacientes) conseguido en el grupo de control. La diferencia es
estadísticamente significativa (chi-cuadrado = 4,81; p=0,028).
2.2.2 Categórica-Numérica
Supongamos que tenemos datos numéricos para varias categorías. Un ejemplo
consistiría en un experimento donde hacemos mediciones numéricas en dos grupos:
tratamiento y control. Podemos describir los resultados del experimento con sólo dos
variables: Una variable categórica que representa el grupo de tratamiento, y otra que
representa el resultado numérico
En estos casos, lo que se realiza es un estudio descriptivo de la variable numérica en
cada una de las muestras (como se hizo anteriormente) y comparamos los resultados.
Si queremos presentar la comparación gráficamente, la opción más sencilla consiste en
enfrentar los diagramas de caja generados para cada categoría de la variable categórica.
Ejemplo: Se quiere comparar la efectividad de un tratamiento en el alivio de la psoriasis
cuando se aplica a pacientes que se encuentran con un ataque agudo. Para ello se
observa el índice PASI de 40 pacientes en la primera consulta, tras el inicio de la fase
aguda y se les asigna aleatoriamente a uno de dos grupos de tratamiento, cada uno
formado por el mismo número de individuos. En uno de ellos (controles) se aplica el
fármaco habitual, mientras que en el segundo se aplica, además del fármaco habitual, un
medicamento experimental. Tras 6 semanas de tratamiento se mide de nuevo el valor de
PASI. El efecto que ha tenido el tratamiento se observa en una variable que es calculada
como la diferencia entre los valores medidos en ambos momentos.
Con gran frecuencia, estas variables, que son calculadas como las diferencias o cambios
observados en cada paciente, tienen tendencia a presentar distribución normal. Una
justificación, viene de la eliminación de ciertas fuentes de variabilidad que son
perjudiciales para la normalidad: Cuando sólo se mide a las variables en un instante de
tiempo, debido a que hay muchos factores que influyen enormemente en la variable que
se mide y además estos se presentan de forma muy dispar en cada individuo, podemos
encontrarnos con distribuciones muy asimétricas, y por tanto alejadas de la normalidad.
La suma de estos efectos a nivel de individuo suele quedar corregida al utilizarse a cada
individuo en tiempos diferentes para medir la diferencia entre dos momentos (efecto del
tratamiento). Esta es una situación ideal para presentar los resultados de ambos grupos
como media y desviación típica. Los resultados de la comparación podrían formularse
como sigue:
El grupo experimental experimentó una mejoría media en PASI de 12
puntos (desviación típica=10) frente a los 8 puntos (desviación típica=11)
del grupo de control.
13. Francisco Javier Barón López 13
En estas comparativas debe destacarse adicionalmente, si la diferencia observada es
interesante desde el punto de vista clínico. Otra cuestión que trataremos más adelante,
es si la diferencia observada es además significativa desde un punto de vista estadístico.
2.2.3 Numérica-Numérica.
Cuando hablamos de comparar dos variables numéricas, pensamos en establecer la
posible relación entre ellas. La vía más directa para estudiar la posible asociación,
consiste en inspeccionar visualmente un diagrama de dispersión (nube de puntos).
Con ella se pretende buscar patrones en los datos.
Uno de los patrones más básicos para reconocer, es el de las tendencias lineales, que es
lo que ocurre cuando los puntos del diagrama tienden a no alejarse demasiado de una
línea recta. Otro tipo de patrones pueden ser reconocibles, como sería la aproximación a
una curva cuadrática.
Si reconocemos una tendencia como las mencionadas, es una indicación de que puede
valer la pena explorar con más profundidad dichas relaciones con modelos que incluyan
tal vez más variables. Si es el caso, puede interesarnos proseguir con un análisis de
regresión múltiple.
Desde un punto de vista puramente descriptivo, el estadístico más interesante (en la
mayoría de los casos) donde sólo se explora la posible asociación lineal entre dos
variables numéricas, es el coeficiente de correlación lineal de Pearson. Este nos indica
con signo positivo si hay una relación directa entre ambas variables. Análogamente,
valores negativos, indican relación inversa. Los valores cercanos a cero son muestras de
Grupo
Tto. habitual
Tto. habitual+nuevo medicamento
0,0
-5,0
-10,0
-15,0
-20,0
-25,0
-30,0
Cambio en PASI a
las 6 semanas
14. Francisco Javier Barón López 14
ausencia de relación lineal, mientras que los cercanos a 1 ó -1 indican una buena
relación lineal.
Hay otra forma de exponer la relación existente entre dos variables, y que se extiende
más allá del caso de la simple relación lineal entre dos variables. Se puede utilizar para
describir cualquier otro tipo de relación (cuadrática, cúbica, etc.) En estos casos se
utiliza un coeficiente que se suele escribir como R2
, y al que se le denomina como
porcentaje de variabilidad explicado o bondad de ajuste. Toma valores entre 0 y 1,
pero también lo solemos encontrar expresado en porcentaje. Además sirve para explicar
relaciones no sólo entre dos, sino entre múltiples variables. En el caso del modelo lineal,
R2
no es más que el coeficiente de correlación lineal al cuadrado.
Ejemplo: Continuando con el ejemplo anterior, se evaluó durante las 6 semanas de
tratamiento, no sólo el cambio producido en la variable Psoriasis Area and Severity
Index (PASI), sino también “Dermatology Life Quality Index”, DLQI. Los resultados se
observan en la gráfica adjunta, siendo el coeficiente de correlación de r=0,17, lo que
supone un valor de R2
=0,029
Cambio en PASI a las 6 semanas
0,0
-5,0
-10,0
-15,0
-20,0
-25,0
-30,0
0,00
-5,00
-10,00
-15,00
-20,00
-25,00
Tto. habitual
Tto. habitual+nuevo
medicamento
Grupo
Cambio en DLQI a las 6 semanas
15. Francisco Javier Barón López 15
Esto se corresponde con una ligerísima asociación directa entre los cambios producidos
en ambas variables en ese periodo, pero que desde el punto de vista práctico es
irrelevante. Podríamos expresarlo del siguiente modo:
El coeficiente de correlación de Pearson tomó un valor r=0,17 (p=0,34); lo
que nos indica que no existe una asociación lineal entre los cambios
producidos en PASI y DLQI
En el párrafo anterior hemos introducido un p-valor que contrasta la hipótesis de no
asociación entre las variables. Sobre p-valores hablaremos más adelante.
De forma equivalente podemos utilizar R2
, para expresar lo mismo en un lenguaje
ligeramente diferente:
El porcentaje de variabilidad explicado en la variación de DLQI por la
variabilidad de PASI fue de tan sólo R2
=2,9%. Por tanto el efecto de los
tratamientos se expresaba en cada índice de modo independiente.
3 Estimación y contrastes de hipótesis
Con frecuencia, queremos hacer algo más que describir los resultados con unos
pacientes. Buscamos poder extender los resultados a alguna población más general de la
que se supone que los individuos de la muestra son una representación. A veces, dadas
las limitaciones que nos encontramos, es difícil imaginar cuál es esta población sobre la
que se podrían inferir conclusiones. Como nuestro objetivo no es más que ayudar a
presentar los resultados del análisis estadístico, de ahora en adelante supondremos que
esta es una cuestión resuelta por el investigador.
3.1 p-valores
Para presentar los resultados disponemos de varias posibilidades, de la que la más
común es la presentación de p-valores (significación estadística). Un p-valor es una
cantidad que mide la evidencia en contra de la hipótesis nula. Esta última afirma que
no hay ningún patrón interesante en los datos, como por ejemplo la no existencia de
diferencia entre grupos de tratamiento. La forma habitual con la que nos lo encontramos
suele ser:
16. Francisco Javier Barón López 16
Los resultados anteriores muestran que hay diferencias significativas entre
los grupos de tratamiento (p=0,003)
A la hora de suministrar los p-valores significativos, debemos utilizar al menos 3 cifras
decimales de precisión. Cuando p es muy pequeño es posible indicarlo de forma más
breve escribiendo por ejemplo p<0,001.
Poco a poco se ha ido extendiendo la costumbre de aceptar que, p-valores inferiores a
0,05 indiquen evidencia estadísticamente significativa a favor de diferencias entre
tratamientos, pero vamos a observar las siguientes cuestiones sobre su uso:
• Especialmente en estudios con grandes muestras, los p-valores suelen ser
extremadamente pequeños, sin que por ello las diferencias numéricas que
observe el médico sean en la práctica (clínicamente) significativas. Es posible
que no queramos considerar entonces las diferencias como relevantes.
• Cuando los p valores son grandes (p>0,05), seguramente no consideremos las
diferencias como estadísticamente significativas, pero eso no quiere decir que no
lo sean desde un punto de vista clínico. Esto es especialmente cierto cuando las
muestras en estudio son pequeñas.
• No debemos considerar que un p-valor grande es una prueba de que los
tratamientos en comparación son equivalentes. Para esto hay pruebas
específicas, denominadas de equivalencia de tratamiento. La no evidencia de la
ausencia de efecto no tiene nada que ver con la evidencia de la ausencia.
3.2 Intervalos de confianza y errores típicos
Mejor que ofrecer p-valores, es ofrecer intervalos de confianza, sobre todo si los
tamaños muestrales son muy grandes, pues en ese caso, es sencillo obtener p-valores
muy pequeños (estadísticamente significativos), sin que por ello tengan significación
clínica. El suministro de intervalos de confianza permite juzgar si este es el caso.
Cuando esto es muy engorroso o no es posible, se pueden sustituir por errores típicos o
algunos estadísticos de interés que permitan al lector obtener la información que le
interese para juzgar lo interesante (desde el punto de vista práctico) de las diferencias
observadas.
3.3 Tablas de contingencia
Si el resultado del estudio que estamos haciendo es dicotómico, se espera que los
resultados obtenidos en la muestra los ofrezcamos como porcentaje, y por tanto, las
cantidades a estimar en la población deben corresponderse a un intervalo de confianza,
alrededor de dicho porcentaje. Sin embargo, normalmente estos porcentajes no son
calculados en un sólo grupo de pacientes, lo que no permite estimarlos facilmente.
Cuando la tabla de contingencia no es de dimensiones 2x2, no hay mucho más que
hacer que mostrarla y referir la significación del estadístico chi-cuadrado. Hemos de
tener cuidado con las tablas grandes, pues es frecuente que una buena cantidad de
17. Francisco Javier Barón López 17
casillas tenga frecuencias esperadas inferior a 5, lo que invalida las aproximaciones que
suelen estar programadas, y los programas de análisis suelen especificarlo. En estos
casos debemos utilizar las pruebas exactas, que normalmente pueden usarse para tablas
de dimensiones no muy grandes, dependiendo del software y del ordenador que usemos.
Si la situación no es evitable, debemos considerar redefinir las variables.
En el caso de tablas 2x2 hay más información que deberíamos ofrecer además de la
significación, y a eso está dedicado el resto de la sección.
En el caso de que se trate de comparar los porcentajes en sólo dos grupos, lo más
conveniente es ofrecer junto a los porcentajes de cada grupo, el valor del estadístico z
para la diferencia de proporciones, que no es más que la raíz del estadístico chi-
cuadrado en este caso. Así, retomando un ejemplo anterior, y donde queremos remarcar
que lo que nos interesa realmente es la diferencia entre dos proporciones, podríamos
presentar los resultados del siguiente modo:
Tabla de contingencia Grupo * Resultado experimentado por el paciente
111 24 135
82,2% 17,8% 100,0%
117 11 128
91,4% 8,6% 100,0%
228 35 263
86,7% 13,3% 100,0%
Recuento
% de Grupo
Recuento
% de Grupo
Recuento
% de Grupo
No intervención
Intervención
Grupo
Total
Mejora No mejora
Resultado
experimentado por el
paciente
Total
El grupo de intervención estaba formado por 128 pacientes frente a 135 del
grupo control. Se observó en el grupo de intervención una mejoría en el
91,4% de los casos (117 pacientes), significativamente superior al 82,2%
(111 pacientes) del grupo de control (z=2,2; p=0,028).
Otro tipo de pruebas con variables cualitativas que también conduce a una tabla de
doble entrada de dimensiones 2x2, es aquel en el que se observa la misma variable
dicotómica (síntomas presentes/ausentes) en un sólo grupo de individuos, pero se hace
en dos ocasiones diferentes para saber si los pacientes han evolucionado con el tiempo.
En este caso se utiliza la prueba de McNemar. Un ejemplo de uso sería el siguiente,
donde se estudia si un grupo de individuos muy sensibles a la luz solar tiene tendencia a
cambiar en 2 años consecutivos.
18. Francisco Javier Barón López 18
Tabla de contingencia Irritaciones verano 2006 * Irritaciones
verrano 2007
Recuento
40 16 56
4 80 84
44 96 140
No
Sí
Irritaciones verano
2006
Total
No Sí
Irritaciones verrano
2007
Total
Se estudiaron 140 pacientes durante dos años consecutivos. De los 56
pacientes que no presentaron irritaciones el primer verano, 16 (28,6%) si lo
presentaron el segundo, mientras que sólo 4 de los 44 (9,1%) que no
presentaron problemas el segundo verano, lo presentaron el primero. Esto
muestra un empeoramiento en la condición del primer al segundo año,
siendo la diferencia estadísticamente significativa (Mc Nemar p=0,012).
Otra forma de enunciarlo, más clara, pero que no refleja tan directamente lo que se
contrasta en la prueba de Mc Nemar, que son los cambios de status en diferentes
momentos, sería:
Se estudiaron 140 pacientes durantes dos años consecutivos. El 60%
presentaba irritaciones el primer año, porcentaje que aumentó al 68,6% el
segundo año. La diferencia es estadísticamente significativa (McNemar
p=0,012).
3.4 Comparando medias en varios grupos
En el caso de que estudiemos variables de distribución aproximadamente normal, lo
más adecuado es que las comparaciones entre grupos lo hagamos basándonos en
estimaciones de la media dentro de cada grupo. En realidad lo podemos extender a
distribuciones que presenten cierta asimetría, siempre que estas no sean muy grandes, y
vayan acompañadas de un tamaño muestral que lo compense.
Cuando sea posible se espera un intervalo de confianza asociado a las medias, aunque
esto no siempre es interesante, sobre todo cuando se está comparando los resultados de
un tratamiento en múltiples grupos de pacientes. En cualquier caso, siempre que se trate
de hacer inferencia, y tratándose de medias, hay que ofrecer una cantidad con cada una
denominada error típico. Este nos da una idea de la precisión de la estimación en cada
grupo de tratamiento. Cuando las medias en los grupos queden reflejadas en una gráfica
a efecto de comparaciones, hemos de intentar acompañarlas de las respectivas barras de
error, aclarando si las estamos eligiendo del tamaño de un error típico, cuando se intenta
reflejar este directamente, o bien, dos errores típicos, si intentamos reflejar cierta noción
19. Francisco Javier Barón López 19
de intervalo de confianza al 95%. Aunque no hay que engañarse en este último caso,
pues estos intervalos no son reales.
Retomemos de nuevo un ejemplo anterior, donde se observaba la variable cambio en
PASI tras 6 semanas de tratamiento para dos grupos de pacientes. Si nuestra intención
es comunicar diferencias de efecto entre grupos, la forma de hacerlo gráficamente
podría ser la siguiente
Los intervalos muestran la media +/- 1,0 errores típicos
Tto. habitual+nuevo medicamento Tto. habitual
Grupo
-12,0
-10,0
-8,0
Camb
io
en
PASI
a
las
6
seman
as
]
]
Para comunicar lo mismo en una tabla lo haríamos del siguiente modo:.
Grupo Tamaño del grupo Media±E. Típico
Tratamiento habitual
(controles)
20 -8,7±2,0
Tratamiento habitual
+medicamento (experimental)
20 -11,6±1,3
Una vez que exponemos las estimaciones de la media en cada grupo, trataremos de
aplicar contrastes que tratan sobre si los efectos medidos en cada grupo de tratamiento
son similares.
3.4.1 Comparando dos medias: t-student
Cuando el número de grupos a comparar es dos (como en el último ejemplo) se utiliza la
prueba t-student. De nuevo hay que recordar que estamos utilizando esta prueba porque
20. Francisco Javier Barón López 20
admitimos un cierto grado de normalidad en los datos. Debemos hacer mención
(normalmente en la sección Material y Métodos), sobre cómo comprobaremos esta
posibilidad (normalmente usando métodos gráficos como los Q-Q, o bien usando
directamente contrastes de normalidad, como el del Kolmogorov-Smirnov), y también
mencionar qué hubiésemos hecho en caso de no ser cierta, lo que consiste normalmente
en aplicar una prueba no paramétrica (como la de Mann-Whitney o la de Wilcoxon). Se
podría redactar el resultado como sigue:
En el grupo de control se experimentó una reducción media de PASI de 8,7
(ET=2), y en el grupo experimental de 11,6(ET=1,3). La diferencia de
efecto medio fue 2,9 (ET=2,42) a favor del grupo experimental, no siendo
estadísticamente significativa (t=1,19;p=0,238).
Este último es un ejemplo de un resultado no significativo. Es frecuente que se
expliquen con más detalles los resultados significativos, y el resto, se agrupen bajo una
expresión más general y se expongan todos en la misma frase como sigue:
No se observó diferencias significativas para el resto de variables y
tratamientos (p>0,2).
El valor de p mostrado, es uno que cubre a todos los p de esos resultados no
significativos. Esta frase resumen, no se utiliza para aquellos resultados que estén en el
límite de la significación (por ejemplo p=0,071), sino que se hace a partir de algún valor
de significación muy grande (como el mostrado).
3.4.2 Comparando tres o más medias: ANOVA
Cuando hay más de dos grupos de tratamiento, tenemos la posibilidad de utilizar la
prueba ANOVA. Esta no sólo requiere la normalidad, sino que no haya diferencias de
variabilidad muy grandes en cada grupo. Como en el caso anterior debemos mencionar
en la sección Material y Métodos cómo verificaremos la validez de las premisas (que en
el caso de la igualdad de variabilidad puede ser la prueba de Levene), y qué alternativa
usaremos en caso de que no se cumpla, que normalmente consiste en aplicar la prueba
no paramétrica de Kruskal-Wallis.
En este caso, el p-valor muestra la evidencia que hay en contra de que las medias de
todos los grupos de tratamiento son iguales. Si se rechaza esta hipótesis (p<0,05 como
es habitual), pasaremos a contrastar qué grupos de tratamiento son los responsables de
este rechazo. Estos son los análisis post-hoc de los resultados de ANOVA. Hay
múltiples contrastes a utilizar, dependiendo de las características de las muestras:
Diferencia Honestamente Significativa de Tukey, Scheffé, Dunnet…
21. Francisco Javier Barón López 21
3.4.3 Contrastes no paramétricos
Los contrastes no paramétricos suelen ser menos potentes que los anteriores, es decir,
tienen mayor riesgo de no mostrar resultados significativos, cuando en realidad si hay
diferencia entre los grupos de tratamiento. A cambio tienen la ventaja de que los
requerimientos que se necesitan se cumplen casi siempre en los estudios médicos.
Los utilizamos para comparar valores de variables numéricas en varios grupos, cuando
la aproximación mediante el uso de medias no ha sido posible. En este caso los
resultados de cada grupo de tratamiento no los expresaremos en formas de media±error
típico, sino ofreciendo la mediana y rango intercuartílico de cada grupo, además del
valor obtenido en el contraste de significación. Un ejemplo de cómo presentar los
resultados sigue a continuación:
Grupo Tamaño del grupo Mediana±IQR
Tratamiento habitual
(controles)
20 -7±12
Tratamiento habitual
+medicamento (experimental)
20 -11,5±8,5
No se encontró que el grupo experimental tuviese resultados
significativamente diferentes de los controles (Wilcoxon p=0,103)
22. Francisco Javier Barón López 22
4 Guía para elegir el contraste adecuado para variables numéricas