1

UNIDAD 4. ENTENDIENDO ESTADSTICAS PARA

MEDICINA BASADA EN EVIDENCIAS DE DUDAS
TERAPUTICAS
OBJ ETI VOS DE APRENDI ZAJ E
Comprender e interpretar indicadores estadsticos en literatura cientfica para aplicar en la
toma de decisiones.
ACTI VI DAD DE APRENDI ZAJ E 1

1. Lea el texto que se presenta a continuacin utilizando las tcnicas de lectura comprensiva,
sistemtica y elabore resmenes o cuadros sinpticos.
2. Identifique los indicadores estadsticos que se adjuntan en los resmenes y artculos
cientficos proporcionados por el tutor.
3. Analice los indicadores de efectividad o eficacia de los artculos proporcionados utilizando
el grfico de anlisis de direccin y fuerza del efecto y la significacin estadstica de los
mismos.


1. INTRODUCCN AL ANLISIS DE DATOS

La compresin de indicadores estadsticos y la interpretacin de los resultados de un
artculo cientfico constituyen un gran reto para el desarrollo de las habilidades de lectura
comprensiva y del anlisis crtico. Cada tabla o figura debera ser evaluada
preguntndose Qu pienso que significa realmente? La discrecin es la palabra clave:
resultados grandes, excitantes o inesperados son extremadamente raros. En contraste,
estudios defectuosos y hallazgos equivocados son mucho ms comunes. Los resultados
deben ser abordados con cuidado para evaluar su significancia o confiabilidad y para
observar posibles peligros en el anlisis.

Esta unidad presenta las ideas fundamentales para interpretar resultados y evaluar si los
resultados fueron adecuadamente procesados y analizados.
2. CONCEPTOS BSICOS

Variable: Un proceso de la realidad que cambia o varia de sujeto a sujeto.
Es una variacin a ser medida.
Valor: Son los elementos concretos de la variable.
Opcin: Valor preciso de una variable.
Parmetro: Valores de la poblacin.
Estimador: Valores de la muestra.
Muestra: Parte o subconjunto de la poblacin.
Poblacin: Conjunto de unidades relevantes de la poblacin.


2

3. EVALUACIN DEL DISEO DE ANALISIS Y DEL
ANLISIS DE DATOS

3.1. REVISIN DEL DISEO DE ANLISIS DE DATOS

Antes de revisar las tablas o grficos se debe primero leer como el autor analiz los datos
en la seccin metodologa. En este captulo debe constar el diseo del anlisis en el cual
se debe considerar el diseo de la investigacin, por lo que es necesario revisar las
hiptesis u objetivos del estudio y analizar si el anlisis corresponde a las mismas.

Si la hiptesis u objetivo es descriptivo, se debe realizar anlisis univarial, pero si es
explicativo o de asociacin se deber haber realizado anlisis bivarial o multivarial. En
este segundo caso es importante reconocer como se clasificaron las variables de acuerdo
a su ubicacin causal, Cul o cules son dependientes (o efecto) y cules
independientes (factores de riesgo o exposiciones)? y dentro de estas cul es la variable
antecedente simple o causal directa, las intervinientes (cofactores y moderadoras o
interaccin) y las perturbadoras, etc.

Analice si el diseo planteado coincide con las tablas y grficos, considerando la
exposicin, los efectos y los potenciales variables de confusin o perturbadoras y
variables moderadoras.

Observe como se definieron los subgrupos y categoras de cada una de las variables. Las
forma de estructurar subgrupos se debe basar en: i) los conocimientos que se tiene sobre
el objeto de estudio, ii) las hiptesis biolgicas de importancia y iii) de la manera en que
el estudio va a ser (o fue) conducido. Los estudios tienen mayor posibilidad de ser tiles si
el anlisis toma en cuenta asociaciones y pruebas de hiptesis, basadas en la biologa
ms que en la mecnica (o electrnica), comparando toda posible exposicin (variable
independiente) con cada dao o efecto posible (variable dependiente).

3.2. EVALUACIN DEL ANLISIS DE DATOS
3.1.1. REGLAS PARA LEER EL ANLISIS DE DATOS

Tres son las reglas ms importantes a seguir en la lectura del anlisis de datos:

1. El anlisis de datos debe ir desde lo simple a lo complejo, las tcnicas de anlisis
sofisticadas no pueden reparar una informacin de mala calidad (mala representatividad,
sesgo sistemtico, sesgos por falta de respuestas de los encuestados). Por ello es
importante primero analizar la informacin ms simple.

2. Evaluar la consistencia de la informacin, que implica evaluar la presencia de valores
imposibles, duplicados, datos extraos y el porcentaje de no respuesta (datos en blanco).

3
Tanto las tablas simples como la representacin grfica permiten observar los valores que
difieren ostensiblemente del resto (valores extraos o fuera de rango) y los llamados
valores imposibles.
Los valores extraos y los fuera de rango son aquellos que es posible encontrar
pero que no se esperaran encontrar, por ejemplo valores de hemoglobina
menores de 5 o edad mayor de 80 aos.
Los valores imposibles son aquellos cuya existencia no es factible. Por ejemplo,
cuando se estudia la variable sexo se esperan solo dos cdigos: M para masculino
y F para femenino y no otra letra como G o N. La importancia de estos valores
extraos radica en que pueden alterar los resultados estadsticos (asociacin,
significacin, estimacin) pudiendo modificar la interpretacin de los resultados.

El evaluar si la informacin es correcta y limpia de errores es ms importante que
proceder a analizar las pruebas estadsticas sofisticadas. Una elevada proporcin de
datos en blanco (missing value) es una importante fuente de sesgo que con frecuencia
es considerada al evaluar la validez de las investigaciones. Es necesario primero
determinar el porcentaje de no respuestas dentro de cada variable, y apreciar si esto
afecta a los resultados; obviamente con las variables fundamentales de estudio no se
debera aceptar un alto porcentaje de no respuestas.

3. Evaluar el uso adecuado de las tcnicas estadsticas. Para cumplir este objetivo a
continuacin se presentan los elementos necesarios para poder evaluar si el anlisis de
datos se hizo o no adecuadamente.

3.1.2. TIPOS DE ANLISIS DE DATOS

El anlisis de informacin se puede clasificar de varias formas, las mismas que no son
excluyentes:

A AN N L LI IS SI IS S D DE ES SC CR RI IP PT TI IV VO O E E I IN NF FE ER RE EN NC CI IA AL L
Descriptivo

Es el anlisis de las caractersticas de las variables en la muestra (anlisis univarial) y la
explicacin de las relaciones entre variables (anlisis bivarial o multivariado). El anlisis
estadstico se puede hacer en muestras en muestras o en la poblacin (cuando se trabaja
con censos).

Con mucha frecuencia se diferencia descripcin de explicacin, pero en Estadstica el
anlisis descriptivo abarca las dos actividades: la descripcin de las caractersticas de las
variables y la explicacin de sus relaciones.

Inferencial

Este anlisis se refiere a como pasar de los hallazgos de la muestra a sacar conclusiones
en el universo. Incluye la estimacin y la significacin estadstica.



4
A AN N L LI IS SI IS S U UN NI IV VA AR RI IA AL L Y Y M MU UL LT TI IV VA AR RI IA AL L

Anlisis univarial se refiere al anlisis de una sola variable, puede ser descriptiva o
inferencial. Los objetivos del anlisis univarial son resumir y presentar la informacin de
cada variable individual.

Multivarial se refiere al estudio (descriptivo e inferencial) de dos o ms variables. En este
texto se diferencia anlisis bivarial (dos variables) de multivarial (ms de dos variables),
por las caractersticas y tcnicas particulares que estas dos modalidades presentan.


A AN N L LI IS SI IS S C CA AU US SA AL L, , F FA AC CT TO OR RI IA AL L Y Y C CL LA AS SI IF FI IC CA AT TO OR RI IO O

En los estudios epidemiolgicos y clnicos experimentales, cohorte, casos testigo o de
corte transversal se estudia con ms frecuencia la relacin causa efecto de dos o ms
variables. Este tipo de estudios necesitan un anlisis causal bivarial o multivarial.

4. EVALUACIN DE USO DE LAS TCNICAS DE
ANLISIS BIVARIAL

Para efectos de evaluacin de la eficacia o efectividad de intervenciones teraputicas en
esta unidad se enfatiza la comprensin de medidas estadsticas bivariales. Por lo que,
despus de haber revisado la distribucin de las variables claves de inters (anlisis
univarial), revise los cruces de variables. El conocimiento de las distribuciones simples y
de los cruces de variables garantiza la comprobacin de hiptesis.


Al igual que en el anlisis univarial, la eleccin del tipo y tcnicas de anlisis bivarial
depende de los objetivos de la investigacin, del tipo de datos que se estudian y de la
audiencia a la que va dirigida la investigacin. Adems de lo anterior, el uso de tcnicas
especificas de anlisis bivarial depende de: el tipo de variables que se manejan
(cuantitativas o cualitativas), su lugar en el estudio como variable independiente o
dependiente y el tipo de distribucin que tienen (normal, sesgada, leptocrvica, etc.).

Las tcnicas de anlisis pueden ser grficas o matemticas.

Para el anlisis matemtico bivarial se debe realizar dos tipos de pruebas estadsticas:
Medidas de asociacin o relacin, que son medidas descriptivas
Medidas de anlisis inferencial: de estimacin y de significacin estadstica.

Existen cuatro alternativas de anlisis bivarial:
1. Cuando las dos variables la independiente y dependiente son cualitativas
2. Cuando se cruza una variable independiente cuantitativa y la dependiente es
cualitativa
3. Cuando de cruza una variable independiente cualitativa y la dependiente
cualitativa
4. Cuando las dos variables con cuantitativas

5
En los estudios epidemiolgicos y clnicos, cuando se relacionan dos variables con
frecuencia se buscan relaciones causales. Para poder apreciar el grado de relacin que
tienen dos variables entre si, las ms importantes y usuales medidas son las que se
muestran en la siguiente tabla:


Variable dependiente
CUALITATIVA CUANTITATIVA
Variable
Independiente
CUALITATIVA

Coeficientes de
asociacin (RR,OR, RA,
NNT)
Diferencias de
medias o medianas.
CUANTITATIVA Regresin logstica

Regresin (r),
Correlacin ().

4.1.1. COEFICIENTES DE ASOCIACIN

El anlisis de la relacin de dos variables cualitativas se puede hacer mediante el clculo
de porcentajes en una tabla o mediante los coeficientes de asociacin.
Para el clculo de porcentajes en una tabla es necesario recordar algunas reglas bsicas
para evaluar el anlisis bivarial (cruces) entre dos variables cualitativas:
Identificar cual es la variable dependiente y cual la independiente. La variable
independiente en el ejemplo siguiente es FUMA (filas) y la dependiente es
CANCER DE PULMON (columnas).
El clculo de porcentajes debe ser en el sentido de la variable independiente. En el
ejemplo a continuacin se calcul los porcentajes en el sentido de las filas (fuma) y
el anlisis se hace comparando los resultados en el sentido contrario al calculado.


Ejemplo: Asociacin Tabaco y Cncer de Pulmn

FUMA CA. PULMON TOTAL
SI NO
No % No %
Si 40 90 10 20 50 100%
No 10 20 40 80 50 100%
TOTAL 50 100 50 100 100 100%

Aunque se calcul los porcentajes en sentido horizontal es decir en el sentido de la
variable independiente (FUMAR), pero para el anlisis se compara el porcentaje de
hombres que fuman con el de mujeres que fuman. En este ejemplo, se puede decir que
los que fuman tienen porcentaje ms alto de Cncer de Pulmn (90%) que los que no
fuman (20%).

Cuando se trata de tablas de dos por dos se debe calcular coeficientes de asociacin.
Estos coeficientes se clasifican en dos grupos
1. Coeficientes de producto cruzado: Riesgo Relativo, Razn de Productos Cruzados,
Diferencia de Riesgo.
2. Coeficientes basados en Chi cuadrado: Pearson, Tschuprow, CramerV
6

En este curso se revisarn solamente los Coeficientes de Producto Cruzado.

Medicin del efecto

En el ejemplo anterior el objetivo del estudio era evaluar el riesgo o proteccin. Cuando se
trata de medir la eficacia de un medicamento lo ms comn es que los ensayos clnicos
controlados midan la incidencia de algn evento en los grupos de individuos seguidos en
un determinado lapso y que este evento se exprese de manera dicotmica (es decir, la
presencia o no del desenlace: infarto al miocardio, recurrencia de una neoplasia, muerte,
etc.) como la proporcin de sujetos que llegan a presentarlo.

Para entender mejor el anlisis de efecto a continuacin se desarrolla un ejemplo de un
estudio en el que 20% (0.20) de los enfermos en el grupo control fallecieron en contraste
con slo 15% (0.15) de los que recibieron el tratamiento en evaluacin (Tabla 1)

Enfermedad/ efecto
+ -

Exposicin Si A 15 B 85 H1 100 I(+) = 15/ 100 = 0.15

No C 20 D 80 H2 100 I(-)= 20 / 100 = 0.20

V1 35 V2 165 N 200


Primero calculamos las Tasas de Incidencia para cada grupo

Riesgo del evento en los pacientes con el tratamiento (grupo experimental)

I (+) = 15/100 = 0.15 o 15%

Riesgo del evento en los pacientes sin el tratamiento (grupo control)
I (-) = 20/100 = 0.20 o 20%


C Co oe ef fi ic ci ie en nt te es s d de e P Pr ro od du uc ct to o C Cr ru uz za ad do o

Estas medidas de asociacin evalan la magnitud de la fuerza o poder de la asociacin
estadstica entre la exposicin y el efecto o la enfermedad estudiada. Para poder calcular
estos coeficientes se debe articular adecuadamente una tabla de 2 x 2, el diseo debe ser
el que se presenta en el ejemplo siguiente:


H1 y V1 representa los totales horizontal y vertical en los cuales la enfermedad o la
exposicin estn presentes. H2 y V2 son los totales en los cuales la exposicin o la
enfermedad estn ausentes. N es el gran total producto de la suma de todas las celdas.
Por ejemplo, se estudi un brote de gastroenteritis despus de una fiesta (que es el
efecto). Se sospech del pollo frito como el alimento causante, se quiere comprobar si fue
este alimento el causante y por lo tanto esta es la exposicin.


7
Enfermedad/ efecto
+ -

Exposicin Si A 40 B 170 H1 210 R1 = 40/ 210 = 0.19

No C 10 D 190 H2 200 R0 = 10 / 200 = 0.05

V1 50 V2 360 N 410 Rt = 50 / 410 = 0.12

El primer paso es calcular tasas de ataque de la enfermedad en los casos que se evala
riesgo y Tasas de Incidencia para los que comieron pollo (expuestos) a la que se
denominar Riesgo 1 (R1) y para los no expuestos Riesgo 0 (R0).

Con estos dos datos se pueden calcular los siguientes coeficientes:


a. Riesgo Relativo o Razn de Tasas

La razn de tasas es simple, el riesgo en el grupo de expuestos dividido para el grupo de
no expuestos:
Riesgo Relativo (RR) = R1 / R0 = (A/H1) / (C/H2)
RR = 0.19 / 0.05 = 3.8

Al igual que la diferencia de riesgo, la razn de tasas refleja tambin el exceso de riesgo o
de efecto en el grupo de expuestos o grupo de intervencin comparado con el grupo no
expuesto o grupo de comparacin, pero expresado como una razn.

Un RR de 3.8 significa que los expuestos tienen 3.8 veces ms riesgo que los no
expuestos que tienen 1 de riesgo. No es 3.8 veces ms. El RR se utiliza en estudios de
Cohorte o en experimentales, porque permite calcular las tasas de incidencia de la
enfermedad segn la exposicin.

Cuando no existen diferencias de riesgo el resultado es 1. Si el valor del RR es mayor a 1
se considera mayor efecto o factor de riesgo, si es menor de 1 es factor de proteccin o
menor efecto. Mientras ms alejado este de 1 el resultado de RR, significa que hay mayor
fuerza o poder de la asociacin entre exposicin y enfermedad o efecto.

En Ingles se denomina Relative Risk (RR) o Harm Risk (HR)

b. Razn de Productos Cruzados o Razn de Momios (ODDS RATIO)

Se puede calcular los riesgos de expuestos y no expuestos (R1, R0), no solamente con
tasas, sino tambin con Razones y con estos resultados calcular la razn de razones o
razn de riesgos. Para el efecto se calculan razones entre casos con efecto y casos sin
efecto para cada uno de los grupos.

Razn de evento y no evento en los pacientes expuestos o con el tratamiento
(grupo experimental)

R1 = 15/100 = 0.15 o 15%
8

Razn de evento y no evento en los pacientes no expuestos o sin el tratamiento
(grupo control)
R0 = 20/100 = 0.20 o 20%

Efecto
+ -

Exposicin Si a 40 b 170 210 R1 = 40/ 170 = 0,235

No c 10 d 190 200 R0 = 10 / 190 = 0,056

50 360 410 Rt = 50 / 360 = 0,13

La frmula para el clculo de la razn de razones es:

OR = (a / b) / (c / d) = R1 / R0 = 0,235 / 0,056 = 4,5
El nombre que se utiliza con ms frecuencia para denominar a esta Razn es Razon de
Momios, porque momio es sinnimo de razn. La traduccin al Ingls es Odds Ratio
(Odds=momios; Ratio= razn).
Como se trata de una razn la interpretacin de la Razn de Momios es igual a la que se
hace con el Riesgo Relativo.

La razn de momios se denomina tambin Razn de Productos Cruzados o Razn de
Disparidades, debido a que la ecuacin anterior puede transformarse matemticamente
en una Razn de Productos Cruzados o Razn de Disparidades, como puede verse en
las siguientes ecuaciones:

Razn de Momios = (a / b) / (c / d)
Razn de Productos Cruzados = (a x d) / (c x b)

Aplicando la formula de productos cruzados el clculo sera el siguiente:

OR = (40 x 190) / (10 x 170)= 4,47= 4,5

Como se puede apreciar la Razn de Momios o de Productos Cruzados a ms de ser fcil
de calcular, es una medida til de asociacin porque mide tambin la diferencia de riesgo
o de exposicin entre enfermos y no enfermos, lo que le hace til para estudios de Casos
y Testigos, Corte Transversal y en cohortes de enfermedades raras, en las cuales las
muestras son pequeas.

Es importante enfatizar que esta medida en espaol puede tener varios nombres:
Razn de Momios o Razn de Razones. Momio es un sinnimo del trmino razn
Razn de Productos Cruzados o Razn de Disparidades.

En ingls solo tiene una denominacin Odds Ratio (OR)


9
c. Reduccin del riesgo relativo (RRR) o fraccin de prevencin

La Reduccin de Riesgo Relativo (en Ingls Preventive fraction (PF) o Preventable
Fraction, se calcula a partir del Riesgo Relativo o de la Razn de Momios (OR).
Se debe usar cuando una exposicin reduce el riesgo y provee el porcentaje de casos
que puede evitarse o prevenirse si una poblacin se expone a una intervencin,
comparada con una no expuesta.

La reduccin del riesgo relativo (RRR) se expresa como un porcentaje. La frmula para
calcular esta medida es:

RRR = [(1 Riesgo Relativo) *100] o [(1-Razn de Momios)*100]

Ejemplo:

Para el ejemplo de Medicin de Efecto el resultado es:

RRA = I(-) I(+) = 0.15 0.20 = 0,75

Con este dato se calcula el RRR
RRR= (1 0,75) *100= 25%

Esta cifra significa que el nuevo tratamiento reduce el riesgo de sufrir el evento (morir o
enfermar) en 25% con relacin a lo que ocurre en los pacientes del grupo control;
mientras mayor sea la RRR mayor es la eficacia del tratamiento.


d. Diferencia de efectividad, Diferencia de riesgo, Riesgo Atribuible o Reduccin
del riesgo absoluto (RRA)

La diferencia de riesgos o diferencia de eficacia se calcula de una manera simple, se resta
del riesgo o efectividad de expuestos el riesgo o efectividad del grupo de no expuestos.
Diferencia de riesgos (DR) = R1-RO = a/H1 - c/HO
DR = 0.19 - 0.05 = 0.14 = 14 %

La diferencia de riesgos refleja el exceso de asociacin de riesgo de exposicin.

Si no existira diferencia de enfermar entre expuestos y no expuestos el resultado ser 0.
Valores con signo positivo significan riesgo o efecto mayor y valores con signo negativo
riesgo o efecto menor.

Mientras ms alejada este de 0, mayor ser la asociacin entre el factor de exposicin y
el efecto.

En Ingles puede tener dos denominaciones:
Atributable Risk (AR)
Efficacy Difference (ED)
Risk Diference

10
e. Nmero Necesario a Tratar (NNT) y Nmero Necesario para hacer Dao

El Numero Necesario a Tratar (NNT), Number Needed to Treat en Ingls, es una medida
de la eficacia de un tratamiento. Es el nmero de personas que se necesitara tratar con
un tratamiento especfico (ej. aspirina a quienes han sufrido un ataque cardaco) para
producir, o evitar, una ocurrencia adicional de un evento determinado (ej. prevencin de
muerte). Por ejemplo, si una droga tiene un NNT de 5, significa que se debe tratar 5
personas con esta droga para prevenir un resultado negativo adicional. El NNT es una
medida de probabilidad.

Para calcular el NNT usted necesita conocer el Riesgo Atribuible (RA) o la Reduccin
Absoluta de Riesgo (AAR).

Donde RA = Tasa del Evento en Grupo Control (TEGC) - Tasa del Evento en el Grupo
Experimental (TEGE).

El NNT es lo contrario del RA

NNT=1/RA (RA calculado en proporcin)
Si se calcula a partir del RA en porcentaje la formula es:

NNT = 100 / RA (calculado en porcentaje)

Ejemplo: NNT = 1 / 0,14 = 100 / 14 = 7,14

Nmero necesario a daar o perjudicar (NND) o Number Needed to Harm (NNH), es
una medida de los efectos adversos de un tratamiento, definida de modo similar al NNT,
como el nmero de personas que hay que tratar para producir un efecto adverso adicional
(ej. aspirinas para producir trastornos gstricos). Puede expresarse con valores negativos
por ejemplo -3.


Calculo de NNT a partir del RR o del OR

Es posible calcular el NNT y el Numero Necesario a Tratar (NNH) a partir de la razn de
Momios u Odds Ratio (OR) con las siguientes formulas:

NNT = (1-(TEEP*(1-OR))) / ((1-TEEP)*(TEEP)*(1-OR))
NNH = ((TEEP*(OR-1))+1) / (TEEP*(OR-1)*(1-TEEP))

Donde TEEP es Tasa de Eventos Esperados en Pacientes, en Ingls Patient Event
Expected Rate (PEER), que es el riesgo de tener un evento en la poblacin. Esta tasa es
la incidencia o prevalencia en la poblacin que es la prevalencia en el grupo no expuesto.








11
Ejemplo:

Enfermedad/ efecto
+ -

Exposicin Si a 40 b 170 210 R1 = 40/ 170 = 0,235

No c 10 d 190 200 R0 = 10 / 190 = 0,056

50 360 410 Rt = 50 / 360 = 0,13

OR = (a / b) / (c / d) = R1 / R0 = 0,235 / 0,056 = 4,47

Aplicando la formula anterior el resultado es:
NNT = (1-(0,05*(1-4,47))) / ((1-0,05)*(0,05)*(1-4,47))

NNT = 7,12, un poco menor al NNT calculado a partir del Riesgo Atribuible que fue de 7,5.
Hay que recordar que el OR presenta siempre valores superiores al RR.

Para calcular el NNT a partir del OR se puede disear un programa en Excel. Se adjunta
a este curso un programa para el clculo del NNT o del NND a partir del OR.

4.1.2. DIFERENCIA DE MEDIAS O MEDIANAS

El anlisis descriptivo bivarial de diferencia de medias o promedios y de diferencia de
mediana es muy simple, se trata de cuantificar la diferencia entre las medias o medianas
muestrales restando el promedio del grupo no expuesto del promedio del grupo expuesto.
En este caso la variable independiente es cualitativa y la dependiente cuantitativa.

De igual forma que con la diferencia de tasas o proporciones 0 es igual riesgo o igual
efecto, valores con signo positivo son mayor riesgo o mayor efecto y valores con signo
negativo son menor riesgo o menor efecto.

Ejemplo:

Promedio de peso en Kg en nios
Grupo experimental 39,26
Grupo Control 32,93
DIFERENCIA + 6,33 Mayor riesgo o mayor efecto

Promedio de peso en Kg en nios
Grupo experimental 39,26
Grupo Control 39,26
DIFERENCIA 0,00 Igual efecto

Promedio de peso en Kg en nios
Grupo experimental 32,93
Grupo Control 39,26
DIFERENCIA - 6,33 Menor riesgo o menor efecto
12

La diferencia de promedios o medias se utiliza cuando las distribuciones de los dos
grupos son simtricas o normales.
LA diferencia de mediana se utiliza cuando las distribuciones de los dos grupos en
comparacin son asimtricas o sesgadas o tambin cuando el un grupo tiene una
distribucin normal y el otro grupo asimtrica.
4.1.3. CORRELACIN Y REGRESIN

C Co or rr re el la ac ci i n n

Es una prueba de asociacin que se utiliza cuando se quiere establecer la presencia o
ausencia de una correlacin o asociacin entre dos variables cuantitativas: una
dependiente Y y la otra independiente X.

Esta prueba permite ver el grado en que varan conjuntamente las dos variables, aunque
el descubrir la existencia de una relacin no dice mucho del grado de asociacin o
correlacin. Por ejemplo se dice que los gastos estn relacionados con el ingreso: gasto
ms cuando gano ms, aunque no siempre sucede as, porque hay personas que
teniendo un ingreso alto gastan poco. El peso y la talla estn asociados: mientras ms
alto, ms peso, sin embargo algunas personas altas pesan poco y algunas pequeas
pesan mucho.

La CORRELACION vara respecto a su fuerza, estas variaciones se pueden apreciar por
medio de un diagrama de dispersin.

El diagrama de dispersin o dispersograma

Es un grfico que permite ver la forma en que se distribuyen los puntajes de dos variables
X y Y en toda la escala de los posibles valores de los puntajes. Este diagrama tiene
como base un sistema de coordenadas, en el que la variable Y que es la variable
dependiente se ubica en la lnea vertical y la variable X que es la independiente en la
lnea horizontal.

En el diagrama de dispersin se puede observar la fuerza de correlacin entre X y Y, la
misma que aumenta a medida que los puntos se van juntando y van formando un lnea
recta imaginaria por el centro del grfico.


El coeficiente de correlacin r

Se expresa con la letra r y es el valor que expresa numricamente tanto la direccin
como la fuerza de la correlacin lineal. Indica la estrechez de la asociacin. Esta medida
puede ir de un valor de -1 a un valor de +1.

Para analizar esta medida de estadstica bivarial se utilizan tres criterios:

Direccin de la correlacin

13
La direccin de la correlacin puede ser:
Directa o positiva
Negativa

La correlacin es positiva cuando los puntajes en el diagrama de dispersin muestran una
tendencia hacia arriba y hacia la derecha. Los puntajes altos de Y se asocian con los
puntajes altos de X y los bajos de Y con las bajos de X La lnea equidistante entre los
puntos denominada lnea de regresin tiene una direccin de descendente.

Ejemplos:




La correlacin es negativa cuando la tendencia de los puntajes en el diagrama es hacia
abajo y hacia la derecha. A puntajes bajos de la variable X corresponden valores altos de
la variable Y y a valores altos de X, los de Y son bajos. Es decir a un incremento de la una
variable la otra decrece. Por ejemplo, cuando menos aos de estudio tienen los padres,
mayor es el nmero de hijos que tienen.

No correlacin cuando no hay ninguna relacin entre las variables X y Y, en este caso los
valores de X y de Y se distribuyen indistintamente como una nube.
Tanto la correlacin positiva como la negativa representan una relacin lineal en la que
los valores en el diagrama van formando una lnea recta. Existen otros tipos de
correlacin, as, la curvilnea, la cuadrtica, etc. En este curso se explica la correlacin
lineal nicamente.

El grado de asociacin entre dos variables cuantitativos se mide con tres medidas: el
coeficiente de correlacin, el coeficiente de regresin y la interseccin de Y

14
El signo que antecede al nmero indica la direccin de la correlacin. + si es positiva, - si
es negativa. Valores con signos positivos indican correlacin positiva, valores con signos
negativos indican correlacin negativa y valor igual a 0 ninguna correlacin.

Fuerza o poder

En cuanto al grado o nivel de fuerza o poder, mientras ms se acerca a -1 o a +1, la
fuerza de la correlacin es mayor.

El valor de r de -1 indica que la correlacin es negativa perfecta y +1 cuando es positiva
perfecta. Un valor igual a 0 significa ninguna correlacin. En la siguiente tabla se presenta
categoras de la fuerza o poder de la correlacin:


Correlacin negativa Correlacin positiva
-1
-0.99 a -0.75
-0.74 a -0.50
-0.49 a - 0.10

Correlacin negativa perfecta
Correlacin negativa fuerte
Correlacin negativa moderada
Correlacin negativa dbil

+0.10 a 0.49
+0.50 a 0.74
+0.75 a 0.99
+1.00
Correlacin positiva dbil
Correlacin positiva moderada
Correlacin positiva fuerte
Correlacin positiva perfecta
0.00 Ninguna correlacin


El coeficiente de correlacin nunca debe ser mayor a +1 o -1.

Para realizar un anlisis grfico de la correlacin hay que considerar el grado de
dispersin de los puntos de interseccin en relacin a la lnea de regresin. Si todos los
puntos estn en la lnea, la correlacin es perfecta. En el grfico siguiente la correlacin
es negativa perfecta, r igual a -1. En cambio en el grafico de la izquierda los puntos no
siguen una tendencia, por lo que no hay ninguna correlacin, r igual a 0.



En los grficos siguientes se presentan ejemplos de correlaciones positivas con diferentes
niveles de fuerza o poder de dbil (0,3) a fuerte (0,9).

15


R Re eg gr re es si i n n

Lnea de regresin

En la correlacin, en el diagrama de dispersin los valores se distribuyen de acuerdo a la
fuerza de asociacin y a su direccin en una lnea imaginaria que se va formando en el
centro. En la regresin, se identifica esta lnea como una lnea recta que se traza a travs
del diagrama de dispersin. En todos los grficos anteriores se presenta la lnea de
correlacin para cada nube.

Coeficiente de Regresin

Es una prueba estadstica que permite estudiar cambios concomitantes entre la variable
X (variable independiente) y la Y (variable dependiente), por lo que permite predecir los
valores de la variable Y a partir de los valores de la variable X. La regresin no indica
causalidad, indica la variacin promedial de la variable Y en relacin a un cambio de la
variable X.

Este coeficiente se expresa como (beta) y mide el incremento promedial de Y por
cada unidad de aumento de X. Por ejemplo, un =1 significa que si X cambia en una
unidad (1), Y cambia tambin en una unidad. Si el = 2, significa que si X cambia en
una unidad (1), Y cambia tambin en dos (2) unidades.

Ejemplo:

16




CONSIDERACIONES IMPORTANTES

Para evaluar si se utiliz adecuadamente la regresin lineal es importante tomar en
cuenta los siguientes aspectos:
1. La correlacin es til solamente cuando se quiere ver una asociacin entre X y Y.
2. Las muestras deben ser extradas aleatoriamente de la poblacin y deben ser
representativa de la misma.
3. Tanto la variable X como la Y deben tener la caracterstica de distribuirse
normalmente en la poblacin. Por lo tanto la muestra no de tener menor de 30 casos.
4. En caso que una o las dos distribuciones sean no normales o tengan menos de 30
observaciones se debe hacer una transformacin logartmica de datos para poder
utilizar correlacin y regresin lineal.


0
1
2
3
4
5
6
7
8
9
10
0 1 2 3 4 5 6 7 8 9 10
Y
X
=1
0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
0 1 2 3 4 5 6 7 8 9 10
Y
x x
=2
17
5. ANALISIS INFERENCIAL

Hacer inferencia estadstica es pasar de los datos obtenidos en la muestra (estimador), a
calcular valores en la poblacin de la que se obtuvo la muestra (parmetro) con un cierto
grado de certeza o confiabilidad.

Existen dos tipos de pruebas de anlisis inferencial:
1. Pruebas de significacin estadstica o de estimacin de punto
2. Intervalos de confianza o estimacin de intervalo.

En el pasado en los artculos cientficos se presentaban simplemente tablas y grficos con
una descripcin y explicacin de los principales hallazgos. Actualmente se exige que la
evaluacin de la significacin estadstica de los hallazgos a travs del uso de pruebas de
significacin o intervalos de confianza. La necesidad de las pruebas de significacin y los
intervalos de confianza cobraron importancia por la presencia del error de muestreo en los
estudios.
5.1. ERROR DE MUESTREO

Cualquiera que sea el procedimiento de seleccin de los individuos de un estudio, el
tamao de la muestra y de las medidas estadsticas calculadas, siempre hay la
probabilidad de que exista un error de muestreo que afecta los resultados. Los efectos
del error de muestreo son ms evidentes cuando las muestras son ms pequeas.

Supongamos que en el universo de una poblacin en estudio tienen el 50% de varones y
el 50% de mujeres. Si se toma una muestra de diez nios, aunque esperaramos que
cerca de la mitad podran ser mujeres, no deberamos sorprendernos si se encuentra
siete mujeres y solamente tres nios varones. Si se toma una segunda muestra, el
obtener cuatro mujeres y de seis varones, tampoco debera sorprendernos. El ejemplo
anterior nos hace ver que debido al error de muestreo rara vez tendramos 50% mujeres y
50% varones en muestras pequeas.

Los efectos del error del muestreo se presentan en cualquier circunstancia en la
investigacin mdica. Supongamos que dos tratamientos se estn comparando en un
estudio clnico controlado. Los pacientes han sido asignados aleatoriamente (por sorteo)
en dos grupos. Aunque la asignacin aleatoria o randomizacin evita diferencias
sistemticas (o debidas al azar) entre los dos grupos, no evita que existan diferencias por
error de muestreo. Por ejemplo, podra suceder que en uno de los dos grupos de estudio
existan mas pacientes enfermos graves, creando una diferencia aparente entre los
tratamientos aunque en realidad no existan. En la prctica es poco usual que dos grupos
de un estudio clnico controlado sean exactamente iguales, hay con frecuencia pequeos
errores de muestreo entre ellos y es raro encontrar errores de muestreo grandes o
diferencias entre los dos grupos.

La importancia del error de muestreo radica en la magnitud con la cual este afecta los
resultados observados. Algunas veces puede encontrarse un resultado interesante, pero
18
este puede tratarse de un hallazgo casual estadstico. Afortunadamente los mtodos
estadsticos inferenciales nos permiten probar si los resultados observados se deben o
no se deben a un error de muestreo. Un concepto central en estos mtodos es el
concepto de probabilidad.

5.2. PROBABILIDAD

La probabilidad de obtener un seis, al lanzar un dado es uno en seis; la probabilidad de
ganarse un sorteo de navidad, con un solo guachito en el que se imprimieron 1000
boletos en uno en mil. La probabilidad, es simplemente, una forma de describir cmo un
evento puede ocurrir probablemente.

Las probabilidades se pueden expresar en porcentajes, pero en estadstica son casi
siempre expresadas en fracciones decimales. En este caso sera 1,0 sera igual a 100%.
Las probabilidades varan de entre 0,0 y 1,0, donde 0 significa que un evento nunca
suceder y 1 significa que hay la total certeza que suceder. Por ejemplo, si se expresa
en fracciones decimales 1 en 6 vendra a ser 0,167, resultado de dividir 1 para 6 y uno en
mil sera igual a 0,001.

La interpretacin de probabilidades es un poco difcil, cuando un evento tiene una
pequea probabilidad por ejemplo 0,001, es poco probable que suceda, cuando una
probabilidad es grande por ejemplo, 0,9 el evento es muy probablemente que suceda.
Por ejemplo la probabilidad de que un adulto sano muera algn da es de 1.0 (100%),
porque todos morirn algn da, en contraste la probabilidad de que un adulto muera
maana podra se menor que 1 en 100.000, o 0,00001.

Las probabilidades son un aspecto medular de la estadstica inferencial. Estos son
expresados con frecuencia en trminos de valor de p o valor de probabilidad, en la cual la
letra p significa probabilidad.

Se pueden escribir como p = 0,0003, indicando que un evento tiene 3 en 1000
oportunidades de ocurrir, es algo que casi no ocurrir. Se puede escribir tambin como p
< 0,001 o p < 0,005, donde el smbolo < significa menor que. El smbolo < es
ampliamente usado, pero escribir p < 0,01 es menos preciso que p= 0.003. El uso de <
est ampliamente usado, con lo cual se redondean las cantidades a ciertos valores; los
ms frecuentes son p<0,05, p<0,01 y p<0,001. Se recomienda dar el valor exacto de p,
porque el redondeo puede caer en un valor aproximado al mnimo aceptado, lo que echa
a perder la informacin porque no se puede conocer la probabilidad de cometer errores
Tipo I o Tipo II.




19
5.3. LA LGICA DE LAS PRUEBAS ESTADSTICAS
INFERENCIALES

Las pruebas o test estadsticos pueden parecer que han sido creados para dar
dificultades. Sin embargo son de gran utilidad porque es la nica forma de conocer si los
resultados obtenidos en la muestra son similares a los que obtendra si se estudiara a
todo el universo o poblacin de la que se extrajo la muestra. Lo anterior se conoce
tambin como validez externa o capacidad de generalizacin estadstica de un estudio.

Imagine que en un estudio clnico controlado en el que se comparan dos tratamientos, se
encontr que un tratamiento da mejores resultados que el otro. Pero como este resultado
es de una muestra de pacientes, es necesario estimar si los resultados obtenidos en esta
muestra se encontrarn tambin en el universo de pacientes de donde se obtuvo la
muestra. Para lograr este propsito el primer paso es proponer, que la diferencia
observada entre los tratamientos es debido solamente a un error de muestreo, es decir
que no hay diferencias entre los dos tratamiento en el universo. Esto no es lo que se
espera, con la lgica que se utiliza a menudo siempre se espera que un nuevo tratamiento
sea superior al convencional. Sin embargo, cuando se hace anlisis inferencial se inicia
planteando lo contrario a lo esperado a lo que se denomina Hiptesis Nula (H0) y el
resultado que se espera que suceda se denomina Hiptesis Alternativa o de trabajo (Ha).

Las pruebas estadsticas inferenciales indican la probabilidad (valor de p) de que, los
resultados obtenidos en la muestra se deban al error muestral. Cuando este valor es
pequeo, ejemplo p<0,01 se concluye que el resultado observado es improbable que
suceda por error, lo que lleva a rechazar la propuesta de que no hay diferencias entre los
tratamientos y por lo tanto a rechazar la hiptesis nula. Se puede concluir entonces que
uno de los tratamientos es realmente mejor que el otro, o dicho de otra manera los
resultados observados en el estudio (en el que se utiliz una muestra) tambin se dan en
el universo del que se extrajo la muestra o que el resultado es significativo o confiable.

El valor de p es una muy buena gua para analizar si los resultados observados pueden
deberse al error muestral: valores pequeos de p, indican que los resultados son
improbables que sucedan por error muestral. Sin embargo, es importante definir a que
denominamos un valor de p pequeo. Existe una regla conveniente pero arbitraria:
cuando el valor de p es menor de 0,05 (p<0,05) es decir 5%, se excluir el error muestral
como explicacin. Cuando se tiene un valor de p pequeo se puede decir que se ha
alcanzado significacin estadstica.

Sin embargo, el uso de esta regla arbitraria de p<0,05 no es una garanta. Supongamos
que se realizan una gran cantidad de test estadsticos, puede aparecer un resultado
estadstico espurio o incorrecto una vez en cada veinte pruebas. Esto se debe a que
p=0,05 significa una probabilidad de uno en veinte de que ocurra un evento. Hay dos
conclusiones de este anlisis:
1. Los estudios en los cuales se han realizado mltiples test de significacin darn
regularmente significados espurios.
20
2. Valores pequeos de p, es decir p<0,01 o aun p<0,001 daran una confianza mayor
de que el resultado no fue por un error de muestreo.


5.4. ANALISIS DE LOS ERRORES TIPO I Y TIPO II

La mayora de las investigaciones sociales, clnicas o epidemiolgicas tienen como
objetivo contrastar hiptesis que plantean diferencias entre dos o ms grupos o muestras.
La hiptesis nula sustenta que no hay diferencias entre dos muestras, posiblemente
porque han sido extradas de la misma poblacin; por lo tanto, cualquier diferencia
observada entre las muestras se considera como un hecho casual o debido al azar,
resultante nicamente del error de muestreo. Es por tanto la afirmacin a comprobar. La
hiptesis alternativa es la afirmacin a rechazar.

Desde el punto de vista terico, al aceptar la Hiptesis Nula (Ho) o la Hiptesis de Trabajo
(Ht) se pueden cometer dos tipos de errores:
Si se acepta la Ht y esta decisin es correcta no existe error. El error tipo I o error
alfa se comete cuando se rechaza una hiptesis nula siendo verdadera. La
probabilidad de cometer este tipo de error slo puede presentarse cuando rechaza
la hiptesis nula y vara de acuerdo al nivel de confianza que se imponga. Esto
puede suceder cuando el valor de p es cercano a 0,05, por ejemplo 0,049.
Por el contrario, si se acepta la hiptesis nula (Ho) y sta es falsa se comete un
error tipo II. A la probabilidad de cometer este error se le denomina Beta (). De
igual manera como en el caso anterior esto puede suceder cuando el valor de p es
mayor pero muy cercano a 0,05, por ejemplo 0,052.

ACEPTA Ho Ho Correcta No error
Ho Falsa Error Tipo II (beta)

ACEPTA Ht Ht Correcta No error
Ht Falsa Error Tipo I (alfa)

La probabilidad de cometer error alfa ser menor mientras haya ms rigor en el nivel de
confianza; es decir mientras ms pequeo sea el valor de p. As, con un valor de p de
0,001 la probabilidad de cometer Error Tipo I, es 1 vez en 1000, en cambio con un valor
de p de 0,049, tan cercano a 0,05 la probabilidad de cometer error Tipo I es mayor.

El riesgo de cometer error beta o tipo II ser menor si el valor de p esta lo ms alejado
posible del valor de referencia 0.05 o 0.01. Por ejemplo, con un valor de p de 0.1 la
probabilidad de cometer un error Tipo II ser pequeo, en cambio con un valor de p de
0.51, tan cercano al valor de referencia (0.05) la probabilidad de cometer un error Tipo II
ser grande.

De forma arbitraria, solo como referencia para entender lo explicado anteriormente, se
pueden transformar los valores de p a categoras de nivel de significacin estadstica o
confiabilidad como se muestra en el ejemplo siguiente:


21

Valor de p Nivel de significacin
0,049 Significacin o confiabilidad baja o dbil. Probabilidad de error tipo I.
0,0049 Significacin o confiabilidad moderada.
0,00049 Altamente significativo o altamente confiable
0,051 No estadsticamente significativo o no confiable. Probabilidad de error
tipo II.
0,08 No significativo o no confiable moderado
0,8 Altamente No significativo o no confiable

Cuando se observan en los artculos cientficos valores de p muy cercanos al valor de
referencia (0.05 o 0.01) una de las explicaciones es que el tamao de la muestra es muy
pequeo para demostrar la hiptesis. Por lo tanto, una forma de evaluar si el tamao de la
muestra es suficiente para cumplir los objetivos o demostrar las hiptesis es analizar los
valores exactos de p.

En general se consideran muestras pequeas para estudios experimentales y
observacionales analticos cuando se estudian menos de 100 individuos, muestras
aceptables de 100 a 400 personas y muestras grandes cuando superan las 400 personas.
Mientras ms grande la muestra ms pequeo o confiable ser el valor de p. Analizar el
tamao de la muestra es una forma rpida, pero no precisa de evaluar la capacidad de
generalizacin de un estudio.

5.5. EVALUACIN DEL TEST DE SIGNIFICACIN UTILIZADO

Para evaluar si se ha escogido adecuadamente el test de significacin estadstica es
importante conocer que esto depende de:
1. El tipo de variables en estudio, si son cualitativas o cuantitativas.
2. El tipo de hiptesis u objetivos del estudio. Se dividen en dos tipos:
Los que buscan asociaciones o relacin de dependencia/ independencia.
Los que contrastan resultados entre dos o ms grupos o muestras.
3. El tipo de diseo: independiente o pareado.
4. Comportamiento de la variables, si es normal o no normal (sesgada, platicrvica o
leptocrvica), o si las varianzas son diferentes entre los grupos o muestras que se
comparan.
5. Tamao de los grupos (muestras)

5.5.1. POR TIPO DE VARIABLE EN ESTUDIO

De forma muy esquemtica existen cuatro posibilidades:
1. La dos variables (independiente y dependiente) son cuantitativas,
2. Las dos variables son cuantitativas
3. La variable dependiente es cualitativa y la independiente cuantitativa.
4. La variable dependiente es cuantitativa y la independiente es cualitativa

A continuacin se expone una tabla resumen de las pruebas de significacin ms usadas
segn el tipo de variables.
22

Tabla 1. Pruebas de significacin estadstica segn tipo de variables

VARIABLE DEPENDIENTE

CUALITATIVA CUANTITATIVA


VARIABLE
INDEPENDIENTE
CUALITATIVA - 2 grupos: Z o t para
diferencia de
proporciones.
- Ms de 2 grupos
(tablas n x n) y tablas
- Tablas de 2 x2 :
Chi cuadrado o Test
Exacto de Fisher
- 2 grupos: Z o t para
diferencia de
promedios o medianas
- Ms de 2 grupos:
ANOVA.
CUANTITA-
TIVA
Regresin logstica 2 Grupos:
Correlacin r y
Regresin .

Por el nmero de elementos que intervienen en la muestra se deben utilizar la prueba t
cuando son menos 30 y la Z cuando son ms de 30.

P Pr ru ue eb ba as s d de e s si ig gn ni if fi ic ca ac ci i n n p pa ar ra a a as so oc ci ia ac ci i n n d de e v va ar ri ia ab bl le es s c cu ua al li it ta at ti iv va as s c co on n
c cu ua al li it ta at ti iv va as s

Las variables cualitativas nicamente pueden describirse como proporciones. Por ello,
entre variables cualitativas nicamente podremos realizar estudios de asociacin o
relacin entre dos variables, una variable independiente y una dependiente, nunca se
realizar comparacin de medias.

Si los datos son independientes, de entrada debe considerarse como test de eleccin la
prueba Chi cuadrado. No obstante, como este test presenta una serie de limitaciones en
ocasiones es preciso utilizar el test de exactitud de Fisher. En el caso de datos
cualitativos apareados se utilizar el test de Mac Nemar.

Chi Cuadrado

Se usa como prueba de significacin estadstica de las medidas de asociacin entre
variables cualitativas o para probar diferencias entre dos proporciones. Las dos categoras
deben ser mutuamente excluyentes e independientes. Existen tres variantes de Chi
cuadrado:
1. Chi cuadrado sin correccin, que se utilizan cuando los valores esperados en cada
celda es mayor o igual a cinco.
2. Mantel Haenszel, que se utiliza cuando existen variables perturbadoras
3. Correccin de yates, se utiliza cuando los valores esperados en cada celda son
menores de cinco.

Los valores esperados constituyen los valores tericos que tendra la distribucin si no
existiran diferencias entre las categoras de las variables estudiadas. Para esto se
calculan los valores tericos o esperados de cada celda, multiplicando el total de la fila por
el total de la columna en la que est la celda y luego se divide para el total de las
23
observaciones. Con esto se consigue tener una cantidad que distribuye el total de la
columna, tomando en cuenta el peso que tiene la fila correspondiente.

Ejemplo:
GRUPO
SOCIAL
OBSERVADOS ESPERADOS
Enfermos Sanos Total Enfermos Sanos Total
Expuestos 21 a 79 b 100 13 a 87 b 100
No expuestos 5 c 95 d 100 13 c 87 d 100
TOTAL 26 174 200 26 174 200

Valores esperados:
a = 26 x 100 / 200 = 13
b = 174 x 100/ 200 = 87
c = 26 x 100 / 200 = 13
d = 174 x 100 / 200 = 87

Si se calcula tasas de incidencia de expuestos y no expuestos en esperados, se puede
observar que no hay diferencias entre los dos grupos. Los dos grupos tienen una tasa de
enfermar de 14,9%. Por lo tanto los valores de esperados representan a la hiptesis nula
y lo que se trata es de medir las diferencias entre esperados y no esperados, si no hay
diferencias o las diferencias son pequeas se acepta la hiptesis nula.

Paquetes estadsticos como Statcalc de EpiInfo 6.04 proveen los tres tipos de Chi
Cuadrado, el investigador debe seleccionar cual es el ms conveniente para su anlisis. A
continuacin se presentan estas tres alternativas.

Valor Chi Valor p
Chi sin correccin 11,32 0,00076
Mantel Haenszel 11,26 0,0079
Correccin yates 9,95 0,001611

Como en este ejemplo no hay valores esperados menores de cinco en cada celda, se
debera usar Chi sin correccin.

Cuando se tiene tablas de contingencia de dos filas y mas de dos columnas (2 x n) o de
ms de dos filas y columnas (r x c), se utiliza e Chi de Pearson.

Prueba de exactitud de Fisher

Esta prueba es considerada el estndar de oro de las pruebas estadsticas, pues provee
un valor exacto de p mientras el Chi-Cuadrado provee un valor aproximado. Es la prueba
a escoger cuando los nmeros en la tabla son pequeos (valores esperados menores de
cinco en una o ms celdas).

Con esta frmula se calcula directamente el valor de p y no se necesita la tabla de Chi
Cuadrado.

Este test provee dos resultados: para una cola, como para dos colas. Para una cola se
refiere cuando calcula la probabilidad en una sola direccin, es decir comparando la
24
distribucin terica con una distribucin en la que se conoce por estudios o referencias la
direccin de la asociacin. De dos colas se debe usar cuando no se desconoce la
direccin de la asociacin.

Ejemplo si la Ht dice que el OR es mayor de 1 es de una cola, si la Ht dice que OR puede
ser mayor o menor a 1 es de dos colas.

P Pr ru ue eb ba as s d de e s si ig gn ni if fi ic ca ac ci i n n p pa ar ra a c co om mp pa ar ra ac ci i n n d de e p pr ro op po or rc ci io on ne es s

Comparacin de una proporcin con un estndar conocido.

Para comparar la proporcin de personas (P) con ciertas caractersticas (enfermedad)
con un valor estndar conocido, se utiliza una prueba de significacin de diferencias de
proporciones, utilizando la tabla Z distribucin normal para muestras de ms de 30
observaciones para identificar el valor de p y la distribucin T para muestras de menos
de 30 observaciones.

Ejemplo: Se tomaron 100 muestras para evaluar prevalencia de bocio en un rea
endmica, obteniendo una prevalencia de 18%. Se quiere evaluar el impacto de un
programa de intervencin. Se report 30% de prevalencia antes de la intervencin.

Diferencia de proporciones = 0,12 (12%)

Estadstico Z= 2,6 Valor de p= 0,01


Comparacin de dos porcentajes de dos muestras

Para comparar diferencias de dos muestras con proporciones P1 y P2, se usa la prueba
de significacin de diferencia de proporciones. Al igual que en la prueba anterior para
identificar el valor de p se utiliza la tabla Z de distribucin normal para muestras de mas
de 30 observaciones y la distribucin t para muestras de menos de 30 observaciones.

Ejemplo: En la encuesta de prevalencia de alcoholismo en el Ecuador se encontr 360
alcohlicos para la sierra y 280 para la costa. Se quiere saber si estas dos diferencias son
significativas. La muestra de la Sierra fue de 3600 y la de la Costa 4000.

Diferencia de proporciones = 0,10 0,07 = 0,03 (3%)
Estadstico Z = 4,66 Valor de p = 0,0000 (< 0,0001)


P Pr ru ue eb ba as s d de e s si ig gn ni if fi ic ca ac ci i n n p pa ar ra a c co om mp pa ar ra ac ci i n n d de e p pr ro om me ed di io os s

Cuando la variable independiente es cualitativa y la dependiente es cuantitativa se deben
utilizar pruebas de significacin estadstica para diferencia de promedios o medianas.
Para diferencia de promedios hay dos tipos de pruebas: la Prueba Z y la Prueba t de
student.


25
Prueba z

Es una prueba de hiptesis paramtrica, que se utiliza para ver si la diferencia que
existe entre valores de dos muestras es estadsticamente significativa o se debe al
azar. Se utiliza para comparan dos promedios o dos proporciones cuando las
muestras son mayores a 30 y su distribucin se aproxima a una distribucin
normal.

Prueba t o t de student

Es una prueba de hiptesis paramtrica, que se utiliza para ver si la diferencia que
existe entre valores de dos muestras es estadsticamente significativa o se debe al
azar. De preferencia se utiliza cuando las muestras son pequeas -menores a 30 -
aunque se puede utilizar en muestras mayores, en este caso su distribucin se
aproxima a una distribucin normal.

Es paramtrica porque las frecuencias se distribuyen bajo la curva normal o se
aproximan a lla. Toma como referencia los parmetros para estimar o probar. Esta
prueba permite convertir la diferencia de promedios o de proporciones en unidades
estandarizadas.

La prueba t debe interpretarse con referencia a los grados de libertad, los mismos
que varan directamente con el tamao de la muestra. Mientras mayor es el tamao
de la muestra, mayores sern los grados de libertad y mientras mayor sea los
grados de libertad ms se acercar la distribucin en la curva normal.

Grados de libertad: Tcnicamente se refiere a la libertad de variacin entre un
conjunto de puntajes. As, si se tiene una muestra de cinco puntajes o grupos,
cuatro son libres de variar, mientras que solo uno es valor fijo. En este caso, el
clculo de grados de libertad sera = 5 - 1 = 4 porque gl = n - 1.


Comparacin de una media de una muestra con un estndar conocido

En este caso se quiere probar si la media muestral tiene una diferencia significativa con
un estndar conocido. Para muestras de ms de 30 observaciones se utilizar la
distribucin Z. Para muestras pequeas de menos de 30 observaciones la frmula es la
misma, pero por tener una distribucin de t, el resultado se busca en una tabla de
distribucin T student con grados de libertad igual a n-1, porque se comparan solo dos
grupos.

El valor de p se obtiene mirando el valor calculado de z en la tabla de distribucin
normal o en la tabla t.

Ejemplo Prueba Z:
El promedio de Yodo en Sal de una muestra de 100 observaciones fue de 70 p.p.m con
una desviacin estndar de 15. El mnimo aceptable segn las normas del pas es de 67
p.p.m.
26

Diferencia de medias = 70 - 67 = 3
Estadstico Z = 2 Valor de p = 0,024

Ejemplo: El valor de glucosa en la sangre considerado como normal es de 100. Se
determin la glucosa en una muestra de 25 personas y se encontr que el promedio en
este grupo fue de 110 y la desviacin estndar de 10. Queremos saber si esta diferencia
es significativa, es decir que existe en la poblacin o se debe al azar.

Ho = No hay diferencia entre el promedio de glucosa encontrado con el valor
considerado como normal.
Ha = Existe diferencia entre el promedio de glucosa encontrado y el valor de
glucosa referencial.

Diferencia de medias = 110 - 100 = 10
Grados de libertad = n-1 = 25 - 1 = 24
Estadistico t = 5 Valor de p < 0.05.


Comparacin de medias de dos muestras

En este caso se quiere probar si una media muestral tiene una diferencia significativa con
otra media muestral. Si las dos muestras tienen ms de 30 observaciones se utilizar la
distribucin Z. Si una de las muestras o grupos o las dos tienen menos de 30
observaciones el valor de p se busca en una tabla de distribucin T student.

El valor de p se obtiene de la tabla Z de la curva normal para muestras de ms de 30
observaciones y la distribucin t para muestras de menos de 30 observaciones.

Ejemplo en muestras mayores a 30: Se comparan el contenido de Iodo en muestras de
sal de dos marcas. La marca Crissal tiene 69,5 ppm de iodo en sal y una desviacin
estndar de 2,5 en 50 observaciones. La marca Super Max tiene 70,1 ppm y DE 2,3 en 60
observaciones.

Diferencia de medias = 70,1 - 69,5 = 0,6
Estadstico Z = 1,18 Valor de p= 0,53

Se acepta la hiptesis nula, se rechaza la hiptesis alternativa o de investigacin

Ejemplo de muestras menores a 30: En un estudio se determin nivel de colesterol en
mujeres que toman anticonceptivos y en mujeres que no toman anticonceptivos.

Los resultados fueron los siguientes:
Toman anticonceptivos No toman anticonceptivos
Media colesterol 198 181
Desvio estandar 29 12
No pariciepantes 26 26


27

Hiptesis nula: No hay diferencia en los niveles de colesterol entre los dos grupos.

Hiptesis Alternativa: Si hay diferencia en los niveles de colesterol entre los dos grupos.

Diferencia de medias = -17
Estadstico t = 2,71 Valor de p = 0,04 (<0,05)

Se rechaza la hiptesis nula, se acepta la hiptesis alternativa o de investigacin.

Anlisis de varianza

Es un test de significacin estadstica que se usa cuando se cruza una variable cualitativa
con una cuantitativa y se quiere comprobar si las diferencias en los promedios de una
variable que presenta ms de dos categoras o muestras se deben al azar o existe en el
universo.

Cuando se realiza comparaciones entre promedios de dos muestras se utiliza la prueba t
o Z, pero cuando el nmero de comparaciones aumentan, es decir son 3, 4 o ms el
procedimiento que puede utilizarse es hacer pruebas -t- por separado. Esto implica no
slo gran cantidad de trabajo sino tambin una limitacin estadstica porque aumenta la
probabilidad de cometer el error alpha o Tipo I, es decir, rechazar la Ho cuando es
verdadera y debe ser aceptada, lo que implica obtener resultados estadsticamente
significativos por error de muestreo ms que por una verdadera diferencia poblacional.

Para superar este problema se utiliza la prueba ANALISIS DE VARIANZA (ANOVA). Esta
prueba permite comparar 3, 4 o ms promedios de diferentes muestras. La prueba calcula
la Razn F que indica la magnitud de la diferencia entre los grupos en relacin a la
magnitud de la variacin dentro de cada grupo.

Mientras mayor sea la razn F, es decir mientras mayor sea la variacin entre los grupos
en relacin con la variacin dentro de stos, menor ser el valor de p y por lo tanto mayor
ser la probabilidad de rechazar la Ho y aceptar la Ha o de trabajo. Esta prueba tambin
se interpreta con el valor de p de la misma manera que el Chi cuadrado.

Ejemplo: Promedio de peso en los estudiantes de 4 facultades de la universidad.

Variacin dentro del grupo:
DIBUJO
Variacin entre los grupos:
DIBUJO

RAZON F: Indica la magnitud de la diferencia entre los grupos en relacin a la magnitud
de la variacin dentro de cada grupo.

Mientras mayor sea la razn F, es decir mientras mayor sea la variacin entre los grupos
en relacin con la variacin dentro de stos, mayor ser la probabilidad de rechazar la Ho
y aceptar la Ht o de trabajo.


28
P Pr ru ue eb ba as s d de e s si ig gn ni if fi ic ca ac ci i n n p pa ar ra a r re eg gr re es si i n n y y c co or rr re el la ac ci i n n

Para analizar si los resultados de los coeficientes de correlacin y regresin se deben al
azar o son representativos del universo del que se obtuvo la muestra, se pueden usar los
Intervalos de Confianza o las Prueba F de significacin para el coeficiente de correlacin
r o para el coeficiente de regresin (Beta).

La lgica de anlisis es la misma que antes. Para lo cual es necesario definir la Hiptesis
Nula (Ho) y el Valor crtico de p.

5.5.2. SEGN EL TIPO DE HIPTESIS U OBJETIVOS DEL ESTUDIO

Como se puede analizar en la seccin anterior hay dos tipos de hiptesis u objetivos: los
que buscan asociaciones o relacin de dependencia/ independencia y los que contrastan
resultados entre dos o ms grupos o muestras.

Ya se seal previamente que las dos hiptesis principales a contrastar pueden ser las
diferencias entre promedios o proporciones de muestras (contrastar resultados) y la
relacin o asociacin entre dos variables cualitativas (evaluar asociaciones).

Tipo de hiptesis Pruebas de significacin estadstica
Relacin o asociacin Chi cuadrado
Test de exactitud de Fisher
Correlacin y regresin
Comparacin o contrastacin de
resultados
Z o t para diferencia de proporciones.
Z o t para diferencia de promedios
ANOVA


5.5.3. ANLISIS POR EL TIPO DE DISEO: INDEPENDIENTE O
PAREADO

Los datos apareados son aquellos que proceden de los mismos individuos en dos
condiciones diferentes. En general, se denominan a las pruebas que incluyen datos
apareados pruebas antes-despus. Por ejemplo en los estudios clnico controlados se
hacen mediciones antes despus en los mismos individuos.

Cuando los datos obtenidos proceden de diferentes individuos se denominan
independientes, por ejemplo cuando se hacen encuestas transversales en la misma
poblacin en dos ocasiones pero en dos muestras diferentes.
5.5.4. POR TIPO DE DISTRIBUCIN NORMAL O SESGADA

Si las muestras se distribuyen normalmente es preciso realizar un test de
homoscedasticidad: Si este test confirma la similitud de varianzas (valor de p mayor de
0,05 para diferencia de varianzas), indicar el empleo de test paramtricos. Si, por el
contrario las muestras no se distribuyen normalmente, se plantean dos opciones: emplear
29
directamente test no paramtricos o realizar las transformaciones. Hay que recordar que
la diferencia de promedios se utiliza cuando las distribuciones de los grupos analizados
son normales y la diferencia de mediana cuando una o ms de las distribuciones
evaluadas son asimtricas.

Para transformar una distribucin sesgada en normal se puede elevar al cuadrado u
obtener el logaritmo de cada observacin y obtener el promedio de esta distribucin.

P Pr ru ue eb ba as s p pa ar ra am m t tr ri ic ca as s

Si nos interesa evaluar la relacin de independencia-dependencia entre dos variables
emplearemos los estudios de correlacin. Si nos interesa comparar las medias de
diferentes grupos, en el caso de dos muestras emplearemos la prueba de la T DE
STUDENT, para datos pareados o independientes, y el ANALISIS DE VARIANZA en el
caso de que existan tres o ms muestras. El anlisis de varianza puede poner de
manifiesto que existen diferencias significativas entre los diferentes grupos; en este caso
es til conocer entre qu grupos existen diferencias. Para esto se har la DSH de Turkey
(Diferencia Significativa Honesta).

P Pr ru ue eb ba as s n no o p pa ar ra am m t tr ri ic ca as s

Los estudios de correlacin no paramtricos ms utilizados son el COEFICIENTE DE
CORRELACION DE SPEARMAN Y EL COEFICIENTE DE CORRELACION DE
KENDALL. Ambos coeficientes tienen un significado equivalente al coeficiente de
Pearson. La comparacin entre diferentes muestras con datos pareados se realiza
empleando el TEST DE WILCOXON.

Si las muestras son independientes existen varios test: algunos son sensibles nicamente
a medidas de tendencia central (U de MANN-WHITNEY) mientras que otros (prueba de
Kolmogorov-Smirnov para dos muestras o test de las rachas de Wald-Worfowitz) son
sensibles a diferencias en distribucin, tendencial central, etc. Si existen ms de dos
grupos, el equivalente al anlisis de varianza con un factor de variacin es el test de
Kruskal-Wallis, mientras si existen dos factores de variacin el equivalente al anlisis de la
varianza es el test de Friedman.


D Di if fe er re en nc ci ia as s e en nt tr re e l la as s p pr ru ue eb ba as s p pa ar ra am m t tr ri ic ca as s y y n no o p pa ar ra am m t tr ri ic ca as s

PRUEBAS PARAMETRICAS PRUEBAS NO PARAMETRICAS
Mayor potencia
Precisa mayor nmero de individuos en la
muestra
Mayor rigor matemtico
Solo datos cuantitativos
Aplicacin ms compleja
Ms conservadora
Precisa muestras de menor nmero.
Menor Rigor matemtico
Datos Cuantitativos o cualitativos.
Aplicacin ms sencilla




30
5.5.4. SEGN COMPORTAMIENTO DE LA VARIABLES

V Va ar ri ia an nz za as s s si im mi il la ar re es s o o d di if fe er re en nt te es s

Para conocer si las muestras o grupos tienen varianzas similares y diferentes se debe
realizar un test de homoscedasticidad (test de Hartley, test de Cochran y test de Bartllert)
adecuado a las condiciones del estudio. As, en presencia de varias muestras de tamao
similar debe considerarse cul es el nmero de grupos de estudio; si es inferior a doce
suele emplearse el test de Hartley, mientras que si es superior est indicado el test de
Cochran. Si el nmero de individuos de cada muestra es muy diferente debe utilizarse el
test de Bartllet, prueba que requiere como condicin de aplicacin que la muestra se
distribuya normalmente.

Si las variables tienen varianza similares se utilizan test paramtricos, pero si son
diferentes o heterogneas se deben utilizar test no paramtricos.

5.5.5. NMERO DE GRUPOS DE ESTUDIO

El test estadstico que debe utilizarse es diferente segn el nmero de grupos de estudio
(dos grupos o ms de dos grupos). En esta ltima circunstancia, debido a la posibilidad
de obtener diferentes significativas al azar (postulado de Bonferroni) lo adecuado es
realizar inicialmente un test que evale si existen diferencias significativas globales entre
todos los grupos. En este caso, deber realizarse a continuacin otras pruebas que
intentan descubrir entre qu grupos existen diferencias.

Un ejemplo de prueba para comparar los resultados entre dos o mas grupos es el
ANOVA.

5.5.6. PODER ESTADSTICO O CARCTER CONSERVADOR

En algunos casos, se disponen de varias pruebas estadsticas diferentes para un mismo
problema. La eleccin de una u otra prueba va a depender de varios factores, entre ellos
el carcter conservador o el poder estadstico de la prueba.

Un test ms conservador proporciona intervalos de confianza ms amplios y por lo tanto
es menos probable que detecte diferencias significativas si estas no existen. Por el
contrario, un test ms potente tiene ms capacidad para descubrir pequeas diferencias,
pero tambin es posible que localice diferencias que no poseen un significado real. Un
ejemplo de test ms conservador es el Chi cuadrado y un ejemplo de test ms potente el
Test exacto de Fisher





31
5.6. EVALUACIN DE LOS INTERVALOS DE CONFIANZA

A los Intervalos de Confianza se les denomina tambin Pruebas de Estimacin y consiste
en calcular un parmetro a partir de un estimador, o calcular el valor aproximado de una
variable en el universo de estudio (Intervalos de Confianza) a partir de los resultados de
la muestra. El propsito es que, a partir de los resultados de las muestras (estimador),
realizar generalizaciones en el universo del que proceden (parmetro).

Los Intervalos de Confianza (IC) proveen una va alternativa de evaluar los efectos del
error muestral y tienen ms informacin que las pruebas de significacin. Efectivamente,
los IC proveen un rango o intervalo en el cual puede estar el valor de la variable estudiada
en la poblacin (universo). Este rango puede tener distintos niveles de certeza o
probabilidad, en general en los estudios causales se usa un nivel de certeza o confianza
de 95%.

Supongamos que en un estudio clnico controlado de dos drogas anti-hipertensivas,
muestran que el promedio de la presin diastlica en sangre en un grupo tiene una
medicin de 95 mm. de mercurio, al mismo tiempo en el otro grupo tiene un promedio de
solo 90 mm. de mercurio. La diferencia de promedios de 10 mm. parece bastante grande
pero hay que recordar que este valor es el encontrado en las muestras y que puede estar
influenciado por el error muestral.

En este estudio clnico controlado se obtiene un IC95% de 3 a 17, que significa que la
diferencia de presin arterial en el universo podra ir de 3 como el valor mas bajo a 17
como el valor ms alto, aunque podra ser cualquier valor dentro del rango (3, 4, 5, 6, 7, 8,
.....16 o 17).

Los IC se expresan como: IC 95% 3 < 10 < 17

Se puede decir entonces esto que un intervalo de 95% de nivel de confianza, nos da un
rango en el cual nosotros tenemos 95% de certeza de que en este intervalo cae el valor
real de la variable en estudio en universo del que proviene la muestra. Tomando el
ejemplo anterior se puede decir que en la muestra la diferencia de promedios de presin
arterial diastlica es de 10 y que en el universo o poblacin de la que se tom la muestra
puede ser de 3 a 17 con una certeza o probabilidad de acierto del 95%.

Se pueden calcular Intervalos de Confianza para anlisis univarial o para anlisis bivarial.
En la siguiente seccin se explica intervalos de confianza para anlisis bivarial.





32
INTERVALOS DE CONFIANZA PARA ANLISIS BIVARIAL

Se pueden calcular IC para todos los parmetros estadsticos de anlisis bivarial:

1. Las medidas de asociacin: Riesgo Relativo (RR), Razn de Productos Cruzados
(OR) y Riesgo Atribuible (RA).
2. De la diferencia de promedios, medianas o proporciones de dos muestras
3. Del Coeficiente de Correlacin r y del Coeficiente de Regresin ()

En la siguiente tabla se presentan el tipo de intervalos a calcular segn las variables de
estudio.

Tabla 2. Intervalos de confianza segn tipo de cruces de variables

Variable dependiente
CUALITATIVA CUANTITATIVA
Variable
Independiente
CUALITATIVA

IC95% para RR,
OR, RA y NNT
IC95% para diferencias de
medias o medianas.
CUANTITATIVA IC95% para OR
ajustado
(Regresin
logstica)
IC95% para Coeficiente de
Correlacin r y Coeficiente
de Regresin .


LOS INTERVALOS DE CONFIANZA COMO PRUEBAS DE
SIGNIFICACIN


Los Intervalos de Confianza pueden tambin ser usados como pruebas de significacin
estadstica. El primer paso para hacer esto es plantearse la Ho y la Ht.

En el ejemplo anterior se plante que en un estudio clnico controlado de dos drogas anti-
hipertensivas, muestran que el promedio de la presin diastlica en sangre en un grupo
tiene una medicin de 95 mm. de mercurio, al mismo tiempo en el otro grupo tiene un
promedio de solo 90 mm. de mercurio. La diferencia de promedios de 10 mm.

En el ejemplo anterior la Ho planteara que el valor real de la diferencia entre los
tratamientos podra tener un valor cercano o igual a cero (0) en la poblacin de la que se
obtuvo la muestra, es decir que no hay diferencias. La Ha o Ht planteara que la diferencia
de promedios es diferente de 0. Si existe un valor igual a 0 dentro del intervalo aceptamos
la Ho y rechazamos la alternativa.


En este estudio clnico controlado se obtuvo un IC95% de 3 a 17.

IC 95% 3 < 10 < 17
33

En este ejemplo el 0 (cero) cae fuera de este intervalo por lo tanto concluimos que es muy
probable que este sea un valor real. Esto es equivalente a tener un valor de p menor de
0,05 y por lo tanto es estadsticamente significativo.

Otro aspecto interesante a analizar es la amplitud del intervalo, ya que a amplitudes
mayores significa que el tamao de la muestra fue pequeo y por lo tanto hay una
probabilidad mayor de cometer errores. Si el rango o amplitud es pequeo, ejemplo
IC95% 3 < 10 < 17, no es lo mismo que un rango o amplitud de 2 < 10 < 24. En este
ltimo caso la interpretacin es diferente, porque el lmite inferior est ms cercano a cero
y la amplitud es mayor, lo que nos da una mayor probabilidad de cometer un Error Tipo II
y por lo tanto que la evidencia no es lo suficientemente confiable para concluir que hay
diferencia entre los tratamientos.

En otro ejemplo, en un IC95% de -1 < 10 < 17, el cero (0) est dentro del intervalo, por lo
que aceptamos la Ho y rechazamos la Ha, por lo tanto el resultado no es estadsticamente
significativo. De igual manera si se tiene el un IC95% de 0.7 < 10 < 17 aunque el
resultado es estadsticamente significativo, el rechazar la Ho existe una alta posibilidad de
cometer un Error Tipo I.

En resumen en este ejemplo, si el valor 0 de la diferencia de promedios cae entre el
intervalo de confianza se concluye que no hay efecto, si cae fuera del rango nosotros
concluimos que la no presencia de efecto es improbable, esto es equivalente a decir que
los resultados fueron estadsticamente significativos

Los intervalos de confianza son siempre interpretados de la misma manera, tanto si se
trata de un estudio clnico controlado, un estudio de corte o cualquier otro tipo de estudio.
En todos se prueba la hiptesis de que no hay diferencia entre los dos grupos.

La formulacin de las hiptesis cambiar segn el tipo de estimador que se utilice. Por
ejemplo si se utiliza el Riesgo Relativo o la Razn de Momios para un estudio de un factor
las hiptesis diran:
Ho 1
HT > 1

Con un RR de 3, se tiene un IC95% de 2 < 3 < 5. En este caso el valor uno (1), no est
en el intervalo, por lo que rechazamos la hiptesis nula y aceptamos la alternativa.

La ventaja de los intervalos de confianza es que estos hacen mucho ms que solo indicar
si el resultado puede ser por un error muestral, muestran y permiten evaluar la magnitud
del error muestral, es decir cuan pequeo o cun grande el tamao real del efecto puede
ser.


5.7. IDENTIFICACION DE ERRORES DE ANALISIS INFERENCIAL

El valor de p y los intervalos de confianza proveen un gua til para la interpretacin de
resultados cuando el anlisis estadstico ha sido realizado correctamente, pero el reto es
identificar cuando el anlisis es errneo. Con los detalles que se presentan en los
34
artculos cientficos es difcil decir si hay errores en el anlisis. Todos los test de anlisis
hacen algunas presunciones acerca de los datos, pero en la medida que no hay acceso a
los datos crudos no es posible probar si existen o no en la realidad.


VALORES FUERA DE RANGO

De cualquier manera hay algunos aspectos que pueden servir para identificar posibles
errores. Cuando los datos son presentados en tablas y figuras hay la posibilidad de
identificar valores fuera de rango. Un valor fuera de rango es usualmente un valor muy
alto o un valor muy bajo. Por ejemplo muchos de los valores para la presin diastlica
sangunea de adultos en la poblacin general pueden esperarse que caigan entre 46,5 a
90mm. Hg, valores menores de 40 o mayores 250 pueden ser denominados fuera de
rango. Estos pueden ser datos correctos o pueden ser producto de errores de recoleccin.
La presencia de aunque sea un poco de observaciones que caen fuera del conjunto de
datos puede distorsionar los resultados porque tienen una gran influencia sobre el
promedio. En trminos estadsticos valores un poco distantes pueden hacer un pull en
contra del conjunto de datos creando un efecto equivocado.

No hay una regla general para tratar con los datos fuera de rango, pero si estn presentes
se deberan tomar algunas medidas para investigar sus efectos, ignorarlos pone en duda
el conjunto del anlisis. Por esta razn en los artculos cientficos se deben describir como
los valores fuera de rango fueron manejados
.
LA NO INDEPENDENCIA

Una presuncin comn en los test estadsticos es que todas las observaciones son
independientes. Por ejemplo, si en una encuesta se midi el peso en una muestra de
nios escolares, se asume que el valor del peso de un nio no tiene efecto en el peso del
siguiente nio. Sin embargo si un nio es pesado ms de una vez, como en los estudios
clnicos controlados en los cuales hay pre-evaluaciones y post-evaluaciones de los
mismos sujetos de estudio, no existe independencia entre mediciones.

Hay test estadsticos y mtodos estadsticos especiales, como los mtodos de medidas
repetidas, los cuales pueden resolver este problema, pero muchos de los test
estadsticos no lo hacen. Si en algunos estudios algunos individuos son medidos varias
veces para tratar de mejorar el tamao de la muestra, esto es vlido solo cuando los
mtodos estadsticos pueden corregir la no independencia de los datos.


HALLAZGOS CASUALES ENMASCARADOS COMO HIPTESIS

Muchos, sino la mayora de los estudios recolectan una gran cantidad de datos de los
sujetos a ser estudiados o recogen datos de muchas variables, a pesar de que pueden
haber sido diseados para probar unas pocas hiptesis especficas. Sin embargo, con
mucha frecuencia se exploran de varias formas la relacin entre variables o los efectos,
aunque estas no hayan sido formuladas en las hiptesis.
35

Un ejemplo de lo descrito ocurre cuando se analizan los datos sub dividindoles (anlisis
estratificado) por variables como edad, sexo o gravedad de la enfermedad. Estos
procedimientos en investigacin son vlidos y puede ser una perdida no explorar los datos
enteramente; pero se cometen errores cuando los resultados obtenidos por azar o por
accidente son presentados como si fueran resultado de una hiptesis previamente
formulada.

Por ejemplo, en un estudio clnico de dos anti-hipertensivos en la que los investigadores
podran chequear si la misma magnitud del efecto se observ en los jvenes comparados
con los viejos o los hombres comparados con las mujeres, sera legtimo reportar alguna
diferencia encontrada entre estos grupos siempre y cuando se especifique claramente
como un avance del anlisis. Pero es incorrecto presentarlo como el resultado de una
hiptesis que el estudio quera probar.

Hay muchas formas mediante las cuales los datos pueden subdividirse, por lo tanto por
efecto del azar algunos resultados estadsticos pueden revelar interesantes efectos o
asociaciones, los cuales pueden ser probados en otros sub estudios. Hay que recordar
que un simple test estadstico no puede ser usado para generar y probar hiptesis.

CAJA NEGRA ANLISIS

Aplicar Test estadsticos en forma apropiada mejora la credibilidad de los artculos
cientficos, pero no se debe asumir que los ms sofisticados test dan ms autoridad a los
hallazgos. En la actualidad los paquetes computacionales hacen muy fcil llevar a cabo
anlisis complejos an cuando los usuarios no tengan un completo entendimiento de los
mtodos que han sido usados. Con anlisis ms complejos se tienden a ser mayores
presunciones a cerca de los datos que estn siendo analizados y es tambin muy fcil
cometer errores durante el anlisis.

Los artculos que presentan solamente los resultados de algunos anlisis complejos
pueden ser vistos con sospecha, ya que esto hace ms difcil la identificacin de
problemas con los datos como por ejemplo los sesgos, o asimetra de las curvas y los
valores fuera de rango. Es mejor si los resultados de anlisis ms simples son
presentados primero, entonces estos pueden ser chequeados para ver si estn de
acuerdo con los ms complejos, si existen discrepancias. Las discrepancias deberan ser
explicadas en el texto del artculo; discrepancias no explicadas pueden poner dudas en la
propiedad de los anlisis.

Los sesgos de la investigacin significan que los resultados que nosotros alcanzamos son
sistemticamente diferentes de lo que realmente son. Los sesgos pueden ocurrir en una
variedad de asuntos pero sus efectos son siempre los mismos, los resultados observados
son equivocaciones y las conclusiones son errneas. Los sesgos pueden presentarse
cuando en el estudio los sujetos fueron seleccionados; aun cuando los estudios han sido
llevados cuidadosamente es posible que estos incluyan diferencias con los datos de la
poblacin general de la cual se obtuvo la muestra, algunos podran haber sido incluidos
porque eran enfermos ms severos o viceversa.



36
6. COMPRESION E INTERPRETACION DE MEDIDAS
ESTADISTICAS DE ANALISIS BIVARIAL

Para la interpretacin de la eficacia de un medicamento o la seguridad del mismo se
deben aplicar los siguientes criterios:
1. Direccin del efecto
2. Fuerza o poder del efecto o significacin clnica
3. Significacin estadstica o confiabilidad

Para el anlisis se puede utilizar el siguiente grfico. En este grfico los valores
equivalentes a igual efecto estn en el centro (lnea vertical). Los valores que caen a la
derecha se interpretan como mayor efecto y los valores que caen a la izquierda como
menor efecto.


Menor Efecto Igual Efecto Mayor efecto









6.1. INTERPRETACIN DEL RIESGO RELATIVO (RR) Y DE LA
RAZN DE MOMIOS (OR)

Tanto el riesgo relativo como la razn de momios se analizan de la misma manera. Hay
que recordar que el RR se utiliza en estudios experimentales y en cohortes y los OR en
estudios de casos controles y estudios de corte transversal.

Para analizar estas dos medidas estadsticas se presenta en el grfico como consignar
los valores de RR y OR. Como ya se explic anteriormente hay que aplicar cuatro
criterios:

Para el anlisis de la direccin y fuerza del efecto se utilizan los resultados de los
indicadores estadsticos en la muestra (resultados crudos del estudio), para el anlisis de
la significacin estadstica se utilizan las pruebas de significacin y/o los Intervalos de
confianza y para el anlisis de la significacin clnica se utiliza tanto los valores crudos de
los indicadores como los IC95%.

En el anlisis de la Direccin como se explic anteriormente, en estas dos medidas
estadsticas un valor igual a 1 significa igual efecto, valores mayores de 1 significan mayor
efecto y menores de uno menor efecto. Sin embargo debe estar claro que menor efecto
no quiere decir menos eficaz ya que esto depende del indicador de efecto que se este
37
evaluando. Si evaluamos das estada hospitalaria, valores menores de 1 significan menor
estancia hospitalaria, lo cual es un resultado beneficioso y por lo tanto se puede
interpretar como mas eficaz.

Para el anlisis de fuerza o poder del efecto o de la asociacin la regla es que mientras
ms lejos este el RR u OR crudo de la lnea de igualdad (valor 1). Mientras ms alejado
este de uno el valor a cualquiera de los dos lados, mayor es el poder.

Analizar el poder o fuerza en valores mayores de uno es muy fcil, un RR de 5 tiene
mayor fuerza que 2. Pero el anlisis de valores menores de 1 suele ser difciles, porque
no se toma en cuente que el RR y el OR son razones y no nmeros absolutos. En
razones un RR iguala dos para mayor efecto es igual a 0,5 para menor efecto. Por
ejemplo si hay 20 hombres y 10 mujeres en una serie de datos la razn Hombres /Mujeres
es igual a 2, pero si calculo la razn de Mujeres/ Hombres la razn es 0,5.

Para entender la fuerza o poder en RR u OR menores de 1 hay que hacer una
comparacin en espejo como se presenta en la tabla y en el grfico a continuacin.

Mayor Efecto Menor Efecto
1,5 0,67
2 0,50
3 0,33
3,5 0,29
4 0,25
5 0,20
6 0,17
10 0,10

Menor Efecto Igual Efecto Mayor efecto





















0,17 0,20 0,25 0,33 0,5 1 2 3 4 5 6








En la evaluacin de la significacin clnica se debe tomar en cuenta la fuerza o poder y
el intervalo. Mientras mayor sea la fuerza o poder de la asociacin o efecto, mayor ser la
significacin clnica, pero tambin mientras ms alejado este el intervalo de la lnea de la
igualdad la significacin clnica ser mayor. Por ejemplo un RR crudo de 4 con IC95% de
1,4 a 6,6 puede interpretarse como de alta significacin clnica, pero como el lmite inferior
38
est muy cerca de 1 la probabilidad de que esta fuerte asociacin sea tambin fuerte en el
universo del que se obtuvo la muestra es baja.

Para facilitar el anlisis de la significacin clnica se puede transformar los valores en
categoras ordenales de la siguiente manera.

Categora Fuerza o poder Mayor Efecto Menor Efecto
Dbil 1,1 - 1,49 0,66 -0,99
Moderado 1,5 - 1,99 0,67 - 0,49
Fuerte 2,0 -3,49 0,50 - 0,28
Muy Fuerte 3,5 y mas 0,29 y menos

Para el anlisis de significacin estadstica puede utilizarse las pruebas de
significacin o los Intervalos de Confianza. Para esta segunda alternativa la regla es la
siguiente. Si el intervalo no est cruzado por la lnea de igualdad o el 1 no est dentro del
intervalo, esta asociacin es estadsticamente significativa o confiable.

Se puede evaluar tambin el nivel de significacin con la estrechez o amplitud del
intervalo: Intervalos ms cortos o estrechos, no cruzados por la lnea de la igualdad son
ms altamente significativos.

6.2. ANLISIS DE RIESGO ATRIBUIBLE

Al igual que el Riesgo Relativo, para analizar el Riesgo Atribuible (RA) se deben tomar en
cuenta cuatro criterios: direccin, fuerza o poder, significacin estadstica y significacin
clnica.

Direccin: El riesgo atribuible es una diferencia de tasas o proporciones, para su anlisis
el valor 0 es equivalente a igual efecto, cualquier valor con signo positivo es mayor efecto,
cualquier valor con signo negativo es menor efecto.

Fuerza o poder: Nuevamente mientras ms alejado de 0 este el RA a cualquiera de los
dos lados, mayor es el poder o fuerza.

Al igual que con RR y OR para la evaluacin de la significacin clnica se debe tomar en
cuenta la fuerza o poder y el intervalo. Mientras mayor sea la fuerza o poder de la
asociacin o efecto, mayor ser la significacin clnica, pero tambin mientras ms
alejado este el intervalo de la lnea de la igualdad la significacin clnica ser mayor.


Los valores del Riesgo Atribuible pueden ser clasificados por categoras de fuerza de la
siguiente manera:

Categora Fuerza o poder Mayor Efecto Menor Efecto
Dbil +1 a + 9% -1 a 9%
Moderado +10 a + 49% -10 a 49%
Fuerte +50 a + 80% - 50 a 80%
39
Muy Fuerte + 80 a +100% - 80 a -100%

El riesgo atribuible se puede tambin expresar en proporciones de tal manera que +100
es igual a +1 y menos 100 es igual a -1.

Para el anlisis de significacin estadstica puede utilizarse las pruebas de
significacin o los Intervalos de Confianza. Para esta segunda alternativa la regla es la
siguiente. Si el intervalo no est cruzado por la lnea de igualdad o el 0 no est dentro del
intervalo, esta asociacin es estadsticamente significativa o confiable. El nivel de
significacin se evala con la estrechez o amplitud del intervalo: Intervalos ms cortos o
estrechos, no cruzados por la lnea de la igualdad son ms altamente significativos.



Menor Efecto Igual Efecto Mayor efecto




No Confiable





Confiable


Confiable
No confiable








-50 -40 -30 -20 -10 0 + 10 +20 +30 +40 + 50








6.3. ANLISIS DE DIFERENCIA DE PROMEDIOS O MEDIANAS

El anlisis de diferencia de promedios o de medianas se hace de la misma manera que el
anlisis de Riesgo Atribuible. Solo en la fuerza o poder hay diferencias, ya que esta
depende del rango de valores mximos y mnimos que pueda tener el indicador de efecto
a evaluar. Por ejemplo si evaluamos carga parasitaria para Plasmodium una diferencia de
promedios de 50 puede ser considerada efecto fuerte porque el nmero de parsitos por
campo ms altos no llega a ms de 100, mientras que si evaluamos carga viral para VIH
esta misma diferencia es muy dbil porque la carga viral llega a valores de millones.

El anlisis grafico de la diferencia de promedios es igual al del Riesgo Atribuible
6.4. ANALISIS DE CORRELACIN

Para analizar el coeficiente de correlacin r, hay que recordar que los valor mximo es 1
y el valor mnimo 0. Al igual que en todas los dems medidas estadsticas se deben
aplicar los cuatro criterios:

40
Direccin: Valores positivos se interpretan como correlacin positiva y valores con signo
negativo como correlacin negativa. Cero es ninguna correlacin.

Fuerza o poder: Mientras ms alejado de cero sea el valor de r mayor fuerza de
asociacin. En la tabla siguiente se presentan en categoras la fuerza o poder de la
asociacin o correlacin.


Correlacin negativa Correlacin positiva
-1
-0.99 a -0.75
-0.74 a -0.50
-0.49 a - 0.10

Correlacin negativa perfecta
Correlacin negativa fuerte
Correlacin negativa moderada
Correlacin negativa dbil

+0.10 a 0.49
+0.50 a 0.74
+0.75 a 0.99
+1.00
Correlacin positiva dbil
Correlacin positiva moderada
Correlacin positiva fuerte
Correlacin positiva perfecta
0.00 Ninguna correlacin


Para el anlisis de significacin estadstica puede utilizarse las pruebas de
significacin o los Intervalos de Confianza. Para esta segunda alternativa la regla es la
siguiente. Si el intervalo no est cruzado por la lnea de igualdad o el 0 no est dentro del
intervalo, esta asociacin es estadsticamente significativa o confiable. El nivel de
significacin se evala con la estrechez o amplitud del intervalo: Intervalos ms cortos o
estrechos, no cruzados por la lnea de la igualdad son ms altamente significativos.

Correlacin negativa Igual Efecto Correlacin Positiva





















-1 -0,8 -0,6 -0,4 -0,2 0 + 0,2 +0,4 +0,06 +0,8 + 1









6.5. ANLISIS DE GRAFICOS DE METAANALISIS

Los grficos de resultados de Meta anlisis tienen dos tipos de representacin de
intervalos.
Intervalos de Confianza de cada uno de los estudios que forman parte del
metaanlisis en donde la medida estadstica cruda (RR, OR, RA, etc.) est
representada por un cuadrado y el intervalo por una lnea. El tamao del cuadrado
41
est determinado por el tamao de la muestra, mientras ms grande es mayor es
la contribucin de este estudio al metaanlisis.





Intervalo de Confianza del metaanlisis representada por un rombo. Los extremos
horizontales del rombo son el limite interior (Li) y superior (Ls) y la lnea que uno
los dos puntos extremos verticales la medida estadstica cruda.



Li Ls

RR crudo

Ejemplo:





7. ACTIVIDADES DE APRENDIZAJE
7.1. TAREA INDIVIDUAL

Ejercicio 1. Con la siguiente informacin calcule las medidas estadsticas que
correspondan:

42
Autor (ao)
Intervencin
experimental
N personas Muertes (n)
Medidas de asociacion
G.
Experim
G.
Control
G.
Experim
G.
Control
RR OR RA NNT
Douglass 82
(USA)
FU+Sem. 71 71 29 40
Schlag 82
(Alemania)
FU+Carm. 49 54 10 17

Escoja uno de los indicadores, analice los resultados y evalue la direccin y poder cual de
los dos estudios tiene mayor eficacia

Estudio Medida
estadstica
Direccin Fuerza y Poder



En cul de los dos estudios la eficacia es mejor: _______________________

Ejercicio 2. Analice la direccin y fuerza (poder) de la efectividad de los siguientes
resultados.

Pregunta 2.1: RR = 1,3
Mayor efecto poder bajo
Mayor efecto poder moderado
Menor efecto poder bajo
Menor efecto poder moderado

Pregunta 2.2. OR = 0,20
Mayor efecto poder fuerte
Mayor efecto poder muy fuerte
Menor efecto poder fuerte
Menor efecto poder muy fuerte

Pregunta 2.3. Diferencia de promedios de edad = - 5
Mayor efecto poder bajo
Mayor efecto poder moderado
Menor efecto poder bajo
Menor efecto poder moderado

Pregunta 2.4. Coeficiente de correlacin r = +0,2
Correlacin positiva poder bajo
Correlacin positiva poder moderado
Correlacin negativa poder bajo
Correlacin poder moderado








43
Ejercicio 3. Se realiz un estudio de series de casos para evaluar la eficacia del
Misoprostol en la Vagiprost en el manejo de la muerte fetal intrauterina.

Pregunta 3.1. Analice el siguiente resultado del estudio el estudio Vagiprost en el manejo
de la muerte fetal intrauterina en el segundo y tercer trimestre y concluya:

Variable Trimester Range Media SD P-value

Edad 2do
3ro
17-38
17-38
25.09 5.12
25.53 5.67
0,464

Pregunta 3.2. Qu tipo de prueba estadstica se realiza en este resultado
a. Diferencia de promedios
b. Diferencia de medianas
c. Diferencia de rangos
d. Riesgo relativo

Pregunta 3.3. Cmo interpreta el valor de p de esta prueba (0,464):
a. Estadsticamente significativo, la diferencia de promedios no es confiable
b. Estadsticamente significativo, la diferencia de promedios es confiable
c. No Estadsticamente significativo, la diferencia de promedios no es confiable
d. No Estadsticamente significativo, la diferencia de promedios no es confiable

Pregunta 3.4. Analice el siguiente texto La tasa de xito fue de 90% y 45% en mujeres
en el tercer y segundo trimestre respectivamente y responda cual es la razn de tasas de
xito (RR) de uso de misoprostol entre tercero y segundo trimestre:
a. RR = 2
b. RR = 0,5
c. RR = 50%
d. RR= 2,5

Pregunta 3.5. Qu tipo de grfico es el que se presenta a continuacin:
a. Grfico de asociacin de variables cuantitativa con cuantitativa
b. Grfico de asociacin de variables cualitativa con cuantitativa
c. Grfico de asociacin de variables cuantitativa con cualitativa
d. Grfico de asociacin de variables cualitativa con cualitativa
44


Pregunta 3.6. Analice el resultado que se presenta en el grfico anterior:
Correlacin positiva muy fuerte altamente significativa
Correlacin positiva muy fuerte medianamente significativa
Correlacin negativa muy fuerte altamente significativa
Correlacin negativa muy fuerte no significativa

Pregunta 3.7. Qu pruebas de estadstica bivarial debe usar para el siguiente ejemplo:
Variable Independiente: Tratamiento A vs. Tratamiento B
Variable Dependiente: Carga pasasitaria de plasmodium

a. Riesgo Relativo
b. Razn de productos cruzados (OR)
c. Diferencia de medias
d. Coeficiente de correlacin r

45
7.2. TAREA INDIVIDUAL 2. Anlisis de resmenes de artculos
cientficos

Ejercicio 4. Utilizando un grfico evale la direccin y el nivel de confiabilidad de
los intervalos de confianza (IC95%) que se presentan a continuacin.


Monoterapia con carbamazepina versus valproato para la epilepsia
Marson AG, Williamson PR, Hutton JL, Clough HE, Chadwick DW; on behalf of the epilepsy
monotherapy trialists

Marson AG, Williamson PR, Hutton JL, Clough HE, Chadwick DW; on behalf of the epilepsy
monotherapy trialists
Cochrane Database of Systematic Reviews, Issue 3, 2008 (Status in this issue: )

DOI: .CD001030.pub 3
Esta revisin debe ser citada como: Marson AG, Williamson PR, Hutton JL, Clough HE, Chadwick DW;
on behalf of the epilepsy monotherapy trialists . Monoterapia con carbamazepina versus valproato
para la epilepsia (Cochrane Review). In: La Biblioteca Cochrane Plus, Issue 3, CD001030.
La ltima modificacin significativa de esta revisin sistemtica se hizo por ltima vez el
18 Abril 2000. Las revisiones Cochrane se revisan peridicamente y se actualizan de ser necesario.
Resumen
Antecedentes
La carbamazepina y el valproato son drogas de primera lnea para el tratamiento de la epilepsia. A
pesar de la falta de evidencia fuerte derivada de ensayos controlados aleatorios individuales, hay una
fuerte creencia acerca de que el valproato es el medicamento de eleccin para las epilepsias
generalizadas y la carbamazepina para las epilepsias parciales.
Objetivos
Lograr una visin general de la mejor evidencia que compara la monoterapia con carbamazepina y
con valproato.
Estrategia de bsqueda
Nuestra bsqueda incluy: (a) MEDLINE 1966-99, (b) La Biblioteca Cochrane (The Cochrane
Library)1999 tomo 4, (c) El Registro de ensayos del Grupo Cochrane de Epilepsia (The Trial Register
of the Cochrane Epilepsy Group) (d) la industria farmacutica.
Criterio de seleccin
Ensayos controlados con asignacin al azar que comparen la monoterapia con carbamazepina y con
valproato para la epilepsia.
Recopilacin y anlisis de datos
46
Esta fue una revisin de datos individuales de pacientes. Las medidas de resultado fueron tiempo
transcurrido hasta la exclusin del tratamiento asignado, tiempo hasta la remisin a 12 meses, y
tiempo hasta la primera crisis despus de la aleatorizacin. Los datos fueron analizados utilizando la
prueba del Logrank estratificada, y se expresaron los resultados como razn de riesgos (hazard
ratios) (HR) (IC del 95%), en donde un HR >1 indica que es ms probable que haya un evento con el
uso del valproato. Tambin se realiz una prueba para la interaccin entre el tratamiento y el tipo de
epilepsia (parcial versus generalizada).
Resultados principales
Hubo datos de resultado disponibles para 1265 pacientes pertenecientes a cinco ensayos, lo que
representa el 85% de los pacientes reclutados dentro de los ocho ensayos que cumplieron con
nuestros criterios de inclusin. Los resultados generales principales fueron (HR IC del 95%): Tiempo
transcurrido hasta la exclusin del tratamiento 0.97 (0.79-1.18), remisin a los 12 meses 0.87 (0.74-
1.02), primera crisis 1.09 (0.96-1.25) Estos datos sugieren que no hay una diferencia global en los
resultados. La prueba para la interaccin entre el tratamiento y el tipo de epilepsia no fue
significativa para el tiempo transcurrido hasta la exclusin del tratamiento ni para la remisin a los 12
meses, pero fue significativa para el tiempo transcurrido hasta la primera crisis. La distribucin de
edad de los adultos clasificados con epilepsia generalizada indica que un nmero significativo de
pacientes pueden tener una epilepsia mal clasificada.
Conclusiones de los autores
Encontramos alguna evidencia que apoya la poltica del uso de la carbamazepina como tratamiento
de primera eleccin en las epilepsias parciales, pero no encontramos evidencia que apoye la eleccin
del valproato para las epilepsias generalizadas. Los intervalos de confianza son demasiado amplios
para confirmar una equivalencia entre los dos. Un problema de mala clasificacin de los pacientes
puede haber actuado como un factor de confusin que afect nuestros resultados, lo cual tiene
importantes implicaciones para el diseo y realizacin de futuros ensayos.

Menor Efecto Igual Efecto Mayor efecto












Resuma su anlisis en la siguiente tabla:

Estudio Medida
estadstica
IC95% Direccin Fuerza y Poder Confiabilidad







47
Ejercicio 5. Utilizando un grfico evale la direccin y el nivel de confiabilidad de
los intervalos de confianza (IC95%) que se presentan a continuacin.


TITULO : "Eficacia Comparativa de la Amoxicilina, los Inhibidores del Folato y Otros Antibiticos en el
Tratamiento de la Sinusitis Aguda. Un Metaanlisis."
AUTOR : de Ferranti SD, Ioannidis JP, Lan J y colaboradores
CITA : British Medical Journal 317: 632-637, Sep 1998
REVISTA : [Are Amoxycillin and Folate Inhibitors as Effective as Other Antibiotics for Acute Sinusitis?
A Meta-analysis]
MICRO : La eficacia de la amoxicilina y los inhibidores del folato es equivalente a la de otros
antibiticos de mayor costo en el tratamiento inicial de la sinusitis aguda no complicada.
RESUMEN
Introduccin
La sinusitis aguda (SA), recuerdan los autores, es una infeccin frecuente que suele tratarse con
antibiticos (ATB) generalmente combinados con descongestivos. No existe suficiente informacin
acerca de la eficacia comparativa de las nuevas drogas de amplio espectro y los ATB ms antiguos y
menos onerosos (ej. amoxicilina, cotrimoxazol). Los patgenos habituales de esta infeccin son
Streptococcus pneumoniae y Haemophylus influenzae, que suelen ser susceptibles, si bien no en
modo uniforme, a la amoxicilina y al cotrimoxazol. Debera evitarse, sostienen, la utilizacin
innecesaria de nuevos ATB de amplio espectro, debido a su elevado costo y al desarrollo potencial de
resistencia bacteriana.
Un reciente metaanlisis incluy 12 ensayos comparativos de ATB de distintas clases, y 4 estudios
que comparaban drogas de la misma familia, sin detectar diferencias sustanciales entre estos
compuestos, en el tratamiento de la SA. No obstante, aclaran, este anlisis se limit a los ensayos
aleatorizados realizados con pacientes adultos, y publicados entre 1984 y 1995. El presente estudio
realiza una comparacin global entre los ATB ms antiguos (amoxicilina y cotrimoxazol), y analiza la
eficacia comparativa de los ATB y el placebo.
Mtodos y Materiales
Se efectu una bsqueda bibliogrfica en la base de datos Medline sobre todos los ensayos
aleatorizados acerca de SA, describen, hasta mayo de 1988, utilizando como descriptores al
trmino"sinusitis" y los tipos especficos de ATB. Tambin se realiz una revisin de Excerpta Medica
y de resmenes recientes de la conferencia interdisciplinaria sobre ATB y quimioterapia (1993-1997),
y se examinaron las referencias a todos los ensayos clnicos, reseas y estudios adicionales; no se
aplicaron restricciones idiomticas. Los criterios de eleccin de los ensayos, enumeran, fueron:
comparacin de amoxicilina o inhibidores de folatos (IF) con otro ATB, generalmente de amplio
espectro (ej. cefalosporinas, tetraciclinas, macrlidos, penicilinas con inhibidores de la -lactamasa y
quinolonas); pacientes asignados en forma aleatoria a distintos tratamientos; evaluacin del
tratamiento de la SA o de una exacerbacin aguda de la sinusitis crnica; tambin se analizaron los
estudios controlados con placebo, para evaluar los efectos de los antimicrobianos y la evolucin
natural de la SA.
Los datos fueron extrados en forma independiente por 2 autores, y los resultados de inters fueron:
curacin clnica (resolucin de todos los signos y sntomas), mejora, y fracaso teraputico (ausencia
de cambios o empeoramiento de la signosintomatologa), evaluados dentro de las 48 horas
posteriores a la finalizacin del tratamiento. Tambin se recolectaron datos sobre los criterios
radiogrficos y bacteriolgicos de curacin, mejora o empeoramiento, y se evaluaron los abandonos
de tratamiento asociados a los efectos adversos de los frmacos. En total, resumen, se analizaron 27
ensayos que incluyeron a 2 717 pacientes con SA o exacerbacin aguda de una sinusitis crnica.
48
Resultados
De los 27 ensayos incluidos, refieren, 6 estaban controlados con placebo, 13 comparaban la eficacia
de la amoxicilina con la de otros ATB, y 8 analizaban la eficacia comparativa de un IF (cotrimoxazol,
trimetoprima/sulafametoxazol o brodimoprima) y la de otros ATB. El tamao de las muestras oscilaba
entre 14 y 323 pacientes, de 25 a 44 aos de edad (a excepcin de 2 ensayos realizados
exclusivamente con poblacin peditrica). Once de los 27 ensayos estaban controlados en doble
ciego, y 6 en simple ciego; 12 utilizaban mtodos "rigurosos" para el diagnstico de SA, y los
restantes se basaban en criterios clnicos. Ocho ensayos requirieron el uso de descongestivos, y 2 los
autorizaron; 17 excluyeron estos agentes, por motivos de protocolo. Los criterios de definicin de los
resultados clnicos, sealan, estaban adecuadamente especificados en 8 ensayos, relativamente
especificados en 12, y poco claros en 7 estudios. En 3 de ellos se efectuaron punciones antrales, y 2
incluyeron procedimientos de escobillado nasal o puncin antral.
En 6 estudios comparativos de ATB Vs. placebo, los primeros resultaron significativamente ms
eficaces, reduciendo el ndice de fracasos teraputicos en un 50%. No obstante, los sntomas
mejoraron o remitieron en un 69% de los pacientes que no recibieron ATB. Si bien la heterogeneidad
entre los distintos ensayos evaluados no result significativa, se sugiri que uno de los ensayos que
haba incluido pacientes con sintomatologa similar a la de la SA, sin confirmacin diagnstica,
presentaba los mayores ndices de curacin o mejora en el grupo placebo (85% al cabo de 10 das),
sin evidencias de beneficios asociados al uso de ATB. Por otra parte, indican, los ensayos con
poblaciones definidas en forma ms precisa y con menores ndices de mejora espontnea mostraron
un evidente beneficio asociado a la antibioticoterapia.
No se observaron diferencias estadsticamente o clnicamente significativas, informan, en el ndice de
fracasos teraputicos o curaciones obtenidas con amoxicilina y otros ATB. En comparacin con otros
ATB, el tratamiento con amoxicilina slo determin un 0.85 ms de fracasos; los resultados fueron
similares para los IF. En comparacin con otras drogas, las diferencias en la posibilidad de curacin
clnica con amoxicilina fueron del 3.2%, y con los IF del 1.2%.
No hubo heterogeneidad entre los efectos teraputicos comparativos de la amoxicilina. En contraste,
se detectaron evidencias de este fenmeno en los estudios comparativos sobre los IF y otros ATB
(P=0.09 para curacin clnica, y P=0.18 para fracaso teraputico).
En los anlisis de sensibilidad, apuntan, se observ una tendencia hacia una reduccin estimativa del
11-20% del riesgo de fracaso teraputico con otros ATB, en comparacin con la amoxicilina, que no
alcanz significacin estadstica.
Si bien no se obtuvo informacin radiogrfica y bacteriolgica para muchos de los ensayos, los
ndices de fracaso radiogrfico evidenciados dentro de las 48 hs posteriores a la finalizacin del
tratamiento no fueron significativamente diferentes entre los pacientes tratados con amoxicilina,
penicilina, IF u otros ATB. Asimismo, tampoco hubo diferencias marcadas en los ndices de fracaso
bacteriolgico, ni en el porcentaje de abandonos de tratamiento.
Discusin y Conclusiones
El presente metaanlisis, comentan, demuestra que 2 tercios de los casos de SA evolucionan hacia la
mejora o curacin espontnea, sin antibioticoterapia. El tratamiento con cualquier ATB redujo el
ndice de fracasos teraputicos en un 50%, y la terapia con drogas de ltima generacin (de mayor
costo) no disminuy este parmetro ms all de los efectos de la amoxicilina o el cotrimoxazol.
Los mtodos precisos, no invasivos y de bajo costo para el diagnstico de la SA bacteriana,
concluyen, reduciran el nmero de pacientes que requieren antibioticoterapia, dado que la mayora
evoluciona hacia la curacin o la mejora espontnea.
Resumen objetivo elaborado por el
Comit de Redaccin Cientfica de SIIC
en base al artculo original completo publicado por la fuente editorial.
Sociedad Iberoamericana de Informacin Cientfica (SIIC) 2002
49

Resuma su anlisis en la siguiente tabla y grfico:

Estudio Medida
estadstica
IC95% Direccin Fuerza y Poder Confiabilidad





Menor Efecto Igual Efecto Mayor efecto









Ejercicio 6. Analice el resumen del siguiente meta-anlisis y responda a las
preguntas que se plantean a continuacin del mismo.

Arteter intramuscular para el tratamiento del paludismo grave
Afolabi BB, Okoromah CN
RESUMEN
Antecedentes
La quinina y los frmacos de artemisinina se usan en el paludismo grave, pero la resistencia a
la quinina est en aumento. El arteter es un derivado de la artemisinina recientemente
desarrollado que es soluble en aceite, tiene una vida media de larga eliminacin, y es ms
estable que otros derivados.
Objetivos
Comparar el arteter intramuscular con otros frmacos antipaldicos para tratar el paludismo
grave.
Estrategia de bsqueda
Se busc en el Registro Especializado del Grupo Cochrane de Enfermedades Infecciosas
(Cochrane Infectious Diseases Group) (agosto de 2004), CENTRAL (The Cochrane Library
Nmero 3, 2004), MEDLINE (desde 1966 hasta agosto de 2004), EMBASE (desde 1980 hasta
agosto de 2004), en la US National Library of Medicine (NLM) Gateway (desde 1953 hasta
1965), Web Science Citation (desde 1981 hasta agosto de 2004), LILACS (agosto de 2004), el
motor de bsqueda de Google (agosto de 2004), actas de congresos y en las listas de
referencias. Tambin se estableci contacto con los investigadores, las organizaciones y las
compaas farmacuticas para ayudar a identificar ensayos.
Criterios de seleccin
Ensayos controlados aleatorios y cuasialeatorios del arteter intramuscular en adultos y nios
con paludismo grave.
Recopilacin y anlisis de datos
Se evalu, de forma independiente, la calidad metodolgica de los ensayos y se obtuvieron los
datos que se analizaron mediante Review Manager 4.2.
Resultados principales
Dos ensayos pequeos (n = 194) cumplieron los criterios de inclusin. Ambos ensayos
compararon el arteter con la quinina en nios con paludismo cerebral e informaron sobre
resultados similares. No hubo diferencias estadsticamente significativas en el nmero de
50
muertes (riesgo relativo 0,75; intervalo de confianza del 95%: 0,43 a 1,30; n = 194, dos
ensayos), complicaciones neurolgicas (riesgo relativo 1,18; intervalo de confianza del 95%:
0,31 a 4,46; n = 58, un ensayo), u otros resultados que incluyeron el tiempo para recobrar el
conocimiento, el tiempo de eliminacin del parsito y el tiempo de eliminacin de la fiebre. Los
metanlisis no tienen poder estadstico para detectar diferencias importantes.
Conclusiones de los autores
Se necesitan ms ensayos con un mayor nmero de participantes antes de que se pueda llegar
a conclusiones firmes acerca de la efectividad y la seguridad del arteter.


Pregunta 6.1. Grafique los resultados para nmero de muertos








Pregunta 6.2. Identifique cual de los dos medicamentos es ms eficaz para prevenir la
muerte.
a. Arter
b. Quinina
c. Los dos son iguales
d. No hay evidencias suficientes para concluir cual es mejor

Pregunta 6.3. Utilizando un grfico evale la direccin, el poder y el nivel de confiabilidad
de los siguientes intervalos de confianza (IC95%) de estudios individuales sobre Eficacia
de Corticosteroides inhalados en nios con asma. Se mide la reduccin de los eventos
recurrentes.

Pregunta 6.4. Estudio 1: RR 0,70 IC95% 0,43 a 0,81
a. Mayor efecto dbil no confiable
b. Menor efecto dbil confiable
c. Mayor efecto moderado confiable
d. Menor efecto moderado confiable

Pregunta 6.5. Estudio 2: RR 2,2 IC95% 0,01 a 3,96
a. Mayor efecto moderado no confiable
b. Menor efecto moderado confiable
c. Menor efecto moderado no confiable
d. Mayor efecto moderado confiable







51
Pregunta 6.6. Con los resultados anteriores prescribira usted corticoesteriodes
inhalados.

Si: Porque la significacin clnica es _______ y la significacin estadstica es _________
No: Porque la significacin clnica es _______ y la significacin estadstica es _________

7.3. TAREA INDIVIDUAL 3: ANLISIS GRFICO

Ejercicio 7. Analice el siguiente grfico de estudio de meta-anlisis y resuma en una
tabla los resultados del anlisis





Estudio Medida
estadstica
IC95% Direccin Fuerza y Poder Confiabilidad
1.
2.
3.
Metaanlisis










52

Ejercicio 8. Analice el siguiente grfico de estudio de meta-anlisis y resuma en una
tabla los resultados del anlisis


7.4. TRABAJ O EN GRUPO

En su grupo de trabajo con el que seleccion un caso clnico, analice los resultados de los
artculos cientficos seleccionados utilizando grficos y tablas de resumen de anlisis
interprete los resultados de los artculos que seleccion el grupo para resolver el caso
seleccionado y concluya cual es la mejor intervencin..


Estudio Medida
estadstica
IC95% Direccin Fuerza y Poder Confiabilidad







53

8. BIBLIOGRAFA

1. Arnal J. y Omedes A. Fundamentos de Estadstica Descriptiva. Barcelona: Ed.
Daimon, 1981.
2. Bourke G. Interpretacin y utilizacin de la Estadstica Mdica. Barcelona: Ed.
Espaxs,1978.
3. Breilh J y Granda G. Investigacin de la Salud en la Sociedad. La Paz. Ed. Salud y
Sociedad, 1985.
4. Carballo M y Prado L. Bioestadstica. La Habana. Ed. El Pueblo y Educacin 1980.
5. CDC: Anlisis de Estudios, Mimeo, Atlanta-USA, 1987.
6. Charlet J.P. Master Andino de Epidemiologa: Manual de Estadstica. Quito, MSP,
1999.
7. Chegg F. Estadstica Fcil aplicada a las Ciencias Sociales. Barcelona: Ed.
grijalbo,1984.
8. Crowl T. Fundamentals of Educational Research. USA, Mc Graw Hill, 1990.
9. Cumsille F. Mtodos Estadsticos. Mdulo Mtodos Estadsticos. Mxico, 1990.
10. Laurent Vincent,: Curso de estadstica Inferencial. Apuntes de clases magistrales
UNICEF 1992.
11. Levin J. Fundamentos de Estadstica en la Investigacin Social. 2da. Edicin. Ed.
Harla, 1977.
12. Milton J.S. y Toscos J.O. Estadstica para Biologa y Ciencias de la Salud.
13. Morton F y Col. Bioestadstica y Epidemiologa. Ed. Interamericana, Mxico D.F.
1986.
14. Peavy, V; Dyal, W; ; Analytical Statistics, Testing for Significance, Centers for
Desease Control, Atlanta, Georgia, 1987.
15. Prez J.L., Garca P., Romero A., Ideas prcticas sobre el manejo estadstico de
datos en estudios observacionales y experimentales, Medicina Integral, Vol 16, Num.
8, Espaa 1990.
16. Pineault R, Daveluy C. La planificacin sanitaria. Conceptos, mtodos, estrategias.
Montreal, Masson S.A.1994.
17. Rojas Soriano, R. Funcin de las Hiptesis en la Teora y en la Investigacin Social.
En: Metodologa de la Investigacin Cientfica. Santo Domingo. 1980.
18. SAS. StatView Reference. USA, SAS Institute Inc. 1999.
19. Semprtegui F. La Investigacin en Medicina. Quito, Ed. Facultad de Ciencias
Mdicas, 1983.
20. Snedecor , Cochran W. Mtodos Estadsticos. Mxico, Ed. CECSA 1971.