Bioestadstica Es la aplicacin de las estadsticas a un amplio campo de tpicos en biologa.

Esta envuelve el desarrollo y aplicacin de tcnicas estadsticas a la investigacin en campos relacionados a la salud incluyendo medicina, epidemiologa y salud pblica. Tambin envuelve trabajo estadstico en reas de estudios ambientales, investigacin agrcola y biologa.

Historia El primer mdico que utiliz mtodos matemticos para cuantificar variables de pacientes y sus enfermedades fue el francs Pierre CharlesAlexandre Louis (1787-1872). La primera aplicacin de la Mthode numrique (que es como titul a su obra y llam a su mtodo) es su clsico estudio de la tuberculosis, que influy en toda una generacin de estudiantes. Sus discpulos, a su vez, reforzaron la nueva ciencia de la epidemiologa con en el mtodo estadstico. En las recomendaciones de Louis para evaluar diferentes mtodos de tratamiento estn las bases de los ensayos clnicos que se hicieron un siglo despus. En Francia Louis Ren Villerm (1782-1863) y en Inglaterra William Farr (1807-1883) que haba estudiado estadstica mdica con Louis hicieron los primeros mapas epidemiolgicos usando mtodos cuantitativos y anlisis epidemiolgicos. Francis Galton (1822-1911), basado en el darwinismo social, fund la biometra estadstica. Pierre-Simon Laplace (1749-1827), astrnomo y matemtico francs, public en 1812 un tratado sobre la teora analtica de las probabilidades, Thorie analytique des probabilits, sugiriendo que tal anlisis podra ser una herramienta valiosa para resolver problemas mdicos. Los primeros intentos de hacer coincidir las matemticas de la teora estadstica con los conceptos emergentes de la infeccin bacteriana

tuvieron lugar a comienzos del siglo XX. Tres diferentes problemas cuantitativos fueron estudiados por otros tantos autores. William Heaton Hamer (1862-1936) propuso un modelo temporal discreto en un intento de explicar la ocurrencia regular de las epidemias de sarampin; John Brownlee (1868-1927), primer director del British Research Council, luch durante veinte aos con problemas de cuantificacin de la infectividad epidemiolgica, y Ronald Ross (1857-1932) explor la aplicacin matemtica de la teora de las probabilidades con la finalidad de determinar la relacin entre el nmero de mosquitos y la incidencia de malaria en situaciones endmicas y epidmicas. Pero el cambio ms radical en la direccin de la epidemiologa se debe a Austin Bradford Hill (1897-1991) con el ensayo clnico aleatorizado y, en colaboracin con Richard Doll (n. 1912), el pico trabajo que correlacion el tabaco y el cncer de pulmn.

Origen El origen de la Bioestadstica comienza con John Graunt, a mediados del siglo XVII, y con l el paradigma aritmtico, poltico y social. W Petty, P Pinel y el higienismo francs, LR Villerm, PC Alexandre Louis, SD Poisson, W Farr y F Nightingale, entre otros, transitan este paradigma, vertebrado en el conceptoclsico de probabilidad. El segundo paradigma, el inferencial y biomdico, basado en el concepto de normalidad con F Galton, WRF Weldon, K Pearson, WS Gosset, surge a finales del XIX y se consolida en el XX. Fueron figuras seeras del mismo ES Pearson, J Neyman, RA Fisher, AN Kolmogorov y A BradfordHill. Segn los autores concluyen, fundamentndolo a travs de un detallado diagnstico, que este segundo paradigma exhibe sntomas claros de crisis y se preguntan, si estamos ante un tercer paradigma, el bayesiano.

Thomas Bayes vivi en el siglo XVIII, pero el anlisis bayesiano est recibiendo su impulso ms fuerte en la ltima dcada, debido en gran parte al desarrollo de la informtica.

Origen en Probabilidad. Los mtodos estadstico-matemticos emergieron desde la teora de probabilidad, la cual data desde la correspondencia entre Pascal y Pierre de Fermat (1654). Christian Huygens (1657) da el primer tratamiento cientfico que se conoce a la materia. El Ars coniectandi (pstumo, 1713) de Jakob Bernoulli y la Doctrina de posibilidades (1718) de Abraham de Moivre estudiaron la materia como una rama de las matemticas.1 En la era moderna, el trabajo de Kolmogrov ha sido un pilar en la formulacin del modelo fundamental de la Teora de Probabilidades, el cual es usado a travs de la estadstica. La teora de errores se puede remontar a la pera miscellnea (pstuma, 1722) de Roger Cotes y al trabajo preparado por Thomas Simpson en 1755 (impreso en 1756) el cual aplica por primera vez la teora de la discusin de errores de observacin. La reimpresin (1757) de este trabajo incluye el axioma de que errores positivos y negativos son igualmente probables y que hay unos ciertos lmites asignables dentro de los cuales se encuentran todos los errores; se describen errores continuos y una curva de probabilidad. Pierre-Simon Laplace (1774) hace el primer intento de deducir una regla para la combinacin de observaciones desde los principios de la teora de probabilidades. Laplace represent la Ley de probabilidades de errores mediante una curva y dedujo una frmula para la media de tres observaciones. Tambin, en 1871, obtiene la frmula para la ley de facilidad del error (trmino introducido por Lagrange, 1744) pero con

ecuaciones inmanejables. Daniel Bernoulli (1778) introduce el principio del mximo producto de las probabilidades de un sistema de errores concurrentes. El mtodo de mnimos cuadrados, el cual fue usado para minimizar los errores en mediciones, fue publicado independientemente por AdrienMarie Legendre (1805), Robert Adrain (1808), y Carl Friedrich Gauss (1809). Gauss haba usado el mtodo en su famosa prediccin de la localizacin del planeta enano Ceres en 1801. Pruebas adicionales fueron escritas por Laplace (1810, 1812), Gauss (1823), James Ivory (1825, 1826), Hagen (1837), Friedrich Bessel (1838), W.F. Donkin (1844, 1856), John Herschel (1850) y Morgan Crofton (1870). Otros contribuidores fueron Ellis (1844), Augustus De Morgan (1864), Glaisher (1872) y Giovanni Schiaparelli (1875). La frmula de Peters para r, el probable error de una observacin simple es bien conocido. El siglo XIX incluye autores como Laplace, Silvestre Lacroix (1816), Littrow (1833), Richard Dedekind (1860), Helmert (1872), Hermann Laurent (1873), Liagre, Didion y Karl Pearson. Augustus De Morgan y George Boole mejoraron la presentacin de la teora. Adolphe Quetelet (1796-1874), fue otro importante fundador de la estadstica y quien introdujo la nocin del hombre promedio (lhomme moyen) como un medio de entender los fenmenos sociales complejos tales como tasas de criminalidad, tasas de matrimonio o tasas de suicidios.

Mtodos estadsticos Un objetivo comn para un proyecto de investigacin estadstica es investigar la causalidad, y en particular extraer una conclusin en el efecto que algunos cambios en los valores de predictores o variables independientes tienen sobre una respuesta o variables dependientes. Hay dos grandes tipos de estudios estadsticos para estudiar causalidad: estudios experimentales y observacionales. En ambos tipos de estudios, el efecto de las diferencias de una variable independiente (o variables) en el comportamiento de una variable dependiente es observado. La diferencia entre los dos tipos es la forma en que el estudio es conducido. Cada uno de ellos puede ser muy efectivo.

Los pasos bsicos para un experimento son:

y

Planeamiento estadstico de la investigacin, lo cual incluye encontrar fuentes de informacin, seleccin de material disponible en el rea y consideraciones ticas para la investigacin y el mtodo propuesto. Se plantea un problema de estudio,

Disear el experimento concentrndose en el modelo y la interaccin entre variables independientes y dependientes. Se realiza un muestreo consistente en la recoleccin de datos referentes al fenmeno o variable que deseamos estudiar. Se propone un modelo de probabilidad, cuyos parmetros se estiman mediante estadsticos a partir de los datos de muestreo. Sin embargo, se mantiene lo que se denominan hiptesis sostenidas (que no son sometidas a comprobacin). Se valida el modelo comparndolo con lo que sucede en la realidad. Se utiliza mtodos estadsticos conocidos como test de hiptesis o prueba de significacin.

y y

Se producen estadsticas descriptivas. Inferencia estadstica. Se llega a un consenso acerca de qu dicen las observaciones acerca del mundo que observamos.

Se utiliza el modelo validado para tomar decisiones o predecir acontecimientos futuros. Se produce un reporte final con los resultados del estudio.

Estudio Experimental Un estudio experimental implica tomar mediciones del sistema bajo estudio, manipular el sistema y luego tomar mediciones adicionales usando el mismo procedimiento para determinar si la manipulacin ha modificado los valores de las mediciones. Un ejemplo de un estudio experimental es el famoso experimento de Hawthorne el cual pretenda probar cambios en el ambiente de trabajo en la planta Hawthorne de la Western Electric Company. Los investigadores estaban interesados en determinar si el aumento en el nivel de iluminacin en un ambiente de trabajo, provocara un incremento en la produccin de los trabajadores. Los investigadores midieron primero la productividad de la planta y luego modificaron la iluminacin en un rea de la planta para ver si cambios en la iluminacin afectaran la productividad. La productividad mejor bajo todas las condiciones experimentales. Sin embargo, el estudio fue muy criticado por errores en los procedimientos experimentales, especficamente la falta de un grupo control y seguimiento.

Estudio Observacional Un estudio observacional no necesita manipulacin experimental. Por el contrario, los datos son recogidos y las correlaciones entre predictores y la respuesta son investigadas. Un ejemplo de un estudio observacional es un estudio que explora la correlacin entre fumar y el cncer de pulmn. Este tipo de estudio normalmente usa una encuesta para recoger observaciones acerca del rea de inters y luego produce un anlisis estadstico. En este caso, los investigadores recogeran observaciones de fumadores y no fumadores y luego miraran los casos de cncer de pulmn en ambos grupos.

Niveles de medicin. Es la forma de clasificar las variables hace referencia a la cantidad de informacin que contenga cada una de ellas y a la forma en que se mida.

Nominal. Es la escala de medicin ms dbil, los valores de la variable simplemente indican diferentes categoras y no existe un orden entre ellas. Ejemplo: Color, sexo, especie, raza, nombre, materia. Una forma de evaluar si una variable es nominal, es identificar si al representarla grficamente se pierde informacin al colocar en diferentes posiciones cada una de las categoras. Si las categoras pueden presentarse indiferentemente en cualquier posicin, se trata de una variable medida en escala nominal.

Ordinal.

En este tipo de escala se halla un poco ms de informacin que en la anterior. Existe un orden o jerarqua entre los objetos del grupo, de tal forma que se sabe cul es el primero, el segundo,... con relacin a una caracterstica particular. No puede afirmarse, sin embargo, que la diferencia o distancia entre las categoras sea la misma. Ejemplo: Nivel de produccin (Alto, medio o bajo), orden de llegada en una carrera (primero, segundo, tercero), evaluacin nutricional, calificacin (excelente, bueno, regular, malo).

Intervlica En esta escala existen categoras ordenadas y las distancias o intervalos entre stas son iguales, por eso se puede afirmar que la diferencia entre 5 y 6 es la misma que entre 10 y 11, es decir, una unidad. Una caracterstica de esta escala es que el cero no es verdadero, es arbitrario, pues no indica ausencia de la caracterstica medida, por lo tanto, aunque se pueden realizar comparaciones de diferencia (restas), las comparaciones de razn (divisiones) no son posibles. Ejemplos: Cociente intelectual y, la ms famosa de todas, la temperatura, donde el valor de 0C no indica ausencia de temperatura; una ilustracin de porque las razones no son posibles se tiene al comparar las temperaturas 20 C y 40C; aunque numricamente 40 es el doble de 20, en el caso de la temperatura no se puede afirmar que a 40C es el doble de calor que a 20C.

Razn o Proporcin Es la escala que tiene ms informacin. Adems de existir un orden entre los niveles de la escala, estos tienen igual distancia entre s y el cero s es real (indica ausencia). Por lo tanto, las comparaciones de razn (divisiones) s son posibles. Ejemplos: Peso, altura, nmero de hojas de una planta, etctera.

Los tipos de Estadstica:

Estadstica Descriptiva: Es la tcnica que se va a encargar de la recopilacin, presentacin, tratamiento y anlisis de los datos, con el objeto de resumir, describir las caractersticas de un conjunto de datos y por lo general toman forma de tablas y grficas. Su objetivo es describir las caractersticas principales de los datos reunidos.

Estadstica Inferencial: Tcnica mediante la cual se sacan conclusiones o generalizaciones acerca de parmetros de una poblacin basndose en el estadgrafo o estadgrafos de una muestra de poblacin. Su objetivo es extraer las conclusiones tiles sobre la totalidad de todas las observaciones posibles basndose en la informacin recolectada.

CONCLUSION

La bioestadstica analiza y explora la estructura matemtica consecuente con el fenmeno del que estos datos provienen y, mediante el conocimiento de esa estructura, trata de sacar conclusiones y predicciones que ayuden al mejor aprovechamiento del fenmeno para los fines que de l se pueden pretender lo cual ayuda de gran manera el trabajo de las enfermeras.

INTRODUCCION

La relevancia clnica de un fenmeno va ms all de clculos aritmticos y est determinada por el juicio clnico. La relevancia depende de la magnitud de la diferencia, la gravedad del problema a investigar, la vulnerabilidad, la morbimortalidad (Mortalidad por causa de una enfermedad.) generada por el mismo, su coste y por su frecuencia entre otros elementos, por lo tanto la bioestadstica supone una herramienta fundamental para la resolucin de tal fenmeno, la cual se hablara de forma ms detallada a continuacin.