3.

FUNDAMENTOS TEORICOS

Tema: Relación entre las horas de sueño y el índice de masa corporal

Que es el sueño?

El sueño es una parte integral de la vida cotidiana, una necesidad biológica que permite
restableces las funciones físicas y psicológicas esenciales para un pleno rendimiento, el sueño
es uno de los enigmas de la investigación que sigue siendo un tema relevante el cual se buscan
respuestas acerca de sus efectos al cuerpo humano.

Que es el índice de masa corporal?

El índice de masa corporal o IMC es la fórmula para determinar el peso ideal y saludable de
una persona según su estatura y su peso actual. Para determinar si una persona está por
encima de su peso ideal o está demasiado delgada se utiliza el IMC, su resultado puede
determinar si su estado físico y de salud es bueno o por el contrario debe cuidase en mayor
medida. Para calcular el IMC, consiste en transformar el peso de libras a kilogramos y dividir
esa cifra entre la estatura, dada en metros, elevada al cuadrado.

Porque la falta de sueño induce al sobrepeso?

La falta de sueño conlleva a un aumento de todas las hormonas que incitan al apetito, cabe
destacar el papel de dos hormonas relacionadas con el apetito y que se modifican con las
horas de sueño como son la leptina, que inhibe la sensación de hambre, y la ghrelina, que
estimula el apetito, es decir, a menor tiempo de sueño, las concentraciones de leptina
disminuyen y aumentan las de ghrelina, o lo que es igual, cuanto menos dormimos más
queremos comer.

Aun no existe suficiente información científica que justifique que la restricción del sueño se
relacione con los diferentes componentes del gasto de energía, como la tasa metabólica
durante el sueño, el efecto término de la alimentación, el gasto de energía de la actividad
física.

Además, aumentar las horas de sueño no resultaría como una solución sencilla hacia los
problemas de sobrepeso, numerosos estudios demuestran que adultos y adolescentes de todo
el mundo duermen menos a causa de motivos laborales, con horarios extensos, y el tiempo de
viaje entre el hogar y el trabajo, incluyendo también el uso extenso de internet, teléfonos
móviles y los videojuegos.

En la actualidad, no se cuenta con información acerca de que mejorar el sueño se asocie con
perder peso, y la prevención de la obesidad sigue siendo un tema muy complejo, al igual que
su estudio. A pesar de las dificultades para la investigación, los autores señalaron que podrían
proponerse la realización de actividad física, los cambios ambientales y aun el hábito de la
siesta como medidas para mejorar tanto la calidad como la cantidad del sueño.
Prueba F de Fisher?

Es una prueba estadística utilizado que sigue una distribución F si la hipótesis nula no puede
ser rechazada, su nombre fue dado en honor a Ronald Fisher. Esta prueba se utiliza para la
necesidad de disponer de métodos estadísticos para comparar las varianzas de dos
poblaciones, en donde es evidente a partir del análisis de una sola población. El valor
estadístico de prueba resultante se debe comparar con un valor tabular de F, que indicara el
valor máximo del valor estadístico de prueba que ocurría si la hipótesis nula fuera verdadera, a
un nivel de significación seleccionado.

 La hipótesis de las medias de múltiples poblaciones normalmente distribuidas y con la

misma desviación estándar son iguales. Esta es, quizás, la más conocida de las hipótesis
verificada mediante el test F y el problema más simple del análisis de varianza.

 La hipótesis de que las desviaciones estándar de dos poblaciones normalmente

distribuidas son iguales, lo cual se cumple.

En diferentes casos, el test F puede resolverse mediante un proceso directo. Se requieren dos
modelos de regresión, uno de los cuales restringe uno o más de los coeficientes de regresión
conforme a la hipótesis nula.

Análisis de varianza (ANOVA / Analysis of Variance)

El análisis de varianza es una colección de modelos estadísticos y sus procedimientos

asociados, en el cual la varianza esta particionada en ciertos componentes debidos a
diferentes variables explicativas. El nombre "análisis de varianza" se basa en el enfoque en el
cual el procedimiento utiliza las varianzas para determinar si las medias son diferentes. El
procedimiento funciona comparando la varianza entre las medias de los grupos y la varianza
dentro de los grupos como una manera de determinar si los grupos son todos partes de una
población más grande o poblaciones separadas con características diferentes.

Para la estadística, un análisis de varianza prueba la hipótesis de que las medias de dos o más
poblaciones son iguales. Los ANOVA evalúan la importancia de uno o más factores al comparar
las medias de la variable de respuesta en los diferentes niveles de los factores. Nuestra
hipótesis nula establece que todas las medias de la población son iguales mientras que la
hipótesis alternativa establece que al menos una es diferente.

Para ejecutar un ANOVA, debe tener una variable de respuesta continua y al menos un factor
categórico con dos o más niveles. Los análisis ANOVA requieren datos de poblaciones que
sigan una distribución aproximadamente normal con varianzas iguales entre los niveles de
factores. Sin embargo, los procedimientos de ANOVA funcionan bastante bien incluso cuando
se viola el supuesto de normalidad, a menos que una o más de las distribuciones sean muy
asimétricas o si las varianzas son bastante diferentes. Las transformaciones del conjunto de
datos original pueden corregir estas violaciones.

Hipótesis nula y alternativa

Son dos enunciados mutuamente excluyentes acerca de una población. Una prueba de
hipótesis utiliza los datos de la muestra para determinar si se puede rechazar la hipótesis nula.
 - Hipótesis nula (H0): esta hipótesis indica que un parámetro de población es
igual a un valor hipotético. La hipótesis nula suele ser una afirmación inicial
que se basa en análisis previos o en conocimiento especializado.
- Hipótesis alternativa (H1): esta hipótesis indica que un parámetro de
población es más pequeño, más grande o diferente del valor hipotético de la
hipótesis nula. La hipótesis alternativa es lo que usted podría pensar que es
cierto o espera probar que es cierto.

Intervalo de confianza

El intervalo de confianza es un rango de valores, derivado de los estadísticos de la muestra,

que posiblemente incluya el valor de un parámetro de población desconocido con una
determinada probabilidad de acierto. Debido a su naturaleza aleatoria, es poco probable que
dos muestras de una población en particular produzcan intervalos de confianza idénticos.

Coeficiente de determinación

El coeficiente de determinación mide la proporción de variabilidad total de la variable

dependiente respecto a su media que es explicada por el modelo de regresión, es la medida
que nos ayuda a medir la bondad del ajuste realizado y que permite decidir si el ajuste lineal es
suficiente o si se debe buscar modelos alternativos, siempre hay que utilizar el valor del
coeficiente cuando se hace una regresión lineal en algún programa de computadora, nos
ayudara a probar una hipótesis o predecir futuros resultados.

La media

Se puede interpretar la media como el centro de gravedad de la función probabilidad. La

media tenderá a encontrarse más cerca de los resultados más probables del experimento
aleatorio.

La media puede expresarse de la siguiente manera:

La varianza

La varianza da una idea de la variación de los resultados respecto al valor medio.

La varianza puede expresarse de la siguiente manera:

La desviación estándar

La desviación estándar o típica es la raíz cuadrad de la varianza.

La desviación estándar puede expresarse de la siguiente manera: