Conceptos básicos sobre bioestadística

Rev. Arg. Anest (2006), 64, 6: 241-251 descriptiva y bioestadística inferencial

Número Simposio

Conceptos básicos sobre Diana M. Finkel

bioestadística descriptiva y
bioestadística inferencial

RESUMEN: La Estadística es definida como la ciencia y el arte que aplica técni-

cas concretas de procesamiento de números de la metodología cuantitativa, a
los efectos de estudiar datos particulares e imperfectos de una realidad, con el
propósito de observarla mejor –ya que esa realidad es inasible e imposible de
conocer en su totalidad–. Particularmente, la estadística aplicada a las ciencias
biológicas es la Bioestadística. El campo de la estadística comprende dos áreas
bien definidas: la estadística descriptiva, que produce cifras a través de la reco-
lección, clasificación, resumen y análisis de datos, deduciendo así conclusiones
sólo aplicables al grupo de elementos ordenados para su estudio (muestra), y la
estadística inferencial, que realiza inducciones y estimaciones a partir de los re-
sultados obtenidos de esa muestra con el fin de conocer el comportamiento de
todo el conjunto (población). Así también, la Bioestadística puede contex-
tualizarse como el estudio del proceso completo y secuencial formado por la
elección del diseño de la investigación, el análisis exploratorio de los datos obteni-
dos (hasta aquí, dominio de la estadística descriptiva), el conjunto de técnicas de
estimación de parámetros poblacionales y el empleo de test de hipótesis –estos dos
últimos ítems, dominio de la estadística inferencial–. A lo largo del presente artícu-
lo, se hará una referencia global a las principales áreas de la Bioestadística Des-
criptiva –elementos del Análisis Exploratorio de Datos y clasificación de los tipos
de Diseños de Investigación– y de la Bioestadística Inferencial –conceptos de
Estimación y de Test de Hipótesis–; se desarrollará una suerte de glosario de los Palabras Clave
términos más utilizados; se abordará la utilidad, clasificación y ejemplos de las Bioestadística
s s s s s s

principales pruebas estadísticas; se enumerarán los principales errores hallados Diseños de la investigación
en la literatura científica con el uso de la estadística y una somera clasificación Estimación
de tipos de diseños de la investigación –desarrollado en detalle, con ejemplos Test de hipótesis
Tipos de pruebas estadísticas
anestesiológicos en el artículo del Dr. Matías Manzzotti–; por último, las defini- Error aleatorio
ciones de sesgo, error aleatorio y efecto confundidor, más frecuentes en el de- Sesgo
s s

sarrollo de estudios observacionales que en los estudios experimentales1-4. Efecto confundidor

Basic concepts of descriptive biostatistics and inferential

biostatistics

SUMMARY: Statistics are defined as the science and the art that apply factual
processing techniques numbers of the quantitative methodology to study specific
and imperfect data of a reality: the purpose is to better observe that reality, since
it cannot be seized and is impossible to be totally known. Specifically, biostatistics
is statistics applied to biological sciences. The field of statistics includes two well-
defined areas: descriptive statistics that produce numbers by means of collecting,
classifying, summarizing and analyzing data, from which conclusions are drawn
that are only applicable to the group of elements put in order for study (sample);
and inferential statistics, which are those that make inferences and estimates
based on the results obtained from that sample to know the behavior of the entire
group (population). Thus, biostatistics also can be put into context as the study
of the entire and sequential process made up of the choice of the research design,

Revista Argentina de Anestesiología 2006 | 241

Número Simposio

the explorative analysis of the data obtained (so far, domain of descriptive
statistics), the ensemble of techniques of estimation of population parameters
and the use of the test of hypothesis – the latter two being the domain of
inferential statistics. Throughout this article, global reference is made of the main
areas of descriptive biostatistics –elements of the exploratory analysis of data
and classification of the types of research designs– and of inferential statistics,
concepts of estimates and of the test of hypothesis; a kind of glossary of the Key words
most frequently used terms is developed; usefulness, classification and examples Biostatistics

s s s s s s
of the main statistical tests are approached; the main errors found in the scientific Research designs
literature of the use of statistics and a brief classification of the types of research Estimates
designs are listed –developed in detail in Dr. Matias Manzzotti’s article, with Test of hypothesis
Types of statistic tests
anesthesiology examples–. Lastly, definitions of bias, random error and Random error
confounding effect are approached, these being more frequently found in the Bias

s s
development of observational studies than in experimental studies1-4. Confounding effect

Conceitos básicos sobre bioestatística descritiva e bioestatística

inferencial

RESUMO: A estatística é definida como a ciência e a arte do uso de técnicas con-

cretas de processamento de números obtidos com metodologia quantitativa, para
o estudo de dados particulares e imperfeitos de uma realidade; sua finalidade é a
melhor observação dessa realidade impalpável e impossível de conhecer em sua
totalidade. Particularmente, a estatística aplicada às ciências biológicas é a
bioestatística. O campo da estatística abrange duas áreas bem definidas: a
estatística descritiva, que gera cifras mediante a colheita, classificação, resumo e
análise de dados, com as quais se tiram conclusões só aplicáveis ao grupo de ele-
mentos ordenados para estudo (amostra); e a estatística inferencial, que se vale
dos resultados obtidos desta amostra para gerar induções e estimativas a fim de
conhecer o comportamento de todo o conjunto (população). Do mesmo modo,
a bioestatística pode ser contextualizada como o estudo do processo completo e
seqüencial constituído pela escolha do desenho da investigação, a análise
exploratória dos dados obtidos (até aqui, domínio da estatística descritiva), o con-
junto de técnicas de estimativa de parâmetros populacionais e o uso do teste de
hipótese –estes dois últimos, domínio da estatística inferencial–. Ao longo deste
artigo, abordam-se as principais áreas da bioestatística descritiva –elementos da
análise exploratória de dados e classificação dos tipos de desenhos de investigação–
e da bioestatística inferencial, conceitos de estimativa e de teste de hipótese. Além
disso, apresenta-se uma espécie de glossário dos termos mais utilizados; comen- Palavras-chave
ta-se a utilidade e classificação das principais provas estatísticas citando-se Bioestatística
s s s s s s

exemplos; enumeram-se os principais erros encontrados na literatura científica com Desenhos da investigação
o uso da estatística e se faz uma breve classificação dos tipos de desenhos de Estimativa
Teste de hipótese
investigação –assunto desenvolvido em detalhe, com exemplos sobre
Tipos de provas estatísticas
anestesiologia, no artigo do Dr. Matias Manzzott–; por último, abordam-se as Erro aleatório
definições de bias, erro aleatório e efeito confundidor, conceitos mais freqüentes Bias
s s

no desenvolvimento de estudos observacionais que de estudos experimentais1-4. Efeito confundidor

Introducción tigación científica, con el propósito de prevenir, modificar

Las ciencias de la salud, al encuadrarse dentro de las cien-
cias fácticas, tienen por objeto el estudio de un conjunto
de sucesos o fenómenos implícitos en el concepto de sa-
lud. Ese estudio se desarrolla dentro del campo de la inves-
o simplemente conocer y observar la naturaleza y los meca-
nismos de los procesos y las circunstancias de sus cambios,
relacionados con la salud y la enfermedad. En el terreno
práctico, esto significa la posibilidad de llevar a cabo accio-
nes preventivas, diagnósticas y terapéuticas. Y más aún,

242 | Volumen 64 / Número 6


aplicarlas en los tres campos de actividades del profesional
de la salud: el asistencial, el de la investigación y el docen-
te. Para ello, parte de la competencia profesional implica
conocer las estrategias y herramientas necesarias, por ejem-
plo, para evaluar y elegir críticamente la información cientí-
fica disponible. De este modo, la utilidad de la investigación
clínica depende de la credibilidad científica o verosimilitud
y su relevancia con respecto al problema clínico en particu-
lar. La herramienta fundamental, conjunto de técnicas mate-
máticas y lógicas aplicadas al tratamiento, ordenamiento,
presentación ordenada y resumida de los números pobla-
cionales, es la Estadística.
La Estadística es definida como la ciencia y el arte que estu-
dia y aplica el conjunto de métodos necesarios para recoger,
clasificar, representar, resumir y analizar datos particulares e
imperfectos, así como llevar a cabo inferencias científicas a partir
de esos datos; todos estos elementos permitirán sacar conclu-
siones acerca del comportamiento de la generalidad, con el
propósito de observar mejor e intentar conocer más aca-
badamente una realidad. Particularmente, la estadística apli-
cada a las ciencias biológicas es la Bioestadística.
A pesar del reconocimiento de la utilidad de esta discipli-
na, existe el concepto generalizado del uso falaz y la mani-
pulación maliciosa de la estadística. Asimismo, hay un pre-
juicio generalizado entre los médicos sobre nuestro mal
manejo de las ciencias duras y una natural resistencia o
endeblez ante el raciocinio matemático, lo cual conlleva a
un rechazo atávico hacia la estadística. Por otra parte, el
profuso bombardeo de información científica que recibimos
en el campo de la investigación de las ciencias médicas,
requiere por parte del informante –investigador– y del in-
formado –el profesional que lee el artículo científico– un
conocimiento mínimo pero firme en la materia, tanto para
la adecuada transmisión de lo investigado, como para la
correcta comprensión de los resultados y la aplicación de los
mismos en la toma de decisiones de la práctica asistencial.
De cualquier modo, las mismas publicaciones científicas, en
un acto de verdadero sinceramiento intelectual, hacen pe-
riódicamente revisiones críticas sobre errores groseros en el
tratamiento estadístico de trabajos científicos publicados en
revistas internacionales de gran prestigio. Publicaciones como
J.A.M.A., Circulation, y Anesthesia & Analgesia o Anes-
thesiology, dentro de nuestra disciplina, han presentado sus
estudios, en forma de comunicaciones o revisiones más o
menos sistemáticas, de los errores y el mal uso de la estadís-
tica de famosas revistas médicas como New England Journal
of Medicine, Surgery, Gynecology and Obstetrics, Journal of
Clinical Investigation, Archives of Neurology, y tantas otras.
Los errores suelen representar falencias por defecto o por
exceso: las más veces, las fallas están representadas por un
mal diseño, abuso de tests paramétricos, la errónea aplica-
ción de tests en comparaciones múltiples, confusión en la
presentación de medidas de tendencia central y medidas de
Conceptos básicos sobre bioestadística
descriptiva y bioestadística inferencial
dispersión, y, fundamentalmente, una valoración excesiva
del “p valor”, como si este factor fuera la panacea que abre
la puerta de la verdad. En el afán de demostrar “significa-
ción estadística”, además, se olvida la trascendencia de
demostrar hechos de “significación clínica”, lo cual repre-
senta una fuente de sesgo importante. Pero no pocas ve-
ces, el uso y abuso de profusas y complejas pruebas esta-
dísticas, hacen que la demostración de un hecho clínico
pierda protagonismo, al lado de la brillantez de fórmulas,
gráficos y explicaciones matemático-lógicas que no hacen
al objetivo del artículo, convirtiéndose en el fin y no en el
medio de la comunicación científica 3-6.
Conceptos Básicos sobre Bioestadística
Para introducir en la temática de la Estadística, deben
conocerse algunos conceptos básicos, a saber1-5, 7-8:
- Universo o Población: es el conjunto de individuos u
objetos de los que se desea conocer alguna característica
y acerca de los cuales interesa sacar conclusiones en la in-
vestigación encarada. Es, por lo tanto, el grupo de ele-
mentos hacia los que se querría generalizar los hallazgos
de esa investigación. Es imposible conocerlo en su totali-
dad, por ello su estudio debe ser realizado indirectamen-
te a través de la investigación sobre una muestra repre-
sentativa del mismo.
- Muestra: es un subconjunto o parte de ese universo en
el cual se llevará a cabo la investigación. Según lo permi-
ta el diseño metodológico emprendido, se podrá o no
generalizar los hallazgos encontrados al todo, o simple-
mente limitar las conclusiones de la investigación a ese
subconjunto estudiado.
- Unidad de Observación: es cada elemento o individuo
perteneciente al universo y a la muestra, sobre el cual se
realizará la medición de la / las variable/ s de interés.
- Variable: es la característica que presenta o se busca en-
contrar en la unidad de observación, y por lo tanto, en la
muestra y/o universo. Según el interés que despierta en
la investigación, puede ser: a) Experimental o endógena:
es el objeto de la investigación. A su vez, puede ser “res-
puesta”, cuando es la resultante que se espera encontrar
en un estudio (ejemplo: duración de la analgesia de un
método analgésico), o “explicatoria”, cuando es la mis-
ma intervención producida o los causales del fenómeno
estudiado (ejemplo: tratamiento analgésico instaurado,
factores de riesgo para un determinado proceso). b)
Exógena: es un tipo de variable que no es motivo del
estudio, pero que puede afectar los resultados de la in-
vestigación. A su vez, pueden ser “controladas” (cuando
por alguna técnica del diseño se puede evitar su influen-
cia negativa o perturbadora en la investigación), “pertur-
badoras” o “confundidas” (cuando su influencia está
Revista Argentina de Anestesiología 2006 | 243
Número Simposio
concatenada con el efecto que se quiere explicar, afectan-
do por lo tanto la interpretación del fenómeno produci-
do) o “aleatorizadas” (por un método de aleatorización
se puede “balancear” su influencia, de modo tal que está
presente, pero distribuida en forma pareja entre todos
los grupos de la investigación, sin afectar el resultado fi-
nal, cuando se desee comparar entre los grupos la efica-
cia o no de una intervención).
- Dato: es la cuali o cuantificación de las unidades de ob-
servación y sus características. Puede ser: a) Categórico:
expresan una categoría o atributo. A su vez, puede ser no-
minal (género, efecto adverso, tipo de intervención, tipo
de anestesia, grupo étnico, etc.) o binomial (presencia o
no de un atributo: “sí” o “no”). b) Ordinal: representa un
valor numérico de orden. Los objetos de una categoría in-
corporan entre sí la relación “mayor que” a la de “equi-
valencia”, en comparación con las escalas nominales.
Ejemplos: Escalas de Dolor, Escala de Mallampati, Score
de Aldrete, Estado Físico ASA, etc. c) Numérico (escala de
intervalo): representa un valor numérico concreto. Exis-
ten dos tipos: I.- continuo, como la edad, peso, valor de
glucemia, etc. Se caracterizan por tener una unidad común,
valores fraccionales y poder “dosarse”, en su mayoría. II.-
discreto, como la cantidad de hijos, el número de glóbu-
los rojos, cantidad de apariciones de episodios de dolor
incidental, etc. Se caracterizan por no tener unidad, son
números absolutos (no fraccionales) y “se cuentan”.
Áreas de la Estadística
Como ya se comentó, su estudio comprende dos áreas
bien definidas e interrelacionadas4-5:
Estadística descriptiva
- Diseño de la Investigación: es el proceso dinámico,
interactivo e iterativo que incluye el planteo del proble-
ma, la mejor planificación para llegar a la “verdad” y el
impacto en la calidad y en el costo del estudio de cada
una de las decisiones que se planteen para las distintas
etapas de la investigación.
- Análisis exploratorio de los datos: incluye la recolección,
clasificación, resumen y tabulación de los datos desorde-
nados e incompletos, para ordenarlos y hacerlos pasibles
de cálculos estadísticos. Emplea medidas de tendencia cen-
tral, de dispersión y de posición, razones, proporciones,
tasas, los conceptos de incidencia y de prevalencia, etc.
Estadística inferencial
- Estimación: es la aproximación estadística del parámetro
poblacional, a partir de los datos de una muestra repre-
244 | Volumen 64 / Número 6
sentativa. Existen dos tipos de estimación: puntual (cuan-
do se da un único valor como estimación: una medida
de tendencia central y su medida de dispersión) e
intervalar (cuando se calcula un rango de valores entre
los cuales se puede confiar está el verdadero valor
poblacional: Intervalo de Confianza). Como la mayoría
de las investigaciones biomédicas comparan grupos,
conviene comparar diferencias entre estimaciones pun-
tuales (típica comparación: entre medias o medianas) o
proporciones4-5, 7-9.
- Test de Hipótesis: constituye la toma de decisiones en
torno a una población, apoyando o refutando teorías,
conjeturas o modelos previamente establecidos. Se llama
Hipótesis a la proposición verdadera o no, adoptada pro-
visionalmente hasta tanto se recabe información que con-
firme lo contrario.
Se denomina Hipótesis Nula a la situación basal a partir
de la cual se avanza en el camino del conocimiento: par-
te del concepto de que no hay diferencias de resultados
entre tratamientos, procedimientos, respuestas clínicas,
etc.
En cambio, la Hipótesis Alternativa o de Trabajo es la que
maneja el investigador: trata de demostrar que hay dife-
rencias de resultados respecto de aquella situación basal,
con el advenimiento de un nuevo procedimiento, de un
nuevo medicamento, un efecto distinto como respuesta
clínica, etc.4-5, 7.
Gráficamente puede representarse en la siguiente tabla
de doble entrada (Gráfico 1) que muestra las posibilida-
des de resultados arrojados por un test estadístico –prue-
ba “significativa” y prueba “no significativa”– y la situa-
ción verdadera dada en esa realidad inasible que es im-
posible conocer en su totalidad: es decir, lo que ocurre
en el universo, del cual sólo analizamos una parte cons-
titutiva y representativa que es la muestra.
Del cruce de ambos escenarios, pueden darse cuatro si-
tuaciones4-5, 7-12:
- Que, habiendo realmente diferencias en el universo, el test
estadístico lo detecte de forma coherente y sea de resul-
tado “significativo”: será el Verdadero Positivo.
- Que, aun cuando exista esa diferencia universal, el test no
tenga la suficiente potencia para detectarlo: entonces el
test será de resultado conflictivo con la realidad (“no sig-
nificativo”) y nos hallaremos ante la presencia de un Fal-
so Negativo.
- Que, no habiendo diferencias en el mundo real, el resul-
tado del test sea coherente con esa situación (“no signi-
ficativo”): estamos ante un Verdadero Negativo.
- Que, aun cuando no haya diferencias en el mundo real,
una mala elección del test o el manejo de un insuficiente
tamaño muestral, conduzca a un resultado conflictivo con
 Conceptos básicos sobre bioestadística
descriptiva y bioestadística inferencial

SITUACIÓN VERDADERA

HAY ≠ en el Universo NO HAY ≠ en el Universo

(se cumple H1) (se cumple HO)

P. Significativa Verdadero (+) Falso (+)

PRUEBA

(rechazo H0) Potencia = 1 – β Error Alfa

P. No Significativa Falso (-) Verdadero (-)

(no rechazo H0) Error Beta

Gráfico 1

do en el universo real SÍ las hay... No se rechazó H0, cuan-

do tuvimos que haberla rechazado.
“Beta” (β) está dentro del extremo izquierdo la curva nor-
mal para “el universo de la hipótesis alternativa” (cuya
media es µ 1), pero se interpretó erróneamente, por el re-
sultado del test, que estaba dentro dela curva normal para
“el universo de la hipótesis nula” (cuya media es Mu 0).

Las pruebas estadísticas

Gráfico 2.– Curvas Normales de los Universos de la Hipótesis Nula
y la Hipótesis Alternativa.
la realidad de la prueba estadística (“test significativo”):
estamos ante un Falso Positivo.
La posibilidad de escenarios hace que podamos represen-
tarlos como los “universos de las hipótesis”: existe una cur-
va normal para la Hipótesis Nula y otra curva normal para
la Hipótesis Alternativa. Dos de los extremos de ambas cur-
vas gaussianas se superponen, dando lugar a los “Errores
Alfa y Beta”, que equivalen a las situaciones conflictivas
relatadas arriba.
Resumiendo, pueden existir dos tipos de errores:
Deben ser seleccionadas según1-5:
- El diseño de la investigación
- La distribución de los datos analizados
- Tipo de datos (categóricos, ordinales, numéricos discre-
tos o continuos)
- El tamaño muestral
- La independencia o dependencia de los datos
- El número de grupos tratados
Las Pruebas Estadísticas se usan para4-5, 7-10:
- Poner a prueba la significación estadística de una diferencia
- Describir el grado de asociación entre los datos
- Modelizar (matemáticamente) los efectos de múltiples va-
riables

- Error α: creer que hay diferencias significativas cuando en
el universo real NO las hay... Se rechazó H0, cuando tuvi-
mos que habernos quedado con ella.
“Alfa” (α) está dentro del extremo derecho de la curva nor-
mal para “el universo de la hipótesis nula”( cuya media es
Mu 0), pero se interpretó erróneamente, por el resultado
del test, que estaba dentro de la curva normal para “el
universo de la hipótesis alternativa” (cuya media es Mu 1).
- Error β: creer que no hay diferencias significativas cuan-
Tipos de Pruebas Estadísticas1-5, 7-12
- Paramétricas: asumen que la distribución de frecuencias
de las observaciones es Normal y que existe homogenei-
dad de varianzas. Se usan con datos cuantitativos conti-
nuos y se basan en la estimación de parámetros.
- No paramétricas: asumen que la distribución NO es Nor-
mal. Se usan para datos numéricos ordinales y datos cate-
góricos. Tienen menor potencia que los test paramétricos.

Revista Argentina de Anestesiología 2006 | 245

Número Simposio

Requisitos para la toma de decisión sobre qué test usar:

- Tipo de datos (cuantitativos continuos, u ordinales y categóricos)
- Forma del histograma de frecuencias
- Forma de la curva: tipo de distribución
- Valores de skewness (simetría de la curva) y kurtosis (morfología de la curva)
- Método gráfico: “normal probability plot”
- Test Wilk-Shapiro (su hipótesis nula dice que la distribución es normal: si la p es mayor de
0,05 = hay normalidad = se usan test paramétricos). Este test solo tiene valor asociado al
resto de los requisitos, no su resultado aislado (tamaño muestral-dependiente).

Clasificación de los Test Estadísticos según el Propósito1-5, 7-12

1) Para comparar dos o más grupos independientes:

DATOS CATEGÓRICOS O NOMINALES

Tablas 2x2 proporciones Otros

N pequeño N grande

↓ ↓
Test Exacto Test de
de Fisher Chi Cuadrado

*) Para frecuencias esperadas < de 5 *) Para frecuencias esperadas ≥ de 5

*) N < de 30 *) N ≥ de 30
*) Tablas de 2x2 *) Tablas mayores de 2x2, grupos independientes

2) Para comparar dos o más grupos independientes:

DATOS NUMÉRICOS

2 Grupos 3 o más Grupos

↓ ↓
↓

Distribución Distribución Distribución Distribución

Normal No Normal Normal No Normal

↓ ↓ ↓ ↓
Test de Student U de Mann-Whitney ANOVA Kruskall-Wallis
de una vía ANOVA
↓
Test de Welch

- Test de Student: Compara medias. Para varianzas homogéneas.

- Test de Welch: compara medias. Para varianzas distintas.
- Test de U de Mann-Whitney: Equivalente al Test de Student no pareado, para distribuciones no normales. Compara las medianas.

246 | Volumen 64 / Número 6

 Conceptos básicos sobre bioestadística
descriptiva y bioestadística inferencial

¿Cómo se testea homogeneidad de varianzas (homocedasticidad)?

- Para dos grupos o muestras: con el F-Test
- Para más de dos grupos: con el Test de Barlett (paramétrico) y el Test de Levene (no paramétrico)

¿Cómo se ajustan los niveles de alfa al número de comparaciones múltiples?

- Con los Criterios de Bonferroni, de Sidak, de Tuckey, de Newman- Keuls, de Dunnett, de Scheffe
(preservan del error alfa total).

3) Para comparar dos o más grupos pareados:

DATOS CATEGÓRICOS

2 Grupos proporciones 3 o más Grupos

↓ ↓
Test de Mc Nemar Test de Cochran Q

4) Para comparar dos o más grupos pareados

DATOS NUMÉRICOS

2 Grupos 3 o más Grupos

→ →
↓

Distribución Distribución Distribución Distribución

Normal No Normal Normal No Normal

↓ ↓ ↓ ↓
Test de Student Test del Signo ANOVA para Test de
para muestras Friedman
Datos Pareados ↓ repetidas
T. de R. S.
de Wilcoxon

- Test del Signo: Compara medianas, en distribuciones de frecuencias casi simétricas.

- Test de Rangos Signados de Wilcoxon: Compara medianas para distribuciones totalmente asimétricas.

Revista Argentina de Anestesiología 2006 | 247

Número Simposio

5) Para describir la relación entre dos variables:

Se trata de dilucidar si existe asociación entre las variables a priori relacionadas o no.

¿HAY ASOCIACIÓN?

Datos categóricos Datos ordinales Datos numéricos

→ →
↓
↓

↓
Tablas 2x2 Otras Rho de Para Para
Spearman Predicción Asociación

↓ ↓ ↓ ↓ ↓
R.R. Regresión Tau de Regresión Correlación
Logística Kendall de Pearson

↓ ↓ ↓ ↓
O.R. Chi Cuadrado Correlación Correlación
para para Datos de Spearman
Tendencias Ordinales

R.R.: Riesgo Relativo

O.R.: Odds Ratio o Razón de Productos Cruzados.
Regresión Logística en el análisis de datos categóricos: consiste en “modelizar” el efecto de múltiples variables sobre un
evento, siendo analizado gracias a un artificio matemático el efecto global, y no separadamente el efecto aislado de cada
variable sobre dicho evento.
Regresión para la predicción con datos numéricos: se elige cuando se trata de predecir la relación entre una variable inde-
pendiente (“explicativa”) y una variable dependiente (“respuesta”).
Asociación de datos numéricos: cuando se trata de determinar la asociación de dos variables numéricas sin valores extre-
mos (outliers), se elige el test de Correlación Paramétrico de Pearson. Cuando existen en la distribución de los grupos de
datos numéricos, valores extremos u outliers, se opta por el test de Correlación No Paramétrico de Spearman.

6) Para describir la relación entre dos técnicas de medición

¿HAY CONCORDANCIA?

Datos Categóricos Datos Numéricos

↓ ↓
Estadístico Bland-Altman
Kappa Plot

↓
Coeficiente
Intraclase

Estadístico Kappa: Describe cuánto coinciden dos Métodos Diagnósticos, en un paciente, más allá de lo esperado por
azar. Un valor mayor de 0.6 indica una concordancia muy buena. Un valor igual a uno, es una concordancia perfecta.
Menos de 0.4, puede considerarse una concordancia nula.

248 | Volumen 64 / Número 6


Errores estadísticos más frecuentes
en la literatura médica10, 13
- Abuso de Test Paramétricos
- Abuso del Test de Student
- Repetición de tests pareados, en lugar de emplear un Test
de ANOVA para muestras repetidas
- Confundir el Desvío Estándar con el Error Estándar
- Mal empleo de la correlación
- Mal empleo de la regresión lineal
- Empleo erróneo de la correlación y de la regresión para
comparar concordancia entre dos técnicas de medición
(en vez de los estadísticos Kappa, Bland-Altman Plot o el
Coeficiente Intraclase).
- Sobrevaloración de los valores predictivos en los tests diag-
nósticos
- Abuso de Chi Cuadrado (tamaño muestral pequeño, da-
tos pareados, tablas 2x2)
- Preocupación excesiva por el valor de “P”:
- El P Valor NO es una medida de la evidencia de los ha-
llazgos.
- El P Valor es la probabilidad de equivocarse al decir que
hay un efecto (H 1) cuando el hallazgo se debió al azar
y no lo hay (H 0), cometiendo un error alfa.
- El P Valor nunca es la probabilidad de que H 1, los
verdaderos (+), sean verdad.
Como ya dijimos, parte de la Estadística Descriptiva se
dedica al estudio de los tipos de Diseños de Investiga-
ción4,5.
Preguntas a las que debe responder un estudio
de investigación
“LA PREGUNTA” debe responder en forma concisa el o
los objetivos principales del estudio y cumplir con determi-
nadas características14:
- Interesante: para el investigador, y en lo posible, para el
contexto y el medio donde tendrá aplicabilidad.
- Novedosa: proveer nuevos datos, aplicaciones, o, en su
defecto, refutar o confirmar otros hallazgos.
- Ética: no existe investigación sin ética.
- Relevante: para el conocimiento científico, para la toma
de conductas clínicas, políticas de salud, planificación,
etc.
- Factible: debería reunir un número adecuado de sujetos,
recursos humanos y técnicos acordes, tiempo y dinero
disponible, etc.
Conceptos básicos sobre bioestadística
descriptiva y bioestadística inferencial
Los diversos tipos de estudios se clasifican según los si-
guientes criterios4,5,14-17:
1) Propósito del Estudio
a. Observacional: el investigador recolecta información so-
bre las variables o fenómenos de interés, sin tomar inter-
vención sobre ellos.
A su vez, puede ser:
- Descriptivo: descripción del fenómeno, con la producción
de un perfil de las características de un grupo de interés.
A este grupo pertenecen las encuestas, los estudios de pre-
valencia descriptivos, los estudios de eventos, reportes de
casos y los estudios institucionales. Son de resorte, en su
mayoría, de la Epidemiología Descriptiva.
- Analítico: intenta responder al “por qué” el grupo estu-
diado tiene cierta característica. Intenta establecer asocia-
ciones causales, llegando a un planteo de hipótesis.
A este grupo pertenecen los estudios ecológicos, los es-
tudios de prevalencia analíticos, los estudios de casos y
controles y los estudios de cohortes. Son de resorte de la
Epidemiología Analítica, pero también de la Clínica.
b.Experimental: el investigador influye deliberadamente so-
bre los eventos, para analizar los efectos de su interven-
ción. Permite realizar inferencias más robustas. General-
mente son estudios comparativos. El “patrón oro” del
estudio experimental es el ensayo clínico controlado y
aleatorizado (ECCA). Estudia, en general, la eficacia de una
intervención ( condiciones óptimas o ideales).
Estudios cuasi-experimentales: son un tipo especial de
diseño, sin las exigencias del ECCA y sin aleatorización, que
están dirigidos a estudiar efectividad e impacto (condicio-
nes habituales y realistas). Pertenecen a esta categoría los
Estudios Antes - Después no Controlados, los Estudios An-
tes – Después Controlados y las Series de Tiempo.
2) Temporalidad del método de observación
a. Prospectivo: es el estudio de seguimiento de una cohorte
(grupo de sujetos seguidos durante un tiempo) a partir
del presente (inicio de la investigación) y hacia el futuro.
También es denominado “Muestreo por Variables de En-
trada”.
El estudio prototípico de este grupo es el Estudio de
Cohortes Prospectivas, donde se comienza el análisis en
la actualidad, con la exposición a un factor de riesgo en
un grupo de sujetos, siguiendo en el futuro quiénes de-
Revista Argentina de Anestesiología 2006 | 249
Número Simposio
sarrollarán una determinada característica o enfermedad
(evento) y quiénes no.
b. Retrospectivo: es el tipo de estudio que recoge en el pre-
sente hechos ya acontecidos (evento actual: característi-
ca o enfermedad) y analiza quiénes estuvieron expuestos
y quiénes no, a un factor de riesgo en el pasado. Tam-
bién se denomina “Muestreo por Variables de Salida o Re-
sultados”.
Un estudio retrospectivo clásico es el diseño de Casos y
Controles, que a su vez puede ser descriptivo o analítico.
Estos diseños, dado que no permiten estudiar relación
temporal entre causa y efecto, no sirven generalmente
para indicar causalidad.
3)Dimensión Temporal e Intención del Estudio
a. Longitudinales: consiste en la investigación de un proce-
so a lo largo del tiempo, en relación o no a una interven-
ción del investigador. Las observaciones son llevadas a
cabo en más de una ocasión. Pueden ser observacionales
o experimentales. Por otra parte, pueden ser secuenciales
(cruzados o autocontrolados), paralelos o de control ex-
terno.
b. Transversales: la investigación se lleva a cabo una sola vez
en el tiempo. Generalmente son estudios observacionales.
Aplicados a la población, representan la prevalencia (por
ejemplo, de una enfermedad).
Tipos de estudios más frecuentes
en la investigación clínica
- Retrospectivos de casos y controles.
- Prospectivos de cohortes.
- Ensayo clínico controlado aleatorizado (ECCA).
- Estudios de Efectividad e Impacto.
- Estudios sin controles internos (emplean controles exter-
nos o “históricos”).
- Series clínicas o series de casos.
- Revisión: revisión narrativa, revisión sistemática, metaaná-
lisis.
Tipos de estudios más adecuados
al tipo de investigación desarrollada15
- Etiología o Daño: ECCA.
- Pronóstico: Estudios de Cohorte Prospectiva.
- Prevención: ECCA.
- Diagnóstico: Estudios Transversales.
- Tratamiento: ECCA y Metaanálisis.
250 | Volumen 64 / Número 6
Condiciones ideales que debería reunir
un estudio3-5,14-17
- Realismo: es la mejor reproducción posible de las condi-
ciones que se quieren estudiar, tal como se establecen en
la naturaleza. Esta característica la cumplen los Estudios
Obsevacionales.
- Aleatorización: es el diseño que evita el sesgo, distribu-
yendo las variables potencialmente confundidas o pertur-
badoras homogéneamente entre los grupos. Los Estudios
Experimentales Aleatorizados cumplen este requisito.
- Representatividad: es la capacidad de reflejar de la mejor
manera a la población objetivo. Los Estudios Transversa-
les cumplen perfectamente esta condición. A su vez, cuan-
do se dice que una muestra es representativa, debe cum-
plir con esta premisa.
Concepto de Sesgo y Error Aleatorio7-8, 14,15,18
Sesgo o Error Sistemático es la variación en los valores
medidos, cuando difieren de la realidad en forma sistemá-
tica. Un ejemplo claro es la toma de la ETCO2 en un grupo
de pacientes con un capnógrafo mal calibrado: este fenó-
meno llevará a errores en las mediciones en un mismo sen-
tido (“de más” o “de menos”).
Existen distintos tipos de sesgos según los diseños de inves-
tigación: sesgos de información (del entrevistador, de corte-
sía, de medición, de estudio o verificación, de vigilancia, de
recuerdo selectivo, de publicación ,etc.) y sesgos de selección
(del grupo control, de los voluntarios sanos, la pérdida de se-
guimiento en los estudios de cohortes, sesgo de incidencia-
prevalencia, sesgo de no respuesta, sesgo de derivación, de
diagnóstico, de anticipación, de mala clasificación, etc.).
Error Aleatorio, sin embargo, es la variación de los valo-
res medidos cuando difieren desorganizadamente (no
sistemáticamente) del valor real, pero el promedio de las
dispersiones lleva a valores cercanos al real. Lo que intervie-
ne es la precisión de la medición o la variación interindi-
vidual. En contraposición al ejemplo anterior, un error alea-
torio sería la diferencia entre las mediciones de diversos
valores de hipocapnia entre distintos pacientes hiperven-
tilados, con o sin patología respiratoria, tomados todos a
partir de capnógrafos bien calibrados.
Efecto Confundidor12, 14, 16
Se observa cuando la asociación entre una exposición
(Factor de Riesgo o Protector, según el caso clínico) y un
evento en estudio se modifica en función de la presencia o
ausencia de un tercer factor no contemplado.

Una variable debe cumplir con ciertos requisitos para ser
un potencial confundidor:
- Debe estar asociada, al menos estadísticamente, con la
exposición de la muestra en estudio
- Debe estar distribuida en forma desigual y asociada en-
tre los grupos en estudio
- Independientemente, debe estar asociada (debe ser un
factor de riesgo) con el evento
Ejemplo de Efecto Confundidor
Semiología
de Intubación HIPOXIA
↓
Dificultosa
↓
EDAD
La Semiología de Intubación Dificultosa es un Factor de
Riesgo (Exposición) para el Evento Hipoxia –ante maniobras
infructuosas para la IOT– Pero si el paciente además es año-
so, es muy probable que desature más rápido que un pa-
ciente joven por menor reserva respiratoria, comorbilidades,
cierto grado de EPOC, etc.; por lo tanto, es un tercer factor
asociado a Hipoxia ( Factor de Riesgo) que debe ser contem-
plado, independientemente de la asociación entre Semio-
logía de Intubación Dificultosa e Hipoxia). Por otra parte, la
EDAD está asociada estadísticamente con la Semiología de
Intubación Dificultosa, independientemente de la asociación
primaria –los pacientes añosos tienen alteraciones anatómi-
cas, morfológicas y funcionales relacionadas con la edad:
mayor laxitud de tejidos, mayor relación masa grasa– masa
muscular, obesidad, suelen ser desdentados, suelen tener
menor motilidad cervical (flexoextensión) por artrosis, etc.-
Conclusiones
Diversos aspectos relacionados con la Estadística Descrip-
tiva y la Estadística Inferencial deben ser tenidos en cuenta
por los profesionales de la salud, tanto para el desarrollo de
sus propios protocolos de investigación –siendo que exis-
ten diseños de fácil ejecución, no siempre es factible ni per-
tinente hacer un ECCA– como para poder ejercer la Lectura
Crítica de la literatura médica que nos avasalla en su profu-
sión y heterogeneidad. Esta temática no debería constituir
un impedimento o escollo para un profesional acostumbra-
do a realizar cálculos matemáticos en su práctica diaria, a
Conceptos básicos sobre bioestadística
descriptiva y bioestadística inferencial
llevar a cabo razonamientos fisiopatológicos complejos y a
tomar decisiones rápidas y críticas en pocos minutos.
En conclusión, no es la estadística la que miente o engaña:
es el hombre quien, o deliberadamente –ya para dirigir forza-
da y tramposamente una postura, ya para lucir su experticia
en la materia– o por desconocimiento del uso de la herramienta
–la mayoría de las veces–, transmite errores y falacias.
Para profundizar en más ejemplos de diseños de investi-
gación, invitamos a los lectores a leer el artículo del Dr.
Matías Manzzoti.
Bibliografía
1. Altman, D.C. Practical Statistics in Medical Research. Cap. 5:
Designing Research. Ed. Chapman & Hall, London (1991): 74- 103.
2. Beaglehole R y Bonita R. Epidemiología Básica. Cap. 4: Nocio-
nes de Estadística. Biblioteca de la OPS. Washington D.C. (1996).
3. Cortada de Kohan N. Diseño Estadístico. EUDEBA. 1º Edición.
Buenos Aires (1994).
4. Dagnino Sepúlveda, J. Bioestadística. Rev. Chil. Anest. (1997);
26, 1: 5-62.
5. Feinstein A.R. Prophylactic and remedial therapy for the intellectual
aliments of “Biostatistics”. Pediatrics (1983); 72: 131-133.
6. Finkel D.M. La bioestadística en los artículos médicos. Verda-
des y mentiras. Editorial. Revista Argentina de Anestesiología,
año 2005. Vol. 63, Nº 4, pág. 193-194.
7. Finkel, D.M. Bioestadística aplicada a la Anestesiología. En:
“Texto de Anestesiología Teórico-Práctica”, de J.A. Aldrete y
cols. (Eds.). Cap. 83. Págs: 1555-1559. Editorial El Manual
Moderno. 2º edición. México D.F. (2004).
8. Fletcher R.H., Fletcher S.W. and Wagner E.H. Epidemiología
Clínica. Aspectos Fundamentales. Masson - Williams & Wilkins
Ed. 2º Edición. Barcelona (1998).
9. Macchi, R.L. Introducción a la Estadística en Ciencias de la Sa-
lud. Editorial Panamericana. 1º Edición. Buenos Aires (2001).
10. Miles P.S. and Gin T. Statistical Methods for Anesthesia and
Intensive Care. Butterworth Heinemann Ed., Oxford (2000).
11. Pagano M. y Gauvreau K. Fundamentos de Bioestadística.
Thomson Learning Ed. 2º Edición. México D.F. (2003).
12. Pichon-Riviere A., Irazola V. Curso de Bioestadística. Programa
de Efectividad Clínica. U.B.A. Htal. Italiano. Buenos Aires (2006).
13. Schor S., Karten I. Statistical Evaluation of Medical Journal
Manuscripts. J.A.M.A. (1966); 195, 13: 1123-1128.
14. Rubinstein F. Curso de Epidemiología Clínica. Programa de
Efectividad Clínica. U.B.A. Htal. Italiano. Buenos Aires (2006).
15. Guyatt G.H., Sackett D.L. and Cook D.J. La Medicina Basada
en la Evidencia. Guías del usuario de la literatura médica. JAMA
Edición Española. Publicaciones Profesionales Internacionales
S.A., Barcelona (1997).
16. Hennekens C.H., Buring J.E. Epidemiology in medicine. Little,
Brown & Co. Boston (1987).
17. McKee M., Britton A., Black N., et al. Methods in health services
research: Interpreting the evidence: choosing between
randomized and non-randomised studies. B.M J. (1999); 319:
312-315.
18. Sackett D. Bias in analytic research. J. Chron. Dis. (1979); 32: 51-63.
E-mail: diananestesia@hotmail.com
Revista Argentina de Anestesiología 2006 | 251