ESTADÍSTICA

APLICADA A
LA SALUD
INTRODUCCIÓN
A LA ESTADÍSTICA
INFERENCIAL
 INFERENCIA ESTADISTICA
La inferencia estadística pretende, dados unos datos sujetos a incertidumbre, obtener el
conocimiento de los parámetros, en un sentido amplio de tipo inductivo y se basa en la
probabilidad (Gomes Villegas, 2020)

Inferencia: realizar predicciones sobre características de una población a partir de una muestra
de dicha población

Se dedica a la generación de modelos, inferencias y predicciones asociadas a los fenómenos en

cuestión teniendo en cuenta la aleatoriedad de las observaciones

Los dos tipos de problemas que resuelven las técnicas estadísticas son: estimación y contraste
de hipótesis
 Estimación de parámetros
El objetivo es obtener la estimación de un parámetro, o sea obtener un estadígrafo
representativo de la población de estudio y que responde la siguiente pregunta: ¿Cuántas
unidades de análisis es necesario estudiar para poder estimar el valor de una variable con el
grado de confianza deseado y que represente al parámetro de la población de estudio?

Consiste en obtener información sobre una población desconocida, basándose en los

resultados de una muestra.
Términos básicos
 Términos básicos
POBLACIÓN: Conjunto de elementos sobre los que se observa un carácter común. Se representa con
la letra N.
MUESTRA: Conjunto de unidades de una población. Cuanto más significativa sea, mejor será la muestra. Se
representa con la letra n.
UNIDAD DE MUESTREO: Está formada por uno o más elementos de la población. El total de unidades de
muestreo constituyen la población. Estas unidades son disjuntas entre sí y cada elemento de la población
pertenece a una unidad de muestreo.

Variable: Es cualquier característica que tome dos o más valores en una población. Cuando los
atributos ya han sido medidos, reciben el nombre de variables. Por ejemplo: RN n°1: EG: 39 semanas
PN: 3250 grs. TN: 50 cms. Se llaman variables, porque cambia entre cada unidad de análisis.
¿QUÉ ES UNA HIPÓTESIS?
¿QUÉ ES UNA HIPÓTESIS?
CONTRASTE DE HIPÓTESIS:
Un contraste de hipótesis o Test de hipótesis estadístico es una prueba de
significación o una prueba estadística, que indican el proceso mediante el cual
decidimos si una proposición respecto de la población, debe ser aceptada o no. Esta
proposición es lo que se denomina hipótesis estadística
Hipótesis estadística, por tanto, es una proposición acerca de la función de
probabilidad o de la función de densidad de probabilidad de una variable aleatoria o de
varias variables aleatorias. Tal proposición debe referirse bien a la forma de la distribución de
probabilidad, bien al valor o valores de los parámetros que lo definan o
bien a ambos.
NIVEL DE CONFIANZA: Indica la proporción de veces que acertaríamos al afirmar que el parámetro
θ está dentro del intervalo al seleccionar muchas muestras. Es la probabilidad de que el verdadero
valor del parámetro estimado en la población se sitúe en el intervalo de confianza obtenido. El nivel
de confianza se denota por (1-α), aunque habitualmente suele expresarse con un
porcentaje ((1-α)·100%). Es habitual tomar como nivel de confianza un 95% o
un 99%, que se corresponden con valores α de 0,05 y 0,01, respectivamente.
¿QUÉ ES UNA HIPÓTESIS?
Efecto del tamaño de la muestra en la potencia

Se trata de poner de manifiesto cómo, manteniendo constante α , al aumentar el

tamaño de la muestra decrece el valor de β, y por tanto, se incrementa la potencia, la
capacidad del contraste para distinguir H0 y H1

El concepto de p-valor

El p-valor puede considerarse como el valor límite para que un contraste sea
significativo, es decir, elegido un nivel de significación α, se rechazará H0 si p ≤ α.
TIPOS DE PRUEBAS DE HIPÓTESIS
ESPECIFICAR EL NIVEL DE SIGNIFICANCIA (α) Y
GRAFICAR LAS REGIONES DE RECHAZO Y ACEPTACIÓN
(CON SUS PUNTOS CRÍTICOS)
Pasos para desarrollar pruebas de Hipótesis:
1. Se establecen las hipótesis nula y alternativa.
2. Se selecciona un nivel de significancia. a
3. Se identifica y calcula el estadístico de la prueba.
4. Graficar las regiones de rechazo y aceptación; a la vez también ubicar en el
grafico los valores encontrados en la parte (3).
5. Tomar la decisión de aceptar o rechazar Ho.
6. Conclusión
SUPUESTOS DE LAS PRUEBAS DE HIPOTESIS
• Muestra(s) tomada(s) al azar.
• Población(es) normalmente distribuida(s)
 Pasos para desarrollar pruebas de Hipótesis:

Paso 1: Plantear las hipótesis nula (Ho) y la alterna (Ha o H1)

Paso 2: Especificar el nivel de significancia (α) y graficar las
regiones de rechazo y aceptación
Paso 3: Calcular el estadístico de prueba (p-valor) y compararlo
con la grafica.
Paso 4: Tomar la decisión de aceptar o rechazar Ho

SUPUESTOS DE LAS PRUEBAS DE HIPOTESIS

• Muestra(s) tomada(s) al azar.
• Población(es) normalmente distribuida(s)
ESPECIFICAR EL NIVEL DE SIGNIFICANCIA (α) Y GRAFICAR
LAS REGIONES DE RECHAZO Y ACEPTACIÓN (CON SUS
PUNTOS CRÍTICOS)
Decisión: Rechazar Ho Decisión: Aceptar Ho
Ho es cierta o Error tipo I (α)  Nivel de No hay error (CORRECTO)
verdadera significancia
PROB=1- (≈ 0.8)
Prob (Rechazar Ho / Ho es
verdadera o cierta) ≈ 1%, 5%, 10% Potencia de la Prueba o
valor predictivo

Ho es falsa No hay error (CORRECTO) Error tipo II (  )

PROB= 1- (99%, 95%, 90%) Prob(Aceptar Ho / Ho es falsa)
Nivel de Confianza ≈ 20%
¿Cuándo mis resultados no son significativos, ¿realmente no existe un
efecto o es que el estudio no fue capaz de detectarlo?

¿Dónde existe una mayor probabilidad de encontrar diferencias

significativas? ¿En una muestra grande o pequeña?

Y finalmente, ¿cómo necesitamos plantear nuestro estudio para obtener

más posibilidad de detectar efectos significativos?
Error tipo I: Probabilidad de rechazar la hipótesis nula cuando
es verdadera. Estos es pensar que hemos encontrado un
efecto donde no existe ninguno.
Error Tipo II: Probabilidad de no rechazar la hipótesis nula
cuando es falsa. Esto es pensar que no hay efecto cuando en
realidad lo hay.
Si el tamaño de la muestra era demasiado pequeño en un
resultado no significativo, es muy poco probable que el ensayo
obtuviera un valor de p significativo incluso cuando la diferencia
relevante está verdaderamente presente. Por lo tanto, es de
vital importancia considerar el tamaño de la muestra y el poder
al interpretar afirmaciones sobre resultados "no significativos".
En particular, si el poder de la prueba estadística fue muy baja,
todo lo que se puede concluir de un resultado no significativo es
que la cuestión de las diferencias siguen sin resolverse.
 Welch Two Sample t-test
data: num1 and num2
t = -1.018, df = 57.791, p-value = 0.3129

Cohen's d | 95% CI
-------------------------
-0.26 | [-0.77, 0.25]
Kabacoff, 2015, p.241
La potencia estadística de un contraste de hipótesis (1-β) es la
probabilidad de rechazar la hipótesis nula cuando es falsa.

Si un contraste de hipótesis no se ha rechazado la hipótesis

nula, siempre debe calcularse la potencia. Si esta es, por
ejemplo, 0.10, significa que, aunque la hipótesis alternativa
fuera cierta, la probabilidad de demostrarla con el estudio Álvarez, 2018, p.790
realizado es tan solo del 10%.
El poder estadístico, que es la probabilidad de encontrar un
efecto, si existe. Por ejemplo, si la potencia de su estudio es
0,90, eso significa que tiene un 90 % de posibilidades de
encontrar un efecto, si existe. El bajo poder estadístico
significa que tiene pocas posibilidades de concluir que hay un
efecto cuando un efecto está presente. (Stanley, 2022).
Tamaño de muestra

Tamaño del efecto

Se trata de una cuantificación de lo importante que es una diferencia o
un coeficiente, luego de haber obtenido un resultado significativo en la
prueba de hipótesis. Conocer el tamaño del efecto es absolutamente
necesario para interpretar los resultados de una investigación
(Bologna, 2020).
Comúnmente un valor p menor de 0.05 es
considerado aceptable, es decir, que la probabilidad
de que los resultados observados se deban al azar sea
menor del 5%. Sin embargo, el valor de p no aporta
información sobre la magnitud del efecto observado
(por ejemplo, sobre si la diferencia encontrada entre
dos variables es grande o pequeña). Díaz, 2014, p.4
El tamaño del efecto es un índice que indica la
magnitud de una relación o efecto. Si A y B son dos
tratamientos diferenciados que se aplican sobre una
misma muestra y la efectividad de A resulta superior
a la de B, el tamaño del efecto permite determinar el
grado de generalización que es posible hacer de este
hallazgo en la población de las mismas características Díaz, 2014, p.4
que la muestra estudiada.
Two Sample t-test
data: peso by sexo
t = -27.067, df = 398, p-value < 2.2e-16

Cohen's d
d estimate: -2.706735 (large)
95 percent confidence interval:
lower upper
-2.978846 -2.434624
Two Sample t-test
data: peso by sexo
t = -12.746, df = 398, p-value < 2.2e-16

Cohen's d
d estimate: -1.273969 (large)
95 percent confidence interval:
lower upper
-1.489585 -1.058353
Puede ocurrir que las diferencias sean estadísticamente significativas, pero sin embargo, ser diferencias muy
leves y con poca utilidad práctica.
Visto en: [Link]
El paquete “pwr” ( Champely 2020 ) implementa análisis de potencia como lo
describe Cohen ( 1988 ) y permite realizar análisis de potencia para las
siguientes pruebas (selección):
 Pruebas t
Cuando la prueba estadística a utilizar es una prueba t, la [Link]()
función proporciona una serie de opciones útiles de análisis de potencia,
el formato es [Link](n=, d=, [Link]=, power=, type=, alternative=)
Donde: 
• “n”, es el tamaño de la muestra.
• “d”, es el tamaño del efecto definido como la diferencia de medias
estandarizadas.
M1: Media del grupo 1.
M2: Media del grupo 2.
Sp: es la
desviación estándar mancomunada.
 Pruebas t
Cuando la prueba estadística a utilizar es una prueba t, la [Link]()
función proporciona una serie de opciones útiles de análisis de potencia,
el formato es [Link](n=, d=, [Link]=, power=, type=, alternative=)
Donde:
• “[Link]”, es el nivel de significancia (0.05 es el valor predeterminado).
• “power”, es el nivel de potencia.
• “type”, es una prueba t de dos muestras (“[Link]"), una prueba t
de una muestra (“[Link]"), o una prueba t de muestras
dependientes (“paired"). Una prueba t de dos muestras es la
predeterminada.
 Pruebas t
Cuando la prueba estadística a utilizar es una prueba t, la [Link]()
función proporciona una serie de opciones útiles de análisis de potencia,
el formato es [Link](n=, d=, [Link]=, power=, type=, alternative=)
Donde:
• “alternative”, indica si la prueba estadística es bilateral (“[Link]") o
unilateral(“less"o“greater"). Una prueba de dos colas es la
predeterminada.
En un ensayo clínico sobre el uso de una droga en embarazos gemelares, un
tocólogo desea demostrar que hay un aumento estadísticamente significativo en la
duración del embarazo al usar la droga frente a un placebo. El especialista estima
que la desviación estándar de la duración de los embarazos en ambos grupos es de
1,75 semanas. ¿Cuántos embarazos debe observar como mínimo en cada grupo si
considera que una semana es un aumento mínimo clínicamente importante en la
duración del embarazo y quiere operar con una confianza del 95% y, una potencia
del 80%?
DI=1 semana
DE=1.75 semanas
TE=DI/DE

library(pwr)
pwrpt <- [Link](d=TE,
power=0.80,
[Link]=0.05,
type="[Link]",
alternative="[Link]")
pwrpt
DI=1 semana
DE=1.75 semanas
TE=DI/DE

library(pwr)
pwrpt <- [Link](d=TE,
power=0.80,
[Link]=0.05,
type="[Link]",
alternative="[Link]")
pwrpt
En un ensayo clínico sobre el uso de una droga en embarazos gemelares, un
tocólogo desea demostrar que hay un aumento estadísticamente significativo en
la duración del embarazo al usar la droga frente a un placebo. El especialista estima
que la desviación estándar de la duración de los embarazos en ambos grupos es de
1,75 semanas. ¿Cuántos embarazos debe observar como mínimo en cada grupo si
considera que una semana es un aumento mínimo clínicamente importante en la
duración del embarazo y quiere operar con una confianza del 95% y, una potencia
del 80%?
En un ensayo clínico sobre el uso de una droga en embarazos gemelares, un
tocólogo desea demostrar que hay un aumento estadísticamente significativo en
la duración del embarazo al usar la droga frente a un placebo. El especialista estima
que la desviación estándar de la duración de los embarazos en ambos grupos es de
1,75 semanas. ¿Cuántos embarazos debe observar como mínimo en cada grupo si
considera que una semana es un aumento mínimo clínicamente importante en la
duración del embarazo y quiere operar con una confianza del 95% y, una potencia
del 80%?

α=0.05 #Tamaño del efecto

γ= 0.95 DI=1 semana
β= 0.20 DE=1.75 semanas
1-β= 0.80
TE=DI/DE
En un ensayo clínico sobre el uso de una droga en embarazos gemelares, un tocólogo desea
demostrar que hay un aumento estadísticamente significativo en la duración del embarazo al
usar la droga frente a un placebo. El especialista estima que la desviación estándar de la duración
de los embarazos en ambos grupos es de 1,75 semanas. ¿Cuántos embarazos debe observar
como mínimo en cada grupo si considera que una semana es un aumento mínimo clínicamente
importante en la duración del embarazo y quiere operar con una confianza del 95% y, una
potencia del 80%?

library(pwr)
pwrpt <- [Link](d=TE,
α=0.05 power=0.80,
γ= 0.95 [Link]=0.05,
β= 0.20 type="[Link]",
1-β= 0.80 alternative="greater")
pwrpt
plot(pwrpt)
Se asignarían 39 pacientes por grupo
para detectar un tamaño de efecto
de 0.571, con una potencia del 80%
y un nivel de confianza del 95%.
 Pruebas t
Deseamos encontrar diferencias clínicamente relevantes entre dos tratamientos que
tratan la anemia. Para ello a un grupo se le da el tratamiento X y a otro el tratamiento
Y. La media de hemoglobina en el primer grupo fue igual a 10, y en el segundo a 10.5.
Si la desviación típica es igual a 1.8, y se establece un error alfa igual a 0.05 y un error
beta igual a 0.05. Calcúlese el tamaño de la muestra.
M1=10.0
pwrpt <- [Link](d=TE,
M2=10.5 power=0.95,
Sp= 1.8 [Link]=0.05,
α = 0.05 type="[Link]",
β= 0.05 alternative="[Link]")
Pwrpt
1-β = 0.95 plot(pwrpt)
 Pruebas t
Deseamos encontrar diferencias clínicamente relevantes entre dos
tratamientos que tratan la anemia. Para ello a un grupo se le da el
tratamiento X y a otro el tratamiento Y. La media de hemoglobina en el
primer grupo fue igual a 10, y en el segundo a 10.5. Si la desviación típica
es igual a 1.8, y se establece un error alfa igual a 0.05 y un error beta igual
a 0.05. Calcúlese el tamaño de la muestra.
Two-sample t test power calculation
M1=10.0 n = 337.7863
M2=10.5 d = 0.2777778
[Link] = 0.05
Sp= 1.8 power = 0.95
α = 0.05 alternative = [Link]
β= 0.05 NOTE: n is number in *each* group
Se asignarían 338 pacientes por grupo para detectar un tamaño de efecto de 0.278,
1-β = 0.95 con una potencia del 95% y un nivel de confianza del 95%.
Un investigador quiere valorar la diferencia entre el valor de la presión
sistólica en sangre en personas de mediana edad, antes y después de la
práctica de ejercicio físico. Si el investigador aspira a poder declarar una
diferencia de 2,6 mmHg o mayor como significativa, con un nivel de
confianza del 95% y una potencia del 80% ¿cuántos pacientes deberá
incluir en el estudio? Supóngase que se estima una desviación estándar
de 11,0 mmHg.
Un investigador quiere valorar la diferencia entre el valor de la presión
sistólica en sangre en personas de mediana edad, antes y después de la
práctica de ejercicio físico. Si el investigador aspira a poder declarar una
diferencia de 2,6 mmHg o mayor como significativa, con un nivel de
confianza del 95% y una potencia del 80% ¿cuántos pacientes deberá
incluir en el estudio? Supóngase que se estima una desviación estándar
de 11,0 mmHg.
 Pruebas t
Un investigador quiere valorar la diferencia entre el valor de la presión sistólica en
sangre en personas de mediana edad, antes y después de la práctica de ejercicio
físico. Si el investigador aspira a poder declarar una diferencia de 2,6 mmHg o mayor
como significativa, con un nivel de confianza del 95% y una potencia del 80%
¿cuántos pacientes deberá incluir en el estudio? Supóngase que se estima una
desviación estándar de 11,0 mmHg.

M1-M2= 2.6 mmHg #Tamaño del efecto

Sp = 11.0 mmHg DI=M1-M2=-2.6 mmHg
α = 0.05 DE=11.0 mmHg
β = 0.20 TE=(M1-M2)/DE
1-β= 0.80
 Pruebas t
Un investigador quiere valorar la diferencia entre el valor de la presión sistólica en
sangre en personas de mediana edad, antes y después de la práctica de ejercicio
físico. Si el investigador aspira a poder declarar una diferencia de 2,6 mmHg o mayor
como significativa, con un nivel de confianza del 95% y una potencia del 80%
¿cuántos pacientes deberá incluir en el estudio? Supóngase que se estima una
desviación estándar de 11,0 mmHg.
M1-M2= 2.6 mmHg
pwrpt <- [Link](d=TE,
Sp = 11.0 mmHg power=0.80,
α = 0.05
[Link]=0.05,
type="paired",
β = 0.20
alternative="less")
1-β= 0.80 pwrpt
plot(pwrpt)
Se asignarían 113 pares de pacientes
para detectar un tamaño de efecto
de -0.236, con una potencia del 80%
y un nivel de confianza del 95%.
 Pruebas de proporciones
La [Link]() función se puede utilizar para realizar un análisis de
potencia cuando se comparan dos proporciones, el formato es
[Link](h=, n=, [Link]=, power=,alternative=)
Donde:
• “h”, es el tamaño del efecto, puede ser calculado con la función:
ES.h(p1, p2)
• “n”, es el tamaño de muestra común en cada grupo.
Supongamos que se realiza un ensayo clínico para evaluar si un remedio
homeopático para la gripe se distingue de un tratamiento basado en agua (se
espera que el remedio homeopático es mejor). El criterio de respuesta es la
curación transcurrida una semana desde la aparición de los primeros síntomas. Se
trata por tanto de fijar un tamaño de muestra para cada uno de los grupos que se
conformarán con asignación aleatoria. Se espera que el porcentaje de éxito
empleando solo agua estaría alrededor de 35% y se considera que un aumento de
5 puntos porcentuales en la tasa para el tratamiento homeopático (que, en tal caso,
sería del 40%) sería relevante y se decide asignar al ensayo una potencia de 80% (la
cifra más habitual) y un nivel de confianza del 95%.
Supongamos que se realiza un ensayo clínico para evaluar si un remedio
homeopático para la gripe se distingue de un tratamiento basado en agua (se
espera que el remedio homeopático es mejor). El criterio de respuesta es la
curación transcurrida una semana desde la aparición de los primeros síntomas. Se
trata por tanto de fijar un tamaño de muestra para cada uno de los grupos que se
conformarán con asignación aleatoria. Se espera que el porcentaje de éxito
empleando solo agua estaría alrededor de 35% y se considera que un aumento de
5 puntos porcentuales en la tasa para el tratamiento homeopático (que, en tal caso,
sería del 40%) sería relevante y se decide asignar al ensayo una potencia de 80% (la
cifra más habitual) y un nivel de confianza del 95%.
 Pruebas de proporciones
Supongamos que se realiza un ensayo clínico para evaluar si un remedio homeopático para la gripe se
distingue de un tratamiento basado en agua. El criterio de respuesta es la curación transcurrida una
semana desde la aparición de los primeros síntomas. Se trata por tanto de fijar un tamaño de muestra
para cada uno de los grupos que se conformarán con asignación aleatoria. Se espera que el porcentaje
de éxito empleando solo agua estaría alrededor de 35% y se considera que un aumento de 5 puntos
porcentuales en la tasa para el tratamiento homeopático (que, en tal caso, sería del 40%) sería
relevante y se decide asignar al ensayo una potencia de 80% (la cifra más habitual) y un nivel de
confianza del 95%. p1=0.40
p2=0.35
h=2*asin(sqrt(p1))-2*asin(sqrt(p2))
P1= 0.40 h
P2= 0.35 library(pwr)
efecto=ES.h(0.40,0.35)
α = 0.05 efecto
β = 0.20 library(pwr)
[Link]=[Link](h=efecto,[Link]=0.05,power=0.80,alternative=“greater")
1 - β = 0.80 [Link]
plot([Link])
Se asignarían 1158 participantes en
cada grupo, para detectar un
tamaño de efecto de 0.103, con una
potencia del 0.8% y un nivel de
confianza del 95%.
 Pruebas de proporciones
Se desea saber si existen alguna diferencia significativa entre dos tratamientos. Se
sabe que el fármaco A, logra una eficacia del 60% y se supone que el fármaco B,
alcanza un 80%. Determinar qué tamaño de la muestra se deberá hallar en cada
grupo, si el error alfa admitido es 0.05, y el error beta es 0.20. Calcular el tamaño de la
muestra.

P1= 0.60
library(pwr)
P2= 0.80
[Link]=[Link](h=ES.h(.60, .80), [Link]=.05, power=.8,
α = 0.05
alternative="[Link]")
β = 0.20
[Link]
1 - β = 0.80
plot([Link])
 Correlaciones
La función [Link]() proporciona un análisis de potencia para pruebas
de coeficientes de correlación, el formato es
[Link](n=, r=, [Link]=, power=, alternative=)
Donde: 
• “n”, es el número de observaciones.
• “r”, es el tamaño del efecto (medido por un coeficiente de correlación
lineal).
• “alternative”, indica si la prueba estadística es bilateral (“[Link]") o
unilateral(“less"o“greater"). Una prueba de dos colas es la
predeterminada.
Supóngase que la correlación entre el volumen espiratorio forzado en
un segundo y la capacidad vital forzada en individuos sanos es
aproximadamente de 0,60. Supóngase, adicionalmente, que un grupo
de pacientes con una enfermedad de pulmón está accesible en una
clínica, e interesa contrastar si hay correlación entre ambas medidas en
esos pacientes. Con un nivel de confianza del 95% y una potencia del
90%.
 Correlaciones
Supóngase que la correlación entre el volumen espiratorio forzado en un segundo y la
capacidad vital forzada en individuos sanos es aproximadamente de 0,60. Supóngase,
adicionalmente, que un grupo de pacientes con una enfermedad de pulmón está
accesible en una clínica, e interesa contrastar si hay correlación entre ambas medidas
en esos pacientes. Con un nivel de confianza del 95% y una potencia del 90%.

r =0.60 library(pwr)
α = 0.05 pcorr <- [Link](r = 0.6,
β = 0.10 [Link] = 0.05,
power = 0.9,alternative="[Link]")
1 – β = 0.90 pcorr
plot(pcorr)
Se asignarían 25 participantes, para
detectar un tamaño de efecto de
0.60, con una potencia del 90% y un
nivel de confianza del 95%.
 Situación Alternativa Fuente
[Link]
Ningún estudio anterior Estudio piloto
ublication/leongomez2020b/
Enfoque salvaguardia (Perugini, Gallucci y Costantini 2014 ) [Link]
Basado en un estudio anterior Telescopio pequeño (Simonsohn 2015 ) yc4780bookdown/sample-size-
Smallest sig. effect (Lakens, Scheel e Isager 2018 ) [Link]

Basado en varios estudios Distribución de tamaños para un efecto en particular. [Link]

anteriores ublication/leongomez2020b/
Meta-análisis
Menor tamaño de efecto de interés (smallest effect size of [Link]
Criterio General
interest o SESOI) ublication/leongomez2020b/
Telescopio Pequeño
 Pruebas de proporciones
Se desea saber si existen alguna diferencia significativa entre dos
tratamientos. Se sabe que el fármaco A, logra una eficacia del 60% y se
supone que el fármaco B, alcanza un 80%. Determinar qué tamaño de la
muestra se deberá hallar en cada grupo, si el error alfa admitido es 0.05, y
el error beta es 0.20. Calcular el tamaño de la muestra.
Difference of proportion power calculation for binomial distribution (arcsine transformation)
P1= 0.80 h = 0.4421432
P2= 0.60 n = 80.29912
[Link] = 0.05
α= 0.05 power = 0.8
β = 0.20 alternative = [Link]
1- β = 0.80 NOTE: same sample sizesSe debería considerar 81 miembros por grupo, para detectar un
tamaño de efecto de 0.442, con una potencia del 80% y un nivel de confianza del 95%.
 Pruebas de chi-cuadrado
Las pruebas de chi-cuadrado se utilizan a menudo para evaluar la relación
entre dos variables categóricas. La hipótesis nula suele ser que las
variables son independientes frente a una hipótesis de investigación de
que no lo son. La [Link]() función se puede utilizar para evaluar la
potencia, el tamaño del efecto o el tamaño de muestra requerido cuando
se emplea una prueba de chi-cuadrado. el formato es:
[Link](w=, N=, df=, [Link]=, power=)
Donde: 
• “w”, es el tamaño del efecto.
• “N”, es el tamaño total de la muestra.
 Pruebas de chi-cuadrado
Las pruebas de chi-cuadrado se utilizan a menudo para evaluar la relación
entre dos variables categóricas. La hipótesis nula suele ser que las
variables son independientes frente a una hipótesis de investigación de
que no lo son. La [Link]() función se puede utilizar para evaluar la
potencia, el tamaño del efecto o el tamaño de muestra requerido cuando
se emplea una prueba de chi-cuadrado. el formato es:
[Link](w=, N=, df=, [Link]=, power=)
Donde: 
• “df”, son los grados de libertad.
• “w”, es el tamaño del efecto.
 Pruebas de chi-cuadrado
Las pruebas de chi-cuadrado se utilizan a menudo para evaluar la relación entre
dos variables categóricas. La hipótesis nula suele ser que las variables son
independientes frente a una hipótesis de investigación de que no lo son. La
[Link]() función se puede utilizar para evaluar la potencia, el tamaño del
efecto o el tamaño de muestra requerido cuando se emplea una prueba de chi-
cuadrado. el formato es:
[Link](w=, N=, df=, [Link]=, power=)
Donde: 
La función ES.w2(P), se puede utilizar para calcular el tamaño del efecto
correspondiente a la hipótesis alternativa en una tabla de contingencia de doble
entrada.
 ANOVA
La función [Link]() proporciona opciones de análisis de potencia
para un análisis de varianza unidireccional equilibrado, el formato es
[Link](k=, n=, f=, [Link]=, power=)
Donde: 
• “k”, es el número de grupos.
• “n”, es el tamaño de muestra común en cada grupo.
• “f”, es el tamaño del efecto.
 Cálculo del tamaño de muestra para casos
y controles
Los estudios de Casos y Controles son estudios epidemiológicos de tipo
observacional, dado que no se realiza una intervención sino se “observa” la
ocurrencia de eventos (factores de riesgo), y analíticos puesto que permiten
formular una hipótesis en relación a evaluar la asociación entre dos o más
variables, teniendo además un grupo contraste denominado en este caso
“Control”
La diferencia entre los estudios de cohorte con los estudios de casos y controles es que estos últimos
tienen la ventaja de exigir menos tiempo y ser menos costosos que aquellos.
 Cálculo del tamaño de muestra para
casos y controles
En los estudios de casos y controles se parte de la presencia de un evento (EFECTO, denominado
también outcome o desenlace) identificando personas o pacientes con la presencia de éste y
comparándolos con un grupo de características semejantes, pero sin la presencia del mismo.

Las personas con el evento de interés se denominan CASOS, mientras que aquellas personas
escogidas para servir como comparadores se denominan CONTROLES.

EL ODDS RATIO COMO MEDIDA DE

ASOCIACIÓN EN ESTUDIOS DE CASOS Y
CONTROLES
 Cálculo del tamaño de muestra para casos
y controles
EL ODDS RATIO COMO MEDIDA DE
ASOCIACIÓN EN ESTUDIOS DE CASOS Y
CONTROLES

El Odds es una razón entre dos eventos mutuamente

excluyentes, Odds se denomina Odds Ratio o Razón de momios
y es la es la medida de asociación del diseño de tipo caso-
control
 Cálculo del tamaño de muestra para casos
y controles
EL ODDS RATIO COMO MEDIDA DE
ASOCIACIÓN EN ESTUDIOS DE CASOS Y
CONTROLES
La interpretación general de un Odds ratio es la siguiente
OR=1 Odds de exposiciones igual en casos y controles: No
asociación.
OR < 1 factor asociado a menor Odds del evento (factor
protector).
OR > 1 factor asociado a mayor Odds del evento (factor de
riesgo)
 Cálculo del tamaño de muestra para casos y
controles
Si el objetivo es estimar la Razón de Odds (OR), o razón de disparidad, con una
precisión relativa especificada se deberá "conocer":
a) Dos de los siguientes elementos:
− Probabilidad anticipada de la exposición al factor en individuos enfermos:

− Probabilidad anticipada de la exposición en individuos sanos:

− Razón de Odds anticipado: OR

b) Nivel de confianza: 100(1-α)%

c) Precisión relativa: ε
 Cálculo del tamaño de muestra para
casos y controles
Los factores que intervienen en el cálculo son:
• Proporción de casos expuestos o prevalencia de la exposición en los
casos (P1)
• Proporción de controles expuestos o prevalencia de la exposición
en los controles (P2),
• Odds ratio esperado (OR)
• Estos tres valores están relacionados entre sí del modo siguiente:
 Cálculo del tamaño de muestra para
casos y controles
Ejercicio: Usted desea realizar un estudio de casos y
controles, con 3 controles por caso, para analizar la influencia
del consumo de alcohol en la aparición de cáncer de esófago.
¿Cuántos sujetos debe estudiar si quiere poder declarar
como significativo un OR de 2,5 o mayor y sabe que la
exposición entre los controles es del 60%? (Suponga un nivel
de confianza del 95% y una potencia del 80%). Resultados
con Epidat 3.1
Cálculo del tamaño de muestra para casos y
controles