INTRODUCCION A LA EPIDEMIOLOGIA

Presentación del tema: "INTRODUCCION A LA EPIDEMIOLOGIA"— Transcripción de la presentación:

1 INTRODUCCION A LA EPIDEMIOLOGIA
Dra. Adriana Mimbacas 2009

2 Qué es la epidemiología?
Propósitos y usos de la epidemiología Estrategias usadas en epidemiología Qué es enfermedad? características variables vs. discretas Qué son factores de riesgo? Como podemos acceder a la causalidad

3 QUE ES EPIDEMIOLOGIA? Qué significa la palabra?
....ciencia que estudia la distribución y determinantes de las enfermedades (y/o las características relacionadas con la salud) en las poblaciones humanas Ciencia set de métodos y aproximaciones que son únicas que forman una disciplina para generar conocimiento conjunto de conocimientos generados por la disciplina

4 Distribución: gente, lugar, tiempo
QUE ES EPIDEMIOLOGIA? ....ciencia que estudia la distribución y determinantes de las enfermedades (y/o las características relacionadas con la salud) en las poblaciones humanas Distribución: gente, lugar, tiempo Determinantes: causal vs. factores de riesgo asociados Enfermedad: qué entendemos por enfermedad Población: que es una población? Conjunto de individuos que comparten características similares (puede ser amplia: diabéticos o restringida: nefropatía diabética) Factores de riesgo: factores que influyen en el desarrollo de la enfermedad, hay que ver si son causales o asociados a lo que se está estudiando Población: conjunto de individuos que comparten características similares (puede ser amplia (diabetes) o restringida (nefrop.diabética)

5 PROPOSITOS (O USOS)-1 Entender la etiología, patogénesis e historia natural de la enfermedad (tanto con la clínica como con investigaciones) elucidando las causas de la enfermedad Provee información que conduce, con bases científicas a: El diagnóstico Manejo clínico Prevención de la enfermedad

6 PROPOSITOS (O USOS)-2 Valorar la magnitud y propósito del problema
Clasificación y diagnóstico Identificación de factores de riesgo Identificar cadenas de eventos que conducen a la enfermedad Determinar causas estudios longitudinales estudios experimentales (de intervención) Prevención (primaria y secundaria) Idear y evaluar estrategias de Salud Pública Factores de riesgo: causales, asociados, confusores (no tienen relación causal con la enfermedad pero si influyen)

7 ESTRATEGIAS DE LA EPIDEMIOLOGIA
Describir ocurrencia (y variaciones) de la enfermedad (y factores de riesgo) en las poblaciones - prevalencia e incidencia Clasificar enfermedades e identificación de sus estados preclínicos - estudios longitudinales Definir criterios diagnósticos Identificar factores de riesgo Describir la historia natural de la enfermedad Inferir causalidad Determinar si la intervención es posible y efectiva (estudios experimentales, ensayos clínicos) Definir estrategias para la prevención (1a., 2ria.)

8 EJEMPLOS DE CÓMO LA EPIDEMIOLGIA CONTRIBUYE A LA CLINICA Y A LA SALUD PUBLICA
Criterios diagnósticos para la diabetes Identificar diferencias entre los diferentes tipos de diabetes Identificar factores de riesgo (ej. obesidad, actividad física, peso al nacer en T2) Establecimiento de la importancia de la genética y estilo de vida como factores en el desarrollo de la diabetes

9 Síndrome clínico discreto Enfermedad subclínica (no diagnosticada)
QUE ES ENFERMEDAD? Síndrome clínico discreto Enfermedad subclínica (no diagnosticada) Enfermedad asintomática Como definimos enfermedad? Como podemos definir criterios diagnósticos? LA DEFINICION SIMEPRE VA A DEPENDER DE LO QUE NOSOTROS QUERAMOS ESTUDIAR, LA VAMOS A DEFINIR CADA UNO LA DEFINICION SIEMPRE VA A DEPENDER DE LO QUE NOSOTROS QUERAMOS ESTUDIAR, LA VAMOS A DEFINIR CADA UNO

10 COMO ESTUDIAR? RUIDOS SEÑALES HERRAMIENTA: ESTADÍSTICA
DISMINUYE RUIDOS ENCUENTRA SEÑALES

11 El método científico Trabajamos con MUESTRAS, representativas de la población a la que pertenecen En estos sistemas (muestras) estudiamos VARIABLES A estas variables las DESCRIBIMOS (Cuidado!!! Describir NO es Definir) Buscamos ASOCIACIONES entre variables Finalmente, tratamos de saber si las asociaciones que hallamos son CAUSALES

12 INFERENCIA ESTADISTICA
Trabajamos con MUESTRAS, representativas de la población a la que pertenecen POBLACION ? MUESTRA 1 MUESTRA 2 MUESTRA 3 INFERENCIA ESTADISTICA

13 VARIABLES En estos sistemas (muestras) estudiamos VARIABLES
Trabajamos con MUESTRAS, representativas de la población a la que pertenecen En estos sistemas (muestras) estudiamos VARIABLES VARIABLES DETERMINISTAS ALEATORIAS

14 dependen de la mecánica clásica ej: tiempo que demora un lápiz en caer
DETERMINISTAS: dependen de la mecánica clásica ej: tiempo que demora un lápiz en caer ALEATORIAS: asumen valores con cierta probabilidad (se pone en juego el azar) Ej.: luz apagada, movimiento de estudiantes El estudiante a mi derecha es F o M?

15 Probabilidad ¿Cuál es la probabilidad de sacar un tres tirando
una única vez un dado?

16 Probabilidad ¿Cuál es la probabilidad de sacar un tres tirando
una única vez un dado? Casos “favorables” = 1 Casos “posibles”= 6 Probabilidad = 1/6 = ó 16.6%

17 PROBABILIDAD CASOS FAVORABLES CASOS POSIBLES
Ej: cuál es la prob. de obtener un 3 tirando un dado: 1 en 6 Casos favorables = 1 Casos posibles = 6 la probabilidad oscila entre 0 y 1 Siendo 0 la probabilidad imposible y 1 la probabilidad de suceso cierto No sirve si el dado está “cargado”= en ciencia mal muestreo 0= imposible, 1 = suceso cierto. No sirve si el dado está cargado, en estadística si elegimos mal la muestra estaría cargado.

18 El problema surge cuando no tenemos un número limitado de eventos
por esta razón siempre vamos a obtener una frecuencia relativa Depende del número de observaciones que haga Tiro 1 moneda 10 veces: obtengo 6 caras La frecuencia relativa será 6/10 = 60% No puedo llegar al 55% en 10 tiradas (no hay media tirada)

19 A medida que aumenta el n oscila y se acerca a 0.5
1 0.5 n A medida que aumenta el n oscila y se acerca a 0.5 Probabilidad de un suceso = al límite de la frecuencia relativa cuando n tiende a infinito p = lim FR n ∞

20 Teoría frecuentista de la probabilidad
Es la probabilidad puntual de un suceso en el cual el n debe ser infinito Pero, la mayoría de las veces no lo necesitamos o es imposible por lo que trabajamos con rangos Pero... Al trabajar con rangos debemos tener en cuenta que hay un cierto margen de error

21 POR ESO.. La estadística nos ayuda a evitar errores aleatorios pero no sistemáticos Los errores sistemáticos solo se relacionan con el “pensar”

22 Variables aleatorias Cualitativas Cuantitativas Nominales Ordinales
Continuas Discretas

23 Variables aleatorias cualitativas
CONTINUAS: cuando entre dos valores puede haber otro Ej: altura DISCRETAS: no cualquier valor tiene lógica Ej: número de hijos

24 Otra forma de clasificación de las variables...
Nominales: no existe ordenamiento jerárquico, sexo, estado civil, raza Ordinales: hay ordenamiento jerárquico, severidad: nula, leve, moderada, severa Interválicas (distancias iguales entre sus valores pero “cero” arbitrario): inteligencia (escala CI) Proporcionales (cero “relevante”): peso, glucemia

25 Variables aleatorias Siempre una variable cuantitativa puede ser convertida en una cualitativa. Para ello debemos determinar un “punto de corte”  Arbitrariedad

26 Variables dependientes: Como su palabra lo dice, son características de la realidad que se ven determinadas o que dependen del valor que asuman otros fenómenos o variables independientes.

27 Variables independientes: Los cambios en los valores de este tipo de variables determinan cambios en los valores de otra (variable dependiente). Ejemplo: años de educación y salario, suponemos que al aumentar los años de educación correlativamente aumentan los salarios de las personas, de modo que “años de educación” es la variable independiente o explicativa, ya que ella me está explicando en cierta medida el cambio en el “salario” de las personas, el cual sería la variable dependiente.

28 Descripción de variables aleatorias
Describir una variable es dar de ella una medida Variables cualitativas Proporción Variables cuantitativas Medidas de Posición Media Mediana Modo Medidas de Dispersión Rango Varianza Desvío Estándar

29 Variables cualitativas Proporción
Proporción ≠ razón a / b a / a + no a 7% de diabéticos = 7 / = 0.07 Nº de autos / nº de habitantes Mujeres/hombres La proporción oscila entre 0 y 1, la razón puede ser un valor cualquiera. El descriptor de una variable es la proporción

30 PREVALENCIA Número de individuos que existen en determinado momento
Momento del estudio tiempo Ej: estudio de Prevalencia en Diabetes: 8/100 (Ferrero y García, 2004)

31 INCIDENCIA Nuevos casos que aparecen en un determinado tiempo.
Ej.: cuantos nuevos individuos fueron diagnosticados como diabéticos en el año 2006 La incidencia es bastante difícil de medir si se hace por un periodo de muchos años por lo cual se utiliza la densidad de incidencia

32 Densidad de Incidencia
X X

33 Densidad de Incidencia
X X Dos eventos Cinco personas

34 Densidad de Incidencia
X X Dos eventos Cinco personas 2 eventos / 11 persona-años

35 Variables cuantitativas
DESCRIBIR VARIABLES Variables cuantitativas Medidas de Posición Media Mediana Modo Medidas de Dispersión Rango Varianza Desvío Estándar

36 MEDIA ES EL VALOR CENTRAL DE UN CONJUNTO DE OBSERVACIONES MUESTRALES
X = X1 + X2 + X XN / N X = Σ X / N

37 Ejemplo Notas de estudiantes en 2 muestras diferentes
Muestra 2: 1, 9, 1, 9, 1, 9 (mejores notas en materias con razonamiento) Qué media presentan ambas muestras? Es suficiente para describir la variable? Señal o ruido? Aumenta el ruido en el segundo caso

38 Qué muestra elijo? Depende de lo que se pretenda
Si deseo que realice una lectura diaria y resumen, que muestra elijo? Si quiero que piense aunque a veces se equivoque? 1 por ser precisa 2, es más precisa aunque a veces no sea exacta

39 MEDIANA Consideramos una variable discreta X cuyas observaciones en una tabla estadística han sido ordenadas de menor a mayor.

40 Llamaremos mediana, Med al primer valor de la variable que deja por debajo de sí al 50% de las observaciones Si n es el número de observaciones, la mediana corresponderá a la observación [n/2]+1 si n es impar --> Med será la observación central de los valores, una vez que estos han sido ordenados en orden creciente o decreciente. si n es par --> Med será el promedio aritmético de las dos observaciones centrales

41 En una distribución asimétrica la mediana es diferente de la media.
En el caso de la mediana, los extremos “no tironean” Ej: si graficamos Nº de personas/total Ingreso anual U$S 4, 5, 6, 7, 8000 Media = 1604 Mediana = 6 El ingreso promedio es alto pero la proporción de la gente que gana eso es muy poca

42 La Mediana es una definición topográfica, divide a la muestra en la mitad por lo cual no tiene una fórmula matemática para su resolución (se necesita una encuesta). 50 % mediana % altura

43 CUANTILOS Cuartiles: la mitad de la mediana
Quintiles: si se divide cada 20% Tercilos: 33% Percentilo: cada 1% CUARTIL INF. = PERCENTIL 25 MEDIANA = PERCENTIL 50 CUARTIL SUP. = PERCENTIL 75 CUANTILOS

44 MODO Es la variación que más veces se repite,
Es aquel valor cuya frecuencia absoluta es mayor. No tiene porque ser única.

45 El número de días necesarios por 10 equipos de trabajadores para terminar 10 instalaciones de iguales características han sido: 21, 32, 15, 59, 60, 61, 64, 60, 71, y 80 días. Calcular la media, mediana, moda 15, 21, 32, 59, 60, 60,61, 64, 71, 80. el número de observaciones es par los dos valores que se encuentran en el medio son 60 y 60. Si realizamos el cálculo de la media de estos dos valores nos dará a su vez 60, que es el valor de la mediana. La moda: el valor de la variable que presenta una mayor frecuencia es 60

46 ASIMETRIA

47 Estas 2 poblaciones tienen igual media pero claramente se distribuyen en forma diferente

48 Variables cuantitativas
DESCRIBIR VARIABLES Variables cuantitativas Medidas de Posición Media Mediana Modo Medidas de Dispersión Rango Varianza Desvío Estándar

49 RANGO Es la diferencia entre el dato mayor menos el dato menor de un conjunto de datos. Su obtención es sumamente sencilla, sin embargo se considera que no es una medida muy significativa, su aplicación es más útil en la llamada estadística no paramétrica.  

50 Existen casos en que se observaba que las muestras tienen diferente dispersión, aunque su media y mediana son iguales, por lo que una forma de marcar su diferencia es a través del rango. muestra A (0, 45, 50, 55, 100),  el dato menor es 0 y el dato mayor es 100, por lo que sus valores se encuentran en un rango de: Rango = 100 – 0 =100 Muestra B (47, 49.5, 50, 51.5, 52), el dato menor es 47 y el dato mayor es igual a 52 por lo que su rango correspondiente es igual a: Rango = 52 – 47= 5 DESVENTAJA = no es muy preciso

51 Seleccionar los test estadísticos apropiados lo “Simple” a veces es lo mejor
Desenlace (Outcome Variable) Predictor Variable Dicotomica (muerte o vida) Continua (HbA1c) Dicotomica (Tratamiento A vs B) Chi-square test Use tables for chi-square test t test Use tables for t test

52 VARIANZA ES EL GRADO EN QUE LOS VALORES DE LA DISTRIBUCION SE APARTAN DE LA MEDIA Σ (XI – X)2 S2 = N -1

53 Análisis de varianza ANOVA,
es una colección de modelos estadísticos y sus procedimientos asociados. Sirve para comparar si los valores de un conjunto de datos numéricos son significativamente distintos a los valores de otro o más conjuntos de datos. El procedimiento para comparar estos valores está basado en la varianza global observada en los grupos de datos numéricos a comparar. Típicamente, el análisis de varianza se utiliza para asociar una probabilidad a la conclusión que la media de un grupo de puntuaciones es distinta de la media de otro grupo de puntuaciones.

54 El ANOVA parte de algunos supuestos que han de cumplirse:
La variable dependiente debe medirse al menos a nivel de intervalo. Independencia de las observaciones. La distribución de la variable dependiente debe ser normal. Homocedasticidad: homogeneidad de las varianzas

55 Del mismo modo que el contraste χ2 generalizaba el contraste de dos proporciones, es necesario definir un nuevo contraste de hipótesis que sea aplicable en aquellas situaciones en las que el número de medias se quieren comparar sea superior a dos. Es por ello por lo que el Análisis de la Varianza, ANOVA surge como una generalización del contraste para dos medias de la t de Student, cuando el número de muestras a contrastar es mayor que dos.

56 DETERMINA LA VARIABILIDAD QUE EXISTE ENTRE LAS POBLACIONES ANALIZADAS
DESVIO ESTANDAR DETERMINA LA VARIABILIDAD QUE EXISTE ENTRE LAS POBLACIONES ANALIZADAS S = √ Σ (XI – X)2 / N -1

57 DISTRIBUCION NORMAL aproximadamente las 2/3 partes de las mediciones (68%) estén dentro de una desviación estándar en más o en menos del promedio (X ± 1DS), 95% dentro de 2 desvíos, 99% dentro de 3 desvíos.

58 X 1 S 1S 1 S 68 % 2 S 2 S 95 % 3 S 3 S 99%

59 Ejemplo: En una muestra de una población el promedio de la altura es de 1.56 cm; la desviación estándar de la muestra es 6 cm. 1 ds (68%): 1.56 ± 6 = entre 1.50 y 1.62 2 ds (95%): 1.56 ± (2 x 6) = entre y 1.68 3 ds(99%): 1.56 ± (3 x 6) = entre 1.38 y 1.74

60 Descripción e inferencia (I)
Descripta la variable en nuestra muestra, ¿nos interesa conocer algo sobre la población a la que pertenece? ¿Por qué?

61 DATOS ESTIMADORES Son los valores que se computan a partir de los datos de la muestra (se simbolizan con letras del alfabeto castellano) PARAMETROS Son los datos de la población de la cual se ha tomado la muestra (se simbolizan con letras del alfabeto griego)

62 POBLACION: conjunto de todos los casos
MUESTRA: parte representativa de la pobl.

63 m s2 X s S2 p S p ESTIMADORES PARAMETROS
SI EL N DE LA MUESTRA FUERA INFINITO EST=PARAM ESTIMADORES PARAMETROS

64 Descripción e inferencia (II)
¿Podemos conocer el valor de un PARAMETRO a partir de un ESTIMADOR? NO PODEMOS CONOCER SU VALOR PUNTUAL, pero sí un intervalo numérico donde tenemos cierta Probabilidad de hallarlo...

65 Concepto de Intervalo de Confianza.
En el contexto de estimar un parámetro poblacional, un intervalo de confianza es un rango de valores (calculado en una muestra) en el cual se encuentra el verdadero valor del parámetro, con una probabilidad determinada.

66 INTERVALO DE CONFIANZA
IC 95% de la proporción = valor de la proporción  (1.96 * ES prop) Valor de z que indica el 95%  2DS ES de la proporción =  proporción (1 – prop) / n Si queremos el 99% el valor de z cambia IC95% media = X  (1.96 * ESX) ESX = S /  n

67 Descripción e inferencia (III)
Intervalo de confianza del 95% Intervalo numérico en el podemos hallar el valor del Parámetro con una probabilidad del 95%. Se calcula a partir del estimador Ej: dos poblaciones 1) 7% de diabéticos 2) 8 % de diabéticos Son poblaciones iguales? Para saberlo debo calcular el intervalo de confianza

68 El IC disminuye cuanto mayor sea nuestro N
Mejorar el IC mejora la presunción de nuestra hipótesis Pero…. Aumentar el N no necesariamente aumenta la exactitud

69 Balanza trabada en 3 kg. PRECISA : SIEMPRE PESA LO MISMO INEXACTA: ES IMOSIBLE QUE EL LIBRO Y EL DISKETTE PESEN IGUAL

70 Hay que tener cuidado con los sesgos que se introducen
Se debe ser exacto y preciso en la selección de la muestra imprecisión + inexactitud = Error total

71 Si aumento el N puedo mejorar el IC pero
No es lo mismo tener una diferencia estadíst. significativa Que una clínicamente relevante No toda p < 0.05 es interesante No es lo mismo no tener evidencia de diferencia que tener evidencia de no diferencia ⇒ hay que ver que es relevante

72 Calculemos.... En una muestra de 1329 individuos, la mortalidad por una forma rara de neumonía fue 26%. Calcule el IC 95% para esta proporción. Valores de glucemia en dos grupos de pacientes: Grupo A: Media= 108 DS= 11 N= 234 Grupo B: Media= 133 DS=14 N=312 ¿Pertenecen ambas muestras a la misma población desde el punto de vista de sus glucemias?

73 Ej: prop = a / a+ b (neumonía 26%)
IC 95% = 0.26  (1.96 *  0.26 * 0.74 / 1329) IC 95% = 0.26  (1.96 * 0.012) IC 95% = 0.26  0.023 O sea hay 95% de probabilidad que este entre 24 y 28 % Es decir, en una muestra de 1329 individuos encontré una mortalidad del 25%, si hubiese tomado 100 muestras de 1329 individuos c/u provenientes de la misma población, en 95 de ellas la proporción hubiese estado entre el 24 y 28%

74 Valores de glucemia en dos grupos de pacientes:
Grupo A: Media= 108 DS= 11 N= 234 Grupo B: Media= 133 DS=14 N=312 ¿Pertenecen ambas muestras a la misma población desde el punto de vista de sus glucemias? IC95% media = X  (1.96 * ESX) A = 108  (1.96 * DS / n) A = 108  (1.96 *11/  234) IC 95% está entre – B = 133  (1.96 * DS / n) A = 133  (1.96 *13/  312) IC 95% está entre – Los intervalos no se superponen ⇒no son la misma población O sea que tienen una probabilidad < 0.05 de compartir la misma , Hay diferencias significativas entre las 2 poblaciones

75 Confianza... Confianza = 1 -  ¿Puede que el valor del PARAMETRO no se
encuentre dentro del IC que yo he calculado? Hay un 5% de individuos que quedan afuera, por lo que estoy cometiendo un error  o de tipo 1 (está o existe pero no está) Confianza = 1 - 

76 La probabilidad de que el verdadero valor del parámetro se encuentre en el intervalo construido se denomina nivel de confianza, y se denota 1-  La probabilidad de equivocarnos se llama nivel de significancia y se simboliza . Generalmente se construyen intervalos con confianza 1-  = 95% (o significancia =5%). Menos frecuentes son los intervalos con =10% o =1%.

77 ELEMENTOS EN LA ESTIMACIÓN DEL TAMAÑO MUESTRAL
Un conjunto de variables deberán ser consideradas en esta estimación:

78 Error alfa Corresponde a "la probabilidad de rechazar la hipótesis nula cuando esta es verdadera“ . El investigador deberá establecer hasta qué punto estará dispuesto a aceptar que los hallazgos de interés pudieran ser justificados por variaciones explicables por el azar. Convencionalmente, se considera en estudios clínicos un error alfa aceptable de 5% o menor, aunque más precisamente inferior a 5%. Ello significa que si bien los resultados pudieran ser explicados por el azar en 5 o menos de cada 100 veces que se repitiera la experiencia, se decidirá interpretarlos, en tales circunstancias, como no atribuibles al azar, es decir, "significativos".

79 La elección de un error alfa más pequeño (por ejemplo 1%) proporciona mayor probabilidad que los resultados de interés correspondan a una situación real. Sin embargo, aumenta el riesgo de atribuir al azar hallazgos que no debieran ser interpretados de tal modo (puesto que sólo sería "significativo" un valor de "p" igual o menor a 0,01 (1%)).

80 Error beta es la probabilidad de no detectar un hallazgo como importante y atribuirlo al azar. Habitualmente se le define como "la probabilidad de no rechazar la hipótesis nula cuando esta es falsa". En estudios clínicos se considera apropiado un nivel de error beta de 20%. Naturalmente, se puede utilizar un nivel menor. Como sea, el poder del estudio, es decir la probabilidad de rechazar la hipótesis nula cuando es falsa, es igual a 100 menos el error beta. Esto significa que habitualmente se trabaja con un poder de 80%. Es importante destacar que la reducción del error beta invariablemente va acompañada de aumento del error alfa, para un mismo tamaño muestral.

81 Una reducción de ambos errores sólo es posible aumentando el tamaño de la muestra. Así, la muestra por grupo para detectar una diferencia de 15% entre los valores de 20% y 35% con error alfa de 5% y beta de 20% es de 151 casos; si bajamos el error beta a 10% y lo demás no varía, se necesitan 198 casos por grupo; si sólo rebajamos el error alfa a 1% los casos deben ser 219, y si simultáneamente deseamos dejar los errores en 10% y 1%, respectivamente, se requerirán 275 casos por grupo.

82 Hipótesis uni o bilateral
Un aspecto muy importante a considerar es si el tamaño de la muestra se está estimando para la verificación de una hipótesis uni o bilateral. Esto se refiere a que si al comparar dos grupos la hipótesis es que los resultados diferirán sin poder predecir de seguro cuál grupo resulta mejor o más favorable (bilateral, porque A puede ser mejor que B o viceversa), o definitivamente se postula que, específicamente, uno de los grupos dará mejores resultados.

83 si se realiza un ensayo clínico controlado para probar un nuevo tratamiento, comparándolo con aquel generalmente aceptado, sólo es éticamente aceptable que el investigador, aunque tenga sus esperanzas puestas en que el nuevo tratamiento es mejor, no sabe si ello es así y por tanto la hipótesis debe contemplar la posibilidad que el nuevo tratamiento resulte comparable o aun inferior al generalmente utilizado. Se entiende que si el investigador está razonablemente convencido que el nuevo tratamiento es mejor, simplemente no puede someter al grupo control a una terapia que considera inferior, menos efectiva.

84 Puesto que una prueba de hipótesis bilateral es más exigente que una unilateral, podría alguien a posteriori y en vista de un resultado insuficiente para una prueba bilateral, pero suficiente para una unilateral, verse tentado a cambiar la hipótesis, sin embargo esto no es aceptable. ¿En que casos sería razonable utilizar hipótesis unilaterales? En algunas situaciones, como por ejemplo en un estudio de balance donde se compara dos grupos de niños, en que el mayor aporte de líquidos a un grupo se espera tenga como efecto un aumento del volumen de orina, si ello no se verifica, se interpretará como retención

85 Dos secretagogos Droga A N=1324 Droga B N=2101 p Variación de HbA1c
-20% +0.5% 0.0001

86 Dos secretagogos Droga A N=1324 Droga B N=2101 p Variación de HbA1c
-20% +0.5% 0.0001 Reserva funcional pancreática Normal Nula

87 Dos secretagogos Droga A N=1324 Droga B N=2101 p Variación de HbA1c
-20% +0.5% 0.0001 Reserva funcional pancreática Normal Nula ERROR ALEATORIO SESGO

88 Resultado del estudio Ho H1 correcto Beta alfa Es cierto Yo concluyo
Error alfa = falso positivo Error beta: falsos negativos

89 Conjuntos de observaciones
ANALISIS GENETICO Conjuntos de observaciones POBLACIÓN MUESTRA REALIZADA AL AZAR NUMERO GRANDE

90 ASOCIACION ≠ CAUSALIDAD
Se ha observado que los pacientes a quienes se les diagnostica HIV compran mas CD de música HIV Compra de CD La asociación puede mostrar relación con un marcador pero no ser la causa

91 Asociación Variable 1 Variable 2 Descripción Descripción Asociación
Causalidad

92 Preguntas frente a una asociación...
¿Es casual? ¿Puede explicarse por un sesgo? ¿Es fuerte? ¿Tiene impacto?

93 El método científico VARIABLES DESCRIPCION ASOCIACION CAUSALIDAD