Estadística: Conceptos Fundamentales para el Análisis

La estadística es una disciplina esencial que nos permite comprender el mundo a través de los datos. Desde la investigación científica hasta la toma de decisiones cotidianas, sus conceptos fundamentales para el análisis son herramientas poderosas. Este artículo es una guía completa para estudiantes que buscan dominar los pilares de la estadística, preparándolos para interpretar y comunicar hallazgos de manera efectiva.

Estadística: Conceptos Fundamentales para el Análisis y su Importancia

La bioestadística es la rama de la estadística aplicada a las ciencias de la vida. Su propósito es recoger, clasificar, representar y resumir datos. Estos datos son la materia prima para calcular índices estadísticos y usar representaciones gráficas que nos ayuden a entender un fenómeno de interés.

El Método Científico y el Rol de la Estadística

El método científico es un razonamiento ordenado en pasos para generar conocimiento. Sus pilares son la falsabilidad de las hipótesis y la reproducibilidad. La estadística proporciona las herramientas para probar hipótesis, como si un medicamento es eficaz o si un fertilizante acelera el crecimiento de un cultivo. Nos ayuda a pasar de observaciones a conclusiones basadas en evidencia, evitando la falta de racionalidad y reproducibilidad de métodos anteriores.

Población y Muestra: La Base de Toda Investigación

En estadística, una población es el conjunto total de individuos o elementos con una característica común de interés. Sin embargo, a menudo es imposible estudiar a toda la población. Por eso, se trabaja con una muestra, que es un subconjunto representativo de la población.

Las características de cada individuo en la muestra se miden a través de variables. A partir de estas variables, se calculan índices estadísticos que resumen la información importante contenida en los datos.

Tipos de Variables: Clasificación Esencial

Distinguir los tipos de variables es crucial para elegir el método de análisis correcto. Podemos clasificarlas en:

• Variables Cualitativas o Categóricas: Describen una característica o cualidad. Sus valores son palabras o categorías y no permiten operaciones algebraicas.
• Nominales: Solo permiten nominar; no hay jerarquía. Ejemplo: sexo (hombre/mujer). Pueden ser dicotómicas (dos categorías, ej. sí/no) o politómicas (más de dos categorías, ej. estado nutricional: bajo peso, normal, sobrepeso, obeso).
• Ordinales: Existe una jerarquización u orden entre las categorías. Ejemplo: nivel de estudios (básico, medio, superior), grado de dolor (leve, moderado, severo), o interés en dejar de fumar (nunca, exfumador, fumador activo).
• Variables Cuantitativas o Numéricas: Toman valores numéricos y permiten operaciones algebraicas.
• Discretas: Valores numéricos aislados y finitos, que coinciden con números enteros. Ejemplo: número de hijos, número de intervenciones previas.
• Continuas: Teóricamente, pueden tomar cualquier cantidad intermedia entre dos números enteros, con un número de decimales que tiende al infinito. Ejemplo: edad, peso, talla, tensión arterial. En la práctica, se tratan como discretas debido a la limitación de los instrumentos de medida.

Transformación y Recategorización de Variables

Las variables pueden transformarse para un mejor análisis. Esto puede ser:

• Transformación de una variable: Crear una nueva variable a partir de otras, como el IMC (Índice de Masa Corporal) a partir del peso y la altura.
• Combinación de variables categóricas: Unir categorías para crear una nueva variable. Ejemplo: combinar "fumador" y "sexo" para obtener "varón fumador", "mujer fumadora", etc.
• Agrupación de categorías (recategorización): Simplificar una variable categórica, como transformar "Provincia" en "Comunidad Autónoma".

Estadística Descriptiva: Cómo Mostrar y Resumir Resultados

La estadística descriptiva nos permite entender el comportamiento general de los datos. La forma de presentar los resultados depende del tipo de variable.

Cómo Mostrar Resultados para Variables Categóricas

Para variables categóricas, las tablas de frecuencia son esenciales. Estas tablas muestran:

• El número de unidades muestrales (n) que toman cada valor.
• El porcentaje (%) respecto del total.
• El porcentaje acumulado (cuando es relevante para variables ordinales).

Opciones Gráficas:

• Gráfico de Barras (Barplot): Ideal para comparar frecuencias entre categorías. Muy utilizado para variables categóricas ordinales.
• Gráfico de Torta (Pieplot): Muestra la proporción de cada categoría respecto al total.

En la descripción de las variables, se debe detallar el porcentaje de valores perdidos. Las prevalencias se calcularán sobre el total sin considerar estos valores perdidos.

Cómo Mostrar Resultados para Variables Numéricas

Para variables numéricas, se presentan medidas de tendencia central y de dispersión.

Medidas de Tendencia Central

Estas medidas resumen el centro de los datos:

• Media Aritmética (Promedio): La suma de todos los valores dividida por el número de observaciones (μ para población, x̄ para muestra). Es la más utilizada, pero muy sensible a valores extremos.
• Mediana: El valor central de la variable una vez ordenada. El 50% de las observaciones es menor y el otro 50% es mayor. Es preferible cuando la distribución es asimétrica porque no es sensible a valores extremos (outliers).
• Moda: El valor que más se repite. Un conjunto de datos puede tener una o varias modas (distribución bimodal).

La media y la mediana coinciden en distribuciones simétricas. Cuanto más difieren, mayor es la asimetría de los datos.

Medidas de Posición

Indican la ubicación de una observación respecto a las demás, tras ordenarlas:

• Percentiles: Dividen el conjunto de datos en 100 partes. El percentil P indica que P% de los datos son menores o iguales a ese valor.
• Cuartiles: Dividen la población en 4 partes (25% en cada una).
• Quintiles: Dividen la población en 5 partes (20% en cada una).
• Déciles: Dividen la población en 10 partes (10% en cada una).

Medidas de Dispersión

Complementan a las medidas de tendencia central, informando sobre la variabilidad de las observaciones:

• Rango: La diferencia entre el valor máximo y el mínimo. Es más informativo presentar el mínimo y el máximo.
• Varianza (s²): Promedio de los cuadrados de las distancias entre cada observación y la media. No es intuitiva, pero permite comparar variabilidad entre grupos.
• Desviación Estándar (s o d.s.): La raíz cuadrada de la varianza. Mide la dispersión promedio de los datos alrededor de la media. En distribuciones simétricas con forma de campana, aproximadamente el 68% de los datos se encuentra entre x̄ ± s, el 95% entre x̄ ± 2s, y el 99% entre x̄ ± 3s.
• Rango Intercuartil: La diferencia entre el cuartil 3 y el cuartil 1.
• Error Estándar (EE): Mide la dispersión de la media muestral respecto a la media poblacional, indicando la precisión de una estimación. Depende del tamaño de la muestra.

Presentación según Simetría:

• Distribución Simétrica ("sin problemas"): Se reporta la media y desviación estándar (ej. n, x̄ ± d.s.). Visualmente, se usa un gráfico de medias con barras de error (construidas con d.s., error estándar o IC).
• Distribución Asimétrica ("con problemas"): Señales de asimetría incluyen valores extremos que afectan el promedio, d.s. muy alta en relación al promedio, o x̄ ± 2 d.s. tomando valores "imposibles". Se prefiere la mediana y el rango (min-max) o mediana y Q1-Q3. Visualmente, se utiliza un Boxplot (diagrama de cajón y bigotes), muy útil para mostrar la distribución y detectar outliers.

Introducción a la Probabilidad: Entendiendo la Incertidumbre

La probabilidad es un concepto fundamental en estadística, estrechamente ligado a la frecuencia relativa de una variable categórica.

Definiciones de Probabilidad

• Probabilidad Frecuentista: Si un experimento puede repetirse indefinidamente, la probabilidad de un suceso es su frecuencia relativa cuando el número de ensayos tiende al infinito. Considera la repetición del experimento infinitas veces bajo las mismas condiciones.
• Probabilidad Clásica: Estima la probabilidad de un evento como la proporción de veces que ocurre en un número finito de observaciones. Se aplica en situaciones de equiprobabilidad, donde todos los resultados tienen la misma probabilidad (ej. lanzar una moneda, tirar un dado).
• Probabilidad Bayesiana: Es una probabilidad "personal" o subjetiva, definida por cada individuo, cuando el concepto frecuentista no es aplicable (ej. la probabilidad de que tu equipo gane el próximo partido).

Propiedades y Axiomas de la Probabilidad

Las propiedades de la frecuencia relativa son las mismas que las de la probabilidad:

• Las frecuencias relativas están siempre entre 0 y 1.
• La suma de las frecuencias relativas para todos los niveles es igual a 1.
• La frecuencia relativa de que ocurra un nivel "A" o un nivel "B" es la suma de sus frecuencias relativas.

Los Axiomas de Kolmogorov formalizan estas propiedades:

1. La probabilidad de un suceso es siempre un número no negativo.
2. La probabilidad del espacio muestral (todos los resultados posibles) es 1.
3. Si A y B son sucesos mutuamente excluyentes, la probabilidad de que ocurra A o B es la suma de sus probabilidades.

Distribución Normal Estándar y el Teorema Central del Límite

La Distribución Normal (Gaussiana)

La distribución Normal es fundamental para variables continuas. Fue descubierta por Abraham de Moivre y desarrollada por Karl Friedrich Gauss. Permite aproximar la distribución de muchas variables que, de forma natural o mediante transformaciones, tienen forma de campana. Se denota como X ~ N(μ, σ²), donde μ es la media y σ² es la varianza.

Distribución Normal Estándar

Cualquier distribución Normal N(μ, σ²) puede transformarse en una Normal Estándar (Z ~ N(0, 1)) mediante la estandarización: Z = (X - μ) / σ. Esto facilita el cálculo de probabilidades usando tablas estandarizadas.

Teorema Central del Límite (TCL)

El TCL es un pilar de la inferencia estadística. Establece que, para muestras grandes (generalmente n > 30), la distribución del promedio muestral de una variable se aproximará a una distribución Normal, independientemente de la forma de la distribución original de la variable. Esto es crucial para la aplicación de muchas pruebas estadísticas.

Introducción a las Pruebas de Hipótesis: Tomando Decisiones con Datos

Las pruebas de hipótesis nos permiten tomar decisiones sobre parámetros poblacionales basándonos en muestras.

Hipótesis Nula (H0) y Alternativa (H1)

• Hipótesis Nula (H0): Es la creencia o suposición inicial sobre un parámetro poblacional (ej. el promedio de edad es 30 años, p1=p2). Es lo que se intenta refutar.
• Hipótesis Alternativa (H1): Es lo contrario a la H0, lo que se busca demostrar (ej. el promedio de edad no es 30 años, p1≠p2).

Las hipótesis pueden ser:

• Bilaterales: Comparan si un parámetro es similar o distinto a una constante, o si dos parámetros son similares o distintos. Tienen dos regiones de rechazo (valores muy grandes o muy pequeños).
• Unilaterales: Se utilizan cuando se busca demostrar que un parámetro es mayor o menor que un valor, o que un grupo es mayor o menor que otro. Tienen solo una región de rechazo.

El Valor p y la Significancia (α)

• Valor p: Es la probabilidad de que el resultado muestral sea igual o más extremo que el observado, asumiendo que la hipótesis nula (H0) es verdadera. Mide cuán compatibles son los datos con la H0.
• Significancia (α): Es la probabilidad límite fijada a priori para considerar un resultado "incompatible" con la H0 (generalmente 0.05 o 0.01). Si el valor p < α, se rechaza H0.

Errores en las Pruebas de Hipótesis

Al tomar una decisión, existe el riesgo de cometer errores:

• Error Tipo I (α): Rechazar H0 cuando es verdadera (falso positivo). Se considera más grave.
• Error Tipo II (β): Aceptar H0 cuando es falsa (falso negativo).
• Confianza (1-α): Probabilidad de aceptar H0 cuando es verdadera.
• Potencia (1-β): Probabilidad de rechazar correctamente una H0 falsa (detectar un efecto real).

Asociación de Variables: Categoría-Categoría

Cuando se asocian dos variables categóricas, se construye una tabla de contingencia.

Test Chi-Cuadrado de Pearson

Este test se usa para contrastar si dos variables categóricas están asociadas. Las hipótesis son:

H0: Las variables no se asocian (p1=p2) H1: Las variables se asocian (p1≠p2)

Se compara el valor del estadístico Chi-cuadrado (χ²) calculado con los datos observados (Oij) y los valores esperados (Eij) bajo H0. Si χ² es grande y el valor p < α, se rechaza H0 y se concluye que hay asociación.

Medidas de Asociación: Riesgo Relativo (RR) y Razón de Chances (OR)

El test Chi-cuadrado indica si existe asociación, pero no su magnitud. Para esto, se usan:

• Riesgo Relativo (RR): Cuantifica el riesgo en estudios prospectivos. Es la razón de la tasa de incidencia de un evento en el grupo expuesto versus el no expuesto.
• RR = 1: No hay asociación.
• RR < 1: Factor protector.
• RR > 1: Factor de riesgo.
• Razón de Chances (Odds Ratio - OR): Cuantifica el riesgo en estudios retrospectivos o de prevalencia. Es la razón de dos "chances": la chance de tener el factor X(+) cuando Y(+) dividido por la chance de tener X(+) cuando Y(-).
• OR = 1: Chance similar en expuestos y no expuestos.
• OR < 1: Factor protector.
• OR > 1: Factor de riesgo.

Ambos se presentan con intervalos de confianza. Si el intervalo no incluye el 1, el estimador es significativo.

Asociación de Variables: Categoría-Numérica (Comparación de Medias)

Aquí se busca explicar una variable numérica (respuesta) a través de una categórica (explicatoria). Se analiza el número de casos, promedio y desviación estándar de la variable numérica para cada nivel de la categórica.

Datos Independientes vs. Pareados

Es crucial diferenciar:

• Datos Independientes: Los grupos son de personas diferentes (ej. comparar tratamiento A vs. tratamiento B).
• Datos Pareados: Se mide la variable numérica a los mismos pacientes bajo diferentes condiciones o tiempos (ej. peso pre y post intervención).

Comparación de Dos Medias

• Test t de Student para Muestras Independientes: Cuando la categórica tiene 2 niveles y los grupos son independientes. Requiere normalidad de los promedios y homogeneidad de varianzas (homocedasticidad). Se usa el test de Levene para verificar la igualdad de varianzas.
• Test t de Student para Muestras Pareadas: Para datos pareados. Se calcula la diferencia individual (delta) y se prueba si el delta promedio es cero.

Comparación de Más de Dos Medias

• Análisis de Varianza (ANOVA): Cuando la categórica tiene más de 2 niveles. Prueba si al menos un par de medias difiere. Si H0 se rechaza, se usan tests de comparaciones múltiples (Tukey, Bonferroni) para identificar qué grupos son diferentes.
• ANOVA para Medidas Repetidas: Para datos pareados con más de dos mediciones.

Pruebas No Paramétricas

Si no se cumplen los supuestos de normalidad o el tamaño muestral es insuficiente, se usan pruebas no paramétricas que se basan en rangos:

• Test de Wilcoxon o Mann-Whitney: En lugar de la t de Student para muestras independientes.
• Test de Kruskal-Wallis: En lugar de ANOVA para muestras independientes.
• Test de Wilcoxon para Rangos Asignados: En lugar de la t de Student para muestras pareadas.
• Test de Friedman: En lugar de ANOVA para medidas repetidas.
• Test de Dunn: Para comparaciones múltiples en pruebas no paramétricas.

Asociación de Variables: Numérica-Numérica (Correlación)

Se busca determinar si dos variables numéricas están correlacionadas y predecir el valor de una dada la otra. Se usa un gráfico de dispersión para visualizar la relación.

Coeficiente de Correlación de Pearson (r)

Cuantifica la asociación lineal entre dos variables numéricas. Varía entre -1 y 1.

• r cercano a 1: Asociación lineal directa (positiva).
• r cercano a -1: Asociación lineal inversa (negativa).
• r cercano a 0: No hay asociación lineal (pero podría haber una no lineal).

Consideraciones para Pearson:

• Requiere que ambas variables provengan de una muestra aleatoria y tengan distribución normal.
• Es sensible a valores extremos (outliers).
• La correlación no implica causalidad.

Correlación de Spearman

Es una alternativa no paramétrica, recomendable cuando:

• Las variables no siguen una distribución Normal.
• Una o ambas variables son ordinales.
• Hay mucha dispersión o outliers que distorsionan la correlación de Pearson.

Se calcula utilizando el rango de las observaciones y se interpreta de la misma manera que Pearson.

Preguntas Frecuentes (FAQ) sobre Estadística Fundamental

¿Cuál es la diferencia entre estadística descriptiva e inferencial?

La estadística descriptiva organiza, resume y presenta los datos de una muestra o población, como calcular promedios o hacer gráficos. La estadística inferencial, en cambio, utiliza los datos de una muestra para hacer inferencias o sacar conclusiones sobre una población más grande, como probar hipótesis o estimar parámetros poblacionales.

¿Cuándo debo usar la media y cuándo la mediana?

La media es la mejor medida de tendencia central cuando tus datos tienen una distribución simétrica y no presentan valores extremos (outliers). Si tus datos tienen una distribución asimétrica o contienen outliers, la mediana es preferible porque es menos sensible a esos valores y proporciona una representación más robusta del "centro" de los datos.

¿Qué significa un valor p pequeño en una prueba de hipótesis?

Un valor p pequeño (generalmente menor que tu nivel de significancia α, por ejemplo, 0.05) indica que es poco probable observar tus resultados muestrales si la hipótesis nula (H0) fuera verdadera. Por lo tanto, un valor p pequeño te lleva a rechazar la H0 y a concluir que hay evidencia estadística a favor de la hipótesis alternativa (H1).

¿Qué es la homocedasticidad y por qué es importante?

La homocedasticidad es el supuesto de que las varianzas de dos o más poblaciones son iguales. Es importante en pruebas como la t de Student para muestras independientes o ANOVA, porque si las varianzas son muy diferentes (heterocedasticidad), los resultados de estas pruebas pueden ser inválidos o menos precisos. El test de Levene se usa comúnmente para verificar este supuesto.

¿La correlación siempre implica causalidad?

No, la correlación no implica causalidad. Que dos variables estén correlacionadas significa que tienden a variar juntas, pero no necesariamente que una cause la otra. Podría haber una tercera variable no observada que influya en ambas, o la relación podría ser pura coincidencia. Es un error común y fundamental en el análisis de datos.