Reflexión Final

Por ahora, esta será la última entrada del blog. Espero que mis conocimientos sobre estadística os puedan servir de ayuda para, en un futuro, realizar cualquier tipo de trabajo de investigación.

He querido que este blog fuese algo dinámico y divertido, que además de la teoría contuviese material audiovisual y algunas otras entradas que no pertenecieran estrictamente al campo de la estadística, pero sí de la enfermería. ¡Espero haberlo conseguido y que os halla gustado!

En cuanto a lo aprendido, la verdad es que la creación de nuestro propio blog ha sido una herramienta muy útil, al menos para mí lo ha sido. Con esto, hemos podido aprender a movernos un poco más por el mundo virtual. Puede ser que en un futuro necesitemos una plataforma para compartir nuestros trabajos o experiencias y que mejor forma de hacerlo que retomando nuestro blog. 

Al principio pensé que el blog sería una tarea algo pesada, por el hecho de tener que escribir cada tema que veíamos en clase. Pero la verdad es que hacer esto me ha servido para repasar los conocimientos que estudiaba, el blog me resulta muy útil para repasar ya que de manera resumida contiene todos los aspectos que hemos visto en clase y seminarios.

Otro aspecto muy importante es que nos ha permitido realizar búsquedas bibliográficas, tanto en Internet como en bases de datos. Por lo tanto, hemos aprendido a realizar este tipo de búsquedas, que como dije en mi presentación, nos resultará muy útil a la hora de realizar nuestro Trabajo Final de Grado (TFG) u otros trabajos que llevemos a cabo en cualquier asignatura de nuestra carrera.

La investigación en enfermería es aún desconocida para muchos y otros no encuentran los medios necesarios para realizarla por ello, estoy muy satisfecha con lo aprendido en clase y seminarios, además de los conocimientos impartidos por los profesores de la asignatura ya que nos han acercado un poco más al mundo de la investigación y con ello hemos aprendido las nociones necesarias para realizar nuestros proyectos.

Las sesiones en pequeño grupo o seminarios han sido muy buenas ya que hemos expuesto nuestros trabajos, así también vamos practicando para nuestro TFG, y nos ha resultado de gran ayuda ya que hemos podido ampliar los conocimientos, reforzarlos y aclarar las dudas que tuviésemos acerca del temario de la asignatura.

Creo que esto es todo por ahora, así que ¡hasta pronto! 

Me gustaría despedirme con los 5 Nunca de Steve Jobs:

1. Nunca darse por vencido.
2. Nunca aparentar.
3. Nunca mantenerse inmóvil.
4. Nunca aferrarse al pasado.
5. Nunca dejar de soñar.

SEMINARIO 5

Volvemos! Aquí terminan también las sesiones en pequeños grupos, todo va llegando a su fin... Este seminario consistió en la presentación al resto de compañeros de cada uno de nuestros proyectos de investigación.

Por ello, una vez explicado en que consiste nuestro proyecto, explicaré los resultados obtenidos al estudiar cada una de las variables en el programa Epi Info (vídeo de como usar este programa disponible en entradas anteriores).

Estas fueron las hipótesis que contemplamos en nuestro estudio.

La población está formada por 106 individuos

• 61 son mujeres (57.5%)
• 45 son hombres (42.5%)

La media de IMC es de 21.4 y dividimos a los sujetos a partir de los criterios de la siguiente tabla:

Obteniéndose los siguientes resultados:

• El 90% de la población se encuentra en los valores de normopeso.
• No hay ningún individuo con valores superiores a 30, es decir, con obesidad.

Por otra parte, las puntuaciones obtenidas en los cuestionarios EEICA las clasificamos en dos categorías: 

• Percepción positiva quienes han obtenido de 0 a 34 puntos.
• Percepción negativa quienes han obtenido una puntuación mayor a 34. 

La puntuación media obtenida en el cuestionario es de 18.8, habiendo un 88.7% de individuos con percepción positiva y un 11.3 con percepción negativa.

Obtuvimos este resultado al cruzar los datos de IMC y los resultados obtenidos en los cuestionario EEICA y calculamos la prevalencia de imagen positiva y negativa dentro de cada grupo.

• La mayor prevalencia de autopercepción negativa aparece entra los individuos que tiene sobrepeso.
• La menor prevalencia entre los individuos que se encuentran en normopeso.

Con estos datos, apreciamos que podría existir relación entre el rango de peso en que se encuentra el individuo y la imagen que percibe de sí mismo:

• Para comprobar si dicha relación es significativa realizamos un test de hipótesis mediante regresión lineal entre ambas variables. 
• Obtenemos un valor para P de 0.0043, por lo cual podemos afirmar que sí existe relación significativa entre el rango de peso de un individuo y la imagen percibida de sí mismo.

Esto es todo, aquí termina nuestro proyecto de investigación. Ha sido algo complicado realizarlo, por el reparto de cuestionarios, diseño del estudio y demás, pero el resultado ha sido el esperado y nos ha transmitido muy buenas sensaciones.

SEMINARIO 4

Como comenté en entradas anteriores, me dispongo a contaros en que consiste nuestro proyecto de investigación. Lo hago en esta entrada sobre la cuarta sesión en grupos pequeños ya que una parte de esta estuvo destinada a reforzar los conocimientos aprendidos en el Tema 10 y la otra en la explicación de como crear un correcto proyecto de investigación.

Las partes con las que debe contar un buen protocolo de investigación son las siguientes:

• Título, debe ser atractivo para el lector y no debe ser demasiado extenso. Con el título debemos hacernos una idea de que vamos a ver en la investigación.
• Autores, con apellidos y nombre y nivel académico de cada uno de ellos.
• Resumen de nuestra investigación.
• Palabras clave, para facilitar nuestras búsquedas bibliográficas.
• Introducción, que contará con una justificación, marco teórico, objetivos, hipótesis y recursos bibliográficos.
• Metodología.
• Cronograma, para estimar el tiempo que necesitaremos para llevar a cabo nuestro estudio.
• Recursos necesarios/presupuesto.

Pasemos a la práctica! Nuestro protocolo es un poco extenso ya que hemos contemplado todos los requisitos a completar, así que voy a desarrollar un resumen de nuestro estudio de investigación.

El objetivo de nuestra investigación es valorar la existencia o no de relación entre el IMC (índice de mas corporal) de los adolescentes del IES Ruiz Gijón de Utrera y la autopercepción de su imagen física.

Hemos elegido este tema ya que consideramos que es muy actual debido a que la autopercepción de la imagen física se ve cada vez más distorsionada por los cánones de belleza establecidos por la sociedad y esto puede desembocar en serios trastornos alimenticios, tipo anorexia o bulimia. Nuestro propósito con esto es poder crear las estrategias de Prevención y Promoción de hábitos de vida saludables.

Tomamos un cuestionario validado por la Junta de Andalucía, a través de la escala EEICA, que consta de 32 items.

Esta es la imagen de una parte de nuestro cuestionario, es para que os hagáis una idea del tipo de pregunta que realizamos y de las variables que contemplamos, al igual que la escala de valoración del cuestionario.

En la siguiente entrada describiremos los resultados de nuestro estudio, así que en un rato os sigo contando...

HIPÓTESIS ESTADÍSTICAS. TEST DE HIPÓTESIS (TEMA 10.2)

Test de hipótesis Chi-cuadrado:

Usamos este test cuando queremos comparar variables cualitativas (dependiente e independiente).

Suponemos la hipótesis cierta y estudiamos la probabilidad de que, siendo iguales dos grupos a comparar, se obtengan resultados como los obtenidos o haber encontrado diferencias más grandes por grupos.

Os dejo un vídeo sobre el procedimiento para realizar un test de hipótesis Chi-cuadrado:

Test de hipótesis T De Student:

Usamos este test cuando la variable independiente es cualitativa (dicotómica, solo puede tomar dos valores) y la variable dependiente es continua (puede adquirir cualquier valor dentro de un intervalo específico de valores).

Aquí os dejo otro vídeo sobre el procedimiento para realizar un test T de Student:

Análisis de varianza ANOVA:

Aquí termina el tema 10. Quizás resulte un poco complicado al principio realizar este tipo de ejercicios pero con práctica todo se consigue. Estos son los vídeos que veo más adecuados para entender el proceso, quizás a vosotros os resulten útiles otros, solo es cuestión de buscarlos y practicar.

Ya hemos terminado el temario de estadística, así que ¡práctica, mucha práctica!

HIPÓTESIS ESTADÍSTICAS (TEMA 10.1)

Hemos llegado al último tema de la asignatura!! El temario de estadística llega a su fin, aunque aún os tengo que contar de que trata y como hemos realizado nuestro proyecto de investigación. Este tema lo dividiré en dos o tres partes, aún no lo tengo claro, lo que si que tengo claro es que en esta primera entrada acerca de este ¡último tema! os contaré un poco de que van las hipótesis estadísticas.

Contrastes de hipótesis: usados para controlar errores aleatorios.

Con los contrastes (test) de hipótesis la estrategia es la siguiente:

• Establecemos una hipótesis cerca del valor del parámetro.
• Realizamos la recogida de datos.
• Analizamos la coherencia existente entra la hipótesis previa y los datos obtenidos.

Se trata de herramientas muy útiles, ya que nos permiten cuantificar la compatibilidad entre una hipótesis previamente establecida y los resultados obtenidos.

El test de hipótesis siempre va a contrastar la hipótesis nula que establecemos previamente. Según el tipo de variables implicadas en el estudio elegiremos un tipo de análisis estadístico u otro:

El test de hipótesis mide la probabilidad de error que cometo si rechazo la hipótesis nula, a este tipo de erro lo llamamos error α.

• El error α es la probabilidad de equivocarme al rechazar la hipótesis nula.
• El error α más pequeño al que podemos rechazar la hipótesis nula es el error p . 

Habitualmente rechazamos H₀ para un nivel α máximo del 5% (p< 0.05). Por encima del 5% de error, aceptamos la hipótesis nula. Es lo que llamamos “significación estadística”.

Los tipos de errores en el test de hipótesis son:

Hasta aquí esta primera parte, esta tarde os dejaré la información sobre los test de hipótesis. Me dispongo ahora a estudiar ¡¡estamos en época de exámenes!!

ESTADÍSTICA INFERENCIAL: MUESTREO Y ESTIMACIÓN (Tema 9)

Si planteamos un estudio para establecer relaciones entre variables, nuestro interés no está solo en los sujetos a los que hemos tenido acceso, sino también en todos aquellos que presentan características similares. En esto consiste la inferencia y en este caso siempre hay error aleatorio.

Definamos los conceptos clave para realizar nuestro estudio:

• Población de estudio: conjunto de sujetos sobre los que queremos estudiar alguna cuestión.
• Muestra: conjunto de sujetos que participan en el estudio.
• Tamaño muestral: número de individuos de la muestra.
• Inferencia estadística: conjunto de procedimientos estadísticos que nos permiten acceder a lo general, la población.
• Técnicas de muestreo: procedimientos que nos permiten realizar muestras que reflejen las características de la población.

Si la muestra se elige por un procedimiento de azar, hablamos de muestreo probabilístico o aleatorio y el error asociados a esta muestra se llama error aleatorio.

Proceso de la inferencia estadística:

El error estándar es aquel que asumimos cuando seleccionamos una muestra probabilística, es decir, es la medida que trata de captar la variabilidad de los valores del estimador.

Cuanto más pequeño es el error estándar de un estimador, más nos podemos fiar de una muestra concreta.

El cálculo del error estándar depende de cada estimador:

De ambas fórmulas se deduce que, mientras mayor sea el tamaño de la muestra, menor será el error estándar.

Teorema central del límite:

El teorema central del límite dice que si tenemos un grupo numeroso de variables independientes y todas ellas siguen el mismo modelo de distribución (cualquiera que éste sea), la suma de ellas se distribuye según una distribución normal. Este teorema se aplica tanto a la suma de variables discretas como de variables continuas.

Ejemplo: si lanzamos una moneda al aire 50 veces, la suma de estas 50 variables (cada una independiente entre sí) se distribuye según una distribución normal.

Intervalos de confianza:

Mide el error que tiene que ver con el azar (error aleatorio). 

Consiste en un par de números que, con un nivel de confianza determinados, podamos asegurar que el valor del parámetro es mayor o menor que ambos números. Se considera que el estimador de la muestra sigue una distribución normal.

El cálculo es el siguiente:

Además de este ejemplo, os dejo dos ejercicios resueltos:

Procedimiento muestral:

Un muestreo nos permite que al escoger un grupo pequeño de una población, podamos tener un grado de probabilidad de este grupo con características de la población que estemos estudiando.

La población general la vamos a elegir al azar y a partir de esta calcularemos su intervalo de confianza (en %).

Tipos de muestreo: 

Muestreo no probabilístico: no sigue un proceso aleatorio, se caracteriza porque el investigador selecciona la muestra siguiendo algunos criterios identificados para los propósitos del estudio que se está realizando.

• Por cuotas: el investigador selecciona la muestra considerando algunos fenómenos a estudiar (Sexo, Raza, Religión...)
• Accidental: utilizar en nuestro estudio las personas accesible en un determinado momento, según lo que interesa estudiar.
• Por conveniencia o intencional: el investigador decide los elementos que integran la muestra, considerando las unidades típicas de la población que desea estudiar.

Muestreo probabilístico: todos los elementos tiene la misma probabilidad de ser elegidos para nuestra muestra. Extraemos una muestra de una población de tal forma que todas las muestras posibles de tamaño fijo tengan la mismas posibilidades de ser seleccionadas.

Los tipos de muestreo probabilístico son los siguientes:

Tamaño de la muestra: el tamaño de la muestra a tomar va a depender de :

• El error estándar.
• De la mínima diferencia entre los grupos de comparación que se considera importante en los valores de la variable a estudiar.
• De la variabilidad de la variable a estudiar.
• El tamaño de la población de estudio.

Este tema es un poco extenso y con mucha información , pero resulta de gran ayuda ya que debemos saber la inferencia que pueda presentar cualquier estudio que estemos realizando.

Ya queda poco para terminar el temario, nos vamos acercando al final...

Como usar Epi Info:

El programa Epi Info nos lo proporcionó el profesor en el seminario, pero hay numerosos vídeos acerca de como descargarlo y que os pueden servir de ayuda.

En cuanto a su uso, os dejo dos tutoriales, el primero de como crear un cuestionario en Epi Info y el segundo sobre como analizar los datos guardados en cada cuestionario (los vídeos no tienen nada en común, son ejemplos diferentes).

SEMINARIO 3

En esta entrada dejaré ejemplos prácticos de lo publicado hasta ahora de la parte estadística. Este seminario nos sirvió para afianzar nuestros conocimientos sobre la materia y fue un apoyo a lo que ya habíamos visto en clase, por ello pienso que para no volver a explicar la misma información, una buena forma de valorar lo aprendido es con ejemplos.

En este seminario, también vimos como usar el programa Epi Info, necesario para realizar el estudio de nuestro proyecto de investigación. Muy pronto os contaré en que se basa nuestro proyecto de investigación y en la siguiente entrada os dejaré unos vídeos sobre como usar Epi Info

Ejemplo 1. Realizar una tabla de frecuencia.

Xn (peso más alto) = 6.1 kg / X1 (peso más bajo) = 3.3 kg

La manera de realizar este ejemplo es:

Primero calculamos el recorrido (Diferencia entre el valor más alto y el valor más bajo).     

Re = x_n –x₁= 6.1 – 3.3 = 2.8

Para calcular el intervalo: si no se nos dice nada sobre en número de intervalos, se obtiene calculando la raíz cuadrada del número de datos observados.

La raíz cuadrada de 40 = 6.32. Por lo tanto tomaremos 6 intervalos, es decir, 6 serán el número de filas que tendrá nuestra tabla.

Por último, el recorrido es 2.8 y si lo dividimos por el número de intervalos tendremos la amplitud de cada uno de ellos.

2.8 / 6 = 0.46 (Amplitud)

-

Una vez con nuestra tabla realizada, podemos representar los datos obtenidos en los diferentes tipos de gráficas (Explicación de cómo hacerlo en el vídeo de la entrada referida al tema 7)

Ejemplo 2.  Unas enfermeras han registrado las edades de nueve niños vacunados durante una sesión, obteniendo los siguientes datos:

3, 2, 4, 2, 1, 3, 5, 3, y 4 meses

Calcular:

Ejemplo 3. En un centro de salud se pretende realizar un estudio sobre las cifras de tensión arterial diastólica en un grupo de 30 pacientes que acuden a consulta de enfermería en los programa de atención al paciente diabético. Los enfermeros del programa midieron la TAD de estos 30 pacientes, obteniendo las siguientes cifras (datos en mm de Hg)

Ejemplo 4. En un estudio sobre cuidadores principales en familias con personas dependientes, se miden las edades de los cuidadores principales, obteniéndose la siguiente gráfica:

MEDIDAS DE TENDENCIA CENTRAL, POSICIÓN Y DISPERSIÓN (TEMA 8)

Buenos días a todos! En esta entrada vamos a dar un paso más en el campo de la estadística. Hablaremos de las medidas de tendencia central, posición y dispersión.

Lo primero que quiero mostraros es cómo hacer un resumen numérico de un serie estadística: se trata de otra alternativa a la hora de agrupar los datos estadísticos, además de las tablas y gráficos. Debemos tener en cuenta que solo se aplican a variables cuantitativas continuas (edad, peso, talla..)

Existen tres medidas estadísticas:

• Medidas de posición: nos muestran la magnitud, tamaño o posición de los datos observados (estos están ordenados de menor a mayor).
• Medidas de tendencia central: muestran el comportamiento central de los sujetos de estudio.
• Medidas de dispersión o variabilidad: muestran la heterogeneidad que puedan compartir los sujetos, es decir, sus diferencias.

MEDIDAS DE TENDENCIA CENTRAL:

Media aritmética: se calcula para variables cuantitativas y se trata del centro de gravedad de nuestros datos. Su fórmula es:

Es la suma de todos los valores de la variable observada entre el total de observaciones.

Cuando los datos están agrupados (dos intervalos), para calcular la media utilizamos como valor de referencia de cada intervalo su marca de clase: se calcula una media aritmética ponderada que se calcula sumando la marca de clase por la frecuencia absoluta, entre n.

Recordemos como se calcula la marca de clase:

x= Ʃm_c (marca de clase) x fi (frecuencia absoluta) /n (multiplicamos la marca de clase por la frecuencia absoluta y vamos sumando, luego dividimos entre el número de sujetos)

Mediana: es el valor de la observación en el que un 50% de los datos es menor y el otro 50% es mayor.

• Si el número de observaciones es impar: n +1/2 Ejemplo: si son 75, pues 76 entre 2 = 38, la mediana seria la edad que tiene el sujeto 38.
• Si el número de observaciones es par: n/2  

Recordemos que n = Número de Observaciones de nuestro estudio.

Moda: es el valor con mayor frecuencia, es decir, el que más veces se repite.

• Existen dos valores que más se repiten: moda Bimodal.
• Existen más de dos valores que más se repiten: moda Multimodal.

MEDIDAS DE POSICIÓN o CUANTILES:

Se calculan para variables cuantitativas, se tiene en cuenta la posición de los valores en la muestra.

• Percentiles: dividen la muestra ordenada en 100 partes. El valor del P₅₀ corresponde al valor de la mediana.
• Deciles: dividen la muestra ordenada en 10 partes. El valor del D₅ corresponde al valor de la mediana y, por tanto, al del P₅₀.
• Cuartil: dividen la muestra ordenada en 4 partes. El Q₄, cuarto cuartil indica el valor mayor que se alcanza en la serie numérica.

    MEDIDAS DE DISPERSIÓN:

      

    Rango o recorrido: diferencia entre el mayor y el menor valor de la muestra  lX_n-X₁l (valor absoluto).

     Desviación media: media aritmética de las distancias de cada observación con respecto a la media.

Desviación típica o estándar: nos indica el error que cometemos si representamos una muestra guiándonos solo por su media.

Varianza: expresa la misma información, pero en valores al cuadrado.

DISTRIBUCIONES NORMALES

Se llama distribución normal a una de las distribuciones de probabilidad de variable continua que con más frecuencia aparece en fenómenos reales.

La gráfica de su función de densidad tiene una forma acampanada y es simétrica respecto de los valores posición central (media, mediana y moda, que coinciden en estas distribuciones).

Esta curva se conoce como campana de Gauss

ASIMETRIAS Y CURTOSIS

La asimetria es el lado opuesto de nuestras medidas estadísticas.

• Coeficiente de asimetría de una variable: grado de asimetría de la distribución de sus datos en torno a su media. Si es más asimétrica indica que los valores son más diferentes entre sí.

Los resultados pueden ser:

• g1=0 (distribución simétrica; existe la misma concentración de valores a la derecha y a la izquierda de la media).
• g1>0 (distribución asimétrica positiva; existe mayor concentración de valores  a la derecha de la media que a su izquierda).
• g1<0 (distribución asimétrica negativa; existe mayor concentración de valores a la izquierda de la media que a su derecha).

Curtosis o apuntamiento de la curva: sirve para medir el grado de concentración de los valores que toma en torno a su media. Mientras más datos se acumulen, más apuntada será la curva.

Los resultados pueden ser:

• g2=0 (distribución mesocúrtica o normal). Presenta un grado de concentración medio alrededor de los valores centrales de la variable (el mismo que presenta una distribución normal).
•  g2>0 (distribución leptocúrtica). Presenta un elevado grado de concentración alrededor de los valores centrales de la variable.
• g2<0 (distribución platicúrtica). Presenta un reducido grado de concentración alrededor de los valores centrales de la variable.

Por último, os dejo un ejemplo sobre la tipificación de los valores y su relación con la campana de Gauss:

Espero que os sirva de ayuda!!

INTRODUCCIÓN A LA ESTADÍSTICA (TEMA 7) 

La estadística es  la ciencia que estudia la variabilidad, la medición de signos y síntomas.

Por ejemplo:

• La presencia de dolor se puede medir como "si" o "no".
• La glucemia basal se pude medir por mg de glucosa por dl de sangre, con valores que pueden ir de 0 a 1000 mg/dl

Por lo tanto, estos datos muestran variables diferentes y aquí es donde interviene la estadística para estudiar las posibles relaciones existentes entre ambos factores.

Escalas de medida:

Tipos de variables:

• CUALITATIVAS: se refieren a propiedades que no pueden ser medidas.

• CUANTITATIVAS: son las que se pueden medir en términos numéricos. Son las que se utilizan en escalas de intervalo y de razón.

Discretas: solo pueden tomar un número finito de valores. Son números enteros.

Continuas: las que pueden valer para cualquier número dentro de un rango.

Ejemplo de construcción de una tabla de frecuencias y gráficas estadísticas:

EJEMPLOS

Os dejos dos ejemplos que he realizado, el primero mide el riesgo relativo y el segundo la estimación de la magnitud de asociación (en un estudio de casos y controles).

Espero que os sirva de ayuda!!