Tema 44. Herramientas estadísticas para el análisis de datos. Estadística descriptiva e inferencial. Medidas de centralización, posición, dispersión y forma. Estimación puntual y por intervalos. Contraste de hipótesis. Contrastes paramétricos y no paramétricos de una y dos muestras. La prueba Chi-cuadrado. La prueba del ANOVA. Regresión y correlación. Representaciones gráficas de los datos de una muestra.

1. Herramientas estadísticas para el análisis de datos

🎯 Idea clave

• Las herramientas estadísticas son los entornos software que permiten ejecutar técnicas estadísticas sobre datos reales, documentar el proceso y producir salidas útiles.
• Se distinguen de las técnicas estadísticas, que son los procedimientos matemáticos como la media, la regresión o el contraste de hipótesis.
• Las familias principales comprenden hojas de cálculo con complementos, paquetes estadísticos con interfaz gráfica y entornos programables de computación estadística.
• La elección de la herramienta adecuada depende del volumen de datos, la complejidad del análisis requerido y el nivel de conocimiento técnico del usuario.
• En el Servicio Andaluz de Salud se aplican a informes de actividad, indicadores de calidad, estudios epidemiológicos e investigación científica.
• Existen opciones de código abierto como R, Jamovi, JASP y PSPP, alternativas a software propietario como SPSS, Stata o SAS.

📚 Desarrollo

Definición operativa. Las herramientas estadísticas para el análisis de datos son los recursos informáticos, aplicaciones, lenguajes de programación y entornos de trabajo que permiten importar, depurar, organizar, resumir, representar y modelizar conjuntos de datos cuantitativos. Su función consiste en hacer operativamente posible el razonamiento estadístico, facilitando la reproducibilidad y escalabilidad del análisis sin sustituir al criterio científico del investigador.

Delimitación conceptual esencial. Una herramienta estadística no equivale a una técnica estadística. Mientras que la media, la mediana, el ANOVA, la prueba Chi-cuadrado o la regresión son procedimientos matemáticos, las herramientas son los programas que permiten ejecutar estos procedimientos sobre datos reales, documentar el proceso y generar salidas útiles para la toma de decisiones.

Clasificación por familias. El ecosistema se organiza en tres grandes categorías funcionales: hojas de cálculo con funciones estadísticas, paquetes especializados con interfaz gráfica intuitiva, y entornos programables de computación estadística. Las hojas de cálculo ofrecen accesibilidad inmediata; los paquetes especializados combinan potencia analítica con menús gráficos; los entornos programables proporcionan máxima flexibilidad para análisis avanzados y personalizados.

Software especializado tradicional. Entre las aplicaciones con interfaz gráfica destacan SPSS, desarrollado por IBM y ampliamente utilizado en ciencias sociales, ciencias de la salud e investigación sanitaria, y Stata, especialmente potente en epidemiología, análisis de datos longitudinales y economía de la salud. Ambos combinan menús intuitivos con capacidad de sintaxis programable, ofreciendo módulos para estadística descriptiva, inferencial, multivariante, análisis de supervivencia y modelos lineales generalizados.

Entornos de código abierto. R es un lenguaje y entorno libre creado en 1993 por Ross Ihaka y Robert Gentleman en la Universidad de Auckland, que cuenta con más de veinte mil paquetes en CRAN y se ha convertido en estándar de facto en investigación académica. Python aporta bibliotecas como NumPy, pandas, SciPy, Statsmodels y Scikit-learn para ciencia de datos. Existen interfaces gráficas basadas en R como Jamovi y JASP, orientadas a docencia y análisis frecuentes sin necesidad de programación, así como PSPP como alternativa libre a SPSS.

Hojas de cálculo corporativas. Microsoft Excel, complementado con Analysis ToolPak, constituye la herramienta más accesible para análisis básicos, incorporando funciones como PROMEDIO, MEDIANA, DESVEST, VAR, DISTR.NORM o PRUEBA.CHI. LibreOffice Calc y Google Sheets ofrecen alternativas con funciones estadísticas equivalentes, siendo especialmente útiles para conjuntos de datos pequeños o moderados y trabajo colaborativo en tiempo real.

Criterios de selección. La elección depende del volumen de datos, donde Excel resulta suficiente para cientos o miles de registros pero R, Python o SAS se imponen ante millones; de la complejidad analítica, que puede requerir modelos mixtos, metaanálisis o machine learning; y del conocimiento técnico del usuario, valorando interfaces gráficas accesibles frente a lenguajes de programación que exigen mayor curva de aprendizaje.

Aplicación en el ámbito sanitario. En el Servicio Andaluz de Salud estas herramientas se aplican a la elaboración de informes de actividad asistencial y administrativa, análisis de indicadores de calidad y seguridad del paciente como tasas de infección nosocomial o reingresos, encuestas de satisfacción, estudios epidemiológicos y evaluación del impacto de intervenciones formativas, organizativas o tecnológicas.

🧩 Elementos esenciales

• Herramienta vs técnica: La herramienta es el software que materializa la técnica; la técnica es el procedimiento estadístico matemático en sí.
• Hojas de cálculo: Excel con Analysis ToolPak, LibreOffice Calc y Google Sheets para análisis exploratorios y volúmenes moderados.
• Software especializado propietario: SPSS para ciencias sociales y salud; Stata para epidemiología y datos longitudinales; SAS para entornos empresariales, ensayos clínicos y regulación farmacéutica.
• Entornos libres programables: R con CRAN y RStudio como IDE; Python con bibliotecas pandas, SciPy, Statsmodels y Scikit-learn.
• Interfaces gráficas libres: Jamovi y JASP basadas en R para análisis frecuentes sin programación; PSPP como alternativa libre limitada a SPSS.
• Criterio de volumen: Excel para miles de registros; R, Python o SAS para millones de registros.
• Criterio de complejidad: SPSS o Jamovi para análisis estándar; R o Python para modelos mixtos, supervivencia con covariables tiempo-dependientes o machine learning.
• Power BI: Plataforma de inteligencia de negocio de Microsoft integrada en el ecosistema corporativo del SAS para dashboards interactivos.
• Aplicación SAS: Informes de actividad, indicadores de eventos adversos, encuestas de satisfacción y publicación científica en revistas sanitarias.

🧠 Recuerda

• Una herramienta ejecuta técnicas pero no sustituye al razonamiento estadístico.
• R es software libre con más de veinte mil paquetes disponibles en el repositorio CRAN.
• SPSS y PSPP comparten lenguaje similar pero PSPP tiene soporte de procedimientos incompleto.
• Jamovi se basa en R pero ofrece interfaz gráfica sencilla similar a SPSS.
• Excel Analysis ToolPak añade histogramas, ANOVA, regresión y pruebas t o F a las funciones básicas.
• SAS empresarial es el Statistical Analysis System, no el Servicio Andaluz de Salud.
• La elección depende de tres factores: volumen de datos, complejidad analítica y conocimientos del usuario.
• En el SAS se analizan tasas de infección nosocomial, reingresos y satisfacción de pacientes.
• Python combina preparación de datos con machine learning mediante Scikit-learn.
• RStudio es el entorno de desarrollo integrado más utilizado para R, no es el motor estadístico en sí.

2. Estadística descriptiva e inferencial

🎯 Idea clave

• La estadística descriptiva organiza, resume y representa los datos observados sin trascenderlos, mientras que la inferencial generaliza conclusiones sobre la población mediante muestras representativas.
• Describir no equivale a inferir: calcular una media es operación descriptiva, pero estimar un parámetro poblacional o construir un intervalo de confianza es operación inferencial.
• Ambas se complementan en un proceso secuencial de análisis: primero se explora y verifica, luego se infiere y finalmente se comunica.
• La probabilidad constituye el lenguaje matemático que permite cuantificar la incertidumbre inherente a la inferencia estadística.
• En la gestión administrativa y sanitaria del Servicio Andaluz de Salud, ambas modalidades resultan imprescindibles para elaborar cuadros de mando, analizar indicadores de calidad y sustentar decisiones con nivel explícito de confianza.

📚 Desarrollo

Delimitación conceptual. La estadística descriptiva se limita a organizar, resumir, representar e interpretar la información efectivamente observada, reduciendo la complejidad mediante tablas, gráficos e indicadores. La estadística inferencial, en cambio, utiliza datos procedentes de una muestra y herramientas probabilísticas para extraer conclusiones sobre una población o sus parámetros, reconociendo siempre la existencia de variabilidad muestral.

Preguntas fundamentales. La estadística descriptiva responde a la pregunta "¿cómo son los datos observados?", mientras que la inferencial responde a "¿qué podemos concluir, con determinada seguridad, más allá de los datos observados?". Esta distinción es esencial para evitar confusiones metodológicas en el análisis de información cuantitativa.

Sucesión lógica. Ambas modalidades se suceden necesariamente en un análisis riguroso. La fase descriptiva precede a la inferencial para explorar la estructura de los datos, detectar valores atípicos, identificar patrones y comprobar los supuestos requeridos por las pruebas inferenciales, como la normalidad, la homocedasticidad o la independencia.

Herramientas específicas. La estadística descriptiva emplea tablas de frecuencias, medidas de centralización, dispersión, posición y forma, así como representaciones gráficas. La inferencial se instrumenta mediante la estimación de parámetros, tanto puntual como por intervalos, y el contraste de hipótesis, cuantificando explícitamente la incertidumbre mediante niveles de confianza y significación.

Población y muestra. La inferencia se apoya en la distinción entre población, como conjunto completo de elementos, y muestra, como subconjunto representativo seleccionado mediante muestreo aleatorio. El parámetro es el valor poblacional fijo y desconocido, mientras que el estadístico es el valor muestral variable que lo estima.

Representatividad y validez. La representatividad de la muestra y la adecuación del diseño de selección condicionan directamente la validez de cualquier conclusión inferencial. Sin una muestra representativa, la generalización carece de fundamento metodológico.

Aplicación práctica. En el ámbito del Servicio Andaluz de Salud, ambas estadísticas se aplican continuamente en la elaboración de informes de actividad asistencial y administrativa, el análisis de indicadores de calidad y seguridad del paciente, las encuestas de satisfacción, los estudios epidemiológicos y la evaluación del impacto de intervenciones formativas, organizativas o tecnológicas.

🧩 Elementos esenciales

• Estadística descriptiva: conjunto de técnicas que organizan, resumen y presentan datos observados mediante tablas, gráficos e indicadores sin extraer conclusiones más allá de lo observado.
• Estadística inferencial: conjunto de métodos que utilizan muestras representativas y probabilidad para extraer conclusiones sobre poblaciones, parámetros o relaciones que se pretenden generalizar.
• Fase exploratoria: función esencial de la estadística descriptiva que detecta patrones, anomalías, valores atípicos y problemas de calidad del dato antes de proceder a la inferencia.
• Verificación de supuestos: la descriptiva comprueba condiciones necesarias para la inferencia, como normalidad, homocedasticidad e independencia de los datos.
• Población y muestra: la primera es el conjunto completo de individuos; la segunda, un subconjunto seleccionado aleatoriamente para representarla.
• Parámetro y estadístico: el parámetro es el valor fijo y desconocido de la población; el estadístico es el valor variable calculado en la muestra que lo estima.
• Variabilidad muestral: reconocimiento de que diferentes muestras producen diferentes estadísticos, lo que obliga a cuantificar la incertidumbre en la inferencia.
• Estimación puntual: procedimiento inferencial que proporciona un único valor numérico como aproximación del parámetro poblacional.
• Intervalo de confianza: rango de valores compatibles con los datos observados a un nivel de confianza determinado.
• Contraste de hipótesis: procedimiento inferencial para decidir si los datos respaldan suficientemente una afirmación sobre la población.
• Relación entre procedimientos: intervalos de confianza y contrastes de hipótesis están relacionados porque ambos expresan qué valores o afirmaciones son compatibles con los datos al nivel de exigencia fijado.
• Probabilidad: lenguaje matemático fundamental de la inferencia que permite cuantificar la incertidumbre, construir intervalos y decidir sobre hipótesis.

🧠 Recuerda

• Describir no equivale a inferir: las medias y tablas resumen la muestra, pero la estimación y el contraste generalizan más allá de ella.
• La estadística descriptiva es imprescindible como fase previa, exploratoria y complementaria de la inferencial.
• La inferencia siempre cuantifica la incertidumbre mediante niveles de confianza o significación explícitos.
• Verificar los supuestos de normalidad, homocedasticidad e independencia es obligatorio antes de aplicar técnicas inferenciales.
• La representatividad de la muestra y el diseño de selección determinan la validez de las conclusiones inferenciales.
• Los intervalos de confianza y los contrastes de hipótesis son instrumentos relacionados que expresan la compatibilidad de valores con los datos observados.
• En el SAS, ambas estadísticas se aplican a informes de actividad, indicadores de calidad, encuestas de satisfacción e investigación epidemiológica.
• La probabilidad constituye el fundamento matemático que hace posible cuantificar la incertidumbre en el razonamiento inferencial.
• El estadístico es variable y muestral; el parámetro es fijo y poblacional.
• La inferencia permite sustentar decisiones administrativas con un nivel explícito de confianza estadística.

3. Medidas de centralización, posición, dispersión y forma

🎯 Idea clave

• Las medidas estadísticas de resumen son valores numéricos que sintetizan las características fundamentales de una distribución de datos, transformando observaciones individuales en información interpretable.
• Se clasifican en cuatro familias diferenciadas: centralización, posición, dispersión y forma, cada una respondiendo a una pregunta específica sobre el comportamiento de la variable.
• Las medidas de centralización identifican el valor típico mediante la media, la mediana y la moda, cada una con propiedades de robustez y aplicabilidad distintas.
• Las medidas de posición, dispersión y forma completan la descripción indicando la ubicación de valores específicos, la variabilidad del conjunto y la morfología de la distribución.
• La interpretación rigurosa exige analizar estas medidas de forma conjunta, ya que una sola resulta insuficiente para caracterizar completamente una serie estadística.

📚 Desarrollo

Concepto y función. Las medidas estadísticas de resumen constituyen el núcleo de la descripción numérica de un conjunto de datos, permitiendo condensar la información contenida en múltiples observaciones en unos pocos valores representativos. Su finalidad es responder cuatro interrogantes básicos: dónde se sitúa el centro, cómo se distribuyen los valores dentro del conjunto ordenado, cuánto se separan los datos entre sí y qué aspecto geométrico presenta la distribución.

Medidas de centralización. Estas medidas indican en torno a qué valor se agrupan los datos. La media aritmética utiliza toda la información disponible pero resulta sensible a valores extremos, constituyendo la base de la estadística paramétrica y aplicándose exclusivamente a variables cuantitativas. La mediana representa el valor central de la serie ordenada, siendo robusta frente a outliers y aplicable tanto a variables cuantitativas como ordinales. La moda identifica el valor más frecuente y constituye la única medida de centralización válida para variables nominales.

Medidas de posición. Permiten situar un valor concreto dentro del conjunto ordenado de datos mediante puntos de corte que dividen la distribución en partes iguales. Los cuartiles establecen tres puntos que segmentan la serie en cuatro partes de un 25%, siendo Q1 el percentil 25, Q2 la mediana y Q3 el percentil 75. Los deciles y percentiles generalizan esta lógica, siendo especialmente útiles en el ámbito sanitario para establecer valores de referencia como percentiles de crecimiento o límites de normalidad.

Medidas de dispersión. Cuantifican el grado de variabilidad o separación entre los datos respecto del centro. El rango, definido como la diferencia entre el valor máximo y mínimo, resulta muy sensible a valores extremos. El rango intercuartílico, calculado como Q3 menos Q1, mide la amplitud del 50% central de datos siendo más robusto y constituyendo la base del diagrama de caja y bigotes. La varianza promedia los cuadrados de las desviaciones respecto a la media utilizando la corrección de Bessel para garantizar la insesgadez, mientras que la desviación típica, su raíz cuadrada, recupera las unidades originales de la variable.

Medidas de forma. Describen la morfología global de la distribución mediante dos coeficientes. La asimetría indica la falta de simetría respecto a la media, siendo positiva cuando existe cola derecha o sesgo positivo, negativa cuando existe cola izquierda o sesgo negativo, y cero en distribuciones simétricas. La curtosis informa sobre el peso relativo de las colas y el grado de concentración de valores alrededor del centro, siendo cero en la distribución mesocúrtica o normal, positiva en distribuciones leptocúrticas más apuntadas con colas pesadas, y negativa en distribuciones platicúrticas más achatadas.

Interpretación conjunta. Una descripción estadística rigurosa requiere combinar coherentemente las cuatro familias de medidas. Un centro sin dispersión resulta incompleto y potencialmente engañoso, mientras que una dispersión sin conocimiento de la forma puede ocultar asimetrías o valores extremos. Análogamente, un percentil sin contexto global ofrece una visión insuficiente de la realidad que representa.

Utilidad práctica. En la opción de Administración General, estas medidas permiten resumir volúmenes medios de actividad mediante la media, describir tiempos de tramitación mediante la mediana cuando existen casos extremos que distorsionan promedios, ubicar expedientes o demoras mediante percentiles, detectar heterogeneidad de resultados mediante la dispersión, y alertar sobre distribuciones anómalas o colas con casos extraordinarios mediante la asimetría y curtosis.

🧩 Elementos esenciales

• Media aritmética: promedio de todos los valores, sensible a outliers, base de la estadística paramétrica y aplicable solo a variables cuantitativas.
• Mediana: valor central que ordena la serie, robusta ante extremos y aplicable a variables cuantitativas y ordinales.
• Moda: valor de mayor frecuencia, única medida de centralización válida para variables nominales.
• Cuartiles: Q1 (percentil 25), Q2 o mediana (percentil 50) y Q3 (percentil 75), dividen la distribución en cuatro partes iguales.
• Percentiles: permiten ubicar un valor dejando un porcentaje k de observaciones por debajo, útiles para establecer límites de normalidad en indicadores sanitarios.
• Varianza: promedio del cuadrado de las desviaciones respecto a la media, calculada con corrección de Bessel (n-1) para garantizar insesgadez.
• Desviación típica: raíz cuadrada de la varianza, expresada en las unidades originales de la variable y más interpretable que la varianza.
• Rango intercuartílico: diferencia entre Q3 y Q1, representa la amplitud del 50% central de datos y es robusto frente a valores extremos.
• Coeficiente de variación: expresa la dispersión relativa respecto a la media (s/X̄ × 100), siendo adimensional y útil para comparar series de distinta escala.
• Asimetría: coeficiente g1 que mide la falta de simetría, positivo en cola derecha, negativo en cola izquierda y cero en simetría perfecta.
• Curtosis: coeficiente g2 que informa sobre el peso de las colas, cero en la normal, positivo en distribuciones más apuntadas y negativo en más achatadas.

🧠 Recuerda

• Las cuatro familias de medidas deben interpretarse conjuntamente para obtener una descripción estadística completa y evitar conclusiones engañosas.
• En asimetría derecha se cumple Moda < Mediana < Media; en asimetría izquierda se cumple Media < Mediana < Moda.
• La regla empírica establece que en distribuciones normales el 68% de datos cae en X̄±1s, el 95% en X̄±2s y el 99,7% en X̄±3s.
• La mediana es preferible a la media cuando existen valores extremos que distorsionan el centro de la distribución.
• El coeficiente de variación requiere cautela cuando la media se aproxima a cero, ya que puede producir valores poco interpretables.
• El rango intercuartílico constituye la base matemática del diagrama de caja y bigotes o box-plot.
• La varianza siempre es positiva y sus unidades son el cuadrado de las unidades originales de la variable.
• Las medidas de posición requieren previamente ordenar los datos de menor a mayor para su correcto cálculo.
• La moda puede no ser única o no existir en distribuciones donde todos los valores tienen igual frecuencia.
• Una alta dispersión junto a una media central puede indicar la presencia de distribuciones bimodales o colas con valores extremos.

4. Estimación puntual y por intervalos

🎯 Idea clave

• La estimación puntual ofrece un único valor numérico como mejor aproximación disponible de un parámetro poblacional desconocido.
• La estimación por intervalos proporciona un rango de valores plausibles que expresa la incertidumbre inherente al proceso de muestreo.
• El intervalo de confianza se construye combinando el estimador puntual, el error típico del estimador y un valor crítico según el nivel de confianza elegido.
• La amplitud del intervalo depende directamente del tamaño muestral, la variabilidad de los datos y el nivel de confianza establecido.
• En el ámbito del Servicio Andaluz de Salud, estas herramientas permiten estimar tiempos de espera, tasas de incidencia y proporciones de pacientes satisfechos acompañados de su margen de precisión.

📚 Desarrollo

Estimación puntual. Consiste en proporcionar un único valor calculado a partir de la muestra como mejor aproximación del parámetro poblacional desconocido, como una media muestral, una proporción, una tasa, una diferencia o una razón.

Estimación por intervalos. Complementa la estimación puntual ofreciendo un rango de valores dentro del cual se encuentra el parámetro poblacional con un determinado nivel de confianza, incorporando así la incertidumbre del muestreo de forma explícita y cuantificada.

Estructura del intervalo. El intervalo de confianza sigue la fórmula general: estimador puntual más o menos el producto del valor crítico por el error típico del estimador, donde el valor crítico para un 95% de confianza en distribución normal es 1,96.

Intervalo para la media poblacional. Cuando la varianza es conocida o la muestra es grande, se utiliza la distribución normal. Si la varianza es desconocida y el tamaño muestral es inferior a 30, se aplica la distribución t de Student, que presenta colas más pesadas pero se aproxima a la normal cuando aumenta el tamaño muestral.

Factores de precisión. La amplitud del intervalo disminuye al aumentar el tamaño muestral y aumenta con mayor variabilidad de los datos o niveles de confianza más elevados como el 99%, indicando mayor precisión cuando el intervalo es estrecho y aconsejando prudencia cuando es amplio.

Aplicación en gestión sanitaria. En el SAS, estos procedimientos permiten estimar tiempos medios de espera quirúrgica, tasas de infecciones nosocomiales, proporciones de satisfacción de pacientes y comparar indicadores entre centros, proporcionando a la función administrativa información sobre la fiabilidad de los datos para la toma de decisiones y el apoyo a decisiones directivas.

🧩 Elementos esenciales

• Estimador puntual: Valor único calculado de la muestra que aproxima el parámetro poblacional, como la media muestral respecto a la media poblacional.
• Intervalo de confianza: Rango [L, U] calculado a partir de los datos muestrales que contiene al parámetro poblacional con una probabilidad determinada.
• Error típico: Medida de la variabilidad del estimador entre diferentes muestras posibles, distinto de la dispersión individual de los datos.
• Valor crítico: Factor multiplicativo que depende del nivel de confianza y de la distribución muestral, siendo 1,96 el valor para un 95% en distribución normal.
• Nivel de confianza 95%: Significa que si se extrajeran infinitas muestras, aproximadamente el 95% de los intervalos calculados contendrían el verdadero valor del parámetro.
• Distribución t de Student: Distribución utilizada cuando la varianza poblacional es desconocida y el tamaño muestral es pequeño, con colas más pesadas que la normal.
• Precisión estadística: Un intervalo estrecho indica mayor precisión en la estimación, mientras que uno amplio aconseja prudencia interpretativa ante la incertidumbre.
• Sesgo versus precisión: Una estimación precisa puede estar sesgada si los datos o la muestra son inadecuados, por lo que debe evaluarse también la calidad del diseño.

🧠 Recuerda

• La estimación puntual es una aproximación única, mientras que el intervalo añade información fundamental sobre la incertidumbre del muestreo.
• Un intervalo de confianza del 95% no significa que haya un 95% de probabilidad de que el parámetro esté en ese intervalo específico, sino que el procedimiento acierta el 95% de las veces.
• El error estándar mide la variabilidad del estimador entre muestras, no la dispersión individual de los datos dentro de la muestra.
• Para muestras grandes o varianza conocida se usa el valor z=1,96, mientras que para muestras pequeñas con varianza desconocida se usa la distribución t de Student.
• La amplitud del intervalo aumenta si elevamos el nivel de confianza o disminuye el tamaño muestral, y disminuye con menor variabilidad.
• En el SAS, estas herramientas son útiles para interpretar correctamente indicadores asistenciales y apoyar decisiones directivas sobre recursos y calidad asistencial.
• Los intervalos deben interpretarse siempre junto al tamaño del efecto y la relevancia clínica o gestora de los resultados obtenidos.

5. Contraste de hipótesis

🎯 Idea clave

• El contraste de hipótesis es una técnica de la estadística inferencial que permite extraer conclusiones sobre poblaciones a partir de datos muestrales, cuantificando la incertidumbre inherente al proceso.
• Para el Técnico/a Medio-Gestión del SAS resulta imprescindible interpretar informes de evaluación y comparativas de indicadores evitando errores en la comprensión de la significación estadística.
• Su aplicación en el ámbito sanitario abarca la comparación de indicadores de calidad entre centros o periodos y la evaluación del impacto de intervenciones formativas, organizativas o asistenciales.
• Se utiliza en el análisis de encuestas de satisfacción para detectar diferencias entre grupos de pacientes o profesionales y en estudios epidemiológicos para identificar asociaciones entre factores de riesgo y enfermedades.
• La técnica exige atención especial al control del error tipo I cuando se realizan múltiples comparaciones entre pares de grupos.

📚 Desarrollo

Naturaleza metodológica. El contraste de hipótesis constituye una técnica estadística fundamental dentro de la estadística inferencial, diseñada para obtener conclusiones sobre la población a partir de los datos observados en una muestra representativa, siempre cuantificando la incertidumbre asociada a la inferencia.

Distinción conceptual. A diferencia de las herramientas informáticas que ejecutan procedimientos, el contraste de hipótesis es un método analítico que permite verificar si las diferencias observadas en los datos responden a patrones reales o simplemente a fluctuaciones muestrales aleatorias.

Aplicación en indicadores. En el contexto del Servicio Andaluz de Salud, esta técnica resulta necesaria para interpretar informes que comparan indicadores de calidad y actividad entre diferentes centros, servicios o periodos temporales, determinando cuándo una diferencia alcanza el umbral de significación estadística.

Evaluación de impacto. El contraste permite evaluar si las intervenciones formativas, organizativas o asistenciales han producido mejoras reales en los indicadores sanitarios, respondiendo a la pregunta de si el cambio observado tras la intervención supera la variabilidad esperada por azar.

Estudios y encuestas. Su utilidad se extiende al análisis de encuestas de satisfacción para detectar diferencias significativas entre grupos de pacientes o profesionales, así como a estudios epidemiológicos que buscan establecer asociaciones significativas entre factores de riesgo y enfermedades específicas.

Control de errores. La aplicación de múltiples comparaciones entre pares de grupos incrementa la probabilidad global de cometer un error de tipo I, por lo que el diseño de contrastes debe contemplar mecanismos que controlen esta inflación del error cuando se realizan comparaciones múltiples.

🧩 Elementos esenciales

• Estadística inferencial: ámbito donde se encuadra el contraste de hipótesis, junto a la estimación puntual y por intervalos.
• Muestra representativa: origen de los datos sobre los que se ejecutan los contrastes para inferir conclusiones válidas sobre la población.
• Significación estadística: concepto central que debe interpretarse correctamente para evitar conclusiones erróneas en la lectura de informes técnicos.
• Error tipo I: riesgo de detectar diferencias inexistentes cuando se realizan múltiples comparaciones entre grupos simultáneamente.
• Comparación de indicadores: aplicación práctica consistente en verificar si existen diferencias estadísticamente significativas entre centros, servicios o periodos.
• Evaluación de intervenciones: uso destinado a comprobar si los cambios observados tras una intervención formativa, organizativa o asistencial son significativos o aleatorios.
• Análisis de encuestas: aplicación para detectar diferencias significativas entre grupos de pacientes o profesionales en variables de satisfacción.
• Estudios epidemiológicos: campo de aplicación para determinar asociaciones significativas entre factores de riesgo y enfermedades.

🧠 Recuerda

• El contraste de hipótesis pertenece a la estadística inferencial, no a la descriptiva.
• Permite responder si una diferencia observada entre grupos o periodos es estadísticamente significativa.
• Esencia para interpretar informes de evaluación de intervenciones en el SAS.
• Fundamental para comparar indicadores de calidad entre distintos centros sanitarios.
• Aplicable a encuestas de satisfacción para comparar grupos de pacientes o profesionales.
• Utilizado en estudios epidemiológicos para identificar asociaciones significativas.
• Requiere atención al error tipo I cuando se realizan múltiples comparaciones.
• Evita interpretaciones erróneas del concepto de significación estadística en informes técnicos.

6. Contrastes paramétricos y no paramétricos de una y dos muestras

🎯 Idea clave

• Los contrastes de una y dos muestras son procedimientos inferenciales diseñados para decidir, a partir de datos muestrales, si existe evidencia suficiente contra una hipótesis formulada sobre una población o sobre la relación entre poblaciones.
• La clasificación fundamental se construye sobre dos criterios: el número de muestras (una o dos) y la relación entre observaciones (independientes o relacionadas).
• Los contrastes paramétricos asumen distribuciones de probabilidad conocidas (normalmente normal) y se basan en la estimación de parámetros poblacionales como la media y la varianza.
• Los contrastes no paramétricos no asumen una distribución específica para la población, operan con rangos o frecuencias y resultan aplicables a datos ordinales o muestras pequeñas.
• La elección entre ambos enfoques depende del cumplimiento de supuestos: los paramétricos ofrecen mayor potencia cuando sus condiciones se satisfacen, mientras que los no paramétricos son más robustos ante desviaciones de normalidad.

📚 Desarrollo

Definición y alcance. Estos procedimientos resuelven problemas concretos de contraste cuando el análisis se limita a una muestra o a dos muestras, sin extenderse a comparaciones múltiples. Su función consiste en determinar si los datos muestrales aportan evidencia estadística suficiente para rechazar una hipótesis nula formulada sobre parámetros o distribuciones poblacionales.

Criterios de clasificación. La taxonomía básica utiliza dos dimensiones ortogonales: primero, el número de muestras involucradas (una o dos); segundo, la naturaleza de la relación entre las observaciones (muestras independientes frente a muestras relacionadas o pareadas). Sobre esta base se superpone la distinción por tipo de supuestos, separando procedimientos paramétricos de no paramétricos.

Contrastes paramétricos. Estos métodos asumen que los datos proceden de poblaciones con distribuciones de probabilidad conocidas, generalmente normales, y centran la inferencia en parámetros poblacionales concretos como la media. Exigen el cumplimiento de supuestos relativamente estrictos respecto a normalidad, independencia de observaciones y homocedasticidad. Cuando dichos supuestos se satisfacen razonablemente, estos contrastes resultan preferibles por su mayor capacidad para detectar efectos reales.

Pruebas para una muestra. Cuando se contrasta si la media poblacional coincide con un valor de referencia, se distinguen dos estadísticos fundamentales. La prueba Z se aplica cuando la varianza poblacional es conocida o cuando el tamaño muestral es grande (n ≥ 30), utilizando el estadístico Z = (X̄ - μ₀) / (σ/√n). La prueba t de Student opera cuando la varianza es desconocida y debe estimarse a partir de la muestra mediante s², con estadístico t = (X̄ - μ₀) / (s/√n) y n-1 grados de libertad.

Pruebas para dos muestras independientes. La prueba t de Student para dos muestras contrasta la igualdad de medias entre dos poblaciones independientes (H₀: μ₁ = μ₂). Existen dos variantes esenciales: la versión clásica asume varianzas iguales y emplea la varianza ponderada (pooled variance) con n₁+n₂-2 grados de libertad, mientras que la corrección de Welch ajusta los grados de libertad cuando las varianzas son desiguales, resultando más robusta y recomendada por defecto en software estadístico.

Características de los no paramétricos. Estos contrastes, denominados también de distribución libre, no se construyen sobre parámetros poblacionales específicos ni requieren normalidad estricta. Transforman los datos originales en rangos, signos o frecuencias, resultando aplicables a escalas ordinales, distribuciones asimétricas o muestras pequeñas donde los supuestos paramétricos resultan indefendibles, aunque presentan menor potencia cuando sí se cumplen los supuestos de los métodos paramétricos.

🧩 Elementos esenciales

• Contraste paramétrico: procedimiento que formula hipótesis en términos de parámetros poblacionales (media, varianza) y requiere supuestos de normalidad, independencia y homocedasticidad.
• Contraste no paramétrico: prueba distribution-free basada en rangos, signos o frecuencias que no asume distribución específica de la población.
• Prueba Z: estadístico para contrastar una media poblacional cuando la varianza es conocida o la muestra es grande (n ≥ 30).
• Prueba t de Student (una muestra): contrasta la media poblacional frente a valor de referencia cuando la varianza es desconocida, utilizando n-1 grados de libertad.
• Prueba t para dos muestras: compara medias de dos poblaciones independientes mediante estadístico que incorpora medias muestrales y varianzas.
• Varianzas iguales (pooled): versión clásica de la prueba t que asume homocedasticidad y calcula varianza ponderada combinando ambas muestras.
• Corrección de Welch: variante de la prueba t que corrige los grados de libertad ante heterocedasticidad, resultando robusta frente a desigualdad de varianzas.
• Potencia estadística: capacidad del contraste para detectar diferencias reales; los paramétricos son más potentes bajo sus supuestos, mientras que los no paramétricos priorizan la robustez.

🧠 Recuerda

• Los contrastes paramétricos requieren normalidad, independencia de observaciones y, en comparaciones, homocedasticidad.
• La prueba Z solo es aplicable con varianza poblacional conocida o muestras grandes.
• La prueba t es el estándar cuando se desconoce la varianza poblacional y se estima desde la muestra.
• Para dos muestras independientes, verificar siempre el supuesto de igualdad de varianzas antes de elegir entre la versión clásica y la corrección de Welch.
• Los no paramétricos son la alternativa válida cuando los datos violan normalidad o corresponden a escalas ordinales.
• La corrección de Welch es la opción recomendada por defecto en la mayoría de software estadístico por su robustez.
• Los no paramétricos sacrifican potencia a cambio de mayor flexibilidad ante violaciones de supuestos.
• La escala de medida determina la viabilidad de usar medias (paramétrico) versus rangos (no paramétrico).

7. La prueba Chi-cuadrado

🎯 Idea clave

• La prueba Chi-cuadrado es un contraste no paramétrico desarrollado por Karl Pearson en 1900 para evaluar relaciones entre variables categóricas.
• Existen tres modalidades principales: prueba de independencia, prueba de homogeneidad y prueba de bondad de ajuste.
• El estadístico se calcula mediante la fórmula χ² = Σ[(O_i - E_i)² / E_i], comparando frecuencias observadas y esperadas.
• Los grados de libertad en tablas de contingencia se determinan como (r-1) × (c-1), donde r es el número de filas y c el de columnas.
• Su aplicación en el Servicio Andaluz de Salud resulta fundamental para analizar encuestas, estudios epidemiológicos y evaluaciones de calidad asistencial.

📚 Desarrollo

Tipos y naturaleza. La prueba Chi-cuadrado (χ²) constituye un método inferencial no paramétrico que aborda tres objetivos distintos: evaluar la independencia entre dos variables categóricas, contrastar la homogeneidad de distribuciones entre diferentes poblaciones, y verificar la bondad de ajuste de una distribución observada respecto a una distribución teórica esperada.

Cálculo del estadístico. El estadístico de prueba se obtiene mediante la fórmula χ² = Σ[(O_i - E_i)² / E_i], donde O_i representa la frecuencia observada en cada casilla y Ei la frecuencia esperada bajo la hipótesis nula. Para tablas de contingencia bidimensionales, las frecuencias esperadas se calculan como E{ij} = (Total fila_i × Total columna_j) / Total general, operación esencial para establecer la diferencia entre lo observado y lo esperado por azar.

Condiciones de aplicación. El contraste requiere observaciones independientes y un tamaño muestral suficiente que garantice la validez de la aproximación. Específicamente, no debe haber más del 20% de casillas con frecuencias esperadas inferiores a 5, y ninguna casilla debe presentar una frecuencia esperada menor que 1. Estos requisitos aseguran la robustez del estadístico y la fiabilidad de las conclusiones.

Ajustes para muestras pequeñas. Cuando se trabaja con tablas 2×2 que incumplen los requisitos de tamaño muestral, existen dos alternativas. La corrección de Yates aplica la fórmula χ²_Yates = Σ[(|O_i - E_i| - 0,5)² / E_i], resultando más conservadora al reducir la probabilidad de error tipo I. Si las frecuencias esperadas son inferiores a 5, la prueba exacta de Fisher, basada en la distribución hipergeométrica y propuesta por Ronald A. Fisher, constituye la alternativa exacta válida para cualquier tamaño muestral.

Medidas de asociación. Tras rechazar la independencia, resulta útil cuantificar la fuerza de la relación mediante coeficientes específicos. El coeficiente Phi (φ = √(χ²/n)) se aplica exclusivamente a tablas 2×2, oscilando entre 0 y 1. La V de Cramér (V = √[χ²/(n×min(r-1,c-1))]) generaliza esta medida para cualquier tamaño de tabla, también entre 0 y 1. El coeficiente de contingencia C de Pearson (C = √[χ²/(χ²+n)]) presenta un valor máximo dependiente del tamaño de la tabla, siempre inferior a 1.

Aplicación práctica. En el ámbito del Servicio Andaluz de Salud, esta prueba resulta conceptualmente útil cuando se comparan distribuciones categóricas como tipologías de incidencias, perfiles de usuarios o clasificaciones de respuesta administrativa. Para el Técnico en Gestión, resulta especialmente relevante para interpretar informes que incluyan tablas de contingencia, encuestas de satisfacción, estudios comparativos de calidad asistencial y análisis de recursos humanos, así como para elaborar informes de gestión que requieran analizar relaciones entre variables categóricas administrativas y sanitarias.

🧩 Elementos esenciales

• Desarrollo histórico: Creada por Karl Pearson en 1900 para el análisis de tablas de contingencia.
• Fórmula base: χ² = Σ[(O_i - E_i)² / E_i], suma de diferencias al cuadrado divididas por lo esperado.
• Frecuencias esperadas: En tablas bidimensionales, E_{ij} = (Total fila_i × Total columna_j) / Total general.
• Grados de libertad: Calculados como (r-1) × (c-1), donde r y c son las dimensiones de la tabla.
• Requisitos muestrales: Observaciones independientes, máximo 20% de casillas con E_i < 5, ninguna con E_i < 1.
• Corrección de Yates: Ajuste conservador para tablas 2×2 que resta 0,5 a las diferencias absolutas antes de elevar al cuadrado.
• Prueba exacta de Fisher: Alternativa para tablas 2×2 con frecuencias esperadas bajas, basada en distribución hipergeométrica.
• Coeficiente Phi: Medida de asociación para tablas 2×2 calculada como √(χ²/n), con valores entre 0 y 1.
• V de Cramér: Generalización del Phi para tablas de cualquier tamaño, calculada como √[χ²/(n×min(r-1,c-1))].
• Coeficiente C de Pearson: √[χ²/(χ²+n)], con valor máximo variable según dimensiones de la tabla.
• Aplicaciones SAS: Análisis de encuestas de satisfacción, estudios epidemiológicos, calidad asistencial y recursos humanos.

🧠 Recuerda

• Es un contraste no paramétrico, no requiere normalidad en las variables.
• Distingue siempre entre frecuencias observadas (datos reales) y esperadas (teóricas bajo H0).
• Verifica siempre los requisitos de tamaño antes de aplicar la prueba clásica.
• Para tablas 2×2 con muestras pequeñas, considera Yates o Fisher antes que el Chi-cuadrado estándar.
• Los grados de libertad dependen únicamente de las dimensiones de la tabla, no del tamaño muestral.
• El valor del estadístico crece con el tamaño de la muestra, por lo que necesitas medidas de efecto como Phi o V de Cramér.
• En el ámbito sanitario, se aplica a variables categóricas como tipos de incidencias o perfiles de usuarios.
• Como Técnico en Gestión, la utilizarás para interpretar encuestas e informes de calidad.
• La prueba de independencia evalúa si dos variables están relacionadas, no la causalidad.
• La bondad de ajuste compara tu muestra contra una distribución teórica específica.

8. La prueba del ANOVA

🎯 Idea clave

• El ANOVA (Analysis of Variance) es una técnica estadística paramétrica desarrollada por Ronald A. Fisher para comparar las medias de tres o más grupos mediante un contraste global único.
• Resuelve la limitación fundamental de la prueba t de Student, que únicamente permite comparar dos grupos y genera inflación del error tipo I cuando se aplican múltiples contrastes sucesivos entre pares.
• Se denomina análisis de la varianza porque utiliza la descomposición de la variabilidad para estudiar diferencias entre medias poblacionales.
• La forma básica y canónica es el one-way ANOVA o ANOVA de un factor, correspondiente a la presentación introductoria estándar de la prueba.
• El procedimiento se resume en la tabla ANOVA, que organiza sistemáticamente las fuentes de variación y los estadísticos necesarios para la decisión inferencial.

📚 Desarrollo

Origen y definición. El Análisis de la Varianza (ANOVA) constituye un conjunto de técnicas estadísticas paramétricas diseñadas para comparar simultáneamente las medias de tres o más poblaciones o grupos. Desarrollada por el estadístico y biólogo británico Ronald A. Fisher en la década de 1920 en el contexto de investigaciones genéticas y agrícolas en la Estación Experimental de Rothamsted, esta prueba contrasta si existen diferencias estadísticamente significativas entre los grupos considerados.

Limitación superada. La prueba resuelve una carencia esencial de la prueba t de Student, que únicamente permite comparar dos grupos. Cuando se desea analizar más de dos grupos, resulta estadísticamente incorrecto aplicar múltiples pruebas t entre todos los pares posibles, ya que cada contraste adicional incrementa la probabilidad global de cometer un error de tipo I, fenómeno conocido como inflación del error por comparaciones múltiples.

Lógica del método. El ANOVA opera mediante un contraste global único que evalúa si al menos uno de los grupos difiere significativamente del resto. La técnica utiliza paradójicamente la varianza para estudiar las medias, comparando la variación observada entre las medias muestrales de los grupos respecto a la variación aleatoria existente dentro de cada grupo. Si la discrepancia entre grupos es excesiva en relación con la variación interna, la hipótesis nula de igualdad de medias resulta implausible.

Formulación básica. La presentación introductoria canónica corresponde al one-way ANOVA o ANOVA de un factor, diseñado específicamente para situaciones con varios niveles de un mismo factor. Esta forma constituye el modelo básico con el que las fuentes oficiales presentan inicialmente la prueba, diferenciándose de una simple ampliación aritmética de la prueba t y constituyendo un contraste específico para situaciones multinivel.

Estructura de resultados. La tabla ANOVA resume el procedimiento mediante la descomposición sistemática de la variabilidad total. Organiza las fuentes de variación en el factor atribuible a diferencias entre medias de grupo, el residual o error correspondiente a la variación interna dentro de los grupos, y el total corregido que refleja la variación global de todas las observaciones. Para cada fuente se registran la suma de cuadrados, los grados de libertad, la media cuadrática y, específicamente para el factor, el estadístico F.

🧩 Elementos esenciales

• ANOVA: acrónimo de Analysis of Variance o análisis de la varianza, procedimiento estadístico paramétrico para contrastar la igualdad de medias entre tres o más grupos.
• Ronald A. Fisher: estadístico y biólogo británico que desarrolló la prueba en la década de 1920 en la Estación Experimental de Rothamsted.
• Error tipo I: probabilidad de rechazar la hipótesis nula siendo cierta, cuya tasa se infla al realizar múltiples comparaciones t sucesivas entre más de dos grupos.
• Contraste global: evaluación única que determina si al menos un grupo difiere significativamente del resto, evitando comparaciones por pares.
• Variación entre grupos: discrepancia observada entre las medias muestrales de los diferentes grupos estudiados.
• Variación dentro de grupos: variabilidad aleatoria existente internamente en cada grupo, también denominada residual o error.
• One-way ANOVA: forma básica y canónica del análisis de la varianza de un factor, presentada en fuentes introductorias oficiales.
• Tabla ANOVA: resumen estructural que organiza la descomposición de la variabilidad en fuentes de variación y estadísticos.
• Factor: fuente de variación atribuible a diferencias entre las medias de los grupos comparados.
• Residual o error: fuente de variación correspondiente a la fluctuación interna dentro de cada grupo.
• Total corregido: variación global de todas las observaciones consideradas en el análisis.
• Estadístico F: valor que resulta del cociente entre la media cuadrática del factor y la media cuadrática del error, utilizado para la decisión del contraste.

🧠 Recuerda

• El ANOVA compara tres o más medias, no solo dos como la prueba t.
• Fue desarrollado por Fisher en los años veinte del siglo XX.
• Evita la inflación del error tipo I que producirían múltiples contrastes t entre pares.
• Se denomina análisis de la varianza porque estudia medias a través de la variabilidad.
• La forma básica es el one-way ANOVA o ANOVA de un factor.
• La tabla ANOVA descompone la variación en factor, residual y total.
• No compara medias directamente sino a través de la descomposición de la varianza.
• Requiere el cumplimiento de supuestos paramétricos como normalidad y homocedasticidad.

9. Regresión y correlación

🎯 Idea clave

• La correlación mide el grado, dirección y fuerza de la asociación lineal entre dos variables cuantitativas sin establecer causalidad.
• La regresión modela la relación funcional entre una variable dependiente y una o más variables independientes para fines predictivos.
• El coeficiente de Pearson cuantifica la correlación lineal entre -1 y +1, mientras que Spearman detecta relaciones monótonas mediante rangos.
• La regresión lineal simple utiliza el método de mínimos cuadrados ordinarios para estimar los parámetros del modelo.
• El coeficiente de determinación R² indica la proporción de variabilidad de la variable respuesta explicada por el modelo.

📚 Desarrollo

Delimitación conceptual. La correlación y la regresión son técnicas estadísticas que analizan relaciones entre variables cuantitativas, pero responden a preguntas distintas. La correlación mide la fuerza y dirección de la asociación lineal sin distinguir entre variable explicativa y respuesta. La regresión, en cambio, establece una dirección funcional modelizando el valor esperado de una variable dependiente a partir de una o más independientes.

Coeficiente de Pearson. Este estadístico oscila entre -1 y +1 y se calcula como la covarianza dividida por el producto de desviaciones típicas. Resulta sensible a valores atípicos y únicamente detecta relaciones lineales, por lo que debe complementarse siempre con la inspección del diagrama de dispersión.

Alternativa no paramétrica. El coeficiente de Spearman se basa en rangos y resulta robusto frente a outliers. Detecta relaciones monótonas que no necesariamente son lineales, siendo aplicable también a datos ordinales.

Modelo de regresión lineal. La expresión Y = β₀ + β₁X + ε incluye la ordenada en el origen, la pendiente que representa el cambio esperado en Y por unidad de incremento en X, y el residuo. La estimación mediante mínimos cuadrados ordinarios minimiza la suma de cuadrados de las diferencias entre valores observados y predichos.

Coeficiente de determinación. R² cuantifica entre 0 y 1 la proporción de variabilidad de la variable respuesta explicada por el modelo. En regresión simple, el coeficiente equivale al cuadrado del coeficiente de correlación de Pearson.

Supuestos del modelo. La regresión requiere verificar linealidad, independencia de residuos mediante el estadístico Durbin-Watson, homocedasticidad mediante gráficos de residuos, normalidad de residuos mediante Q-Q plot, y ausencia de colinealidad en casos de regresión múltiple.

Aplicación en el SAS. En el Servicio Andaluz de Salud estas herramientas se emplean para analizar la relación entre tiempos de espera y volumen de actividad, correlacionar indicadores de calidad con variables organizativas, desarrollar modelos predictivos de demanda asistencial y consumo de recursos, y estudiar la asociación entre inversión en formación e indicadores de desempeño profesional.

🧩 Elementos esenciales

• Correlación: mide fuerza y dirección de asociación lineal sin establecer causalidad ni distinguir roles entre variables.
• Regresión: modeliza relación funcional Y = f(X) permitiendo predicciones condicionadas a valores de variables independientes.
• Pearson (r): coeficiente paramétrico entre -1 y +1 basado en covarianza y desviaciones típicas, sensible a outliers y relaciones exclusivamente lineales.
• Spearman (ρ): coeficiente no paramétrico basado en rangos que detecta relaciones monótonas y resulta robusto ante valores atípicos.
• MCO: método de mínimos cuadrados ordinarios que estima parámetros minimizando la suma de cuadrados de residuos.
• Pendiente (β₁): indica el cambio esperado en la variable dependiente por cada unidad de incremento en la independiente.
• R²: proporción de varianza explicada entre 0 y 1; en regresión simple equivale al cuadrado del coeficiente de correlación.
• Supuestos: linealidad, independencia (Durbin-Watson), homocedasticidad, normalidad de residuos (Q-Q plot) y ausencia de colinealidad.
• Utilidad SAS: análisis de tiempos de espera versus actividad, predicción de demanda, correlación calidad-organización e investigación clínica.

🧠 Recuerda

• Correlación simétrica, regresión direccional con variable respuesta definida.
• Pearson solo capta linealidad; ante dudas, inspeccionar siempre el diagrama de dispersión.
• Spearman es la alternativa robusta cuando existen outliers o relaciones monótonas no lineales.
• La pendiente β₁ conecta con la correlación mediante la fórmula β̂₁ = r × (s_Y/s_X).
• R² = r² únicamente en el modelo de regresión lineal simple.
• Alta correlación sugiere buena capacidad descriptiva lineal, pero no implica utilidad predictiva automática.
• Los residuos deben cumplir normalidad, independencia y homocedasticidad para validar inferencias.
• En el SAS se aplican para gestionar listas de espera, predecir recursos y evaluar resultados sanitarios.

10. Representaciones gráficas de los datos de una muestra

🎯 Idea clave

• Las representaciones gráficas son herramientas visuales fundamentales para presentar datos de forma clara e intuitiva, facilitando la comprensión de distribuciones, tendencias y patrones en el análisis estadístico.
• Para variables cualitativas se utilizan el diagrama de barras, que compara frecuencias entre categorías mediante barras separadas, y el diagrama de sectores, que muestra la composición proporcional del total.
• Las variables cuantitativas continuas se representan mediante el histograma, con barras adosadas que indican intervalos contiguos, y el polígono de frecuencias, que une puntos para facilitar comparaciones entre distribuciones.
• La elección del gráfico depende del mensaje a comunicar: comparación de magnitudes, análisis de composición o estudio de la forma de la distribución y sus valores atípicos.
• El error clásico en la interpretación consiste en confundir el gráfico de barras con el histograma, diferenciándose fundamentalmente porque el primero representa categorías separadas y el segundo intervalos continuos de una variable cuantitativa.

📚 Desarrollo

Definición fundamental. Las representaciones gráficas constituyen herramientas visuales que permiten presentar los datos de una muestra de forma clara, intuitiva y eficaz, facilitando la comprensión de la distribución, las tendencias, las relaciones y los patrones presentes en los datos. La visualización es una fase esencial del análisis estadístico, tanto en la etapa descriptiva como en la comunicación de resultados.

Complementariedad estadística. Estas representaciones refuerzan la información proporcionada por los estadísticos descriptivos numéricos, permitiendo apreciar de un vistazo la forma completa de la distribución y la presencia de valores atípicos que los números por sí solos pueden ocultar. El ejemplo paradigmático es el cuarteto de Anscombe de 1973, donde cuatro conjuntos de datos con idénticas medias, varianzas y rectas de regresión presentan distribuciones completamente diferentes al ser representados gráficamente.

Variables cualitativas. Para datos categóricos se emplean el diagrama de barras, que representa frecuencias mediante barras rectangulares separadas de igual ancho y altura proporcional, siendo el más utilizado para variables nominales y ordinales, y el diagrama de sectores, que muestra frecuencias relativas como sectores circulares cuyo ángulo es proporcional a la frecuencia. Se recomienda el diagrama de barras frente al de sectores porque el ojo humano compara longitudes con mayor precisión que ángulos y áreas.

Variables cuantitativas continuas. El histograma representa la distribución de frecuencias mediante barras adosadas sin separación, donde cada barra corresponde a un intervalo de clase contiguo y de igual anchura, permitiendo visualizar la simetría, multimodalidad, dispersión y valores atípicos. La elección del número de intervalos es crucial, existiendo reglas orientativas como la de Sturges, la de Scott y la de Freedman-Diaconis para evitar intervalos excesivos o insuficientes.

Polígono de frecuencias. Esta representación utiliza puntos unidos por segmentos de línea recta, situados en la marca de clase de cada intervalo con una altura proporcional a la frecuencia. Resulta especialmente útil para comparar dos o más distribuciones superponiendo sus polígonos en el mismo gráfico, facilitando el análisis comparativo de diferentes poblaciones o grupos.

Distinción crítica de examen. El error clásico consiste en confundir el gráfico de barras con el histograma. Mientras el primero presenta barras separadas que representan categorías discretas o grupos previamente definidos, el histograma utiliza barras adosadas que representan intervalos contiguos de una variable cuantitativa continua, indicando continuidad mediante la ausencia de separación entre barras.

Selección metodológica. Para comparar categorías se prefiere el diagrama de barras, utilizando la orientación horizontal cuando las categorías son numerosas. Para mostrar composición del total se emplean barras apiladas o sectores solo con pocas categorías. Para analizar la forma de la distribución se utilizan histogramas o diagramas de caja y bigotes, estos últimos especialmente eficaces para detectar asimetrías y valores atípicos entre grupos.

Aplicación en el SAS. En el Servicio Andaluz de Salud, estas herramientas se aplican en informes de actividad asistencial, análisis de indicadores de calidad y seguridad del paciente, encuestas de satisfacción y estudios epidemiológicos, permitiendo comunicar eficazmente datos complejos a gestores y profesionales sanitarios.

🧩 Elementos esenciales

• Diagrama de barras: Representa frecuencias absolutas o relativas mediante barras rectangulares separadas de igual ancho, utilizado para variables cualitativas nominales u ordinales y cuantitativas discretas con pocos valores.
• Diagrama de sectores: Muestra la composición proporcional de cada categoría mediante sectores circulares, adecuado solo para variables nominales con pocas categorías y cuando no se requiere comparación precisa entre ellas.
• Histograma: Emplea barras adosadas sin separación para representar intervalos contiguos de variables cuantitativas continuas, revelando la forma de la distribución, simetría, dispersión y valores atípicos.
• Polígono de frecuencias: Une puntos situados en las marcas de clase mediante líneas rectas, facilitando la comparación visual de dos o más distribuciones superpuestas.
• Diagrama de caja y bigotes: Visualiza la distribución entre grupos destacando medianas, cuartiles y valores atípicos, siendo especialmente eficaz para detectar asimetrías y diferencias de dispersión.
• Cuarteto de Anscombe: Conjunto de datos que demuestra cómo distribuciones diferentes pueden compartir idénticos estadísticos descriptivos numéricos, evidenciando la necesidad del análisis gráfico.
• Regla de Sturges: Fórmula orientativa (k = 1 + 3,322 × log_10(n)) para determinar el número óptimo de intervalos en un histograma según el tamaño muestral.
• Marca de clase: Punto medio del intervalo utilizado para situar los puntos en el polígono de frecuencias.
• Diferencia clave: La separación entre barras indica categorías discretas en el diagrama de barras, mientras que la ausencia de separación indica continuidad en el histograma.

🧠 Recuerda

• El diagrama de barras utiliza barras separadas para categorías; el histograma, barras adosadas para intervalos continuos.
• El diagrama de sectores es menos recomendable que el de barras cuando se necesita comparar magnitudes con precisión.
• El histograma requiere una elección adecuada del número de intervalos para no ocultar detalles ni generar formas erráticas.
• El polígono de frecuencias permite superponer múltiples distribuciones para compararlas visualmente.
• El diagrama de caja y bigotes es el más eficaz para detectar valores atípicos y asimetrías entre diferentes grupos.
• Las representaciones gráficas complementan pero no sustituyen a los estadísticos descriptivos numéricos.
• El cuarteto de Anscombe demuestra que estadísticos idénticos pueden corresponder a distribuciones completamente diferentes.
• En el SAS, estas herramientas se aplican en informes de actividad, indicadores de calidad y estudios epidemiológicos.