Tema 44. Herramientas estadísticas para el análisis de datos. Estadística descriptiva

1. Herramientas estadísticas para el análisis de datos

🎯 Idea clave

• Las herramientas estadísticas son aplicaciones informáticas diseñadas para recopilar, procesar, analizar e interpretar datos con el fin de extraer conclusiones válidas y apoyar la toma de decisiones.
• Su alcance abarca desde operaciones básicas de estadística descriptiva hasta técnicas avanzadas de estadística inferencial y machine learning.
• En el Servicio Andaluz de Salud (SAS), su finalidad principal es optimizar la gestión de recursos y evaluar políticas públicas.
• La selección de estas herramientas en el ámbito público debe alinearse con criterios de eficiencia, transparencia y cumplimiento normativo.
• Existen herramientas específicas para análisis descriptivo, inferencial, machine learning y visualización de datos.
• La formación del personal y la integración con sistemas existentes son factores clave en la elección de estas herramientas.

📚 Desarrollo

Definición y propósito. Las herramientas estadísticas para el análisis de datos son aplicaciones informáticas que permiten transformar datos brutos, procedentes de registros administrativos, sistemas de información sanitaria o bases de datos institucionales, en información estructurada y accionable. Su objetivo es describir fenómenos, identificar patrones, validar hipótesis o facilitar la toma de decisiones en entornos administrativos y sanitarios.

Ámbito de aplicación. Estas herramientas cubren un espectro amplio de técnicas, desde estadística descriptiva básica —como medidas de tendencia central o representaciones gráficas— hasta métodos avanzados de estadística inferencial, como contrastes de hipótesis, regresión o análisis multivariante. También incluyen soluciones de machine learning para el tratamiento de grandes volúmenes de datos, aunque no deben confundirse con herramientas genéricas de gestión de datos o plataformas de visualización aisladas.

Finalidad en el SAS. En el contexto del Servicio Andaluz de Salud, las herramientas estadísticas cumplen una doble función. Por un lado, soportan la gestión mediante la optimización de recursos, la evaluación de políticas públicas o el seguimiento de indicadores de salud. Por otro, facilitan la investigación clínica, permitiendo el análisis de datos epidemiológicos, la evaluación de programas de prevención o el soporte a estudios observacionales.

Criterios de selección. La elección de una herramienta estadística en el SAS se basa en criterios técnicos y normativos. Entre ellos destacan la finalidad del análisis —descriptivo, inferencial o predictivo—, el volumen de datos —pequeños, medianos o grandes—, y los requisitos de reproducibilidad, esenciales para cumplir con normativas como la Ley 12/1989 o la Ley 4/2011 de Estadística de Andalucía. Otros factores incluyen el coste y licencias, la formación del personal y la integración con sistemas existentes.

Herramientas principales. En el ámbito administrativo y sanitario, las herramientas más utilizadas varían según el tipo de análisis. Para análisis descriptivo básico, se emplean Excel o Google Sheets. Para análisis inferencial o multivariante, destacan SPSS, Stata, R o Python. En el caso de machine learning o big data, se opta por Python con librerías como scikit-learn o TensorFlow, o R con tidymodels. Para visualización, Tableau, Power BI o R con ggplot2 son las opciones más comunes.

Herramientas complementarias. Además de las soluciones principales, en el SAS se utilizan herramientas especializadas como JASP, un software open source con interfaz gráfica para análisis estadístico bayesiano y frecuentista, o Jamovi, una alternativa a SPSS basada en R. Estas herramientas son especialmente útiles en unidades administrativas con recursos limitados o sin conocimientos avanzados de programación. Tableau, aunque no es un software estadístico per se, se integra con otras herramientas para la elaboración de informes visuales interactivos.

Aplicación en el SAS. Los Técnicos de Medio-Gestión Función Administrativa desempeñan funciones clave en la aplicación de estas herramientas. En gerencias de hospitales, elaboran informes de actividad asistencial o analizan indicadores de gestión utilizando Excel, Power BI o SPSS. En la Dirección General de Salud Pública, trabajan con R, SPSS o Stata para analizar datos epidemiológicos o evaluar programas de prevención. En unidades de investigación, colaboran en la preparación y análisis de datos clínicos, empleando herramientas como R, Python o SAS/STAT.

🧩 Elementos esenciales

• Herramientas estadísticas: Aplicaciones informáticas para recopilar, procesar y analizar datos con el fin de extraer conclusiones válidas.
• Estadística descriptiva: Técnicas para resumir, organizar y presentar datos mediante medidas numéricas o gráficas.
• Estadística inferencial: Métodos para generalizar conclusiones de una muestra a una población, incluyendo contrastes de hipótesis o regresión.
• Criterios de selección: Factores como finalidad, volumen de datos, reproducibilidad, coste, formación e integración con sistemas existentes.
• Excel/Google Sheets: Herramientas básicas para análisis descriptivo y gestión de datos pequeños o medianos.
• SPSS/Stata: Software especializado en análisis estadístico inferencial y multivariante, con interfaz gráfica.
• R/Python: Lenguajes de programación para análisis avanzado, machine learning y big data, con librerías específicas.
• Tableau/Power BI: Herramientas de visualización para la creación de dashboards interactivos.
• JASP/Jamovi: Alternativas open source a SPSS, con enfoque en reproducibilidad y facilidad de uso.
• Aplicación en gerencias: Elaboración de informes de actividad asistencial y análisis de indicadores de gestión.
• Aplicación en Salud Pública: Análisis de datos epidemiológicos y evaluación de programas de prevención.
• Aplicación en investigación: Soporte en la preparación y análisis de datos clínicos, anonimización y generación de gráficos.

🧠 Recuerda

• Las herramientas estadísticas transforman datos brutos en información accionable para la toma de decisiones.
• Su selección debe basarse en criterios técnicos, normativos y de eficiencia.
• En el SAS, se utilizan tanto para la gestión administrativa como para la investigación clínica.
• Excel y Google Sheets son adecuados para análisis descriptivos básicos, mientras que SPSS, R o Python se emplean para análisis avanzados.
• La reproducibilidad es un requisito clave en el ámbito público, especialmente en cumplimiento de normativas como la Ley 12/1989.
• Herramientas como JASP o Jamovi son útiles en entornos con recursos limitados o personal no técnico.
• Tableau y Power BI complementan el análisis estadístico con visualizaciones interactivas.
• Los Técnicos de Medio-Gestión Función Administrativa aplican estas herramientas en gerencias, Salud Pública e investigación.

2. Estadística descriptiva e inferencial

🎯 Idea clave

• La estadística descriptiva se centra en resumir y presentar datos observados mediante medidas numéricas y gráficas sin generalizar.
• La estadística inferencial permite extraer conclusiones sobre una población a partir de una muestra, evaluando hipótesis y estimando parámetros.
• Ambas ramas son complementarias y esenciales para el análisis de datos en el ámbito sanitario y administrativo.
• La estadística descriptiva no requiere supuestos sobre la población, mientras que la inferencial sí exige condiciones como normalidad o independencia.
• En el Servicio Andaluz de Salud (SAS), la estadística descriptiva se usa para monitorizar indicadores, y la inferencial para evaluar políticas y programas.
• La diferencia fundamental radica en que la descriptiva describe lo observado, y la inferencial generaliza y valida hipótesis.

📚 Desarrollo

Definición y objeto. La estadística es una disciplina científica que se ocupa de la recolección, organización, análisis e interpretación de datos para describir fenómenos y apoyar la toma de decisiones. Se divide en dos ramas principales: la estadística descriptiva y la estadística inferencial, cada una con objetivos y métodos diferenciados. Mientras la descriptiva se limita a resumir y presentar los datos observados, la inferencial busca generalizar resultados y validar hipótesis.

Estadística descriptiva. Su finalidad es organizar, resumir y presentar los datos de manera comprensible, sin pretender extrapolar conclusiones más allá de lo observado. Utiliza medidas numéricas como la media, mediana, moda, cuartiles, varianza y desviación típica, así como representaciones gráficas como histogramas, diagramas de caja o polígonos de frecuencia. En el SAS, se aplica para describir indicadores de actividad, como el número de consultas por especialidad o los tiempos de espera en urgencias.

Estadística inferencial. Su objetivo es generalizar resultados obtenidos de una muestra a una población más amplia, permitiendo tomar decisiones en condiciones de incertidumbre. Incluye técnicas como la estimación puntual e por intervalos y el contraste de hipótesis, que evalúan si los resultados observados son estadísticamente significativos. En el SAS, se emplea para analizar la efectividad de programas sanitarios o comparar indicadores entre centros o períodos.

Diferencias clave. La estadística descriptiva describe los datos sin realizar suposiciones sobre la población, mientras que la inferencial generaliza y requiere cumplir condiciones como la normalidad de los datos o la independencia de las observaciones. La descriptiva es esencial en la fase inicial de exploración de datos, mientras que la inferencial es crucial para validar hipótesis y tomar decisiones basadas en evidencia.

Aplicación en el SAS. En el Servicio Andaluz de Salud, la estadística descriptiva se utiliza para elaborar informes de actividad, como el Informe Anual de Actividad, que incluye tablas y gráficos con medidas de centralización y dispersión. La inferencial, por su parte, permite evaluar si cambios en protocolos o políticas tienen un impacto significativo, como reducir los tiempos de espera en consultas externas.

Herramientas y sistemas. El SAS integra ambas ramas en herramientas como SISA (Sistema de Información Sanitaria de Andalucía), SILA (Sistema de Información de Listas de Espera) o Power BI, que combinan estadística descriptiva para presentar datos e inferencial para analizar tendencias y validar resultados. Estas plataformas son clave para la gestión de recursos, la evaluación de programas y la investigación clínica.

Relevancia para la gestión administrativa. En la administración sanitaria, la estadística descriptiva facilita la monitorización de indicadores clave, como la ocupación hospitalaria o la satisfacción de los usuarios, mientras que la inferencial permite identificar factores asociados a problemas, como las demoras en listas de espera, y diseñar soluciones basadas en datos.

🧩 Elementos esenciales

• Estadística descriptiva: Rama de la estadística que resume y presenta datos mediante medidas numéricas (media, mediana, moda) y gráficos (histogramas, boxplots).
• Estadística inferencial: Rama que generaliza resultados de una muestra a una población, utilizando estimación y contraste de hipótesis.
• Población vs. muestra: La población es el conjunto completo de elementos de interés, mientras que la muestra es un subconjunto representativo.
• Parámetro vs. estadístico: El parámetro describe una característica de la población, y el estadístico, de la muestra.
• Medidas de centralización: Indicadores como la media, mediana y moda que resumen el valor central de un conjunto de datos.
• Medidas de dispersión: Indicadores como la varianza, desviación típica y rango que miden la variabilidad de los datos.
• Contraste de hipótesis: Procedimiento inferencial para evaluar si una afirmación sobre una población es compatible con los datos observados.
• Estimación por intervalos: Técnica inferencial que proporciona un rango de valores donde se espera que se encuentre un parámetro poblacional.
• Muestreo: Proceso de selección de una muestra representativa, con tipos como aleatorio simple, estratificado o por conglomerados.
• Aplicación en el SAS: Uso de ambas ramas para gestionar recursos, evaluar programas y apoyar la investigación clínica.
• Herramientas del SAS: Sistemas como SISA, SILA o Power BI que integran estadística descriptiva e inferencial para la toma de decisiones.
• Diferencias clave: La descriptiva describe datos observados; la inferencial generaliza y valida hipótesis bajo supuestos estadísticos.

🧠 Recuerda

• La estadística descriptiva resume datos sin generalizar, mientras que la inferencial permite extraer conclusiones sobre una población.
• La descriptiva utiliza medidas como la media, mediana y gráficos, mientras que la inferencial emplea estimación y contraste de hipótesis.
• En el SAS, la descriptiva se usa para informes de actividad, y la inferencial para evaluar políticas y programas.
• La inferencia requiere cumplir supuestos como normalidad o independencia de los datos.
• Ambas ramas son complementarias y esenciales para el análisis de datos en el ámbito sanitario.
• La población es el conjunto completo, y la muestra es un subconjunto representativo.
• El contraste de hipótesis evalúa si los resultados observados son estadísticamente significativos.
• Herramientas como SISA o SILA integran ambas ramas para la gestión y evaluación en el SAS.
• La estadística descriptiva es clave en la fase inicial de exploración de datos.
• La estadística inferencial permite tomar decisiones basadas en evidencia y validar hipótesis.

3. Medidas de centralización, posición, dispersión y forma

🎯 Idea clave

• Las medidas de centralización resumen la información de una distribución en un valor representativo, como la media, mediana o moda.
• Las medidas de posición dividen los datos en partes iguales, permitiendo localizar valores específicos dentro de la distribución.
• Las medidas de dispersión cuantifican la variabilidad de los datos respecto a un valor central, como la desviación típica o el rango intercuartílico.
• Las medidas de forma describen la simetría y el apuntamiento de la distribución, complementando el análisis estadístico.
• La elección de la medida adecuada depende de la escala de medida, la presencia de valores atípicos y la forma de la distribución.
• En el Servicio Andaluz de Salud (SAS), estas medidas son herramientas clave para analizar indicadores de gestión y calidad asistencial.

📚 Desarrollo

Finalidad de las medidas descriptivas. Las medidas de centralización, posición, dispersión y forma constituyen el núcleo de la estadística descriptiva. Su objetivo es sintetizar la información contenida en un conjunto de datos, facilitando su interpretación y comparación. Mientras las medidas de centralización ofrecen un valor representativo del conjunto, las de posición permiten ubicar observaciones concretas dentro de la distribución. Por su parte, las medidas de dispersión cuantifican la heterogeneidad de los datos, y las de forma describen características estructurales como la simetría o el apuntamiento.

Medidas de centralización. La media aritmética es la medida más utilizada, calculada como la suma de todos los valores dividida por el número de observaciones. Es sensible a valores extremos (outliers), lo que puede distorsionar su representatividad en distribuciones asimétricas. La mediana, en cambio, es el valor central que divide los datos en dos partes iguales, siendo más robusta frente a outliers. La moda es el valor más frecuente y la única medida aplicable a variables cualitativas. En distribuciones simétricas, media, mediana y moda coinciden, pero en distribuciones sesgadas, su valor puede diferir significativamente.

Medidas de posición. Estas medidas dividen los datos en segmentos iguales, permitiendo analizar la distribución de manera más detallada. Los cuartiles (Q₁, Q₂, Q₃) dividen los datos en cuatro partes, siendo Q₂ equivalente a la mediana. Los percentiles (Pₖ) los dividen en cien partes, mientras que los deciles (Dₖ) lo hacen en diez. Estas medidas son especialmente útiles para identificar valores atípicos o comparar la posición relativa de observaciones dentro de un conjunto de datos, como en el análisis de tiempos de espera en centros sanitarios.

Medidas de dispersión. La varianza y la desviación típica miden la dispersión de los datos respecto a la media, siendo la desviación típica la raíz cuadrada de la varianza y expresándose en las mismas unidades que los datos originales. El rango es la diferencia entre el valor máximo y mínimo, pero es poco robusto frente a outliers. El rango intercuartílico (Q₃ - Q₁) es más resistente, ya que solo considera el 50% central de los datos. El coeficiente de variación (CV) permite comparar la dispersión entre distribuciones con diferentes unidades o escalas, al expresarse como un porcentaje de la media.

Medidas de forma. La asimetría (skewness) indica si la distribución es simétrica (valor 0), sesgada a la derecha (positiva) o a la izquierda (negativa). Se calcula mediante el coeficiente de asimetría de Fisher, que utiliza el tercer momento centrado estandarizado. La curtosis mide el apuntamiento de la distribución: una curtosis positiva indica una distribución más apuntada que la normal (leptocúrtica), mientras que una negativa señala una distribución más aplanada (platicúrtica). Estas medidas son fundamentales para evaluar si una distribución se ajusta a patrones teóricos, como la distribución normal.

Aplicación en el SAS. En el ámbito del Servicio Andaluz de Salud, estas medidas son herramientas esenciales para el análisis de datos en áreas como la gestión asistencial, los costes sanitarios o la calidad de los servicios. Por ejemplo, la media aritmética se utiliza para calcular el tiempo medio de estancia hospitalaria, mientras que los cuartiles permiten identificar pacientes con estancias atípicamente largas. La desviación típica ayuda a evaluar la variabilidad en los costes por proceso asistencial, y el coeficiente de variación facilita comparaciones entre centros con diferentes volúmenes de actividad.

Interrelación entre medidas. Las medidas de centralización, posición, dispersión y forma no deben analizarse de manera aislada, sino como un sistema complementario. Por ejemplo, una media alta con una desviación típica elevada sugiere una gran variabilidad en los datos, mientras que una mediana muy diferente de la media indica asimetría. En el SAS, esta interrelación es clave para diseñar indicadores de gestión robustos, como los utilizados en los dashboards de seguimiento de actividad o en los informes estadísticos de calidad asistencial.

🧩 Elementos esenciales

• Media aritmética: Promedio de los valores, sensible a outliers. Fórmula: (\bar{x} = \frac{\sum x_i}{n}).
• Mediana: Valor central que divide los datos en dos partes iguales, robusta frente a valores extremos.
• Moda: Valor más frecuente, aplicable a variables cualitativas.
• Cuartiles: Dividen los datos en cuatro partes (Q₁, Q₂=mediana, Q₃).
• Percentiles: Dividen los datos en cien partes (Pₖ), útiles para identificar valores atípicos.
• Rango: Diferencia entre el valor máximo y mínimo, poco robusto frente a outliers.
• Varianza: Promedio de las desviaciones al cuadrado respecto a la media. Fórmula: (s^2 = \frac{\sum (x_i - \bar{x})^2}{n-1}).
• Desviación típica: Raíz cuadrada de la varianza, mide dispersión en las mismas unidades que los datos.
• Coeficiente de variación: Dispersión relativa, expresada como porcentaje de la media. Fórmula: (CV = \frac{s}{\bar{x}} \times 100\%).
• Rango intercuartílico: Diferencia entre Q₃ y Q₁, robusto frente a outliers.
• Asimetría: Mide la falta de simetría. g₁ > 0 (cola derecha), g₁ < 0 (cola izquierda).
• Curtosis: Mide el apuntamiento. g₂ > 0 (leptocúrtica), g₂ < 0 (platicúrtica).

🧠 Recuerda

• La media aritmética es sensible a valores extremos, mientras que la mediana es más robusta.
• Los cuartiles y percentiles permiten dividir los datos en segmentos iguales para un análisis más detallado.
• La desviación típica y el coeficiente de variación son medidas clave para evaluar la dispersión de los datos.
• El rango intercuartílico es más resistente a outliers que el rango tradicional.
• Una distribución simétrica tiene asimetría cercana a cero, mientras que valores positivos o negativos indican sesgo.
• La curtosis positiva señala una distribución más apuntada que la normal, y la negativa, más aplanada.
• En el SAS, estas medidas se aplican en informes estadísticos, indicadores de gestión y dashboards de seguimiento.
• La elección de la medida adecuada depende de la escala de medida y la presencia de valores atípicos.
• Las medidas de forma complementan el análisis al describir la estructura de la distribución.
• La interrelación entre medidas es clave para interpretar correctamente los datos.

4. Estimación puntual y por intervalos

🎯 Idea clave

• La estimación puntual proporciona un único valor como aproximación de un parámetro poblacional desconocido.
• La estimación por intervalos ofrece un rango de valores dentro del cual se espera que se encuentre el parámetro con un nivel de confianza determinado.
• Un estimador es una función de los datos muestrales que aproxima un parámetro poblacional, mientras que la estimación es el valor concreto obtenido al aplicarlo.
• Las propiedades deseables de un estimador incluyen insesgadez, consistencia, eficiencia y suficiencia.
• El error estándar mide la precisión de un estimador puntual y depende del tamaño muestral y la variabilidad de los datos.
• Los intervalos de confianza combinan un estimador puntual con un margen de error basado en el valor crítico y el error estándar.

📚 Desarrollo

Concepto de estimación. La estimación es un proceso fundamental de la inferencia estadística que utiliza información muestral para aproximar parámetros poblacionales desconocidos. En el ámbito de la gestión administrativa sanitaria, este método permite tomar decisiones basadas en evidencia, como la planificación de recursos o la evaluación de programas, al cuantificar características poblacionales a partir de datos muestrales.

Estimación puntual. Consiste en asignar un único valor numérico como aproximación del parámetro poblacional. Por ejemplo, la media muestral puede usarse como estimador puntual de la media poblacional. Sin embargo, este enfoque presenta una limitación inherente: el valor estimado rara vez coincide exactamente con el parámetro real debido a la variabilidad muestral. Un estimador puntual es una variable aleatoria que depende de la muestra, mientras que la estimación es el valor concreto obtenido al aplicarlo.

Propiedades de los estimadores. Un buen estimador debe cumplir varias propiedades clave. La insesgadez implica que la esperanza matemática del estimador coincide con el parámetro poblacional. La consistencia garantiza que, a medida que aumenta el tamaño muestral, el estimador se acerca al parámetro. La eficiencia indica que, entre estimadores insesgados, el de menor varianza es el más eficiente. Finalmente, la suficiencia asegura que el estimador utiliza toda la información relevante de la muestra.

Estimación por intervalos. Proporciona un rango de valores, conocido como intervalo de confianza, dentro del cual se espera que se encuentre el parámetro con un nivel de confianza determinado. Este intervalo se calcula como el estadístico muestral más o menos el producto del valor crítico y el error estándar. El valor crítico depende del nivel de confianza elegido, mientras que el error estándar mide la precisión del estadístico muestral.

Cálculo del intervalo de confianza. Para la media poblacional, el intervalo de confianza se construye como la media muestral más o menos el producto del valor crítico (por ejemplo, 1.96 para un 95% de confianza) y el error estándar. Este último se calcula como la desviación típica muestral dividida por la raíz cuadrada del tamaño muestral. Este enfoque permite cuantificar la incertidumbre asociada a la estimación puntual.

Aplicación en gestión administrativa. En el contexto del Servicio Andaluz de Salud, la estimación por intervalos es especialmente útil para evaluar indicadores como tiempos de espera, proporciones de cumplimiento de protocolos o variabilidad en procesos administrativos. Por ejemplo, un intervalo de confianza del 95% para el tiempo medio de respuesta en la gestión de citas permite tomar decisiones con un margen de error conocido.

Diferencias clave. La estimación puntual y por intervalos son complementarias. Mientras la primera ofrece un valor concreto, la segunda proporciona un rango que refleja la incertidumbre asociada a la estimación. En la práctica, la estimación por intervalos es más informativa, ya que permite evaluar la precisión del estimador puntual y tomar decisiones con un nivel de confianza conocido.

🧩 Elementos esenciales

• Estimación puntual: Valor único que aproxima un parámetro poblacional, como la media muestral para estimar la media poblacional.
• Estimación por intervalos: Rango de valores (intervalo de confianza) que contiene el parámetro con un nivel de confianza determinado.
• Estimador: Función de los datos muestrales que aproxima un parámetro poblacional (ejemplo: media muestral para estimar la media poblacional).
• Estimación: Valor concreto obtenido al aplicar el estimador a una muestra específica.
• Insesgadez: Propiedad de un estimador cuya esperanza matemática coincide con el parámetro poblacional.
• Consistencia: Propiedad de un estimador que se acerca al parámetro a medida que aumenta el tamaño muestral.
• Eficiencia: Característica de un estimador insesgado con la menor varianza posible.
• Error estándar: Medida de la precisión de un estimador puntual, calculado como la desviación típica dividida por la raíz cuadrada del tamaño muestral.
• Intervalo de confianza: Rango de valores calculado como el estimador puntual más o menos el margen de error, que incluye el valor crítico y el error estándar.
• Valor crítico: Valor que depende del nivel de confianza (ejemplo: 1.96 para un 95% de confianza en una distribución normal).
• Nivel de confianza: Probabilidad de que el intervalo contenga el parámetro poblacional (ejemplo: 95%).
• Margen de error: Producto del valor crítico y el error estándar, que determina la amplitud del intervalo de confianza.

🧠 Recuerda

• La estimación puntual ofrece un único valor, mientras que la estimación por intervalos proporciona un rango con un nivel de confianza.
• Un estimador es una regla o función, y la estimación es el valor concreto obtenido al aplicarlo a una muestra.
• Las propiedades clave de un estimador son insesgadez, consistencia, eficiencia y suficiencia.
• El error estándar mide la precisión del estimador puntual y disminuye al aumentar el tamaño muestral.
• El intervalo de confianza se calcula como el estimador puntual más o menos el margen de error.
• El valor crítico depende del nivel de confianza elegido (ejemplo: 1.96 para un 95%).
• La estimación por intervalos es más informativa que la puntual, ya que refleja la incertidumbre asociada.
• En gestión administrativa, estos métodos permiten evaluar indicadores con un margen de error conocido.
• La media muestral es un estimador insesgado y eficiente de la media poblacional en poblaciones normales.
• La proporción muestral es el estimador natural de la proporción poblacional.

5. Contraste de hipótesis

🎯 Idea clave

• El contraste de hipótesis es un procedimiento estadístico para evaluar si los datos muestrales apoyan una afirmación sobre un parámetro poblacional.
• La hipótesis nula (H₀) representa la ausencia de efecto o diferencia y se asume verdadera por defecto.
• La hipótesis alternativa (H₁) expresa la afirmación que se desea contrastar y puede ser unilateral o bilateral.
• El nivel de significación (α) define la probabilidad máxima aceptable de cometer un error tipo I al rechazar H₀.
• El p-valor indica la probabilidad de observar los datos si H₀ fuera cierta, determinando su rechazo si es menor o igual que α.
• Los contrastes pueden ser paramétricos o no paramétricos según los supuestos sobre la distribución de los datos.

📚 Desarrollo

Definición y finalidad. El contraste de hipótesis es un método de inferencia estadística que permite valorar si los datos muestrales ofrecen evidencia suficiente para rechazar una afirmación sobre una población. Su objetivo es tomar decisiones basadas en reglas predefinidas, evitando interpretaciones subjetivas. No demuestra la veracidad absoluta de una hipótesis, sino que evalúa su compatibilidad con los datos observados.

Hipótesis estadísticas. En todo contraste se formulan dos hipótesis mutuamente excluyentes: la hipótesis nula (H₀), que expresa igualdad o ausencia de efecto, y la hipótesis alternativa (H₁), que recoge las posibilidades incompatibles con H₀. H₀ se asume verdadera por defecto y solo se rechaza si la evidencia muestral es suficientemente contraria. H₁ puede ser bilateral (μ ≠ μ₀) o unilateral (μ > μ₀ o μ < μ₀), dependiendo del objetivo del estudio.

Errores en el contraste. El procedimiento puede incurrir en dos tipos de errores: el error tipo I (α), que consiste en rechazar H₀ cuando es verdadera, y el error tipo II (β), que implica no rechazar H₀ cuando es falsa. El nivel de significación (α) fija la probabilidad máxima aceptable de error tipo I, mientras que la potencia del test (1 - β) mide la capacidad de detectar un efecto real.

Estadístico y región crítica. El contraste se basa en un estadístico de contraste calculado a partir de la muestra, como la t de Student o el estadístico Z. La región crítica agrupa los valores del estadístico que llevan al rechazo de H₀, determinada por el nivel de significación y el tipo de contraste. Si el estadístico cae en esta región, se rechaza H₀; en caso contrario, no hay evidencia suficiente para hacerlo.

p-valor y decisión. El p-valor es la probabilidad de obtener un resultado al menos tan extremo como el observado si H₀ fuera cierta. Un p-valor pequeño indica que los datos son poco compatibles con H₀. Si el p-valor es menor o igual que el nivel de significación (α), se rechaza H₀; en caso contrario, no se rechaza. Este criterio garantiza una decisión objetiva y reproducible.

Tipos de contrastes. Los contrastes se clasifican en paramétricos y no paramétricos. Los paramétricos asumen una distribución específica para los datos (como la normal) y permiten inferir sobre parámetros como la media o la varianza. Los no paramétricos no requieren supuestos sobre la distribución y suelen basarse en rangos o frecuencias, siendo más robustos ante violaciones de normalidad.

Aplicación en gestión sanitaria. En el ámbito administrativo del Servicio Andaluz de Salud, los contrastes de hipótesis son herramientas clave para evaluar programas de salud, comparar indicadores entre centros o periodos, o analizar la satisfacción de usuarios. Su correcta aplicación permite fundamentar decisiones basadas en evidencia, optimizando recursos y mejorando la calidad de los servicios.

🧩 Elementos esenciales

• Hipótesis nula (H₀): Afirmación de igualdad o ausencia de efecto que se asume verdadera por defecto.
• Hipótesis alternativa (H₁): Afirmación que se desea contrastar, puede ser unilateral o bilateral.
• Error tipo I (α): Rechazar H₀ cuando es verdadera; su probabilidad es el nivel de significación.
• Error tipo II (β): No rechazar H₀ cuando es falsa; su complementario (1 - β) es la potencia del test.
• Nivel de significación (α): Probabilidad máxima aceptable de error tipo I, típicamente 0.05 o 0.01.
• p-valor: Probabilidad de observar los datos si H₀ es cierta; si p ≤ α, se rechaza H₀.
• Estadístico de contraste: Valor calculado a partir de la muestra para tomar la decisión (ej.: t, Z, Chi-cuadrado).
• Región crítica: Conjunto de valores del estadístico que llevan al rechazo de H₀.
• Contrastes paramétricos: Asumen distribución específica (ej.: normal) y permiten inferir sobre parámetros.
• Contrastes no paramétricos: No requieren supuestos de distribución y son más robustos ante datos no normales.
• Potencia del test: Probabilidad de rechazar H₀ cuando es falsa; aumenta con el tamaño muestral y el efecto.
• Diseño del contraste: Debe formularse antes de analizar los datos para evitar sesgos en la interpretación.

🧠 Recuerda

• El contraste de hipótesis no demuestra la veracidad de una hipótesis, solo evalúa su compatibilidad con los datos.
• H₀ siempre incluye igualdad o ausencia de efecto; H₁ recoge las alternativas incompatibles.
• El nivel de significación (α) es la probabilidad máxima de rechazar H₀ cuando es verdadera.
• Un p-valor pequeño indica evidencia en contra de H₀; si p ≤ α, se rechaza H₀.
• Los errores tipo I y tipo II son inevitables, pero su probabilidad puede controlarse.
• Los contrastes paramétricos son más potentes si se cumplen sus supuestos, pero los no paramétricos son más robustos.
• La potencia del test aumenta con el tamaño muestral y la magnitud del efecto.
• La elección entre contraste unilateral o bilateral depende del objetivo del estudio.
• En gestión sanitaria, estos métodos permiten evaluar programas, comparar indicadores y fundamentar decisiones.
• La formulación de las hipótesis debe realizarse antes de analizar los datos para evitar sesgos.

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

🎯 Idea clave

• Los contrastes de hipótesis permiten evaluar afirmaciones sobre una o dos poblaciones a partir de datos muestrales.
• Los métodos paramétricos exigen supuestos distribucionales como normalidad y homogeneidad de varianzas.
• Los métodos no paramétricos son más robustos ante datos no normales, ordinales o con valores atípicos.
• La elección entre ambos enfoques depende del tipo de variable, el tamaño muestral y los supuestos verificados.
• Los contrastes de una muestra comparan un parámetro poblacional con un valor de referencia.
• Los contrastes de dos muestras pueden ser independientes o apareados según el diseño del estudio.

📚 Desarrollo

Objeto de los contrastes. Los contrastes de una y dos muestras se utilizan para valorar hipótesis sobre parámetros poblacionales o comparar distribuciones entre grupos. Su finalidad es determinar si la evidencia muestral respalda una afirmación sobre la población, como la igualdad de medias o medianas. La elección del método adecuado no debe basarse únicamente en pruebas automáticas de normalidad, sino en la pregunta de investigación, el tipo de variable y las características de los datos.

Diferencias entre paramétricos y no paramétricos. Los contrastes paramétricos, como el test t de Student, requieren que los datos cumplan supuestos específicos, como la normalidad de la distribución o la homogeneidad de varianzas. Estos métodos son más potentes cuando sus condiciones se verifican, pero pierden validez si no se cumplen. En cambio, los contrastes no paramétricos, como el test de Wilcoxon o Mann-Whitney, no exigen una forma paramétrica para la distribución subyacente, lo que los hace más flexibles ante datos asimétricos, ordinales o con valores atípicos.

Contrastes de una muestra. Este tipo de contraste compara un parámetro poblacional, como la media o la mediana, con un valor de referencia. Por ejemplo, puede evaluarse si la media de tiempos de espera en un servicio supera un umbral establecido. Los métodos paramétricos, como el test t de una muestra, asumen normalidad en los datos, mientras que los no paramétricos, como el test de Wilcoxon para una muestra, se centran en la mediana y son más adecuados para distribuciones no normales.

Contrastes de dos muestras independientes. Estos contrastes comparan parámetros de dos poblaciones distintas, como la satisfacción de usuarios entre dos hospitales. El test t de Student para muestras independientes es el método paramétrico más utilizado, pero requiere homogeneidad de varianzas y normalidad. Cuando estos supuestos no se cumplen, el test de Mann-Whitney es una alternativa no paramétrica que compara las distribuciones completas de ambos grupos, no solo sus medias.

Contrastes de dos muestras apareadas. En este diseño, se comparan mediciones repetidas en los mismos sujetos, como evaluar el efecto de un programa de formación antes y después de su implementación. El test t de Student para muestras apareadas es el método paramétrico habitual, pero exige que las diferencias entre pares sigan una distribución normal. El test de Wilcoxon para muestras apareadas es la alternativa no paramétrica, que evalúa si la mediana de las diferencias es distinta de cero.

Supuestos y condiciones de aplicación. Los métodos paramétricos requieren verificar supuestos como la normalidad (con tests como Shapiro-Wilk) y la homogeneidad de varianzas (con el test de Levene). Si no se cumplen, se recurre a alternativas no paramétricas o correcciones, como la de Welch. Los métodos no paramétricos también exigen condiciones, como la independencia de las observaciones o la compatibilidad del diseño con la prueba seleccionada.

Errores y potencia estadística. En cualquier contraste de hipótesis, existen dos tipos de errores: el error tipo I (rechazar la hipótesis nula cuando es cierta) y el error tipo II (no rechazarla cuando es falsa). La potencia estadística (1 - β) mide la capacidad del test para detectar una diferencia real. Los métodos paramétricos suelen tener mayor potencia cuando sus supuestos se cumplen, mientras que los no paramétricos son más robustos pero menos potentes en esas condiciones.

Aplicación en el Servicio Andaluz de Salud. En el SAS, estos contrastes se utilizan para evaluar programas, comparar indicadores entre centros o analizar datos sanitarios. Muchos indicadores, como tiempos de espera o satisfacción de usuarios, presentan distribuciones asimétricas o escalas ordinales, lo que justifica el uso de métodos no paramétricos. Herramientas como SPSS, R o Python facilitan la implementación de estos análisis en entornos profesionales.

🧩 Elementos esenciales

• Contrastes paramétricos: Requieren normalidad y homogeneidad de varianzas; ejemplos: test t de Student para una o dos muestras.
• Contrastes no paramétricos: No exigen supuestos distribucionales estrictos; ejemplos: test de Wilcoxon o Mann-Whitney.
• Test t de una muestra: Compara la media muestral con un valor poblacional (μ₀); hipótesis nula: μ = μ₀.
• Test t para dos muestras independientes: Compara medias de dos grupos; requiere homogeneidad de varianzas.
• Test t para muestras apareadas: Compara medias de dos mediciones en los mismos sujetos; hipótesis nula: μ_d = 0.
• Test de Wilcoxon para una muestra: Alternativa no paramétrica al test t; evalúa la mediana poblacional.
• Test de Mann-Whitney: Alternativa no paramétrica al test t para dos muestras independientes; compara distribuciones.
• Test de Wilcoxon para muestras apareadas: Alternativa no paramétrica al test t apareado; evalúa la mediana de las diferencias.
• Error tipo I (α): Rechazar la hipótesis nula cuando es cierta (falso positivo).
• Error tipo II (β): No rechazar la hipótesis nula cuando es falsa (falso negativo).
• Potencia estadística (1 - β): Probabilidad de detectar una diferencia real; mayor en métodos paramétricos si se cumplen sus supuestos.
• Supuestos paramétricos: Normalidad (verificada con tests como Shapiro-Wilk) y homogeneidad de varianzas (test de Levene).

🧠 Recuerda

• La elección entre métodos paramétricos y no paramétricos depende de los supuestos y el tipo de datos.
• Los contrastes de una muestra evalúan un parámetro poblacional frente a un valor de referencia.
• Los contrastes de dos muestras pueden ser independientes o apareados según el diseño del estudio.
• El test t de Student es el método paramétrico más utilizado para comparar medias.
• Los tests de Wilcoxon y Mann-Whitney son alternativas no paramétricas robustas ante datos no normales.
• Verifica siempre los supuestos antes de aplicar un test paramétrico.
• La potencia estadística es mayor en métodos paramétricos cuando sus supuestos se cumplen.
• En el SAS, los datos sanitarios suelen requerir métodos no paramétricos por asimetrías o escalas ordinales.
• Documenta las ausencias de datos en diseños apareados para evitar sesgos.
• Diferencia entre significación estadística y relevancia práctica en la interpretación de resultados.

7. La prueba Chi-cuadrado

🎯 Idea clave

• La prueba Chi-cuadrado es un contraste no paramétrico diseñado para analizar frecuencias en variables categóricas.
• Su finalidad principal consiste en comparar frecuencias observadas con frecuencias esperadas bajo una hipótesis nula.
• Se aplica en tres contextos fundamentales: bondad de ajuste, independencia y homogeneidad.
• No requiere supuestos de normalidad ni homocedasticidad, lo que la hace idónea para datos cualitativos.
• Mide la discrepancia entre lo observado y lo esperado mediante el estadístico χ².
• Su interpretación se basa en la comparación del valor calculado con el valor crítico de la distribución Chi-cuadrado.

📚 Desarrollo

Definición y naturaleza. La prueba Chi-cuadrado (χ²) es un procedimiento estadístico no paramétrico que contrasta hipótesis sobre la distribución de frecuencias en variables categóricas. Su objeto es determinar si las diferencias entre frecuencias observadas y esperadas son compatibles con la variación aleatoria del muestreo o si, por el contrario, reflejan una desviación significativa respecto a la hipótesis nula.

Ámbito de aplicación. Esta prueba se utiliza exclusivamente con datos categóricos, es decir, recuentos de casos clasificados en categorías. No es aplicable a variables cuantitativas ni a medias. Su relevancia en el ámbito administrativo y sanitario radica en su capacidad para analizar datos comunes en encuestas, registros epidemiológicos o evaluaciones de procesos, donde las variables suelen medirse en escalas nominales u ordinales.

Tipos de pruebas. La prueba Chi-cuadrado se emplea en tres contextos distintos. La prueba de bondad de ajuste evalúa si una muestra se ajusta a una distribución teórica específica. La prueba de independencia determina si dos variables categóricas están asociadas. La prueba de homogeneidad compara si varias poblaciones comparten la misma distribución de una variable categórica. Las dos últimas se expresan mediante tablas de contingencia y utilizan el mismo estadístico de Pearson.

Fórmula del estadístico. El estadístico Chi-cuadrado se calcula mediante la fórmula: [ \chi^2 = \sum \frac{(O_i - E_i)^2}{E_i} ] donde (O_i) representa las frecuencias observadas y (E_i) las frecuencias esperadas bajo la hipótesis nula. Este estadístico mide la discrepancia acumulada entre lo observado y lo esperado, de modo que valores altos indican un mayor alejamiento de la hipótesis nula.

Grados de libertad. Los grados de libertad varían según el tipo de prueba. En la prueba de bondad de ajuste, se calculan como (k - 1), donde (k) es el número de categorías. En las pruebas de independencia y homogeneidad, los grados de libertad son ((r - 1)(c - 1)), siendo (r) el número de filas y (c) el número de columnas en la tabla de contingencia.

Supuestos clave. Para que la prueba Chi-cuadrado sea válida, deben cumplirse dos supuestos fundamentales. En primer lugar, las observaciones deben ser independientes entre sí. En segundo lugar, las frecuencias esperadas deben ser iguales o superiores a 5 en al menos el 80% de las celdas, y ninguna frecuencia esperada debe ser inferior a 1. Si estos supuestos no se cumplen, se recomienda utilizar alternativas como el test exacto de Fisher.

Interpretación de resultados. La interpretación del estadístico Chi-cuadrado se basa en la comparación del valor calculado con el valor crítico de la distribución Chi-cuadrado, determinado por los grados de libertad y el nivel de significación elegido. Si el valor calculado supera el valor crítico, se rechaza la hipótesis nula. Alternativamente, se puede utilizar el p-valor: si este es menor que el nivel de significación (α), se rechaza la hipótesis nula.

Limitaciones y alternativas. La prueba Chi-cuadrado presenta varias limitaciones. Es sensible al tamaño muestral, de modo que con muestras grandes puede detectar diferencias triviales. Además, no mide la fuerza ni la dirección de la asociación entre variables. Para muestras pequeñas, el test exacto de Fisher es una alternativa adecuada. En el caso de datos pareados, se recomienda el test de McNemar, mientras que para variables ordinales pueden emplearse modelos log-lineales.

🧩 Elementos esenciales

• Definición: Contraste no paramétrico para analizar frecuencias en variables categóricas, comparando observadas vs. esperadas.
• Tipos de pruebas:
  • Bondad de ajuste: evalúa ajuste a una distribución teórica (grados de libertad = k - 1).
  • Independencia: analiza asociación entre dos variables categóricas (grados de libertad = (r-1)(c-1)).
  • Homogeneidad: compara distribuciones de una variable en múltiples poblaciones (grados de libertad = (r-1)(c-1)).
• Fórmula del estadístico: ( \chi^2 = \sum \frac{(O_i - E_i)^2}{E_i} ).
• Supuestos clave:
  • Independencia de observaciones.
  • Frecuencias esperadas ≥ 5 en al menos el 80% de las celdas (ninguna < 1).
• Grados de libertad:
  • Bondad de ajuste: k - 1 (o k - 1 - m si se estiman parámetros).
  • Independencia/homogeneidad: (r-1)(c-1).
• Interpretación:
  • Valores altos de χ² → rechazo de H₀.
  • p-valor < α → rechazo de H₀.
• Medidas de asociación: V de Cramer, coeficiente de contingencia, Phi.
• Limitaciones:
  • Sensible al tamaño muestral.
  • No mide fuerza ni dirección de la asociación.
  • Requiere frecuencias esperadas suficientes.
• Alternativas:
  • Test exacto de Fisher (muestras pequeñas).
  • McNemar (datos pareados).
  • Modelos log-lineales (variables ordinales).

🧠 Recuerda

• La prueba Chi-cuadrado es no paramétrica y se aplica exclusivamente a variables categóricas.
• Compara frecuencias observadas con frecuencias esperadas bajo una hipótesis nula.
• Existen tres tipos principales: bondad de ajuste, independencia y homogeneidad.
• El estadístico χ² mide la discrepancia entre lo observado y lo esperado.
• Los grados de libertad dependen del tipo de prueba y la estructura de los datos.
• Los supuestos clave son independencia de observaciones y frecuencias esperadas suficientes.
• Valores altos de χ² o p-valores bajos llevan al rechazo de la hipótesis nula.
• No mide la fuerza ni la dirección de la asociación entre variables.
• Para muestras pequeñas, el test exacto de Fisher es una alternativa válida.
• La interpretación debe considerar siempre el contexto y los supuestos de la prueba.

8. La prueba del ANOVA

🎯 Idea clave

• El Análisis de Varianza (ANOVA) es una técnica estadística paramétrica que compara las medias de tres o más grupos independientes para determinar si existen diferencias significativas entre ellas.
• A diferencia de las pruebas t de Student, el ANOVA evita el incremento del error de Tipo I al analizar múltiples grupos en un único contraste.
• Se basa en la descomposición de la variabilidad total de los datos en varianza entre grupos y varianza dentro de los grupos.
• El estadístico F de Fisher-Snedecor evalúa si la varianza entre grupos es significativamente mayor que la varianza dentro de los grupos.
• La hipótesis nula (H₀) establece que todas las medias grupales son iguales, mientras que la alternativa (H₁) indica que al menos una media difiere.
• Existen distintos tipos de ANOVA según el número de factores y el diseño experimental, como el ANOVA de un factor, de dos factores o de medidas repetidas.

📚 Desarrollo

Definición y propósito. El Análisis de Varianza (ANOVA) es una técnica estadística inferencial paramétrica diseñada para comparar las medias de tres o más grupos independientes. Su objetivo es determinar si existen diferencias estadísticamente significativas entre ellas, evitando el problema de multiplicidad que surgiría al realizar múltiples comparaciones por pares con pruebas t de Student. Este método es especialmente útil en contextos donde se evalúan múltiples condiciones o tratamientos, como en estudios clínicos o análisis organizacionales.

Fundamento teórico. El ANOVA se sustenta en la descomposición de la variabilidad total de los datos en dos componentes principales: la varianza entre grupos (between-group variance), que refleja las diferencias entre las medias de los grupos, y la varianza dentro de los grupos (within-group variance), que representa la variabilidad individual dentro de cada grupo debido a factores aleatorios. La relación entre estas varianzas se expresa mediante el estadístico F, que sigue una distribución F de Fisher-Snedecor.

Hipótesis y decisión estadística. La hipótesis nula (H₀) del ANOVA postula que todas las medias poblacionales son iguales, mientras que la hipótesis alternativa (H₁) afirma que al menos una de las medias difiere de las demás. Para tomar una decisión, se compara el valor del estadístico F calculado con el valor crítico de la distribución F para un nivel de significación dado (generalmente α = 0.05). Si el p-valor resultante es menor que α, se rechaza H₀, concluyendo que existen diferencias significativas entre los grupos.

Tabla ANOVA. Los resultados del ANOVA se resumen en una tabla ANOVA, que organiza los componentes clave del análisis. Esta tabla incluye la suma de cuadrados (SS), los grados de libertad (df), la media de cuadrados (MS), el estadístico F y el p-valor. La suma de cuadrados entre grupos (SSB) y dentro de grupos (SSW) se dividen por sus respectivos grados de libertad para obtener las medias de cuadrados (MSB y MSW), cuya relación determina el valor de F.

Tipos de ANOVA. El ANOVA se clasifica según el número de factores y el diseño experimental. El ANOVA de un factor (one-way ANOVA) analiza una única variable independiente con tres o más niveles, como comparar la satisfacción de pacientes en distintos hospitales. El ANOVA de dos factores (two-way ANOVA) evalúa dos variables independientes, permitiendo analizar efectos principales e interacciones entre ellas. También existen variantes como el ANOVA de medidas repetidas, aplicable cuando los mismos sujetos son medidos en múltiples condiciones.

Supuestos y condiciones de aplicación. El ANOVA requiere el cumplimiento de varios supuestos para garantizar la validez de sus resultados. Estos incluyen la normalidad de los datos en cada grupo, la homogeneidad de varianzas (homocedasticidad) entre los grupos y la independencia de las observaciones. La violación de estos supuestos puede afectar a la robustez del análisis, aunque el ANOVA es relativamente robusto ante desviaciones moderadas de la normalidad, especialmente con muestras grandes.

Interpretación y limitaciones. El ANOVA no identifica qué grupos específicos difieren entre sí, sino que indica si existe al menos una diferencia significativa. Para determinar qué medias son distintas, se requieren análisis post hoc, como las pruebas de Tukey o Bonferroni. Además, el ANOVA no debe interpretarse como una mera búsqueda de significación estadística, sino como una herramienta de modelización que exige considerar el diseño experimental, los supuestos y el tamaño del efecto.

🧩 Elementos esenciales

• ANOVA: Técnica estadística paramétrica para comparar medias de tres o más grupos independientes.
• Varianza entre grupos: Variabilidad debida a las diferencias entre las medias de los grupos.
• Varianza dentro de grupos: Variabilidad debida a diferencias individuales dentro de cada grupo (error aleatorio).
• Estadístico F: Relación entre la varianza entre grupos y la varianza dentro de grupos, que sigue una distribución F de Fisher-Snedecor.
• Hipótesis nula (H₀): Todas las medias grupales son iguales.
• Hipótesis alternativa (H₁): Al menos una media difiere de las demás.
• Tabla ANOVA: Resumen de resultados que incluye suma de cuadrados, grados de libertad, media de cuadrados, estadístico F y p-valor.
• ANOVA de un factor: Única variable independiente con tres o más niveles.
• ANOVA de dos factores: Dos variables independientes, permite evaluar efectos principales e interacciones.
• ANOVA de medidas repetidas: Diseño intra-sujetos donde los mismos individuos son medidos en múltiples condiciones.
• Supuestos del ANOVA: Normalidad, homogeneidad de varianzas e independencia de las observaciones.
• Análisis post hoc: Pruebas adicionales para identificar qué grupos difieren tras un ANOVA significativo.

🧠 Recuerda

• El ANOVA compara medias de tres o más grupos en un único contraste, evitando el error de Tipo I por multiplicidad.
• La variabilidad total se descompone en varianza entre grupos y varianza dentro de los grupos.
• El estadístico F evalúa si la varianza entre grupos es significativamente mayor que la varianza dentro de los grupos.
• Un p-valor menor que 0.05 indica que al menos una media grupal difiere de las demás.
• La tabla ANOVA resume los componentes clave del análisis, como la suma de cuadrados y los grados de libertad.
• Existen distintos tipos de ANOVA según el número de factores y el diseño experimental.
• El ANOVA requiere el cumplimiento de supuestos como normalidad, homocedasticidad e independencia.
• No identifica qué grupos difieren, solo si existe al menos una diferencia significativa.
• Los análisis post hoc son necesarios para determinar qué medias son distintas tras un ANOVA significativo.
• La interpretación del ANOVA debe considerar el diseño experimental y el tamaño del efecto, no solo el p-valor.

9. Regresión y correlación

🎯 Idea clave

• La correlación mide la intensidad y dirección de la relación lineal entre dos variables cuantitativas, sin implicar causalidad.
• El coeficiente de correlación de Pearson oscila entre -1 y 1, donde valores extremos indican relaciones lineales perfectas y valores cercanos a 0, ausencia de relación lineal.
• La regresión lineal modeliza matemáticamente la relación entre una variable dependiente y una o más variables independientes para predecir valores.
• La regresión lineal simple utiliza una única variable independiente, mientras que la múltiple incorpora varias para mejorar la precisión.
• Los supuestos clave de estos modelos incluyen linealidad, independencia de residuos, homoscedasticidad y ausencia de valores atípicos significativos.
• En el Servicio Andaluz de Salud (SAS), estas herramientas se aplican para optimizar recursos, evaluar programas y analizar indicadores de calidad.

📚 Desarrollo

Definición y propósito. La regresión y la correlación son herramientas estadísticas fundamentales para analizar relaciones entre variables cuantitativas. Mientras la correlación cuantifica la fuerza y dirección de una asociación lineal, la regresión permite modelizarla para realizar predicciones. Estas técnicas son esenciales en la gestión sanitaria para tomar decisiones basadas en datos.

Coeficiente de correlación de Pearson. Este indicador, denotado como r, mide la relación lineal entre dos variables. Su valor varía entre -1 y 1: un r = 1 indica una correlación positiva perfecta, r = -1 una negativa perfecta, y r = 0 ausencia de relación lineal. Es crucial interpretar r junto con un diagrama de dispersión para detectar patrones no lineales o valores atípicos.

Regresión lineal simple. Este modelo describe la relación entre una variable dependiente (Y) y una independiente (X) mediante la ecuación Y = β₀ + β₁X + ε. El intercepto (β₀) representa el valor de Y cuando X = 0, y la pendiente (β₁) indica el cambio en Y por unidad de cambio en X. El método de mínimos cuadrados estima estos parámetros minimizando la suma de los residuos al cuadrado.

Regresión lineal múltiple. Extiende el modelo simple incorporando múltiples variables independientes (X₁, X₂, ..., Xₚ). Su ecuación es Y = β₀ + β₁X₁ + β₂X₂ + ... + βₚXₚ + ε. Este enfoque permite controlar variables confusoras y mejorar la precisión predictiva. El coeficiente de determinación ajustado (R² ajustado) penaliza la inclusión de variables irrelevantes, evitando sobreajustes.

Supuestos metodológicos. Ambos modelos requieren linealidad, independencia de residuos, homoscedasticidad (varianza constante de los residuos) y normalidad de los residuos. En regresión múltiple, además, se asume ausencia de multicolinealidad entre variables independientes. Violaciones de estos supuestos pueden invalidar los resultados.

Aplicaciones en el SAS. En el Servicio Andaluz de Salud, la correlación y regresión se utilizan para analizar relaciones como el gasto farmacéutico y la población atendida, predecir tiempos de espera en urgencias o evaluar programas de prevención. Por ejemplo, un coeficiente r = 0.85 entre pacientes atendidos y gasto farmacéutico sugiere una relación fuerte, aunque no causal.

Limitaciones y consideraciones. La correlación no implica causalidad: una relación estadística puede deberse a terceras variables o coincidencias. Además, estos modelos solo capturan relaciones lineales, por lo que una correlación nula no descarta relaciones no lineales. Siempre debe complementarse el análisis con gráficos y contexto.

🧩 Elementos esenciales

• Coeficiente de Pearson (r): Mide la intensidad y dirección de la relación lineal entre dos variables, con valores entre -1 y 1.
• Correlación positiva: Valores altos de una variable se asocian con valores altos de la otra (r > 0).
• Correlación negativa: Valores altos de una variable se asocian con valores bajos de la otra (r < 0).
• Regresión lineal simple: Modelo Y = β₀ + β₁X + ε que predice Y a partir de X.
• Pendiente (β₁): Cambio en Y por unidad de cambio en X en la regresión simple.
• Intercepto (β₀): Valor de Y cuando X = 0 en la regresión simple.
• Regresión lineal múltiple: Modelo con múltiples variables independientes para predecir Y.
• Coeficiente de determinación (R²): Proporción de variabilidad de Y explicada por el modelo (en regresión simple, R² = r²).
• R² ajustado: Versión de R² que penaliza variables irrelevantes en regresión múltiple.
• Supuestos clave: Linealidad, independencia de residuos, homoscedasticidad y normalidad de residuos.
• Mínimos cuadrados: Método para estimar parámetros minimizando la suma de residuos al cuadrado.
• Limitación de causalidad: La correlación no implica que una variable cause la otra.

🧠 Recuerda

• El coeficiente de Pearson solo mide relaciones lineales; valores cercanos a 0 no descartan relaciones no lineales.
• La regresión lineal simple y múltiple permite predecir valores de una variable dependiente a partir de variables independientes.
• El intercepto y la pendiente en la regresión simple tienen interpretaciones concretas en el contexto del problema.
• El R² indica la proporción de variabilidad explicada, pero en regresión múltiple es preferible usar R² ajustado.
• Los supuestos de linealidad, independencia y homoscedasticidad son críticos para la validez de los modelos.
• En el SAS, estas herramientas se aplican para optimizar recursos, evaluar programas y analizar indicadores.
• Una correlación alta no implica causalidad; siempre deben considerarse variables confusoras.
• Los diagramas de dispersión son esenciales para validar visualmente la relación entre variables.
• La regresión múltiple permite controlar el efecto de variables confusoras, mejorando la precisión predictiva.
• Los valores atípicos pueden distorsionar los resultados de correlación y regresión.

10. Representaciones gráficas de los datos de una muestra

🎯 Idea clave

• Las representaciones gráficas son herramientas fundamentales en estadística descriptiva para visualizar datos de manera intuitiva y efectiva.
• Su uso en el Servicio Andaluz de Salud (SAS) facilita el análisis de datos de gestión, como tiempos de espera o distribución de recursos.
• Permiten identificar patrones, valores atípicos y relaciones entre variables sin necesidad de análisis numéricos complejos.
• La elección del gráfico adecuado depende del tipo de variable (cualitativa o cuantitativa) y del objetivo del análisis.
• Evitan errores comunes como usar gráficos inapropiados para variables continuas o desordenar categorías en variables ordinales.
• Su correcta aplicación mejora la comunicación de resultados en informes administrativos y sanitarios.

📚 Desarrollo

Finalidad principal. Las representaciones gráficas de los datos de una muestra constituyen herramientas esenciales en el análisis estadístico descriptivo. Su objetivo es transformar conjuntos de datos complejos en información visual fácilmente interpretable, permitiendo detectar tendencias, dispersiones y valores atípicos de manera inmediata. En el ámbito del Servicio Andaluz de Salud (SAS), estas representaciones son clave para analizar datos de gestión, como la distribución de recursos humanos, los tiempos de espera en consultas o la actividad por centros de salud.

Aplicación en la gestión administrativa. En la categoría de Técnico/a Medio-Gestión Función Administrativa del SAS, las representaciones gráficas se utilizan para presentar informes de actividad, evaluar el rendimiento de servicios o identificar anomalías en procesos administrativos. Por ejemplo, un diagrama de barras puede mostrar la distribución de pacientes por especialidad, mientras que un gráfico de líneas puede reflejar la evolución mensual de consultas en atención primaria. Estas herramientas apoyan la toma de decisiones basada en evidencia, optimizando la gestión de recursos y mejorando la eficiencia operativa.

Diferenciación respecto a otras herramientas. A diferencia de las tablas de frecuencias o las medidas numéricas, las representaciones gráficas ofrecen una visión global e inmediata de los datos, aunque con menor precisión cuantitativa. Mientras que una tabla puede detallar frecuencias absolutas o relativas, un gráfico permite comparar categorías o identificar patrones de un vistazo. Esta capacidad de síntesis los hace indispensables en informes técnicos y presentaciones, donde la claridad y la rapidez de interpretación son prioritarias.

Tipos de variables y gráficos asociados. La elección del gráfico adecuado depende del tipo de variable analizada. Para variables cualitativas nominales u ordinales, como el motivo de consulta o el nivel de satisfacción, se emplean diagramas de barras o gráficos circulares. En el caso de variables cuantitativas discretas o continuas, como el número de pacientes o los tiempos de espera, son más apropiados los histogramas o los diagramas de caja. Usar un gráfico inadecuado, como un diagrama de barras para una variable continua, puede distorsionar la interpretación de los datos.

Variantes y adaptaciones. Los gráficos básicos admiten variantes que amplían su utilidad. Por ejemplo, los diagramas de barras pueden ser simples, agrupados o apilados. Las barras agrupadas permiten comparar subgrupos dentro de una misma categoría, como la distribución de pacientes por género y grupo de edad. Las barras apiladas, en cambio, muestran la composición de una categoría, como la distribución de recursos por servicio y provincia. Estas adaptaciones son especialmente útiles en informes de gestión del SAS, donde se requiere analizar múltiples dimensiones de un mismo conjunto de datos.

Errores comunes y buenas prácticas. Uno de los errores más frecuentes es ordenar las categorías alfabéticamente en lugar de por frecuencia, lo que dificulta la identificación de patrones. En variables ordinales, como niveles de satisfacción, el orden debe respetar la escala inherente. Otro error es no mantener la misma escala en comparaciones entre gráficos, lo que puede llevar a interpretaciones erróneas. Además, es fundamental evitar el uso de gráficos circulares cuando hay muchas categorías, ya que reducen la claridad. En el SAS, seguir estas buenas prácticas garantiza la precisión y utilidad de los informes.

Ejemplos prácticos en el SAS. En la Memoria Anual del SAS, se emplean gráficos para presentar datos de actividad por centros de salud, como el número de consultas por especialidad o la evolución de las listas de espera. Un diagrama de líneas puede mostrar la tendencia mensual de derivaciones a hospitales, mientras que un histograma permite analizar la distribución de tiempos de espera en urgencias. Estos ejemplos ilustran cómo las representaciones gráficas facilitan la comunicación de información compleja a distintos niveles de la organización, desde gestores hasta profesionales sanitarios.

Limitaciones y complementariedad. Aunque las representaciones gráficas son herramientas poderosas, no sustituyen por completo a los análisis numéricos. Su principal limitación es la falta de precisión cuantitativa, por lo que suelen complementarse con tablas o medidas descriptivas. En el SAS, esta combinación de herramientas permite un análisis exhaustivo de los datos, equilibrando la inmediatez visual con la exactitud numérica. Por ejemplo, un gráfico puede identificar un valor atípico, pero será necesario recurrir a medidas de dispersión para cuantificar su impacto.

🧩 Elementos esenciales

• Diagrama de barras: Representa frecuencias de variables cualitativas o cuantitativas discretas mediante barras rectangulares de altura proporcional a la frecuencia.
• Histograma: Gráfico para variables cuantitativas continuas, donde las barras representan intervalos de clase y su altura la frecuencia.
• Gráfico circular: Muestra proporciones de un total (100%) mediante sectores circulares, útil para variables cualitativas con pocas categorías.
• Diagrama de líneas: Representa tendencias a lo largo del tiempo, ideal para series temporales como consultas mensuales.
• Diagrama de caja (box plot): Visualiza la distribución de una variable cuantitativa, mostrando mediana, cuartiles y valores atípicos.
• Barras agrupadas: Compara subgrupos dentro de una misma categoría, como pacientes por género y grupo de edad.
• Barras apiladas: Muestra la composición de una categoría, como recursos distribuidos por servicio y provincia.
• Eje X e Y: En diagramas de barras, el eje X representa las categorías y el eje Y las frecuencias.
• Variables cualitativas: Se representan con diagramas de barras o gráficos circulares, según el número de categorías.
• Variables cuantitativas: Requieren histogramas o diagramas de caja para reflejar su distribución.
• Errores comunes: Usar gráficos inapropiados para el tipo de variable o desordenar categorías en variables ordinales.
• Aplicación en el SAS: Gráficos para analizar actividad por centros de salud, tiempos de espera o distribución de recursos.

🧠 Recuerda

• Las representaciones gráficas transforman datos complejos en información visual intuitiva.
• Su uso en el SAS facilita el análisis de gestión y la toma de decisiones basada en evidencia.
• La elección del gráfico depende del tipo de variable y del objetivo del análisis.
• Los diagramas de barras son ideales para variables cualitativas o cuantitativas discretas.
• Los histogramas y diagramas de caja son apropiados para variables cuantitativas continuas.
• Evita errores como ordenar categorías alfabéticamente o usar escalas inconsistentes.
• Los gráficos deben complementarse con tablas o medidas numéricas para mayor precisión.
• En el SAS, se emplean para presentar informes de actividad, evolución de consultas o distribución de recursos.
• Las variantes como barras agrupadas o apiladas permiten analizar múltiples dimensiones de los datos.
• Su correcta aplicación mejora la comunicación de resultados en informes administrativos y sanitarios.