CONCLUSIÓN

Pues como todo, todo tiene su fin, y esta asignatura esta llegando a su fin. Personalmente puedo decir que nunca me había enfrentado a esto, a tener un  blog propio. Al principio no me gustaba mucho la idea, ya que pensaba que iba a ser algo más costoso. Es cierto, que en los primeros temas no sabía muy bien que poner para llamar la atención y en los últimos temas la dificultad que he encontrado es que al ser más prácticos con problemas y fórmulas son más dificultosos a la hora de introducir dicha información.
Con respecto a la asignatura tengo que reconocer que al principio no era la que más me agradaba, pero poco a poco le he ido encontrando su utilidad y cada vez me ha ido pareciendo más útil.

Espero que hayáis podido aprender un poco más sobre la estadística y que mi ayuda haya sido interesante.

TEMA 14: TIC Y SALUD, CUIDADOS.

En esta entrado daremos una visión general de la relación que tienen las tic y la salud y como han evolucionado. 

La sociedad, en su modo de progresión, esta cada vez más condicionada por el uso de las nuevas tecnologías. 

Las TECNOLOGÍAS DE LA INFORMACIÓN Y LA COMUNICACIÓN (TICS), se han introducido en la vida cotidiana de las personas. 

• La tecnología de la comunicación comprende los medios de comunicación tradicional: radio, televisión y telefonía. 
• La tecnología de la información comprende aquellas características por la digitalización de esa tecnología, es decir, la informática y la telemática.

Las TICs son instrumentos técnicos que pueden: 

• Crear. 
• Transformar. 
• Almacenar. 
• Gestionar. 
• Recuperar. 
• Difundir. 

Todo esto de forma rápida en una realidad virtual. 

⇒DESDE EL PUNTO DE VISTA DE LA SALUD, LA APLICACIÓN DE LAS TICS ELEVA LA CALIDAD DE LA ASISTENCIA SANITARIA. 

En Junio de 2000 la Unión Europea estableció o identificó 11 áreas de las TICs entre la que se encuentran la e-Salud o Salud en Línea, dentro de esa área incentivada y desarrollada en los países miembros se establecieron cinco áreas de TICs sanitarias para garantizar la cobertura y para desacelerar el gasto sanitario: 

• La historia clínica electrónica: en la que se identifican a los pacientes a través de la tarjeta sanitaria y permite la continuidad de su elaboración en cualquier centro de salud en el que se encuentre el paciente sea este el de referencia para él o no.
• Receta electrónica: el médico o enfermero prescribe directamente en la tarjeta sanitaria pudiéndolo comprar el medicamento en la farmacia, de forma que se ahorran costos económicos y mayor seguridad de prescripción.
• Movilidad: podemos hacer seguimientos de pacientes crónicos mediante internet encontrándose el paciente en casa monitorizado, y sin la necesidad de que el profesional se desplace hasta el domicilio para recoger la información.
• Telemedicina: nos permite la administración de servicios a distancia por el médico o el enfermero sin necesidad de desplazamientos y ahorrando tiempo. Tele-Health: intervenciones de todos los profesionales de la salud.
• Picture Archiving Communication System (PACS): se encuentra en relación con la historia clínica, consiste en el almacenaje de todos los resultados de pruebas de imagen como radiografías, TAC, ecografías, etc.

EL USO DE LA "SALUD MOVIL"

• Transforma la asistencia sanitaria, empoderando a pacientes, permitiéndoles más autodeterminación y control respecto a su salud, y disminuyendo el número de visitas a los profesionales sanitarios.
• Permitir el abordaje de manifestaciones clínicas relacionadas con cuadros leves. 
• Fomentar la gestión de enfermedades crónicas. 
• Fomentar una retroalimentación individualizada por parte de profesionales de la salud. 
• Mejorar la relación profesional-paciente. 

LA ENFERMERÍA ESTÁ IMPLICADA EN LAS TICS

Para la investigación, docencia y administración de cuidados y servicios. 

Las ventajas son las siguientes: 

• Aumento de la calidad de los cuidados posibilitando funciones enfermeras más amplias.
• Ayuda en la participación de los pacientes y familiares en el proceso de cuidados. 
• Permite a los enfermeros el apoyo e información a distancia y en línea de otros profesionales sanitarios. 

CONCEPTOS DE RED DE INFORMACIÓN SANITARIA

La red de información sanitaria ofrece el soporte tecnológico al organismo sanitario para prestar servicio administrativo y de salud.

APLICACIÓN DE LAS TECNOLOGÍAS EN LOS PROCESOS ASISTENCIALES

Aumenta la calidad, comodidad y flexibilidad para prestar asistencia a la vez que existe una comunicación entre los diferentes profesionales. 

Hay mejor conexión entre los 3 sistemas asistenciales: nivel asistencial primario, especializado y domiciliario. 

Las TICS están mejorando la gestión que hay que hacer con los pacientes, gracias a 3 aplicaciones: 

• Tarjeta sanitaria electrónica: es la llave o clave para identificar a cada persona o usuario del sistema sanitario, de forma segura. 
• Historia clínica electrónica: incluye toda la información clínica cronológica del paciente, con lo cual se puede evitar perdida de información. 
• Hospital digital. 

APLICACIÓN DE LAS TICS EN LA GESTIÓN DE EMERGENCIAS

• Rapidez para gestionar las actuaciones sanitarias. 
• Las Tics juegan un importante papel en el acceso a información actualizada y en la comunicación entre los diferentes agentes, mandando recursos sanitarios y recursos no sanitarios. 
• Llegan al lugar de actuación con una información detallada de lo ocurrido, agilizando las actuaciones asistenciales, aumentando la eficacia de actuación. 

TABLA T DE STUDENT

TEAM 13: PRUEBAS PARAMÉTRICAS MÁS UTILIZADAS EN ENFERMERÍA

En el siguiente tema trabajaremos con la t de student, la prueba de t de student para datos apareados y haremos una breve mención de anova.

TEST A APLICAR EN ANÁLISIS BIVARIADO VARIABLE CUALITATIVA Y CUANTITATIVA

• PARAMÉTRCIOS
• TEST DE STUDENT: para una o dos muestras (apareadas o independientes). 
• ANOVA: para más de dos muestras o categorías independientes. 
• NO PARAMÉTRICOS
• PRUEBA U DE MANN-WHITNEY: muestras independientes. 
• TEST WILCONXON: muestras apareadas. 
• TEST KRSKAL-WALLIS: más de dos muestras o categorías. 

Para saber que test utilizar debemos de saber si sigue la normal o no, por lo que tendremos que realizar el test de Kolmogórov-Smirnov (n>50) o Shapiro Wilk (n<50). 

T DE STUDENT COMO TEST PARAMÉTRICO 

• Debe de seguir una distribución normal. N<30.
• Homocedasticidad o igualdad de varianzas: 
• TEST DE LEVENE
• F>0'05: Se asume igualdad de varianzas. 
• F<0'05: No hay igualdad de varianzas. 
• Permite contrastar si dos muestras proceden o no de la misma población y si hay diferencia entre las medias. 
• Las muestras pueden ser independientes y dependientes. 

Con la t de student comprobamos si existe una diferencia estadísticamente significativa entre las medias de dos muestras o grupos. 

σ_{p (desviación típica)} 

_{Desviación típica= raíz cuadrada de la varianza}

_Varianza: 

_{Grados de libertad=}

N₁ + N₂ – (el número de grupos, en este caso 2)

Una vez que hemos obtenido todos los datos para despejar en la fórmula de la t de student, obtenemos dicho valor que sería la t-calculada. Por otro lado, el grado de libertad y el nivel de significación nos vamos a la tabla y observamos otro valor que sería la t-teórica. Comparamos ambos valores y: 

• Cuando el resultado del test obtenido en las tablas (t-teórica) es menor que el estadístico calculado (t-calculada). Se rechaza la hipótesis nula y se acepta por tanto la hipótesis alternativa, por lo que podemos decir que la diferencia es estadísticamente significativa. 

⇒ En ocasiones, se pude presentar la situación que la dos varianzas sean distintas o que partamos de la hipótesis de que las poblaciones de donde se han obtenido las muestras tengan varianza distintas. En este caso la fórmula: 

Hay que dar un paso intermedio y tener en cuenta la F (Fisher-Snedecor) o prueba de Levene que sale en los resultados del SPSS. 

• Lo primero es observar en la prueba de Levene el valor de F y significación.
• Si Levene es mayor que 0'05, se asume la igualdad de varianzas y se observa el estadístico t con los grados de libertad correspondiente a esa fila y la significación. 
• Si el estadístico es menor que le nivel de significación se rechaza la hipótesis nula. 

ANOVA 

Método para comparar dos o más medias, que es necesario porque cuando se quiere comparar más de dos medias es incorrecto utilizar repetidamente el contraste basado en la t de student. 

ANOVA, es un método que permite comparar varias medias en diversas situaciones. 

• Con el análisis de varianza comprobamos si existen diferencias estadísticamente significativas entre dos grupos. 
• Es el método apropiado cuando tenemos más de dos grupos en el mismo planteamiento. 
• Por lo que, permite estudiar la asociación entre una variable cuantitativa y una variable cualitativa de más de dos categorías, siempre que la cuantitativa siga una distribución normal. 
• El análisis de varianza, analizando varios grupos simultáneamente, nos dirá si entre las medias de los grupos hay o no diferencias significativas. Pero en el caso de que haya diferencias entre los grupos, habrá que comparar los grupos de dos en dos mediante procedimientos análogos a la t de Student, denominados contrastes posteriores. → Se basa en el cálculo del estadístico F de Fisher-Schnedecor. 

TEMA 12: CONCORDANCIA Y CORRELACIÓN

Correlación paramétrica: Pearson
Correlación no paramétrica: Sperman.

REGRESIÓN LINEAL SIMPLE: CORRELACIÓN Y DETERMINACIÓN 

• Se trata de estudiar la asociación lineal entre 2 variables cuantitativas. 
• Regresión lineal simple: una sola variable independiente. 
• Regresión lineal múltiple: más de una variable independiente. 

Ecuación de la recta: y=a+bx

Pendiente de la recta: b → b expresa la cantidad de cambio que se produce en la variable dependiente por unidad de cambio en la variable independiente. "b" es el coeficiente que va a acompañar a la "X", el cual vamos a llamar coeficiente de regresión. (Indica cuanto cabe esperar que cambie la respuesta por cada incremento unitario de la "X". Es decir, indica la pendiente o inclinación de la recta. 

Punto de intersección con el eje de coordenadas: a → a expresa cuál es el valor de la variable dependiente (eje y) cuando la independiente vale cero (eje x). 

Si x=0 → y=a

b>0→ relación directa (cuando x aumenta y también aumenta). 

b<0→ relación inversa (cuando x aumenta y disminuye).

• A: modelo lineal, buen ajuste. Cuando "x" crece "y" crece.
• B: modelo lineal, mal ajuste. Cuando "x" crece "y" crece.
• C: modelo no lineal, buen ajuste. Cuando "x" crece "y" crece. 
• D: modelo lineal, buen ajuste. Cuando "x" crece "y" decrece. 
• E: modelo no lineal, buen ajuste.  Cuando "x" crece "y" decrece. 
• F: Variables no relacionadas. Ninguna curva de regresión es adecuada. 

⇒Calculamos los valores de "a" y "b" que proporcionan la recta que mejor se ajusta. 

- Se parte del criterio de los mínimos cuadrados. Consiste en obtener un punto sobre la gráfica que se denomina (Yi), que es el punto observado, y posteriormente en coger un punto sobre la recta que hemos dibujado, denominado (Yi*), este punto es el que estima el modelo. 

- A continuación se calcula la diferencia entre ambos y nos interesa que la diferencia sea lo más pequeña posible. 

"a" y "b" se calculan: 

⇛COEFICIENTE DE CORRELACIÓN: número adimensional (entre -1 y 1) que mide la fuerza y sentido de la relación lineal entre dos variables. 

El coeficiente de correlación cuanto más próximo a 1 más relación y cuanto menos próximo menos relación. 

- COEFICIENTE DE DETERMIANCIÓN: número adimensional (entre 0 y 1) que dá idea  de la relación entre las variables relacionadas linealmente. r (cuadrado)= coeficiente de determinación.

• Modelos lineales deterministas: la variable independiente determina el valor de la variable dependiente.

1 valor independiente → 1 valor dependiente

• Modelos lineales probabilísticos: para cada valor de la variable independiente existe una distribución de probabilidad de la dependiente, con una probabilidad de entre 1 y 0. 

COEFICIENTE DE CORRELACIÓN DE PEARSON 

Paramétrica por lo que requiere que la distribución siga la normal. 

• Análisis de correlación: se utiliza con el propósito de disponer de un indicador cuantitativo que permite sintetizar el grado de la asociación entre variables. 

• Coeficiente de correlación r de Pearson: es un coeficiente que mide el grado de la relación de dependencia que existe entre las variables (x,y), cuyos valores van desde -1, correspondiente a una correlación negativa perfecta, hasta 1, correspondiente a una correlación positiva perfecta. 

r<0→ relación lineal inversa 

r>0→ relación lineal directa

r = independientes 

Imagen 1

Imagen 2

Correlación e interpretación 

REGRESIÓN LINEAL SIMPLE: CORRELACIÓN Y DETRMIACIÓN 

COEFFICIENTE DE CORRELACIÓN EN NO PARAMÉTRICAS 

El coeficiente de correlación por rango de rho de Spearman es una medida de asociación que requiere que ambas variables en estudio sean medidas por lo menos en una escala ordinal. 

• En el siguiente enlace que os voy a mostrar, os explicará de que forma usar este de coeficiente de correlación con una serie de ejemplos. Espero que no os queden dudas. Sitio web 1

rs=-1. La asociación es negativa e inversas, las ordenaciones son perfectamente contrarias.

rs=0. No existe asociación. 

rs=1. Las ordenaciones son todas concordantes.

PRUEBAS DE NORMALIDAD

Prueba de Kolmorov-Smirnov (n>50) y la prueba de Shapiro-Wilk (n<50). 

TABLA CHI CUADRADO

 Tabla chi cuadrado 1

TEMA 11: PRUEBAS NO PARAMÉTRICAS MÁS UTILIZADAS EN ENFERMERÍA

Aprenderemos a utilizar la prueba de chi cuadrado y para que utilizar la corrección de Yates, prueba exacta de Fisher y la prueba de McNemar.

TABLAS DE CONTINGENCIA-FRECUENCIAS ABSOLUTAS
Tablas de doble entrada que se emplean para registrar y analizar la asociación entre 2 o más variables de naturaleza cualitativa.

PRUEBA CHI-CUADRADO
La prueba o estadístico Chi cuadrado se utiliza para comprobar si la diferencia en los datos observados es debida:

• Al azar → Aceptamos H0
• Si es debida a algo más → Rechazamos H0, aceptamos H1. 

⇒ CONDICIONES PARA APLICAR LA PRUEBA DE CHI CUADRADO 

• Las observaciones deben ser independientes. 
• Utilizar en variables cualitativas. 
• Deben de ser más de 50 casos. 
• Las frecuencias teóricas o esperadas en cada casilla de clasificación no deben ser inferiores a 5. 

SI NO SE CUMPLEN ESTOS REQUISITOS: SE USAN PRUEBAS PARAMÉTRICAS. 

⇒RECORDEMOS EN LA PRUEBA CHI CUADRADO

1. Frecuencia observada→ la que recogen los datos. 
2. Frecuencia esperada→ la que observaríamos si no hubiese relación. 
3. Grados de libertad→ número de valores o datos que pueden variar libremente dado un determinado resultado. 

GL= (filas -1) x (columnas -1)



- Cuanto mayor sea la diferencia (y, por lo tanto, el valor estadístico), mayor es la asociación/dependencia entre ambas variables.

Los valores esperados, se calculan a través de producto de los valores totales marginales dividido por el número total de casos (n).

Tras realizar estos cálculos de FE, ya podemos aplicar la fórmula presentada anteriormente, por lo que obtenemos el valor de chi cuadrado. 

A continuación, damos paso a conocer el valor de la chi cuadrado teórica. El valor de la chi cuadrada teórica, se obtiene usando la tabla de chi cuadrado (la cual subiré en la próxima entrada), en la que hay que tener en cuenta: 

• Los grados de libertad (Recordamos: nº filas-1 x nºcolumnas -1)
• Nivel de significación de 0'05. 

Tras esto obtenemos un valor en la tabla, que se corresponde con la chi cuadrado teórica. 

Una vez tenemos la chi cuadrado de los datos y la chi cuadrado de la tabla las comparamos.

Si la chi cuadrado de los datos es menor que la chi cuadrado de la tabla, NO HAY MÁS DIFERENCIA EN LOS DATOS MÁS ALLÁ QUE LA QUE HABRÍA SÍ LA DIFERENCIA FUERA PRODUCTO DEL AZAR. Así que aceptamos la H0. 

ODDS RATIO

• Permite cuantificar la importancia/fuerza de la asociación entre 2 variables. 
• Sería el cociente entre la odds del grupo de individuos de la categoría 1 de la variable supuestamente dependiente, frente a la odds del otro grupo formado por los individuos de la categoría 2 de esa misma variable. 

                                                             ODDS                 ODDS 

- No tiene dimensiones. 

- El rango va de 0 a infinito. 

- OR=1 →  no hay asociación. 

- OR>1 → la presencia del factor de exposición se asocia a mayor ocurrencia del evento. 

- OR<1 → la presencia del factor de exposición se asocia a menor ocurrencia del evento. 

⇒Si se da el caso que las frecuencias esperadas sean pequeñas o menores de 5, no se puede utilizar el test estadístico de chi cuadrado. Por lo que:

• Reagrupamos los valores de las categorías. 
• Utilizamos la prueba exacta de Fisher y Corrección de Yates. 
• Los grados de libertad serían: n-1. Siendo n el total de los valores agrupados, es decir, si los 12 valores que teníamos los agrupamos en 4 columnas, nuestra n=4. 
• A un nivel de significación de 0,05. 

TEMA 10: ESTIMACIÓN Y/O SIGNIFICACION ESTADÍSTICA

En este tema 10 llamado "Estimación y/o significación estadística" nos centraremos en las distribuciones muestrales para medias y datos continuos y las distribuciones muestrales para proporciones y datos categóricos.

SIGNIFICACIÓN ESTADÍSTICA

• Permite contrastar hipótesis y relacionarlo con el método científico.
• Se parte de una hipótesis nula frente a una hipótesis alternativa. 
• Permite calcular el nivel de significación. 
• Nos permite tomar decisiones cuantificando el error. 

HIPÓTESIS ESTADÍSTICA

• Es una creencia sobre los parámetros de una o más poblaciones. 
• Siempre son proposiciones sobre la población. 
• Se llevan a cabo antes de comenzar el muestreo. 
• Pretenden comprobar si las diferencias encontradas en la muestra del estudio se pueden generalizar a la población. 
• Modelo teórico en el que se formula la hipótesis:

CONTRASTES DE HIPÓTESIS 

• Establecemos a priori una hipótesis acerca del valor del parámetro. 
• Realizamos la recogida de datos. 
• Analizamos la coherencia de entre la hipótesis previa y los datos obtenidos. 
• El test de hipótesis siempre va a contrastar H0. 
• Se utiliza la prueba estadística correspondiente y se mide la probabilidad de error al rechazar H0, asociada al valor p (normalmente con un 95% de nivel de significación).

ZONA DE RECHAZO Y DE ACEPTACIÓN 

Imagen: Zona de rechazo 1

Imagen: Zona de rechazo 2

• α: es un número muy pequeño, que se determina cuando se diseña el estudio. Conociendo α, se conoce la región de rechazo. 
• p: se conoce después de realizar el estudio. Conociendo p, se sabe el resultado del estudio. 
  
• Regla de decisión o criterio de rechazo: 
• Contraste de significación: p < α 

ERRORES DE HIPÓTESIS 

• El error α es la probabilidad de equivocarnos al rechazar la H0.
• El error α más pequeño al que podemos rechazar H0 es el error p.
• Habitualmente rechazamos H0 para un nivel máximo del 5% (p<0'05).

TIPOS DE VARIABLES ESTADÍSTICOS SEGÚN EL TIPO DE VARIABLES IMPLICADAS EN EL ESTUDIO

TEMA 9: INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA. INTERVALOS DE CONFIANZA Y CONTRASTES DE HIPÓTESIS

En el tema 9, trabajaremos acerca de la "Introducción de la inferencia estadística. Intervalos de confianza y contrastes de hipótesis", además detallaremos acerca de la estimación de parámetros, hipótesis estadísticas, contraste de hipótesis, error tipo I y error tipo II y contrastes por intervalos de confianza.

La inferencia estadística como ya sabemos es lo que llamamos al conjunto de procedimientos estadísticos que permiten pasar de lo particular (la muestra), a lo general, la población.
MUESTRA→POBLACIÓN 
PARTICULAR→GENERAL

Las dos formas de inferencia estadística son:

• Estimación del valor de la población (parámetro) a partir de un valor de la muestra (estimador).
• Contraste de hipótesis, a partir de valores de la muestra, se concluye si hay diferencias entre ellos en la población. 

ESTIMACIONES

Proceso de utilizar información de una muestra para extraer conclusiones acerca de toda la población. 

• ESTIMACIÓN PUNTUAL: consiste en considerar al valor del estadístico muestral como una estimación del parámetro poblacional. (Sería dar un dato sin más)

Para más aclaraciones, pueden acceder a esta página web: Estimación puntual

• ESTIMACIÓN POR INTERVALO: consiste en calcular dos valores entre los cuales se encuentra el parámetro poblacional que queremos estimar con una probabilidad determinada, habitualmente el 95%.
  

La estimación por intervalos consiste en establecer el intervalo de valores donde es más probable que se encuentre el parámetro. Estimación por intervalos

ERROR ESTÁNDAR 

• El error estándar de cualquier estimador mide el grado de variabilidad en los valores del estimador en las distintas muestras de un determinado tamaño que pudiésemos tomar de una población. 
• Cuanto más pequeño es el error estándar de un estimador, más nos podemos fiar del valor de una muestra concreta. - error estándar +fiable 

El cálculo del error estándar depende de cada estimador: 

• Error estándar para una media: 
  
• Error estándar para una proporción: 

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

INTERVALOS DE CONFIANZA

En este vídeo se os muestra como se calcula el intervalo de confianza: Vídeo: cálculo intervalo de confianza. Es un vídeo muy sencillo y muy claro, con un ejemplo práctico al final. 

TEOREMA CENTRAL DEL LÍMITE
Para estimadores que pueden ser expresados como suma de valores muestrales, la distribución de sus valores sigue una distribución normal con media de la de la población y desviación típica igual al error estándar del estimador de que se trate.

CONTRASTES DE HIPÓTESIS

Permite cuantificar la compatibilidad entre una hipótesis previamente establecida y los resultados obtenidos.
El test de hipótesis siempre va a contrastar la hipótesis nula.
→Hipótesis nula = H0 = la que establece igualdad entre los grupos a comparar = la que no establece relación entre las variables de estudio.

ERRORES DE HIPÓTESIS

• Con una misma muestra podemos aceptar o rechazar la hipótesis nula, todo depende de un error, al que llamamos alfa. 
• El error alfa es la probabilidad de equivocarnos al rechazar la hipótesis nula.
• El erro alfa más pequeño al que podemos rechazar H0 es el error p. 
• Habitualmente rechazamos H0 para un nivel alfa máximo del 5% (P<0'05), es lo que llamamos "significación estadística". 

TEMA 8: TEORÍAS DE MUESTRAS

En el siguiente tema 8, que va sobre las "Teorías de muestras" nos centraremos también en los tipos de muestreo, en la teoría de la estimación y en el tamaño de la muestra.

ESTIMACIÓN E INFERENCIA ESTADÍSTICA

• Al conjunto de procedimientos que permiten elegir muestras de tal forma que éstas reflejen las características de la población, a esto le llamamos técnicas de muestreo. 
• Siempre que trabajamos con muestras hay que asumir un cierto error.
• Muestreo probabilístico o aleatorio: procedimiento al azar, mediante el cual se puede evaluar ese error, error aleatorio. 
• Muestreo no probabilístico: no es posible evaluar el error. El muestreo no es aleatorio, es arbitrario. 

TIPOS DE MUESTREO 

• PROBABILÍSTICO Probabilístico

• NO PROBABILÍSTICO: no sigue el proceso aleatorio, no puede considerarse que la muestra sea representativa de una población, se caracteriza porque el investigador selecciona la muestra siguiendo algunos criterios identificados para los fines del estudio que se realiza. 
• Por conveniencia o intencional: el investigador decide según sus objetivos los elementos que integrarán la muestra. 
• Por cuotas: el investigador selecciona la muestra considerando algunos fenómenos o variables a estudiar, como: 
• Sexo
• Raza
• Religión 
• Accidental: consiste en utilizar para el estudio las personas disponibles en un momento dado, según lo que interesa estudiar. 

PROCEDIMIENTO MUESTRAL 
Un muestreo es un métodos tal que al escoger un grupo pequeño de una población podamos tener un grado de probabilidad de que ese pequeño grupo posea las características de la población que estamos estudiando. 

TAMAÑO DE LA MUESTRA 

El tamaño de la muestra a tomar va a depender de: 

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

Cálculo del tamaño de una muestra para estimar la media de una población: 

• n  = Z² x S²/e²
•  Z es un valor que depende del nivel de confianza 1-alfa con que se quiera dar a los intervalos calculados a partir de estimadores de esta muestra (Para nivel de confianza 95% z=1’96 y para nivel de confianza 99% Z=2’58).
• S² es la varianza poblacional. 
• e es el error máximo aceptado por los investigadores en las diferencias entre los grupos de comparación de la variable a estudiar. 
• Si tras esta operación se cumple el resultado: N>n (n-1), el cálculo del tamaño muestral termina aquí. 
• Si no se cumple, obtendremos el tamaño de la muestra con esta fórmula: n = n/ 1+(n/N)

Para calcular el tamaño de una muestra cuando queremos estimar una proporción: 

• p es la proporción de una categoría de la variable.
• 1-p es la proporción de la otra categoría. 
• z es el valor que depende del nivel de confianza 1-alfa.
• N es el tamaño de la población. 
• e es el error máximo aceptado por los investigadores en las diferencias entre los grupos de comparación de la variable a estudiar.

TEMA 7: TEORÍA DE LA PROBABILIDAD

El tema 7, irá sobre los la "Teoría de la probabilidad" y observaremos los conceptos básicos, la distribución y reglas básicas de la probabilidad, el teorema de Bayés, la distribución de la probabilidad discreta: binomial y de Poisson, la distribución de probabilidad continua: normal o campana de Gauss.

La probabilidad,

• Si no existe la certeza de que ocurran los hechos, existe una esperanza dimensionada y razonable, de que el hecho anunciado se vea confirmado. 
• Cuanto más probable es que ocurre un evento, su medida de ocurrencia estará más próxima a 1 o al 100% y cuanto menos probable, más se aproxima al cero. 

mapa conceptual

PROBABILIDAD SUBJETIVA PROBABILIDAD SUBJETIVA

PROBABILIDAD CLÁSICA  PROBABILIDAD CLASICA

EJEMPLO: EJEMPLO PROBABILIDAD CLASICA

PROBABILIDAD A POSTERIORI A posteriori

Resumen de las distintas probabilidades,  vídeo -> resumen1

PROPIEDADES DE LAS PROBABILIDADES

REGLAS BÁSICAS: TEORÍA DE LA PROBABILIDAD

• Las probabilidades siempre oscilan entre 0 y 1. 
• La probabilidad de un suceso contrario es igual a 1 menos la probabilidad del susucesos: 
• P (A') = 1 - P (A)
• La probabilidad de un suceso imposible es 0.
• La unión de A y B es: 
• P (A U B) = P (A) + P (B) - P (A  П B).
• La probabilidad condicionada de un suceso A a otro B se expresa:
• P (A/B)= P (A I B) / P(B) 

TEOREMA DE BAYES

Imagen: teorema de bayes

En este enlace, os dejo, una página web acerca de este teorema para que os resulte más fácil: https://economipedia.com/definiciones/teorema-de-bayes.html 

DISTRIBUCIÓN DE PROBABILIDAD EN VARIABLES DISCRETAS: BINOMIAL Y POISSON

DISTRIBUCIÓN BINOMIAL 

La distribución binomial es un modelo matemático de distribución teórica de (la normal es con variables continuas) variables discretas: 

• Cuando se producen situaciones en las que sólo existen dos posibilidades (cara/cruz; sano/enfermo…) 
• El resultado obtenido en cada prueba es independiente de los resultados obtenidos anteriormente. 
• La probabilidad del suceso A es constante, la representamos por p, y no varía de una prueba a otra. La probabilidad de `A es 1- p y la representamos por q . 
• El experimento consta de un número n de pruebas. 

En el siguiente enlace os mostraré una página web en la que hay realizados problemas resueltos sobre la distribución binomial: problemas

DISTRIBUCIÓN DE POISSON 

Imagen: distribucion de poisson 

DISTRIBUCIONES NORMALES

TIPICACIÓN DE VALORES EN UNA NORMAL

• Extrapolando aparecen los principios básicos de las distribuciones normales y podemos tipificar valores de una normal: 

En la siguiente página web, aparece la definición de tipificación y ejemplos: Tipificación 

Tabla tipificación de una normal