YT YouTube2Text

YouTube2Text → Transcripts → Valores de la p e IC 95%

Valores de la p e IC 95% — Transcript

by Epileaks · 8,935 words · 1,395 segments · language es · Watch on YouTube

Open in transcriber Summarize with AI Download SRT/VTT

Full transcript

0:00Vamos a hablar sobre inferencia
0:02estadística, valores de la P y en
0:04particular eh me interesa que en este
0:07contexto estudiemos sobre las
0:09diferencias entre lo que se conoce como
0:11significación estadística y
0:14significación clínica. Luego de eso
0:16vamos a hablar sobre estimación de
0:18parámetros y en particular sobre el
0:21intervalo de confianza al 95%. Bueno,
0:24vamos a comenzar entonces
0:26con la primera parte de este encuentro
0:29virtual. Dentro de las consideraciones
0:31que tenemos que tener cuando estamos
0:34evaluando asociaciones,
0:36decimos que una asociación puede ser
0:39causal siempre y cuando, por supuesto,
0:41complete se completen los se satisfagan
0:44los criterios de causalidad de Gil o la
0:47mayoría de ellos. A mayor criterio,
0:49ustedes saben que no hay una cantidad
0:51necesaria de criterios que cumplir, sino
0:53que a mayor cantidad de criterios
0:54cumplidos es más eh probable que la
0:59asociación observada sea causal. Pero
1:01antes de eso tenemos que estar seguros
1:03de que la asociación que estamos
1:05observando no sea debida al azar a
1:08factores de confusión o a sesgos.
1:11En la clase de hoy vamos a encargarnos
1:13de eh revisar cómo es que estimamos la
1:17probabilidad de que una asociación se
1:19haya debido al azar. Esto se encuadra
1:22dentro de un gran tema que es el tema de
1:25la generalización de datos muestrales en
1:27estadística en general y por supuesto
1:29que también dentro de la epidemiología
1:32donde tenemos que revisar algunas cosas
1:34porque suele ocurrir que aprender las
1:37técnicas estadísticas de la estadística
1:41diferencial suele costar bastante.
1:44Entonces es como que se hipertrofia esa
1:46dimensión. Pero para generalización de
1:48datos muestrales, es decir, cuando
1:49tenemos diferentes resultados en una
1:52muestra y queremos aplicarlas
1:55a la población de la cual se extrajo esa
1:57muestra, además de conocer conceptos
2:00sobre estadística inferencial, como les
2:02digo, siempre suele costar bastante
2:05aprender esta parte, por lo tanto, hay
2:08una una relativa hipertrofia de ese
2:10tema. Eh, también es importante luego de
2:14considerar los testes estadísticos y sus
2:16resultados y interpretarlos
2:18adecuadamente, decía, es importante que
2:21consideremos lo que se conoce como
2:23validez externa de los resultados,
2:26eh, también que se valore la importancia
2:28clínica de estos resultados y todo esto
2:32está mediado por el juicio crítico del
2:34lector, ¿no? Entonces, si bien para el
2:37tema este que vamos a estudiar hoy en
2:39realización de resultados muestrales e
2:42inferencias estadísticas, la parte
2:44estadística suele producir mucha
2:46dificultad que que es digamos el desafío
2:50docente en este sentido. Los otros tres
2:53componentes son tan tanto o más
2:56importantes que solamente la parte
3:00estadística. Muy bien. Entonces, cuando
3:03hablamos de generalizar datos muestrales
3:05e inferencia estadística, nos estamos
3:08refiriendo a una rama de la estadística
3:11que e tiene como propósito conocer
3:13propiedades de una población a partir de
3:16una vuelta.
3:17Eh, y eso nos permite hacer dos grandes
3:22eh estimaciones.
3:24Por empezar, se pueden estimar
3:26parámetros poblacionales. Ahora vamos a
3:29ver un ejemplo sobre eso. Y también
3:31podemos valorar diferencias entre
3:34poblaciones.
3:36Por ejemplo, si nos preguntáramos, ¿la
3:38calcemia de los varones con artritis
3:41reumatoida es sistemáticamente más baja
3:44que la calcemia de los varones? sin
3:47artritis reumatoida, esa diferencia, es
3:50decir, la calcemia de un grupo es
3:52diferente, más baja, igual o más alta
3:55que la de otro grupo, es una pregunta
3:58que se podría responder con técnicas de
4:00estadística inferencial.
4:02Otra pregunta, por ejemplo, ¿es útil
4:04indicar la vacuna contra la gripe en
4:06adultos sanos respecto de adultos eh con
4:10factores de riesgo? ¿Qué s yo? E esa es
4:13otra pregunta que se podría responder
4:15con inferencia estadística y otras de
4:18las preguntas que se pueden responder
4:19con estadística inferencial sería algo
4:21así como, ¿cuántos saben de tal tema?
4:24Eh, en este caso de la enfermedad de
4:26chagas, los habitantes de una localidad,
4:29¿no? Es decir, estimar una proporción
4:32que también podría ser una prevalencia,
4:33¿no? Prevalencia de conocimientos. En
4:35este caso, entre comillas, eh podríamos
4:37hacer la prevalencia de hipertensión
4:39arterial, digamos, respecto de un grupo.
4:41Bueno, todas estas cosas se pueden
4:43responder con técnicas de estadística
4:45diferencial. Y en esta clase vamos a
4:48recorrer los conceptos que hay que
4:50conocer para poder eh interpretar estos
4:52resultados. Y todo parte de un de una
4:55idea inicial que es que eh en el
4:59contexto de la estadística diferencial y
5:01la y y en particular en epidemiología
5:04que se usan eh que se usa un
5:06razonamiento inductivo, se parte de que
5:09el investigador quiere conocer lo que se
5:10conoce como un parámetro en un universo.
5:14Un parámetro que que se quiere conocer,
5:16que corresponde a un universo que podría
5:19ser conocido. Si exactamente el valor
5:23del parámetro se podría conocer si se
5:26analizara cada una de las unidades o de
5:29los elementos que constituyen ese
5:32universo. Habitualmente la posibilidad
5:35de hacer mediciones a cada una de las
5:38unidades del universo es virtualmente en
5:42realidad realmente imposible, ¿no? Eh,
5:45digamos, si quisiéramos conocer la
5:47prevalencia de una enfermedad dada en la
5:49población, deberíamos testearla en cada
5:52una de las en cada uno de los habitantes
5:54de esa población.
5:56Eh, y de esa manera se conocería lo que
5:59se conoce como parámetro del universo.
6:01Decía, como habitualmente no se puede
6:03acceder a todo a cada uno de los
6:06elementos del universo, se toma una
6:08muestra de ese universo, una muestra que
6:11en en epidemiología y en estadística
6:13diferencial se requiere que sea tomada
6:14de manera probabilística. se tomó una
6:17muestra y se hace las mediciones en esa
6:19muestra del universo. Entonces, los
6:22resultados que se obtienen en esa
6:24muestra del universo se conocen como
6:27estimaciones. Estimador es el resultado
6:31particular de una medición dentro de una
6:34muestra. ¿Por qué estimador? porque
6:36trata, como su palabra lo indica, de
6:37estimar al parámetro poblacional que por
6:40los motivos que mencioné recién no se
6:42puede conocer directamente
6:45y eso va a traer consecuencias
6:47importantes porque como no tenemos la
6:49medición de cada unidad de análisis del
6:53eh de cada elemento del universo,
6:56entonces luego vamos a tener que pensar
6:59si los resultados que se obtuvieron en
7:02esta muestra del universo, en qué medida
7:05se corres responden con el parámetro que
7:08quisiéramos conocer, que eso es un gran
7:10tema y ese es el tema de la estadística
7:12inferencial. Bueno, vamos a comenzar a
7:15recorrer este este tema con los valores,
7:18los famosos valores de la P.
7:21Voy a ir de lo más eh simple a lo más
7:24complejo y lo más complejo está escrito
7:27en un texto que puse a disposición en el
7:29campus virtual, ¿no? Acá vamos a hablar
7:31de lo que podríamos decir el cinturón
7:33blanco de eh los valores de la P. En ese
7:36contexto, los valores de la P significa
7:39probabilidad, ¿no? y su valor va a
7:41indicar, voy a decir de una manera
7:43simple ahora, la probabilidad de que los
7:46resultados que estamos considerando de
7:48un trabajo sean debidos a las Después
7:51vamos a aprender que específicamente lo
7:53que mide eh el valor de la P es la
7:56probabilidad de haber cometido lo que se
7:59conoce como error de tipo uno, que
8:01después lo vamos a ejemplificar más
8:03adelante en esta en esta clase.
8:07Ahora existe lo que se conoce como un
8:10punto crítico, es decir, ¿cuál es el
8:12valor de la P que se va a tomar como
8:15referencia para considerar que un
8:18determinado resultado tiene una alta,
8:21una baja probabilidad de haberse
8:24producido por la intervención del azar?
8:27Y habitualmente eh se toma como punto
8:30límite el 5% o una P menor menor al 5%,
8:34una P menor a 0,05 0,05% 5%. Entonces,
8:40habitualmente
8:41eh estamos acostumbrados a eh tomar como
8:44valores, como punto de corte a una P de
8:47lo que se va a conocer como
8:48estadísticamente significativa, los
8:51valores de la P que toman valores
8:53menores a 0,05.
8:56Cuando eso ocurre, cuando los valores de
8:58la P toman valores menores a 0,05,
9:03decimos que los resultados son
9:05estadísticamente
9:07significativos. Esa palabra es
9:09importante y hay que diferenciarla de la
9:12expresión clínicamente significativo que
9:15vamos a estudiarlo más adelante.
9:17Entonces, de nuevo, la P menor a 0,05
9:21dice este resultado es un valor, es un
9:24resultado estadísticamente
9:25significativo. Muy bien.
9:27Específicamente, decía, la P mide la
9:31probabilidad
9:32de que se haya cometido lo que se conoce
9:34como error de tipo uno. Ya lo vamos a
9:36ver.
9:38o lo que es lo mismo, que se rechace lo
9:41que se conoce como hipótesis nula cuando
9:44en realidad esa hipótesis es verdadera y
9:48por lo tanto e debería no rechazarse. Ya
9:52vamos a estudiar por un ejemplo esto.
9:55Y como consecuencia de esto, de esta
9:58definición que estoy mencionando, como
10:00los valores de la Piciones de
10:02probabilidades, ya sea de cometer el
10:04error de tipo uno o ya sea de que los
10:06resultados sean debidos al azar o de que
10:09se rechace la hipótesis nula cuando en
10:13realidad no debería ser eh rechazada,
10:16cosas que vamos a aprender ahora. E es
10:20eso la P no no es una medida de la
10:23fuerza de asociación entre dos
10:25variables, ¿no? Como habíamos dicho en
10:27clases previas, la fuerza de la
10:30asociación entre un factor y un evento
10:33se mide mediante otros indicadores como
10:36el otro redio, el riesgo relativo, la
10:38razón de prevalencia, etcétera. Ahora,
10:40el valor de la P que se fija
10:43habitualmente en 0,05,
10:46menor a 0,05,
10:48e ese valor es arbitrario, no hay una
10:52una una explicación por lo cual e se
10:56haya llegado a ese valor, ¿no? No hay
10:58una una un motivo estadístico ni
11:01matemático ni epidemiológico, ¿no? Con
11:03lo cual, e el valor de la P fijada en
11:07menor a 0,05 es más bien un valor que se
11:12sigue a fuerza de la tradición, ¿no?
11:14Pero puede ser cambiado, ¿no? Y en y
11:16debe ser cambiado en algunas
11:18circunstancias. Por ejemplo, de acuerdo
11:20a la gravedad de las consecuencias que
11:23podría originar justamente rechazar una
11:25hipótesis eh nula cuando fuera cierta y
11:29también eh cuando e se tienen muchas
11:33variables en consideración. Es decir, si
11:36yo estoy en el ejemplo de la simulación,
11:39si quisiéramos saber factores de riesgo
11:41asociados a la muerte por COVID en los
11:43pacientes en ARM, tenemos una serie de
11:47variables que ustedes analizaron en la
11:49simulación. Eh, supóng que sean 10
11:52variables, pero si fueran 150 variables,
11:55¿no? 150 factores que quisiéramos
11:58investigar si están alguno de ellos
12:00relacionados o no a la muerte por COVID,
12:02en ese preciso ejemplo sería
12:05conveniente, estaría indicado eh tomar
12:08un valor de la P como significativo, un
12:11valor mucho menor, ¿no? 005, tal vez
12:150,01, ¿no? que es una un requisito mucho
12:18más exigente para alcanzar la
12:21significación estadística. Entonces,
12:23aunque los valores de la P que se fijan
12:25en 0,05, menos de 0,05 son arbitrarios,
12:30habitualmente se toma ese valor más que
12:32nada por tradición en el campo de la
12:34ciencia, ¿no? Pero ese valor debe ser
12:37críticamente considerado, especialmente
12:40eh si se toma ese valor u otro menor y a
12:43veces otro mayor según ciertas
12:46circunstancias. Vamos a ver cómo se
12:49procede con un test estadístico, que es
12:51el más simple, que es el test de la Z.
12:54¿Por qué? Porque en base a estos pasos
12:57que les voy a mostrar ahora, luego
12:58siempre se procede de la misma manera,
13:00independientemente del testadístico
13:03de de hipótesis que se te considera.
13:06Entonces, miremos este ejemplo. Dice,
13:07"Se estudió el calcio acérico en 43
13:09varones con artritis reumatoides. La
13:12media de calcio de ese grupo, de esa
13:14muestra que se estudió, fue de 9,5 mg
13:17por dclilro, ¿no? Ese es el valor de la
13:20media de calcio de estos 43 varones.
13:23Ahora se sabe que el valor normal de la
13:25calcemia es de 9,9 mg por dil deo
13:28estándar de 0,66
13:31sin importar de qué se la pregunta es,
13:33¿los varones con artritis reumatoide
13:36tienen menos calcio que la población
13:38general? Observen que acá hay dos
13:41grupos, pero nosotros estamos el
13:44investigador ha medido el calcio en una
13:47muestra de pacientes con arritis
13:48reumatoida, varones en este ejemplo de
13:5143 personas.
13:53no tiene un grupo de comparación
13:54inmediato de otros 43 pacientes varones
13:58sin artritis reumatoid. Que en este
14:01ejemplo se está comparando la la
14:04calcemia del grupo de estudio con los
14:09valores conocidos de un parámetro del
14:12universo, ¿no? Que es una posibilidad
14:14que se puede usar en estadística
14:17inferencial.
14:19Muy bien, en este ejemplo y en todos los
14:22otros ejemplos que podríamos
14:23desarrollar, de hecho vamos a
14:24desarrollar otros más en esta clase, el
14:27primer paso es generar lo que se conoce
14:29como hipótesis nula y alternativa. En
14:32realidad, el investigador genera lo que
14:34se conoce como hipótesis alternativa. Es
14:37muy importante que entendamos cómo se
14:39generan las hipótesis, en el primer
14:41paso, nulas y alternativas, porque lo
14:45que va a medir el valor de la P es la
14:49probabilidad de que la hipótesis nula
14:53sea cierta. Realidad no es cierta,
14:54cierta entre comillas, pero lo digo así
14:56para mantenerlo en un nivel de simple en
15:00este momento en el texto y más adelante
15:02lo vamos a complejizar.
15:04Entonces, ¿qué es la hipótesis nula? y
15:06que es la hipótesis alternativa. Lo que
15:09al investigador le interesa en principio
15:12y de manera explícita es lo que se
15:14expresa en la hipótesis alternativa.
15:17Hipótesis alternativa o H1. En este
15:20ejemplo, el investigador quiere saber,
15:23no se sabe bien porque no está muy
15:24claro, pero podríamos querer saber
15:26simplemente que el calcio de los varones
15:30con artritis reumatoida, es la media del
15:33calcio de los varones con arritumatoida
15:35es diferente, puede ser mayor o menor,
15:38que la media del calcio de la población
15:40general. Si se lo plantea de esa manera,
15:44eso es una hipótesis alternativa que se
15:46llama bilateral, porque se plantea que
15:49puede ser mayor o puede ser menor el
15:51valor comparado con el otro.
15:55Y también podría expresar, eso depende
15:57del interés del investigador y el marco
15:58teórico que el investigador esté
16:00manejando, decía, podría expresarse de
16:03esta forma. El calcio de los varones con
16:05ar es menor al de la población general.
16:10O también el calcio de la población con
16:12ar, varones, es mayor que el de la
16:17población general. Cualquiera de las dos
16:18formas, cualquiera de esas dos cosas que
16:21se diga un valor es mayor que el otro o
16:25un valor es menor que el otro. Una de
16:28esas dos cosas, cualquiera de esas dos
16:30formas, sería una hipótesis alternativa
16:34unilateral o unicaudal, ¿no? Diferente,
16:37a decir la media o el valor de un grupo
16:40es diferente
16:42mayor o menor, no importa cuál, sin un
16:45sentido previamente establecido que el
16:47otro grupo, si yo lo digo de esa forma,
16:49es una hipótesis alternativa bilateral.
16:52Y si yo selecciono el sentido de esa
16:55asociación, digo, es mayor o es menor,
16:58ya es una hipótesis alternativa
17:00eh unilaterral. Bueno, esas son las
17:04hipótesis alternativas que son las que
17:05explícitamente decía el investigador
17:08quiere responder con su trabajo. Esas
17:11son las preguntas que se hace y de esa
17:12forma las respondería. Pero la hipótesis
17:15nula siempre plantea la igualdad de
17:18ambos grupos, ya sea que la media de un
17:21grupo es la misma que la media del otro
17:23o que la proporción de un grupo es la
17:26misma que la proporción de otro grupo.
17:29Entonces, el valor de la P lo que mide
17:32es la probabilidad de que esa hipótesis
17:35nula que siempre plantea que no hay
17:38diferencias entre ambos grupos decía que
17:42esa hipótesis nula sea cierta. Estoy
17:45usando la palabra cierta todo el tiempo
17:46entre comill porque la ciencia no da
17:49cuenta de la verdad. no podemos saber
17:51cuál es la verdad o cuál es la certeza,
17:54sino que mejor sería expresarlo de esta
17:57forma. E con la valor de la P medimos la
18:00probabilidad eh de que los datos que
18:03tenemos sustenten
18:05eh sólidamente a la hipótesis nula, ¿no?
18:08Pero para hacerlo más simple decimos que
18:10sea cierto, ¿no? Sabiendo entre comillas
18:12y entre paréntesis que no podemos dar
18:14cuenta de en la ciencia de la verdad,
18:16¿no? Eso es otra cosa.
18:20Entonces veamos las consecuencias en
18:22este ejemplo.
18:24Pónganse que somos los investigadores
18:27que que nosotros queremos saber si el
18:29calcio cérico es diferente en los
18:32varones con ar respecto de la población
18:34general. No tenemos una hipótesis de si
18:36es más o menos. Es diferente. Decimos,
18:39nos preguntamos eso. Entonces, ¿estamos
18:41preguntándonos o estamos en el contexto
18:43de una hipótesis alternativa a dos
18:45colas? ¿no? Y la hipótesis nula
18:48plantearía que la media del grupo de
18:50estudio es la misma, no es diferente, es
18:53la misma al grupo con lo cual lo vamos a
18:56comparar. Eso se expresa entonces en
18:58este ejemplo de esta manera. Si la
19:01probabilidad cuando miramos la P, la
19:04probabilidad de que la hipótesis nula
19:07sea cierta
19:10es muy baja. Si ocurriera eso, yo digo,
19:15la probabilidad de que H0 H0 sea cierta
19:19es muy baja, me va a permitir descartar
19:21o no considerar esa hipótesis y poder
19:24quedarme con la hipótesis alternativa.
19:29En cambio, si la probabilidad de que la
19:31hipótesis nula sea cierta es alta, no
19:35vamos a poder considerar como posible o
19:39como probable a la hipótesis
19:41alternativa. Ese es el sentido del
19:44testadístico de hipótesis. De nuevo, es
19:46la de medir o de estimar la probabilidad
19:50de que nuestros datos puedan seguir
19:52sosteniendo la hipótesis nula o no. Y
19:56entonces, si nuestros datos no la
19:58sostienen, la probabilidad de que esa
20:00hipótesis nula sea cierta es muy baja,
20:04nos permite descartarla y poder aceptar
20:06nuestro postulado inicial. Esa es la
20:09lógica de todos los test estadísticos
20:12que prueban hipótesis, ¿no? Muy bien.
20:15Entonces, lo que primero que hay que
20:16hacer es generar la hipótesis nula y
20:20alternativa. Y eso depende del
20:21investigador y del marco teórico que el
20:23investigador esté considerando.
20:27Luego hay que decidir sobre qué prueba
20:30de hipótesis se va a utilizar. Hay un
20:33montón de pruebas de hipótesis. Ahora
20:34les voy a mostrar un cuadro que
20:36considera eh un panorama general de
20:40pruebas de hipótesis. En este caso que
20:43se conoce eh los valores del parámetro
20:46de un grupo y yo quiero comparar eso que
20:49ya es conocido con mis resultados,
20:53eh el test pertinente sería el test de
20:56la Z.
20:58Entonces, esto es en el paso dos, a
21:02decidir sobre la prueba que hay que
21:03utilizar tiene que ver con que
21:05conozcamos cuáles son las pruebas
21:07disponibles, ¿no? El siguiente paso es
21:10decidir cuál va a ser el nivel de
21:12significación estadística, ¿no? Habíamos
21:14dicho que el nivel de significación alfa
21:16en este caso indica la probabilidad de
21:20rechazar de manera inadecuada la
21:22hipótesis nula cuando esta hipótesis en
21:25realidad es cierta.
21:27Y es el punto en que habitualmente los
21:31investigadores seleccionan como valor e
21:34de significación estadística un valor
21:37menor a 0,05.
21:40El paso cuatro es consultar en la tabla
21:44de los valores Z, cuál es el valor Z
21:51que se relaciona a una P de 0,05, ¿no?
21:57Entonces, si uno se fija en la tabla de
22:00los valores Z, va a ver que un valor de
22:04P de 0,05 bilateral equivale a un valor
22:08de Z de 196.
22:11Es decir, que cuando hacemos los
22:12cálculos, si me da más que 1,96 el Z que
22:16yo calcule, que ahora vamos a ver,
22:19entonces estaría superando ese eh ese
22:24punto crítico y diría que la
22:26probabilidad de que eh los resultados se
22:29van a enlazar es menor a 0,05. Ahora lo
22:32vamos a ver con nuestro ejemplo. El paso
22:35cinco es realizar los cálculos. Acá está
22:37la fórmula del test de la Z. En este
22:40test lo que se hace es se resta la media
22:45de mi grupo, en este caso de la del la
22:47calcemia de los varones, promedio de la
22:49media de calcio de los varones, que en
22:51este caso es 9,5,
22:53a el promedio de la población general,
22:56que en este caso es 9,9.
22:59Y eso se divide por el desvío estándar
23:04de la media de la población general.
23:07a su vez dividido por la raíz cuadrada
23:10de la cantidad de personas que he
23:12analizado, que en este caso es 43.
23:15Se hacen los cálculos y me da un valor
23:17de z de -4.
23:20Si yo visualmente me imagino que el -4
23:24está mucho más allá de -3, ya me estoy
23:27dando cuenta de que tener un Z de -4 es
23:30algo super infrecuente, lo que equivale
23:33a decir que tener una media de calcio de
23:379,5,
23:40ese valor es un valor muy infrecuente,
23:43está muy lejos eh de
23:49lo que esperaríamos, ¿no? Entonces esta
23:52Z de -4, si yo me fijo en la tabla, que
23:55ya me doy cuenta, me dio -4, es un valor
23:59muy alejado a 1,96, ¿no? Que es lo que
24:02me debería haber dado eh como mucho ese
24:06esa estimación.
24:08De todas formas, si yo me voy a la tabla
24:11de los valores Z, un valor de Z - 4
24:15corresponde a una P, a una P de lo voy a
24:19leer para que no me confunda, 0,006.
24:24Por lo tanto, esa es la probabilidad muy
24:27baja, muy baja, que la hipótesis nula
24:31sea cierta.
24:34¿Qué la hipótesis nula? que la media de
24:36ambos grupos era igual. Bueno, eso es
24:41muy poco probable que sea así.
24:45lo que me permite descartar esa
24:47hipótesis nula y aceptar lo que había
24:51planteado como hipótesis alternativa,
24:53¿no? Que dependerá que si dije la medida
24:56del grupo es menor que la del otro o
24:58diferente. Bueno, lo que sabemos es que
25:01una probabilidad muy muy muy baja de que
25:04la media de ambos grupos sea igual.
25:08Bueno, hay algunas consideraciones que
25:10hay que tener en cuenta cuando
25:12interpretamos los valores de la P. Yo
25:14acá estoy hablando de que la hipótesis
25:16nula sea cierta, que la acepte o la
25:18rechace, que una sea o no verdadera. Hay
25:22que hacer, lo estoy diciendo de esta
25:23forma para hacerlo simple, pero hay que
25:25ser muy cauteloso. Acá lo advierto,
25:27cuando se aplican estos términos, porque
25:30en realidad lo que no podemos en ningún
25:33momento decir que una hipótesis o la
25:36otra sea cierta o verdadera, porque la
25:38ciencia no tiene una medición de la
25:41verdad, ¿no? Eh, lo aunque para que se
25:45entienda mejor, solemos utilizar esos
25:49términos, ¿no? aceptar la hipótesis
25:51nula, cuándo sea verdadera, etcétera.
25:54Pero no es todo correcto porque, como
25:56digo, la ciencia no puede verificar la
25:58verdad de ninguna proposición. En
26:01realidad, lo que se hace con estos test
26:04verificar eh en base al set de dato que
26:08tenemos cuál es la probabilidad de que
26:11eso sea algo extremo, extremadamente
26:13raro o no, ¿no? ¿Cuál es la probabilidad
26:15entonces de que nuestra hipótesis eh
26:19nula esté sustentada con la evidencia de
26:24nuestros datos? sería la expresión
26:26correcta de cómo se interpreta un test
26:28estadístico eh que involucre a los
26:31valores de la P, ¿no? No cuál es la
26:33verdad, sino cuál es el sustento
26:36estadístico que tienen nuestros datos
26:39para sostener esta hipótesis que estamos
26:42planteando. En ningún momento, en ningún
26:45momento se está hablando de que si algo
26:47es verdadero o no es verdadero, por más
26:50que se utilicen esos términos para
26:51facilitar el aprendizaje de estos test.
26:56Bueno, y acá hay una diapositiva donde
26:58se presentan una síntesis de los
27:01testadísticos que se pueden utilizar,
27:04¿de acuerdo? Y acá es eh acá encontramos
27:07por qué la importancia, ¿no?, de de
27:10conocer cuáles son las variables que
27:12estamos utilizando, cómo se clasifican,
27:14porque eh justamente de cómo sea la
27:16escala en cual fue medida la variable,
27:19independiente y dependiente, es que
27:23vamos a seleccionar el test estadístico
27:25adecuado para esa situación. Entonces,
27:28una vez que entendemos bien cómo son
27:30estos pasos de las pruebas de hipótesis
27:33y en particular cómo es el tema de la
27:35hipótesis alternativa, la hipótesis nula
27:38y que el valor de la p mide la
27:41probabilidad de que la hipótesis nula
27:44sea cierta, podemos entender lo que se
27:47conoce como errores de tipo uno y de
27:49tipo dos.
27:51Acá me voy a referir específicamente al
27:53error de tipo uno, que además ambos
27:56están bien explicados en el texto que
27:57les dejo en el campo virtual, pero no
27:59quiero complejizar en esta clase
28:01demasiado porque sé que más adelante hay
28:03otras cosas que pueden ser un poco más
28:05complicadas de entender. El error de
28:08tipo uno sería el error que se comete
28:11cuando el investigador, si el
28:13investigador rechaza la hipótesis nula
28:16cuando esta es, entre comillas,
28:19verdadera.
28:20Eh, ese eh error de tipo uno es lo que
28:25se está midiendo, la probabilidad de
28:27cometer ese error de tipo uno es en lo
28:29que definitiva está midiendo el valor de
28:32la P. Vamos a dar un ejemplo para poder
28:36eh desmitificar, por así decirlo, la
28:38dificultad de estos conceptos, porque en
28:40el fondo, como les digo, no es más que
28:43medir la probabilidad de que una
28:45hipótesis sea o no sustentable en base a
28:49nuestros datos, ¿no? Acá hay un ejemplo
28:51de la pregunta sobre el uso de la vacuna
28:54contra la gripe, ¿es útil? ¿Sirve? ¿Es
28:57efectiva en adultos sanos? Entonces, acá
29:00hay una revisión, un metaálisis que
29:03obtuve en la hidrería Cocrain
29:06que evalúa justamente e la tasa de
29:10personas con gripe en el grupo de
29:13vacunados y no vacunados. Todos son
29:15adultos previamente sanos. Si tuviéramos
29:19que hacer eh la hipótesis alternativa en
29:22este planteo, uno diría, "La población
29:26vacunada contra la gripe, la población
29:28adulta sana vacunada contra la gripe
29:32tiene
29:33menor incidencia de gripe comparada con
29:37la población adulta sana, no vacunada."
29:40O también podríamos decir el riesgo de
29:43el grupo vacunado es menor que el grupo
29:47no vacunado de desarrollar gripe, todos
29:50adultos sanos. O también lo que va a
29:53producir lo que en este ejemplo vamos a
29:55desarrollar o el riesgo relativo de
29:59tener gripe estando vacunado es menor a
30:03uno con respecto a no estar vacunado.
30:06Esa sería la hipótesis. Cualquiera de
30:08esas formas serían hipótesis
30:09alternativas en todas ellas
30:12unilaterales, porque estamos diciendo
30:14que un grupo tiene menos riesgo que el
30:16otro de tener el
30:19hipótesis nula se plantearía de esta
30:21forma. El riesgo del grupo vacunado es
30:24igual al riesgo del grupo no vacunado,
30:27es decir, se plantearía la ausencia de
30:29asociación entre la vacuna y el riesgo
30:32de tener gripe.
30:34Entonces, la hipótesis nula, lo repito,
30:37sería el riesgo del grupo vacunado es el
30:40mismo que el riesgo del grupo no
30:42vacunado de tener gripe y calcularíamos
30:45el valor de la P. En este ejercicio, en
30:48este ejemplo se utilizó el test de la Z.
30:51En el test de la Z sean los cálculos y
30:54da un valor de Z de 12,99.
30:57Más temprano dijimos que el valor
31:00crítico para un test bilateral es de
31:021,96 aproximadamente, menos o más según
31:06corresponde, ¿no? Y ahora les digo que
31:08un valor Zac crítico para un test
31:11unilateral es de 1645,
31:15redondear en 165.
31:17Entonces, si yo obtengo un valor que
31:20supere ese punto crítico,
31:24mi test va a ser estadísticamente
31:26significativo.
31:27Entonces, en este ejemplo vemos que eh
31:30el Z da de 12,9, alejadísimo
31:35del punto crítico que era 165,
31:38por lo cual de cuenta de que es un test
31:41estadísticamente un resultado
31:42estadísticamente significativo. Y si me
31:45imagino en en el esquema de la curva de
31:47Gaus, dónde estaría un Z de 12, me doy
31:51cuenta que está ya ni siquiera entra en
31:53la imagen dónde está el Z12, ¿no? ¿Cómo
31:57podríamos calcular esto en un software
32:00estadístico como Epidad? Primero tengo
32:02que ser consciente de que estoy
32:04comparando la tasa de un grupo, la tasa
32:08de gripe de un grupo comparándola con la
32:11tasa de gripe del otro grupo. Tasas son
32:15matemáticamente proporciones. Ya
32:16dijimos, expresan riesgo, pero son
32:18matemáticamente propor
32:24de la Z que compare proporciones
32:28de dos grupos, de dos grupos. en este
32:30ejemplo independientes porque tenemos el
32:33grupo de los vacunados y otro grupo que
32:37son el grupo de los no vacunado.
32:40Entonces deberíamos ver donde dice
32:42muestra uno es el grupo uno, ¿no? Por
32:44ejemplo, el grupo de los vacunados.
32:47Tantas personas eh tuvieron gripe de
32:50tantos vacunados. Eso va en la muestra
32:53uno y en la muestra dos, cantidad de
32:55personas con gripe del total de esas
32:58personas. eh de el total de personas con
33:01gripe no vacunadas, del total de
33:03personas no vacunadas. Y ahí vemos que,
33:07bueno, una el el el cálculo que enidad
33:11eh resulta eh siempre hay algunas
33:13diferencias por redondeos o por
33:15diferentes correcciones que hacen los
33:18programas estadísticos da un Z de 10,28
33:22parece, ¿no? Bueno, igual la P es muy
33:23muy baja. Por lo tanto, tenemos esta
33:26situación. Tenemos en el primer grupo
33:29que había 27,478
33:32personas vacunadas, de ellas
33:34desarrollaron gripe 321 personas, con lo
33:37cual la tasa de incidencia de gripe en
33:40ese grupo de vacunados es de 1,16%
33:44comparado con eh 570 casos de gripe que
33:48se produjeron en 24,246
33:51personas no vacunadas. Es decir, la tasa
33:54del grupo no vacunado de gripe fue de
33:562,35%.
33:58Ya estamos viendo que la tasa de un
34:00grupo que es de 1 eh16
34:04no es la misma que la tasa del otro que
34:07es de 2,35. Así que decimos acá hay una
34:10asociación. Tenemos que pensar que no
34:13haya sesgos, que no haya factores de
34:15confusión. Eso lo vamos a aprender más
34:17adelante. Eh, tenemos que verificar que
34:20se cumplan los que causalidad de Hill.
34:22Eh, y luego nos preguntamos, ¿y esta
34:25diferencia de tasa de incidencia entre
34:27un grupo y el otro se habrá debido al
34:29azar? Bueno, lo que calcula el test de
34:33la P, el test de la Z, que para obtener
34:35la P es la probabilidad de que estos
34:37resultados sean debidos al azar. Y vemos
34:40que la P da un valor muy muy bajo. Lo
34:44que se debería interpretar como que la
34:46probabilidad de que estos resultados se
34:48hayan debido al azar es muy baja, muy
34:51baja, menor a uno en 100,000, ¿no?
34:55Entonces diríamos esto no es por hacer,
34:58¿no?
35:00Lo cual apuntaría a la consideración de
35:04esta asociación como una asociación que
35:06no se produjo por azar y si no se
35:08produjeron sesgos ni factores de
35:09confusión y si se cumplen con los
35:12criterios de causalidad de Hill,
35:13podríamos plantear que la vacuna contra
35:15la gripe es causa de menor gripe en la
35:19población de adultos. Pero ahora hay que
35:22hacer algunas consideraciones. Hay que
35:24hacer algunas consideraciones con la
35:26interpretación de estos resultados.
35:29Lo vamos a ver en la segunda parte de
35:31este video porque se está haciendo muy
35:32largo y no quiero aburrirlos. Ahora nos
35:35vemos. Bueno, en esta segunda parte voy
35:37a tratar de poner menos efectos
35:38especiales para que sea más rápida la
35:40edición, pero quiero hacer algunas
35:43consideraciones respecto del valor de la
35:44P. Una de ellas es que, como dijimos, el
35:48punto de corte en 0,05
35:50menor a ese valor es un punto de corte
35:53arbitrario.
35:55Entonces a veces hay eh una falta de
35:59significación estadística. Por ejemplo,
36:02la P resulta en 0,06.
36:06Se dan cuenta que entre menos de 0,05,
36:09por ejemplo, 0,04
36:11y 0,06, no hay mucha diferencia. Y
36:15entonces esta es una de las críticas que
36:17se hace a los valores de la P que están
36:19siendo muy criticados ya hace 20, 30
36:21años, que se trata de eh estimular que
36:25se deje de usar, ¿no?, eh este esta
36:28técnica o estos este parámetro para
36:32tomar decisiones en la salud pública y
36:35en la medicina basada en la evidencia,
36:37porque bueno, son eh cuestiones que
36:39tienen que ver con la arbitrariedad de
36:43ese valor. Entonces, a veces puede
36:46ocurrir que se descarten resultados que
36:49podrían ser clínicamente importantes
36:50solamente porque le falta una centésima
36:54a ese punto de corte que es arbitrario.
36:57Y además los valores de la P conllevan a
37:00a a la interpretación acrítica de eh
37:04algunos resultados en las
37:06investigaciones en salud, ¿no? Y en
37:08general esas son las críticas que se le
37:10hacen, entre otras, a los valores de la
37:13P. Personalmente, me parece que si uno
37:15sabe alguno de estos conceptos que
37:17estamos mencionando, los valores de la
37:19Pen
37:25son muy dependientes del tamaño de la
37:28muestra que se toma. Y entonces por un
37:32lado, si falta muestra pueden ser no
37:34significativos cuando en realidad las
37:37diferencias son importantes, lo cual si
37:40eso ocurre es un ejemplo de error de
37:43tipo dos que tiene que ver con eh no
37:47poder rechazar la hipótesis nula cuando
37:49en realidad se podría haber rechazado.
37:52En la es en las investigaciones en
37:55realidad uno antes de hacer el
37:58experimento debe calcular la muestra que
38:00asegure una potencia estadística de tal
38:03manera que si hay diferencias estas
38:05puedan ser eh eh vistas, ¿no? Pero a
38:10veces eh no se puede alcanzar por
38:13diferentes motivos. Por ejemplo, cuando
38:15un evento es extremadamente raro, el
38:17tamaño de la muestra necesario.
38:19Entonces, a veces puede ocurrir, como
38:22les mencionaba, que no se alcance la
38:24significación estadística, no porque no
38:26exista diferencias entre grupos, sino
38:28porque la muestra es escasa, porque eh
38:32los valores de la p son muy dependientes
38:35del tamaño de la muestra. Si ustedes ven
38:36acá hay dos ejemplos, el test de la t y
38:38el test de la z. el test de la tifencia
38:41de medias y el test de la Z para
38:43proporciones. En ambos casos y en todos
38:46los test estadístico de hipótesis vamos
38:48a encontrar que el tamaño de la muestra
38:52está en el denominador de los
38:56testadísticos, es decir, los valores de
38:59t o de z van a ser inversamente
39:01proporcional al tamaño de la muestra y
39:03es por eso que son muy sensibles a a
39:07este detalle.
39:09Por otro lado, en nuestro ejemplo de la
39:12vacuna contra la gripe, tenemos una
39:15diferencia de 1 16% en un grupo y 2,35%
39:20en el otro grupo. La tasa de de gripe en
39:23un de de tener gripe, no de morir, sino
39:25que de tener gripe en un grupo respecto
39:28del otro. Las diferencias son
39:31estadísticamente significativas. El bar
39:33de la P es menor a 0,05.
39:36Pero sin embargo, nos tenemos que
39:37preguntar si esa diferencia de 1 contra
39:402% para redondear es clínicamente
39:44importante. Es decir, en el grupo
39:46vacunado hubo un 1% de personas que
39:49tuvieron gripe y en el grupo no vacunado
39:51un 2% de personas que tuvieron gripe.
39:56La pregunta es 1 versus 2%
40:00es estadísticamente significativo, pero
40:03es clínicamente importante más cuando
40:05estamos hablando de tener gripe, ¿no? De
40:09morir por gripe, ¿no? Eh, y eso es una
40:13gran distinción que no tiene una
40:15respuesta estadística. Eso depende del
40:17juicio crítico del lector. Si usted
40:20piensa que uno versus 2% de
40:23probabilidades de tener gripe, si eso es
40:27importante desde el punto de vista
40:29clínico tal que justifique el uso de la
40:33vacuna, nosotros podríamos orientarnos
40:36en este juicio clínico e calculando,
40:40como ya sabemos el riesgo relativo, el
40:42riesgo atribuible y en particular el
40:45NNT, que acá está calculado y que da 84.
40:48Entonces, deberíamos vacunar a 84
40:50personas para evitar que una tenga grip
40:53y a partir de ahí cada uno debería
40:55opinar si conviene o no conviene aplicar
40:59esta vacuna.
41:00El hecho de que el tamaño de la muestra
41:03tenga mucho que ver con los valores de
41:05la P, eh, y que por eso a veces no se
41:08alcance significación estadística,
41:10también tiene su reverso, que es que
41:13cuando hay un tamaño de la muestra
41:16suficientemente grande, cualquier
41:18diferencia va a dar estadísticamente
41:20significativa. Entonces, siempre, esto
41:24es muy importante, siempre que estemos
41:26juzgando los resultados de un trabajo en
41:29base a los valores de la P, no podemos
41:32dejar de preguntarnos si estos
41:34resultados, más allá de que sean
41:36estadísticamente significativos, eh son
41:38clínicamente importantes.
41:41Por supuesto que si un resultado no es
41:43estadísticamente significativo, nosotros
41:46no podemos descartar la la intervención
41:49del azar y entonces eh no podemos tomar
41:54ninguna decisión al respecto. Es decir,
41:56uno no debería de ninguna manera
41:58indicar, por ejemplo, un fármaco que
42:00parezca que tenga un efecto clínicamente
42:02importante si no tiene ese resultado una
42:06diferencia estadísticamente
42:07significativa. Necesitamos que sea los
42:10resultados estadísticamente
42:11significativos y además clínicamente
42:14importantes. Muy bien. Acá hay un
42:17ejemplo de la revista Yama
42:20investigadores hicieron un ensayo
42:21clínico aleatorio para determinar el
42:24efecto de la infusión andovenosa de
42:25vitamina C sobre puntuaciones de
42:28insuficiencia orgánica mediante un score
42:32que se llama score de sofa. Entonces
42:35ellos hicieron un trabajo, como les
42:37decía, un ensayo clínico doble ciego
42:39aleatorizado
42:41eh de un grupo de personas fueron
42:44sometidas a infusión de vitamina C y
42:46otro grupo a placebo. Y en los
42:49resultados se observa que la media del
42:52score de sofa, que evalúa la
42:54insuficiencia de los órganos,
42:57eh a mayor puntaje es peor la situación
43:01del paciente.
43:03tuvo una variación que fue de 9,8 a 6,8
43:07puntos en el grupo que recibió vitamina
43:09C. Es decir, en ese grupo el sofa
43:13inicial, o sea, antes y después de
43:15infusión, disminuyó en promedio tres
43:17puntos. Y en el grupo eh de placebo
43:22varió de 10,3 a 6,8 puntos, es decir,
43:26una diferencia de 3,5 puntos entre que
43:29antes de recibir y después de recibir el
43:31placebo. Entonces se comparan si estas
43:35diferencias de tener una variación de
43:38tres puntos o de tener una variación de
43:413,5 puntos, eso es estadísticamente
43:45significativo, ¿sí o no? y la P da 086.
43:51Entonces, para ejercitarnos, la
43:53hipótesis eh alternativa en este trabajo
43:57sería que el promedio del score sofa en
44:00las personas con infusión de vitamina C
44:04es diferente a los que no tienen
44:07infusión de vitamina C, es decir, los
44:08que usaron placebo. Esa sería la
44:10hipótesis alternativa, lo que los
44:12investigadores quieren decir, quieren
44:14evaluar eh que el uso de vitamina C e
44:19diferencia en cuanto al escor de sofa, a
44:23las personas que usan placeo.
44:26No dicen si para mejor o para peor. Se
44:28supondría que sería para mejor, pero en
44:30principio en el planteo no dice esa
44:34hipótesis si es uni o bilateral. y tal
44:37como la plantean, deberíamos asumirla
44:38que sería bilateral.
44:41Y la hipótesis nula siempre eh plantea
44:43la igualdad entre los dos grupos. Así
44:45que la hipótesis nula estaría planteando
44:48que el promedio de score sofa de la de
44:51las personas que usan vitamina C es
44:53igual, no es diferente a las personas
44:56que usan place. Esta P de 086
45:00está evaluando la probabilidad de que la
45:03hipótesis nula sea cierta.
45:05Y esa probabilidad es del 86%.
45:09Ya dijimos en la clase pasada que usamos
45:12la palabra cierta con precaución por lo
45:15que ya explicamos en el video anterior,
45:18pero eh es más adecuado, más fácil
45:21entenderla de esa manera. Sería más
45:22adecuado decir que los datos que tenemos
45:26en el set de datos de este experimento
45:28no sustentan la posibilidad de descartar
45:33la hipótesis nula. Entonces, si yo no
45:35puedo
45:37contradecir la hipótesis nula, bueno, no
45:40puedo decir que la vitamina C es mejor o
45:43peor que el placebo. Esa sería la
45:46consecuencia. Y en nuestro trabajo de
45:48simulación, para tomar un ejemplo,
45:51respecto del sexo masculino y la muerte
45:55en pacientes con ARM y COVID, vemos que
45:59la P es de 046.
46:02De nuevo, la hipótesis alternativa sería
46:04que el riesgo de muerte en los hombres
46:06es diferente al riesgo de muerte en
46:08mujeres cuando están ventilados por
46:10COVID. Esa sería la hipótesis
46:12alternativa.
46:14La hipótesis nula sería el riesgo de
46:16muerte en los hombres es el mismo que el
46:19riesgo de muerte en mujeres.
46:22La P de 046 nos está indicando la
46:25probabilidad de que esa hipótesis nula
46:27sea cierta. es una probabilidad alta y
46:30entonces no se la puede descartar y
46:32entonces no podemos asumir que el riesgo
46:35de los varones es mayor o menor que el
46:38de las mujeres.
46:40E eso sería en general las
46:43consideraciones que hay que tener cuando
46:45estudiamos los valores de la P. Bueno, y
46:48ahora vamos a dedicarnos a estudiar los
46:50intervalos de confianza. Los intereses
46:53de confianza los podemos entender como
46:55un rango de valores en los cuales se
46:57tiene cierta probabilidad de que esté
47:00contenido este famoso parámetro del
47:02universo.
47:04Como ejemplo estoy desarrollando la idea
47:06de que queríamos saber qué porcentaje de
47:09la población de un de una ciudad del
47:11interior de la provincia del Chaco
47:12llamada Avíateray, qué porcentaje de esa
47:15aporación podía reconocer adecuadamente
47:17al vector de la enferma de chadas que es
47:19la vinchuca, ¿no? El triatoma infest.
47:22Entonces, acá eh ocurren estas
47:25situaciones con con este ejemplo y con
47:27todos los que podamos considerar en
47:29nuestra en nuestra ciencia, en
47:31epidemiología.
47:32Los habitantes de Aviateray son más o
47:34menos 10,000 personas. Uno, en este
47:37ejemplo habíamos calculado el tamaño de
47:39la muestra que era aproximadamente 600
47:41personas a encuestar
47:43y hemos sorteado manzanas y luego
47:45viviendas y luego personas hasta
47:47completar las 600 unidades de análisis.
47:51De tal manera que teníamos una muestra
47:52con 621 personas fueron en total. En esa
47:56muestra hicimos las mediciones y resultó
47:58que el 85,5%
48:01de la población de Aviateray
48:04reconocía adecuadamente al vector de la
48:06enfermedad de Chagas.
48:08Pero eso ocurrió en la muestra que
48:10nosotros tomamos.
48:13Uno podría haber tomado infinitas
48:15muestras de 600 personas en esa
48:17población de 10,000 habitantes. Tengan
48:20en cuenta que si la muestra que yo
48:22tomaba variaba una persona o varias
48:26personas, no se pueden formar infinitas
48:28muestras.
48:30Entonces ocurre que eh en cada una de
48:34esas infinitas muestras teóricas que se
48:37podrían haber tomado,
48:39es posible pensar que el porcentaje de
48:41población que reconocía adecuadamente al
48:43vector podría ser diferente.
48:46Entonces, la pregunta es, ¿la estimación
48:49del parámetro en la muestra que se tomó
48:53de estas 621 personas fue de 85,5%?
49:00Pero, ¿cuál es la garantía que tenemos
49:02de que ese sea el valor del parámetro
49:05del universo?
49:08Siendo que se podrían haber tomado
49:10infinitas muestras y en esas otras
49:13muestras el valor podría haber sido
49:15diferente. ¿Cuál es la garantía de que
49:17tenemos de de haber acertado con nuestra
49:22muestra al parámetro del universo?
49:25Bueno, garantías no hay, nunca hay
49:26garantías, ¿no? Pero los intereses de
49:29confianza permiten estimar
49:32con un 25% de probabilidades
49:36eh el rango de valores en los cuales se
49:39podría haber captado al parámetro que
49:41nos interesaba conocer.
49:43Entonces, en este ejemplo, el intervalo
49:45de confianza eh resultó entre 81,9
49:49y 89%.
49:52¿Cómo interpretamos ese valor?
49:55Una posibilidad eh sería esta. Hay un
49:5895% de probabilidades que el parámetro
50:02del universo se haya captado en el
50:04intervalo comprendido entre 81,9 y 89%.
50:07Esa es una forma de interpretarlo.
50:10Presten atención que digo e 95% de
50:13probabilidades de que el parámetro se
50:15haya captado. Esa es una sutileza del
50:18lenguaje, eh, porque sería incorrecto
50:21decir que el parámetro fuera entre tal y
50:25tal valor, ¿no? Nosotros no tenemos
50:27forma de saber cuál es el parámetro.
50:29tenemos una gran probabilidad de que
50:31entre esos eh valores se haya captado
50:34ese parámetro, pero podría ser que no.
50:37No. Y si no se captó el parámetro entre
50:40esos valores, el parámetro puede ser
50:41mayor o menor que el límite superior o
50:44inferior del intervalo de confianza.
50:46Bueno, decía, esa es una forma de
50:48interpretar eh los resultados. La otra
50:50forma podría ser, si repitiéramos el
50:52estudio en plano teórico, por supuesto
50:54que no se va a repetir. Uno hace una
50:57encuesta a 621 personas única vez,
51:00digamos, no hace 100 veces eso, pero si
51:04se hiciera eso 100 veces, en 95 de esos
51:08estudios, el valor que encontraríamos
51:11estaría comprendido entre 81,9 y 89%.
51:16Es decir, poniéndolos en el en términos
51:18del esquema que inicialmente habíamos
51:20considerado.
51:22Yo quiero conocer el parámetro del
51:23universo, que es el porcentaje de
51:25población deateray que conoce
51:27adecuadamente al vector de la enfermedad
51:29de chagas.
51:31La única forma de saber eso es
51:33entrevistar a las 10,000 personas que
51:34viven en esa ciudad, lo cual no es
51:38factible porque requeriría tiempo,
51:40esfuerzo, dinero que no se dispone.
51:43Entonces, eh se toma una muestra
51:45aleatoria de esa población.
51:48En esa muestra de 621 personas, en este
51:51caso, el estimador resultó en 85,5%.
51:56Yo estoy estimando ese parámetro en ese
51:59valor. Hay una probabilidad del 95%
52:03de que el parámetro
52:05puede ser que no sea 85,5%
52:09pero haya sido contenido en el intervalo
52:11que se que se que se comprende entre
52:1581,9 y 89%.
52:18Vamos a decir, lo cual me remite a la
52:20idea que relativamente un buen
52:23porcentaje de la población de Avateray
52:26conoce adecuadamente al vector. Pero
52:29siempre tengo que tener en cuenta que
52:31tengo una cierta probabilidad de que el
52:33parámetro no se haya captado en esos en
52:36ese intervalo y que entonces eh en
52:40realidad sea mayor o menor de lo que
52:43estábamos pensando.
52:46Podemos calcular intervalos de confianza
52:48de cualquier estadístico. En este caso
52:51que representé recién lo calculamos. Es
52:54el intervalo de confianza de una
52:56proporción, pero también podemos
52:58calcular, por ejemplo, intervalos de
53:00confianza de un riesgo relativo, como el
53:03ejemplo de la vacuna contra la gripe, en
53:06donde de nuevo, ¿no?, la población
53:09estudiada que en en el metaanálisis dice
53:12que fueron 51,724
53:14personas.
53:15El riesgo relativo de tener gripe en el
53:19grupo vacunado respecto en lo vacunado
53:21fue 049, sugiriendo que la gripe
53:25protege, perdón, que la vacuna contra la
53:28gripe protege de la gripe. Y ya vemos
53:31nosotros e eh cuando estudiábamos los
53:34valores de la P que calculamos el riesgo
53:36relativo y el riesgo atribuible y el NNT
53:39reflexionado sobre si eso es o no
53:42importante, ¿no? Pero el resultado es
53:43049. Muy bien. Eh, pero el universo, que
53:47son todos los adultos sanos del mundo, e
53:51en ese año de ese metaanálisis ascendía
53:53a más de 3500 millones de personas. Y de
53:58esas más de 3,500 millones de personas
54:01eh hay una muestra de 51,000 personas.
54:04Entonces, ¿en qué medida eh este
54:08resultado, el riesgo relativo de esta
54:11muestra, que es una de las infinitas
54:13muestras del universo,
54:15adecuadamente me está reflejando al
54:17parámetro del universo.
54:19Bueno, el interi
54:21de los cálculos eh eh
54:25resultan entre 043 y 056.
54:28De nuevo, ¿cómo se interpreta esto?
54:30Siempre se interpreta de la misma
54:32manera. Eh, hay un 95% de probabilidades
54:36de que el parámetro del universo, que en
54:38este caso sería el riesgo relativo de
54:40tener gripe, si se está vacunado
54:42respecto de si no se está vacunado,
54:44eh hay un 95% de probabilidades de que
54:47ese parámetro se haya captado en el
54:49intervalo comprendido entre 043 y 056. O
54:54si repitiéramos el estudio 100 veces en
54:5795 de esos estudios, los resultados que
55:01obtendríamos serían un RR entre esos
55:04valores del intervalo de confianza.
55:07Hay algunas consideraciones que hay que
55:09tener en cuenta cuando evaluamos
55:11intervalos de confianza. Ahí le dejé en
55:12el campus virtual un texto en formato
55:15amigable, un poco divertido, un poco
55:18este tiene algunos chistes, qué sé yo, e
55:22para considerar eh algunos detalles
55:25sobre los interesos de confianza. Uno de
55:28ellos, lo menciono acá, pero lo pueden
55:30eh repasar más adecuadamente en el
55:33texto, es que se desea que el intervalo
55:36de confianza sea más bien estrecho.
55:40Es decir, eh acá es va de 043 a 056.
55:45sería diferente que fuera de 02 a 8, por
55:49ejemplo, ¿no? Si uno se imagina la recta
55:51numérica, eso sería un intero de
55:52confianza muy amplio. No hay eh una
55:56forma, no hay una una manera estricta de
55:59decir qué es estrecho y qué es ancho en
56:02la evaluación de los intervalos de
56:04confianza. Eso depende del juicio
56:07crítico de cada lector, pero mientras el
56:10intervalo de confianza sea más estrecho,
56:13los resultados son más precisos eh por
56:16motivos que se explican en el texto que
56:18los invito a que
56:21a que lean. Eh, y finalmente eh los
56:25valores de la P y los inter de
56:27confianza, que eh hay como que dos eh eh
56:32hay tensiones en el campo de la
56:33estadística y hay muchos que, como les
56:35mencionaba más temprano, sugieren
56:38desterrar el uso de los valores de la P
56:42y solamente comunicar interes de
56:44confianza. Hay otros que plantean que se
56:47pueden eh comunicar los dos eh los dos
56:51estadísticos juntos, ¿no? En un uso
56:54combinado de los valores de la P y de
56:56los integrales de confianza. Sin duda
56:57que no está recomendado solamente
57:00presentar valores de la P. Eso es una
57:02cosa que hay un un en general muchísimo
57:05consenso, ¿no? La discusión es eh si con
57:09los intervalos de confianza, si se si se
57:12presenta la P con los intervalos de
57:14confianza o si no se presenta la P y
57:17solo se presentan los interes de
57:18confianza. Pero nunca deberíamos
57:21presentar solamente valores de la P. Hay
57:24un artículo que dejé en la biografía
57:26ampliatoria que dice valores de la P o
57:29interval de confianza. ¿En cuál es
57:30confiar? No hay una polémica ahí en el
57:33campo de la ciencia. Bueno, decía, le se
57:36puede usar de manera combinada,
57:37interpretar de manera combinada eh la
57:40información que nos da el valor de la P
57:42y los intervalos de confianza. Por
57:44ejemplo, en este en este ejemplo, que
57:48son cálculos que acá hice con Epidad, eh
57:52se resuelve de esta forma. El riesgo
57:53relativo observado que es el estimador
57:55es de 049, que ya sabemos interpretarlo.
57:58El intervalo de confianza dio entre 043
58:01y 056, que nos dice con un 95% de
58:05probabilidades eh que entre esos valores
58:08se podría haber captado el parámetro del
58:10universo y la P de 1 en 100,000. Esa es
58:14la probabilidad de que el resultado de
58:16cero de riesgo relativo de 049 se haya
58:20debido al azar.
58:22Como conclusión de esta información, yo
58:24podría pensar primero que eh la vacuna
58:28protege contra la gripe, eh que hay una
58:33probabilidad de que esa de que ese
58:35resultado eh se haya debido al azar es
58:38muy baja y que el parámetro del universo
58:42e podría haber sido captado entre 043 y
58:46056,
58:47que como vemos cualquier valor
58:50comprendido entre 043 3 y 056. Esto es
58:53un riesgo relativo, es menor en todo
58:56momento a uno, es decir, que sugiere que
59:01el la vacuna contra la gripe protege en
59:05definitiva, contra la gripe. Hasta ahí
59:08es la significación estadística y la
59:10estimación de parámetros poblacionales.
59:12Ahora, con eso en mente deberíamos pasar
59:16a juzgar
59:19con con nuestros conocimientos previos,
59:21con nuestro juicio crítico y clínico. Si
59:24estos resultados son importantes desde
59:28el punto de vista clínico, son
59:29importantes el punto de vista
59:30estadístico, sin duda, importantes en el
59:32sentido que no se produjeron porazar,
59:34¿no? que habrá que ver si esto en efecto
59:38sirve para disminuir la morbi o
59:41mortalidad de las personas y eso ya es
59:43un juicio de cada de cada profesional.
59:47Fíjense este último ejemplo para poder
59:49interpretar nuevamente un interro de
59:52confianza. En este trabajo se examina la
59:54asociación de ser vegetariano con riesgo
59:58de cardiopatía isquémica y accidente
1:00:00cerebrovascular. es un ejemplo de
1:00:02estudio de cortes que se que hizo un
1:00:05seguimiento de 48,188
1:00:08personas entre el año 1993 y 2001 y se
1:00:11evaluaron las tasas de cardiopatía
1:00:14isquémica y accidente cerebovascular
1:00:17hasta el año 2016. querían saber si eh
1:00:22el vegetarianismo se asocia a riesgo de
1:00:26cariopatis química y acedes, ¿no?
1:00:29Entonces, compararon personas que comen
1:00:30carne, personas que comen pescado pero
1:00:34no carne y a vegetarianos, no, incluido
1:00:37veganos. ¿Qué encontraron? Después de
1:00:39ajustar los factores de confusión,
1:00:41sociedográfico y estilos de vida en las
1:00:44personas que comen pescado y
1:00:45vegetarianos, esas personas tuvieron un
1:00:49riesgo relativo de 087
1:00:52para los que comen pescado y de 078
1:00:56eh para los vegetarianos de cardiopatía
1:01:00isquémica comparado con los consumidores
1:01:03de carne. Es decir, ser como consumidor
1:01:06de pescado o ser vegetariano se asocia a
1:01:09un menor riesgo de tener cardiopatía
1:01:13isquémica, ¿no? Comparado con los que
1:01:16comen carne.
1:01:18Veamos los resultados de los que
1:01:20consumen pescado. Riesgo relativo de
1:01:22087, ¿no? Que representa un factor de
1:01:25protección.
1:01:27Intervalo de confianza de 07 a 099.
1:01:31consideramos bastante estrecho ese
1:01:33intervalo, ¿no? O sea, que es el
1:01:35resultado es bastante preciso, no muy
1:01:37preciso, pero bastante preciso. Eh,
1:01:41y el las personas que comen que son
1:01:43vegetarianas de 078 entre 07 a 087. Eh,
1:01:49entonces en el primer caso, en el con
1:01:52los consumidos de pescado,
1:01:54si yo redondeo el 099 a uno, a un riesgo
1:01:58relativo de uno, hay un problema ahí,
1:01:59¿no? Porque un valor posible sería el
1:02:02riesgo relativo de uno. Y si el riesgo
1:02:06relativo fuera de uno, estaríamos
1:02:08diciendo que comer eh pescado no se
1:02:13asocia ni a mayor ni a menor riesgo de
1:02:17cardiopatía isquiéntrica, ¿no? 099 está
1:02:19ahí a menos de 1 mm de tocar el riesgo
1:02:25relativo de uno. Eh, y en el caso de los
1:02:28que los vegetarianos queda más claro que
1:02:30el riesgo relativo de creopatisquémica
1:02:34eh en todo caso va a ser bajo, ¿no? 078,
1:02:37intervalo de 07 a 087.
1:02:40Es decir, como es un riesgo relativo,
1:02:42tenemos que pensar que el parámetro
1:02:45estaría captado entre esos valores y
1:02:48ninguno de esos valores es igual a uno o
1:02:51mayor a uno. Porque si ocurriera eso,
1:02:53estaríamos diciendo que o no se asocia o
1:02:55es un factor de riesgo para caropatía
1:02:57isquémica. ¿Y qué pasó cuando se
1:03:00compararon los vegetarianos? Eh, pero ya
1:03:03respecto del accidente cerebro vascular,
1:03:05fíjense que dice, eh, los vegetarianos
1:03:08tuvieron 1,2
1:03:10eh de riesgo relativo para ACB comparado
1:03:14con los que comen carne, principalmente
1:03:15ACB hemorrágico, ¿no? Con un intervalo
1:03:18de confianza de 102 a 14. Es decir, que
1:03:23si bien los vegetarianos tienen menos
1:03:27riesgo de cardiopatía isquémica, tienen
1:03:30más riesgo de ACB, principalmente
1:03:34hemorrágico, que los que comen car, ¿no?
1:03:37Entonces ahí uno debería ponerse los
1:03:39cálculos y ver que qué nos parece estos
1:03:43resultados para para tomar alguna
1:03:47decisión respecto de nuestra dieta. M.

About this transcript

This page contains the full transcript of Valores de la p e IC 95% by Epileaks, generated from the public captions YouTube serves with the video. The transcript has 8,935 words across 1,395 segments, with the original timestamps preserved so you can click any line to jump to that moment in the embedded player.

What you can do with it

Use the transcript to take notes, quote the speaker, build a study guide, generate a summary with ChatGPT or Claude via the YouTube Summary tool, or export it as a timed subtitle file with YouTube to SRT. You can also re-open it in the transcriber to translate the transcript into 100+ languages.

Free YouTube transcript tool

YouTube2Text is a free YouTube transcript generator — no signup, no daily limit. Paste any YouTube link and get the full transcript instantly, with timestamps, click-to-jump, translation to 100+ languages, AI prompts for ChatGPT, Claude, and Gemini, and exports to TXT, SRT, VTT, or Markdown.