1.

Conèixer les característiques, avantatges i inconvenients dels estudis transversals

Els estudis transversals son aquells que mesuren la prevalença d’una malaltia i que
analitzen la salut de la població en un moment determinat sense establir una relació de
causalitat. Observen i analitzen els efectes de la malaltia i l’exposició de la malaltia en un
mateix moment. NO HI HA SEGUIMENT. S’usen mostres representatives de la població
escollides a l’atzar.

avantatges:

- son senzills i econòmics

- permeten generar hipòtesis
- mesuren la prevalença
- es poden estudiar varies variables alhora: amb la intenció de trobar associacions o
relacions entre elles
- puede abrir el camino para futuras investigaciones

inconvenients

- no permeten establir causalitat: al no haver-hi seguiment i ser observacionals

- poden provocar biaixos de selecció
- no es pot estudiar canvis de variables al llarg del temps ni predir tendencies futures

2. Identificar, interpretar i utilitzar correctament els estadístics bàsics i els gràfics

descriptius relacionats amb l’anàlisi estadística exploratòria univariant de dades (tant
per variables qualitatives com quantitatives).

Antes de hablar de cómo identificar, interpretar y utilizar los estadísticos básicos, tenemos
que saber qué es la estadística. La estadística es la ciencia que analiza los datos y extrae
conclusiones en función de la variabilidad (medida de la dispersión de los datos en una
distribución, es decir, es el grado en el que una distribución se estira o se comprime)

Bueno, teniendo en cuenta ya lo que es la estadística, vamos a ver cuales son los
estadísticos básicos.

Los estadísticos básicos son:

La media de un conjunto de N datos numéricos x1,x2…. Es la suma de todos los datos

divididos por N, es decir, la cifra que se obtiene al sumar todos los datos y dividir el
resultado entre la cantidad de los mismos.

Ej, 2, 5, ,7, 8. 22/4 = 5' 5

La media indica el “centro de gravedad” de la distribución de datos. Este estadístico es muy
sensible a la presencia de datos atípicos. Para no verse afectado por estos se hace una
media truncada, la cual consiste en hacer la media después de haber suprimido el 5% de
los valores superiores y de los inferiores.

La mediana es el valor que está situado en el centro de los datos ordenados. Esta se
interpreta como el valor que tiene por encima y por debajo el 50% de los datos, es decir, es
el centro geométrico de la distribución. A diferencia de la media, la mediana no es sensible
a datos atípicos, y no tiene en cuenta todas las observaciones, sino solo las centrales.

Para calcular de forma efectiva la mediana se debe:

·Ordenar los datos

Y ya teniendo en cuenta si N es par o impar, tendremos dos fórmulas:

·Si N es impar. 1 5 7. X( 3/2 +0'5). = X2= 5

·Si N es par x(4/2) + x(4/2. + 1). / 2. → X2 +

X3/2 → 5+ 7 / 2 =
6

La moda es el valor de la distribución que tiene mayor frecuencia absoluta, es decir, es el

que más se repite, pudiendo haber en un mismo conjunto de datos más de una moda.

Los percentiles son una medida de posición que indica, una vez ordenados los datos de
menor a mayor, el valor de la variable por debajo del cual se encuentra un porcentaje dado de
observaciones en un grupo. De esta forma, el percentil q es el valor que tiene por debajo un
q% de los datos ordenados.

Los cuartiles, por su parte, son también medidas de posición que tienen la propiedad de
dividir la distribución en cuatro grupos de números iguales de términos. De esta forma,
podemos relacionarlos con los percentiles de la siguiente forma:

El percentil 25 será el primer cuartil (Q1)

El percentil 50 será la mediana y el segundo cuartil (Q2)
El percentil 75 será el tercer cuartil (Q3)

Calcularemos los percentiles a través de las siguientes fórmulas:

i=Nk donde k es el percentil que nos interesa

Si Nk es entero: Pk= ((i+ (i+1))/2
Si Nk no es entero: Pk = sig entero
Lo que se obtiene es la posición el valor será el percentil
La amplitud o rango de un conjunto de datos ordenados es la diferencia entre el valor
máximo y el mínimo. Es muy distorsionable

Valor máximo-valor mínimo =amplitud

La amplitud intercuartílica es la diferencia entre el tercer cuartil y el primer cuartil. Es la

dispersión de la mediana.

AIQ = Q3- Q1

Un dato x se considera atípica si:

x < Q1 -1.5 AIQ

x > Q3 +1.5 AIQ

La varianza mide el grado de dispersión, es decir, la variabilidad de una serie de datos con
respecto a su media. Su fórmula es:

Donde s2 es la varianza

La desviación estándar es una medida que se utiliza para cuantificar la variación o la

dispersión de un conjunto de datos numéricos. Ventaja: tiene las mismas unidades que la
media.​Su fórmula la raíz positiva de la varianza. Si s es pequeña, las observaciones son
homogéneas, y si es grande, hay mucha variabilidad

El coeficiente de variación es una medida de dispersión que permite el análisis de las

desviaciones de los datos con respecto a la media y al mismo tiempo las dispersiones que
tienen los datos dispersos entre sí. Si la media toma valores próximos a 0 el coeficiente de
variación pierde significado ya que puede da0r valores muy elevados. La fórmula es la
siguiente:

donde s es la desviación estándar y x la media

El coeficiente de asimetría es un coeficiente que permite calcular la asimetría de una
distribución. Es decir, sirve para determinar si una función es asimétrica positiva, asimétrica
negativa o simétrica.

Si CA= 0: distribució simètrica.

Si CA mayor que 0: asimetria a la derecha (positiva)
Si CA menor que 0: asimetria a la izquierda (negativa)

La fórmula es

donde s es la desviación estándar y x es la medía

Pasando a comentar los gráficos descriptivos relacionados el análisis estadístico univariante

de datos, encontramos los siguientes:

El gráfico de Pastis representa los datos en un círculo, de modo que la frecuencia de cada
valor viene dada por un trozo de área del círculo. Así, el círculo queda dividido en sectores
cuya amplitud es proporcional a las frecuencias de los valores. Cualitativos

Un gráfico de barras representa gráficamente datos numéricos mediante rectángulos

verticales u horizontales. El tamaño de cada barra se ajusta proporcionalmente al valor que
representa.
Los datos también podemos tabularlos, es decir, podemos agrupar los datos en intervalos
de clase,existiendo diversos criterios para decidir el número de clases Si se construyen los
intervalos, habrá que decidir la amplitud y el valor inicial del primer intervalo, el cual no tiene
por qué coincidir con el dato mínimo.

Una tabla de frecuencias muestra de forma ordenada un conjunto de datos estadísticos y a

cada uno de ellos le asigna una frecuencia que son las veces que se repite un dato
Un histograma es una representación gráfica de una variable en forma de barras, donde la
superficie de cada barra es proporcional a la frecuencia de los valores representados.
La diferencia entre los histogramas y los diagramas de barras es que los histogramas se
usan en datos continuos, mientras que los diagramas de barras se usan en datos
nominales.

Gráfico de líneas Los gráficos de líneas permiten identificar tendencias en los datos en el
transcurso del tiempo
El diagrama de caja es otra representación de un conjunto de datos. Representa a escala
una caja donde los extremos son los cuartiles Q1 Y Q3. La mediana se dibuja dentro de la
caja. Los datos atípicos se destacan con símbolos especiales (asterisco o círculos). A los
lados de la caja dibujamos líneas sobre los datos no atípicos

Para comparar variables cualitativas y cuantitativ

3. Interpretar les característiques més rellevants de la família de les distribucions

normals.

La distribución normal es una distribución de una variable continua que consiste en

imaginar una línea continua que hace aparecer un polígono de frecuencias frente a
un histograma. Si suavizamos el polígono de frecuencias añadiendo muchos
valores, aparece una especie de curva que representa la distribución teórica de la
característica observada. Esta curva se llama campana de Gauss, un modelo
matemático que describe la estructura ideal de los datos e ignora las pequeñas
irregularidades y los datos que no son típicos. Estas distribuciones normales tienen
unas características concretas:

·Simetría respecto al valor central

·Son asintóticas respecto al eje de abscisas

·Su valor central es a la vez la media, la mediana y la moda.

·Sirven para calcular áreas, es decir, para calcular probabilidades.

·68% de les dades es troben entre media +- desviación

o 95% de les dades es troben entre media +- 2 desviación

o 99,7% de les dades es troben entre media +- 3 desviación

4. Interpretar el concepte d’interval de confiança d’un paràmetre poblacional
desconegut a partir de la informació procedent d’una mostra.

Cuando queremos estimar un parámetro de la población, como por ejemplo la μ (mu), que
sería la esperanza (la media), generalmente no podemos hacerlo observando a toda la
población, porque es demasiado grande.

Por ello, tomamos una muestra, que esperamos sea representativa, es decir, del tamaño
suficiente y seleccionada de forma aleatoria para que sea lo más fiel posible al total de la
población. Esa muestra es de un tamaño más pequeño y nos permite estudiarla al
completo, es decir, recoger en todos los individuos que la componen la información
necesaria para calcular los parámetros que sean de interés. Estos parámetros resultantes
serán los de la muestra, no los de la población, pero si la muestra es representativa
esperamos que sean cercanos a los de la población, es lo que se denomina inferencia
estadística.

Por tanto, estos parámetros observados en la muestra son estimadores de los parámetros
de la población real, y se denominan estadísticos. Por ejemplo, la media muestral sería un
estimador de la esperanza poblacional.

Sin embargo, si hiciéramos el ejercicio de estimar el mismo parámetro en muestras

diferentes, el resultado sería probablemente diferente cada vez, aunque fuera muy similar
no sería exacto, debido a la variabilidad muestral. Por ello, cuando usamos un estimador
para aproximar el parámetro de la población, debemos indicar un intervalo de confianza,
que es un rango de valores entre los que creemos que se encuentra el parámetro
poblacional y el porcentaje de confianza que tenemos en que así será.

Generalmente, tomando como referencia el estimador muestral, si este sigue una

distribución normal como por ejemplo la mediana muestral, sabemos que en el 95% de los
casos la esperanza poblacional se encuentra a una distancia menor que ε, donde ε equivale
a 1,96 desviaciones estándar. Por tanto, sólo un 2,5% de las veces el parámetro poblacional
está por encima y un 2,5% por debajo de nuestro intervalo de confianza. También es posible
trabajar con intervalos de confianza del 90% o del 99%.

Pero, ¿qué es un intervalo de confianza?

Un intervalo de confianza busca encontrar

dos valores simétricos con respecto a la
media que entre ellos encierran un
porcentaje que se quiera conocer (nivel de
confianza). A la probabilidad de quedar
fuera del intervalo se le denomina 𝜶 (nivel
de significación).

Para calcular los extremos del intervalo se

debe hallar en la tabla de distribución normal el valor que corresponda al nivel de confianza
más la mitad del nivel de significación. De esta manera se encuentra el valor de Z, que en
nuestro caso coincide con la distancia ε, es decir los extremos del intervalo.
 07 Intervalo de confianza

09 Intervalo de confianza para la media poblacional

5. Comprendre els fonaments de l’estimació estadística i emprar correctament la

terminologia associada (població, mostra, paràmetre, estadístic, variabilitat mostral,
error estàndard d’un estimador).

(L) Población: Unidad completa de personas que se consideran para realizar un estudio de
investigación: es un término muy relacionado con las muestras. Los sujetos suelen tener
características en común para que lo estudiado de las muestras pueda ser aplicado a dicho
grupo: son las personas a las que se espera beneficiar con los diferentes hallazgos. De esta
misma manera, en un ensayo clínico, los participantes componen la población, para así
obtener información sobre los efectos de ciertos tratamientos (ya que los investigadores no
pueden administrarlos a todo el conjunto de la población, al no ser ni éticamente ni
financieramente viable).

(D)Muestras: Subconjunto de la población, tiene que tratar de ser lo más representativo

posible para que las conclusiones que se saquen a partir de la muestra puedan ser
aplicables a dicha población. Es muy posible que 2 muestras de una misma población no
sean iguales, y su estudio nos muestre resultados ligeramente diferentes. Por eso, la opción
más fiable y más práctica es a través de métodos de muestreo como el aleatorio simple. Un
tamaño inadecuado de la muestra como puede ser que sea muy reducida llevará a que las
significativas diferencias entre los participantes den lugar a confusión, mientras que una
muestra demasiado grande se traduce en un mal uso de los recursos de investigación y en
someter a pruebas e intervenciones a más pacientes de lo necesario.

(L)Parámetro: Estado de los conocimientos de la ciencia o la técnica existentes en el

momento de producirse daños en la salud del paciente, ya que se emplean para el análisis
estadístico, de esta misma manera, no se puede hablar de medidas, sino de cantidades que
definen un modelo teórico. (Ej: presión arterial, calcularíamos los cambios de principio a fin
de nuestro estudio para dos tratamientos. Aquello que se compara son los parámetros). Si
la muestra de estudio no es representativa de la población global, todas las conclusiones en
relación con ello son erróneas.
PARÁMETRO: POBLACIÓN
ESTADÍSTICO: MUESTRA

(D)Estadística: Rama científica que se encarga de la recopilación, procesamiento, análisis

e interpretación de los datos y parámetros de interés en un estudio científico. Se podría
decir que traduce grandes cantidades de datos de diferentes naturalezas en números y
porcentajes que nos ayudan (y también de forma gráfica) a entender las proporciones y
razones de lo que se está analizando. La estadística descriptiva tiene como objetivo
describir las características de un conjunto de datos mientras que la finalidad de la
inferencial los analiza para definir, en términos de probabilidad, parámetros para toda la
población. Es una rama importante puesto que a través de este estudio se constan las
evidencias que contrastan las hipótesis, se va acotando una respuesta más precisa y
permite tener cada vez más noción de predictibilidad y disminuir la incerteza.

(L)Varianza muestral: Es la dispersión de los valores de una variable en una distribución

teórica o una muestra que puede ser conocida o no y deriva de factores biológicos o de
errores en la medición de los mismos. De esta manera, encuentra la diferencia de cada
punto de datos con respecto al valor medio (valores que tienden a extenderse del centro).
La definición matemática es el sumatorio al cuadrado de la diferencia de cada valor
respecto a la media entre el total de datos N-1. Su raíz cuadrada nos da la desviación
estándar, lo que nos permitirá trabajar, entre otras cosas, con percentiles que representen
frecuencias absolutas.

(D)Error estándar de un estimador: Es la variación media de la media muestral respecto

de la media poblacional. Se representa con varios puntos de la muestra que siguen la
trayectoria de la línea de regresión. Es utilizada para cuantificar la precisión de los datos de
la muestra respecto de la población. Su definición matemática es la desviación estándar
entre la raíz de N. (Desviación estándar: medida de dispersión más común, que indica qué
tan dispersos están los datos con respecto a la media).

6. Descriure i interpretar el concepte de prevalença com a indicador de la freqüència

d’un problema de salut en un territori en un moment determinat.

La prevalencia es la proporción de individuos de una población que tienen o han tenido alguna
enfermedad, factor de riesgo o una característica determinada en un momento del tiempo o en un
intervalo de tiempo.

La interpretación de la prevalencia es la probabilidad individual de una persona que forma parte de

la población de tener la característica estudiada. Esta es la medida de frecuencia utilizada en
estudios transversales o de prevalencia. Hay dos tipos de prevalencia: la prevalencia de punto o
puntual, en la que se estudia el número de casos en un momento del tiempo (t); y la prevalencia de
periodo, en la que se estudia el número de casos en un intervalo de tiempo. La ecuaciones son las
siguientes:

𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑒𝑛 𝑡
Prevalencia puntual (Pt) = 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛 𝑒𝑛 𝑡
 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑒𝑛 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 [𝑡0, 𝑡1]
Prevalencia de periodo P[t0, t1] = 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛 𝑎 𝑙𝑎 𝑚𝑖𝑡𝑎𝑑 𝑒𝑙 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 [𝑡0, 𝑡1]

El valor de la prevalencia oscila entre el 0 y el 1 pero puede representarse como porcentaje. Es

importante saber diferenciar la incidencia y prevalencia. La prevalencia recoge a todas las personas
con la característica determinada en un momento de tiempo sin importar cuando se empezó a tener
la característica, mientras que la incidencia sólo recoge a los casos nuevos en el momento del tiempo
(t).

Cuando la la tasa de incidencia acumulada (DI), la duración media de la característica (d) y la

población se mantienen estables se cumplirá que:

𝑃
1−𝑃
= 𝐷𝐼 · 𝑑

Y si la prevalencia es muy pequeña se cumplirá: 𝑃 = 𝐷𝐼 · 𝑑

Un cambio en la duración de la característica y/o en la incidencia provocará un cambio en la

prevalencia. Cuando hay una incidencia baja pero la característica dura en las personas un largo
periodo de tiempo, la prevalencia será alta si la comparamos con la incidencia. Y si hay una incidencia
alta pero con una duración corta (porque las personas se curan rápidamente o mueren), la
prevalencia será baja.

7. Identificar i utilitzar recursos de valoració crítica d’un article d’un estudi

observacional transversal
El STROBE (Strengthening the Reporting of Observational Studies in Epidemiology) es una
guia per millorar la presentació i l’elaboració dels articles observacionals. Aquesta guia està
composta de 22 ítems agrupats en 7 seccions.
- Títol: És on es pot identificar el tipus d’estudi (tranversal).
- Resum: Síntesi estructurada y informativa de l’article (què s’ha fet i què s’ha
trobat?).
- Introducció:
- Antecedents/ Fundaments: raons de la investigació.
- Objectius: objectius específics i hipòtesi.
- Mètode s:
- Disseny de l’estudi: elements clau del disseny de l’estudi.
- Marc: descriure els llocs, les dates rellevants, els períodes de reclutament i la
recollida de dades.
- Participants: criteris d’elegibilitat, fonts y mètode de selecció.
- Variable d’interès: llista i definició de variables. Variable independent i
dependent.
- Biaixos: mesures per reduir els biaixos.
- Mida de l’estudi: justificació de la mida. Raons pràcticas i estadístiques.
- Mètodes estadístics:
- Mètodes per controlar els factors de confusió.
- Anàlisi dels subgrups i les interaccions.
- Tractament de les dades absents.
- Especificar com l’anàlisi considera l’estrÁsatègia del mostreig.
 - Especificar els anàlisis de sensibilitat.
- Resultats:
- Participants: número de participants en cada fase. Les raons de les
perdudes de participants. Proporcionar un diagrama de fluxos.
- Dades descriptives: característiques dels participants i la informació
de les exposicions i dels factors de confusió. Número de participants
amb les dades perdudes en cada variable d’interès. Proporcionar la
mitjana, la duració total i les dates.
- Dades d’evolució: xifra dels events i/o mesures resum.
- Resultats principals: estimacions no ajustades o ajustades per factors
de confusió com el grau de precisió (interval de confiança).
Categoritzar les variables contínues i els límits d’interval.
- Descriure altres anàlisis.
- Discussió:
- Resultats clau: resumir les troballes en relació amb l’hipòtesi.
- Limitacions: fonts de biaixos o de imprecisions.
- Interpretació: consideració dels objectius, de les limitacions, de la
multiplicitat d’anàlisis, dels resultats d’estudis similars i d’altres proves
empíriques rellevants. NO SOBREINTERPRETAR.
- Generalització: validació externa.
- Finançament: especificar el finançament, la funció dels patrocinadors i
l’estudi previ en el que es basa.