slide1
Download
Skip this Video
Download Presentation
Hipótesis de trabajo, pruebas de hipótesis e intervalos de confianza

Loading in 2 Seconds...

play fullscreen
1 / 41

Hipótesis de trabajo, pruebas de hipótesis e intervalos de confianza - PowerPoint PPT Presentation


  • 190 Views
  • Uploaded on

Hipótesis de trabajo, pruebas de hipótesis e intervalos de confianza. Laboratorio de Bioestadística y Epidemiología, sección Ensayos Clínicos Unidad de Bioestadística Universidad Autónoma de Barcelona. Hipótesis de trabajo. Debe estar lo más claramente formulada.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about ' Hipótesis de trabajo, pruebas de hipótesis e intervalos de confianza' - knox


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

Hipótesis de trabajo, pruebas de hipótesis e intervalos de confianza

Laboratorio de Bioestadística y Epidemiología, sección Ensayos Clínicos

Unidad de Bioestadística

Universidad Autónoma de Barcelona

[email protected] / [email protected]

slide2

Hipótesis de trabajo

  • Debe estar lo más claramente formulada.
  • Debe ser ‘estadística’ y ‘científicamente’ correcta
    • Prohíbo circulación de camiones en Rondas. Tres semanas después encargo un estudio para ver si el número de accidentes en Rondas con camiones disminuye.
  • Las ‘técnicas de pesca’ se han de evitar siempre.

[email protected] / [email protected]

slide3

Hipótesis de trabajo

  • Por supuesto, LA HIPÓTESIS DE TRABAJO SE FORMULA CON ANTERIORIDAD A CUALQUIERA DE LOS PASOS

[email protected] / [email protected]

inferencia estad stica
Inferencia estadística

Pruebas estadísticas

Intervalo de confianza

[email protected] / [email protected]

para qu se usa la estad stica
¿Para qué se usa la estadística?

MUESTRA

Prueba estadística

Intervalo de confianza

Inferir

Probabilidad

POBLACIÓN

[email protected] / [email protected]

errores de tipo i y ii
Errores de Tipo I y II
  •  El valor del error tipo I ó  es de 0.05 (5%)
  •  El valor del error tipo II ó  es igual o superior
  • a 0.20 (20%)
  •  El poder (1 - ) es igual ó superior a 0.80 (80%)

[email protected] / [email protected]

slide9

Datoscategóricos.Definiciones básicas

  • Variable binaria: {evento,no evento}
    • Proporciones: p = r/n
      • suma de eventos en un grupo de individuos
      • denominador fijo: n individuos
      • distribución binomial
    • Recuentos:
      • suma de eventos raros en un periodo de tiempo o un territorio
      • 0,1,2,…,k
      • denominador personas-tiempo  tasas
      • distribución Poisson

[email protected] / [email protected]

datos cuantitativos

Distribución de la muestra

    • Tendencia central: X media
    • Dispersión o variabilidad: DE desviación estándar
  • Distribución de la media de una muestra
    • Tendencia central: media
    • Dispersión o variabilidad: error estándard

Datos cuantitativos

[email protected] / [email protected]

distribuci n normal
Distribución normal

Distribución

de la

media

X

X

X +’2’ EEM

Distribución

de la

muestra

X + ‘2’DS =>95%

[email protected] / [email protected]

slide12
¿p?
  • Probabilidad de observar, por azar, una diferencia como la de la muestra o mayor, cuando H0 es cierta
  • Es una medida de la evidencia en contra de la H0
    • Es el azar una explicación posible de las diferencias observadas?
      • Supongamos que así es (H0).
      • ¿Con qué probabilidad observaríamos unas diferencias de esa magnitud, o incluso mayor? P-valor
      • Si P-valor pequeño, rechazamos H0.
    • ¿Difícil?... No, es como un juicio!

[email protected] / [email protected]

slide13
¿p?
  • Se acepta un valor máximo de 5% (0,05).
    • Si p0,05  diferencias estadísticamente significativas.
    • Si p>0,05  diferencias estadísticamente NO significativas.
  • NO implica importancia clínica.
  • NO implica magnitud de efecto!!
    • Influenciada por el tamaño de la muestra. Si  n   p

[email protected] / [email protected]

situaciones
Situaciones
  • Conclusión: Diferencias estadísticamente significativas
    • Realidad: Hay diferencias  Acierto
    • Realidad: No hay diferencias  Error tipo I ()
  • Conclusión: Diferencias NO estadísticamente significativas
    • Realidad: No hay diferencias  Acierto
    • Realidad: Hay diferencias
      • Error tipo II ()
      • Muestra insuficiente

[email protected] / [email protected]

sentido no sentido de la prueba estad stica
Sentido/No sentido de la prueba estadística
  • Una o dos colas
    • Sentido – una cola
      • El ‘fenómeno’ existe si A es mayor que B
    • No Sentido – dos colas
      • El ‘fenómeno’ existe si A es diferente que B

[email protected] / [email protected]

pruebas de hip tesis
Pruebas de hipótesis

Unilateral (una cola)

Ho: E - C  0

H1: E - C > 0

Bilateral (dos colas)

Ho: E - C = 0

H1: E - C > 0 ó E - C < 0

[email protected] / [email protected]

pruebas param tricas y no param tricas
Pruebas paramétricas y no-paramétricas
  • Una prueba paramétrica requiere la estimación de uno o más parámetros (estadísticos) de la población
    • Ej.: Una estimación de la diferencia entre la media antes y después de una intervención
  • Las pruebas no-paramétricas no involucran ningún tipo de estimación de parámetros
    • Ej.: Facilitarnos la una estimación de la P[X>Y], probabilidad de que, selecionando un paciente después del tratamiento, su valor sea mayor que antes del tratamiento

[email protected] / [email protected]

pruebas param tricas y no param tricas1
Pruebas paramétricas y no-paramétricas
  • Advantage of non-parametric test
    • No assumptions about the distribution of the data
    • Handles every kind of outcome variable
  • Disadvantage
    • Non-parametric test do not have the same statistical power as parametric test do
  • Data issues
    • Ranks of data, not data in original units, used
    • Effect of outliers is removed (can be good or bad)
  • Use n-p. test when p. methods are inappropriate due to lack of distribution requirements

[email protected] / [email protected]

m s chuletario

V. CUANTITATIVA NORMALEN AMBOS GRUPOS

Estadística /

Comparar medias /

Prueba T para muestras independientes

Grupos

independientes

V. CUANTITATIVA NO NORMAL EN ALGUN GRUPO

Estadística /

Pruebas no paramétricas /

2 muestras independientes /

U de Mann-Whitney

COMPARACIÓN

DE MEDIAS

Grupos

apareados

V. DIFERENCIA NORMAL

Estadística /

Comparar medias /

Prueba T para muestras relacionadas

V. DIFERENCIA NO NORMAL

Estadística /

Pruebas no paramétricas /

2 muestras relacionadas /

Wilcoxon

Estadísticos / Pruebas no paramétricas /

K-S de 1 muestra / Normal

NORMALIDAD?

Más chuletario

V. CUANTITATIVA .vs. V. CUALITATIVA (2 grupos)

[email protected] / [email protected]

m s chuletario1

p > 0.05

No se rechaza H0

NORMALIDAD ?

(NPAR TEST K-S (NORMAL))

INDEPENDENCIA ?

ASIGNACIONES ALEATORIAS

HOMOSCEDASTICIDAD?

H0:n

ó n

(TEST DE LEVENE)

ANOVA

SI

Test a posteriori

p < 0.05

--> Test de Scheffé

NO

NPAR TEST K-W (Kruskal-Wallis)

Más chuletario

V. CUANTITATIVA .vs. V. CUALITATIVA (  2 grupos)

[email protected] / [email protected]

m s chuletario2

Cumplimiento de condiciones de aplicabilidad

* 1 v. cuantitativa aleatoria .vs. 1 v. cuantitativa diseñada

REGRESION

(Normalidad de la v. cuantitativa en los grupos a comparar,

homoscedasticidad)

* 2 v. cuantitativas aleatorias

(Normalidad de las dos v. cuantitativas en su conjunto)

CORRELACION

Incumplimiento de condiciones de aplicabilidad

* NONPAR CORR (Test de Spearman)

Más chuletario

V. CUANTITATIVA .vs. V. CUANTITATIVA

[email protected] / [email protected]

an lisis de la co varianza ancova
Análisis de la Co-varianza (ANCOVA)
  • Los valores que estamos comparando pueden estar afectados directamente por otros (covarianción)
    • TA al final del estudio
    • TA al inicio del estudio
  • Medias ajustadas: Media al final del estudio si las TA al inicio fuesen las mismas.

[email protected] / [email protected]

intervalo de confianza
Intervalo de Confianza

Def.: “Si se realiza el mismo experimento en las mismas condiciones, el 95% de las veces la media que obtendremos estará entre los márgenes”

Intuitivamente: “El verdadero valor se encuentra dentro del intervalo con una confianza del 95%”

[email protected] / [email protected]

slide30

Amplitud del IC

  • También depende de la información que la muestra proporciona sobre el verdadero valor poblacional
    • Mayor tamaño de muestra ->

mayor precisión -> IC más estrecho

    • Mayor dispersión de la medida ->

IC más amplio

[email protected] / [email protected]

slide33

Intervalo de confianza para evaluar

ensayos de superioridad

Superioridad observada

Superioridad no observada

0

[email protected] / [email protected]

distribuci n normal1
Distribución normal

Distribución

de la

media

X

X

X +’2’ EEM

Distribución

de la

muestra

X + ‘2’DS =>95%

[email protected] / [email protected]

estimaci n
Estimación
  • Un estimador es una cantidad numérica calculada sobre una muestra y que esperamos que sea una buena aproximación de cierta cantidad con el mismo significado en la población (parámetro).

[email protected] / [email protected]

estimaci n1
Estimación
  • Problema que presenta el uso de estimadores puntuales:
        • El problema de los estimadores puntuales es que solo dan una idea de lo que puede valer el parámetro que estimamos, sin conocer como de buena es la aproximación; es decir, simplemente proporcionan un valor (de los muchos posibles) que puede proponerse como valor del parámetro.
        • Si realizamos diversas muestras, obtendremos tantas estimaciones del parámetro como muestras

[email protected] / [email protected]

estimaci n2
Estimación
  • Ventaja de la estimación por intervalos de confianza:
    • Se trata de asignar al parámetro poblacional desconocido, por ejemplo μ, un intervalo de valores, digamos (a, b) entre los cuales está μ con una cierta confianza (1- α). Es decir, si se cumple que
    • diremos entonces que (a, b) es un intervalo de confianza para el parámetro μ construido al (1- a)% de confianza o, lo que es lo mismo, al a% de error.
  • ¿INTERPRETACIÓN?

[email protected] / [email protected]

estimaci n3
Estimación
  • Por ejemplo, seleccionamos cinco muestras aleatorias de n=5 y elaboramos sus intervalos de confianza. Consideramos un nivel de confianza del 90%

[email protected] / [email protected]

estimaci n4
Un último ejemplo:

Una muestra de n=100 individuos de una población tiene media de peso 60 kg y desviación 5kg.

Dichas cantidades pueden considerarse como aproximaciones (estimaciones puntuales)

60 kg estima a μ

5 kg estima a σ

5/raiz(n)= 0,5 estima el error estándar (típico) EE

Estas son las llamadas estimaciones puntuales: un número concreto calculado sobre una muestra es aproximación de un parámetro.

Una estimación por intervalo de confianza es una que ofrece un intervalo como respuesta. Además podemos asignarle una probabilidad aproximada que mida nuestra confianza en la respuesta:

Hay una confianza del 68% de que μ esté en 60±0,5

Hay una confianza del 95% de que μ esté en 60±1.

Ojo: He hecho un poco de trampa. ¿Quien la ve?

Estimación

[email protected] / [email protected]

estimaci n5
Pero hemos de tener en cuenta que todo intervalo de confianza conlleva dos noticias, la buena y la mala

La buena: hemos usado una técnica que en % alto de casos acierta.

La mala: no sabemos si ha acertado en nuestro caso.

Estimación

[email protected] / [email protected]

ad