ANÁLISIS E INTERPRETACIÓN DE RESULTADOS

1. UNIDAD IV. ANÁLISIS E INTERPRETACIÓN DE LOS RESULTADOS Por: Santiago Guerrero Maribel

2. contenido 4.1. ANÁLISIS ESTADÍSTICOS DE LOS RESULTADOS . 4.2. ESTADÍSTICA DESCRIPTIVA . 4.3. PRUEBA DE HIPÓTESIS. 4.4. SIGNIFICANCIA ESTADÍSTICA. 4.5. ANÁLISIS ESTRATIFICADO. 4.6. ANÁLISIS MULTIVARIADO. 4.7. ESTUDIOS DE SUPERVIVENCIA.

3. 4.1. ANÁLISIS ESTADÍSTICOS DE LOS RESULTADOS .

4. 4.1. ANÁLISIS ESTADÍSTICOS DE LOS RESULTADOS.

5. 4.1. ANÁLISIS ESTADÍSTICOS DE LOS RESULTADOS. • Método gráfico y novedoso (Minería de datos)*. • Es importante entender los datos obtenidos así como el mecanismo con los que lo generaron, así también se pueden encontrar posibles errores. • Dará respuesta a la hipótesis o a las preguntas de la investigación. • Determinar el tipo de análisis que se hará. https://www.researchgate.net/publication/315755914_Capitulo_2_ELEMENTOS_DEL_ANALISIS_ESTADISTICO_DE_DATOS

6. 4.1. ANÁLISIS ESTADÍSTICOS DE LOS RESULTADOS. • A partir de la presentación de resultados, el investigador podrá contrastar o cotejar lo que está ocurriendo con el fenómeno estudiado con lo que otros han concluido anteriormente. • Esos resultados formarán parte de teorías sobre las cuales se construye nuevo conocimiento. Contribución de un buen análisis Relacionar información Teoría

7. 4.1. ANÁLISIS ESTADÍSTICOS DE LOS RESULTADOS. • Es importante que el investigador, al momento de hacer su análisis, se base única y exclusivamente en la información recopilada. • Como parte del análisis se incluyen tres elementos muy importantes: la discusión de resultados, las conclusiones y recomendaciones. Elementos teóricos investigados Información Discusión de resultados o análisis de resultados. Variables

8. Recomendaciones para realizar el análisis de datos. • Descripción de los hallazgos encontrados. • Identificación de relaciones entre variables. • Formulación de relaciones tentativas entre los fenómenos. • Formulación de explicaciones sobre el fenómeno. • Identificación de elementos teóricos que contextualicen o expliquen la información recopilada Objetivo. Lograr un análisis completo basados en los resultados del trabajo y respaldados por la teoría correspondiente. No debe confundirse el hecho de citar partes importantes de la teoría con incluir muchas citas de lo que se presentó en el marco teórico, no se debe trasladar el marco teórico al análisis de resultados, sólo debe servir de apoyo para ir explicando el fenómeno

9. Conclusiones. Una vez elaborado el análisis de la información, el investigador podrá sacar sus conclusiones, que pueden redactarse en función de distintos aspectos, por ejemplo: de contenido, acerca de la realidad observada, sobre concordancia o discordancia de la información. Recomendaciones pueden redactarse en función de distintos aspectos, en función de la investigación como metodología utilizada, procedimiento seguido, cálculo de muestra, etcétera. Aporte de la investigación. Un aporte que se espera de cualquier investigación es la generación de conocimiento nuevo, así como la aplicación acertada de métodos y metodologías específicos para casos particulares para proponer estrategias, elaborar manuales, establecer procesos, generar modelos, etc.

10. 4.2. ESTADÍSTICA DESCRIPTIVA .

11. ¿ Qué es? • Es una Rama de la estadística que recolecta, analiza y caracteriza un conjunto de datos (peso de la población, beneficios diarios de una empresa, temperatura mensual,…) con el objetivo de describir las características y comportamientos de este conjunto mediante medidas de resumen, tablas o gráficos. Artículo "Procesamiento estadístico en una empresa productora de pastas alimenticias", publicado por el website Eumed.net.

12. La estadística emplea métodos descriptivos y de inferencia estadística. los primeros se ocupan de la recolección, organización, tabulación, presentación y reducción de la información. Artículo "Procesamiento Estadístico En Una Empresa Productora De Pastas Alimenticias", Publicado Por El WebsiteEumed.Net.

13. La estadística descriptiva se sustituye o reduce el conjunto de datos obtenidos por un pequeño número de valores descriptivos, como pueden ser: el promedio, la mediana, la media geométrica, la varianza, la desviación típica, etc. Estas medidas descriptivas pueden ayudar a brindar las principales propiedades de los datos observados, así como las características clave de los fenómenos bajo investigación.

14. La información proporcionada por la estadística descriptiva puede ser trasmitida con facilidad y eficacia mediante una variedad de herramientas gráficas, como pueden ser: Gráficos de tendencia: es un trazo de una característica de interés sobre un periodo, para observar su comportamiento en el tiempo. Gráfico de dispersión: ayuda al análisis de la relación entre dos variables, representado gráficamente sobre el eje x y el correspondiente valor de la otra sobre el eje y. Histograma: describe la distribución de los valores de una característica de interés. Artículo "Procesamiento estadístico en una empresa productora de pastas alimenticias", publicado por el website Eumed.net.

15. Variables Estadísticas • Cualitativa (o categórica): son las variables que pueden tomar como valores cualidades o categorías. Ejemplos: • Sexo (hombre, mujer) • Salud (buena, regular, mala) • Cuantitativas (o numérica): variables que toman valores numéricos. Ejemplos: • Número de casas (1, 2,…). Discreta. • Edad (12,5; 24,3; 35;…). Continua. https://www.esan.edu.pe/apuntes-empresariales/2016/10/que-es-la-estadistica-descriptiva

16. Otras Variables. • Definimos media (también llamada promedio o media aritmética) de un conjunto de datos (X1,X2,…,XN) al valor característico de una serie de datos resultado de la suma de todas las observaciones dividido por el número total de datos. • La mediana (Me(X)) es el elemento de un conjunto de datos ordenados (X1,X2,…,XN) que deja a izquierda y derecha la mitad de valores. • La moda (Mo(X)) es el valor más repetido del conjunto de datos, es decir, el valor cuya frecuencia relativa es mayor. En un conjunto puede haber más de una moda. • La media geométrica (MG) de un conjunto de números estrictamente positivos (X1, X2,…,XN) es la raíz N-ésima del producto de los N elementos. https://www.esan.edu.pe/apuntes-empresariales/2016/10/que-es-la-estadistica-descriptiva

19. Aplicaciones de la estadística descriptiva Resumen de las mediciones principales de las características de un servicio ó producto. Describir el comportamiento de algún parámetro del proceso, como puede ser la temperatura la red de frío o tiempos de espera para consulta médica . Caracterizar el tiempo de entrega o el tiempo de respuesta en el sector de los servicios. Procesar datos relacionados con muestras a usuarios, tales como la satisfacción o insatisfacción del mismo. Ilustrar la medición de los datos, tales como los datos de calibración del equipo. Visualizar el resultado del desempeño de un producto en un periodo mediante un gráfico de tendencia.

20. 4.3. PRUEBA DE HIPÓTESIS

21. ¿Qué es? • Una prueba de hipótesis es una regla que especifica si se puede aceptar o rechazar una afirmación acerca de una población o un “algo” dependiendo de la evidencia proporcionada por una muestra de datos. • Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la hipótesis nula y la hipótesis alternativa. https://sites.google.com/site/urielmendezserranoestadistica

22. Una prueba de hipótesis examina dos hipótesis opuestas sobre una población: la hipótesis nula y la hipótesis alternativa. Hipótesis Nula Hipótesis Alternativa. La hipótesis alternativa es el enunciado que se desea poder concluir que es verdadero de acuerdo con la evidencia proporcionada por los datos de la muestra. • La hipótesis nula es el enunciado que se probará. Por lo general, la hipótesis nula es un enunciado de que "no hay efecto" o "no hay diferencia". Dawson-Saunders B, Trapp RG. Bioestadística Médica. México D.F: Manual Moderno, 1993.

23. Al diseñar una prueba de hipótesis, establecemos la hipótesis nula como lo que queremos desaprobar. Establecemos el nivel de significancia para que sea pequeño antes del análisis (un valor de 0.05 funciona adecuadamente), cuando rechazamos la hipótesis nula, tenemos prueba estadística de que la alternativa es verdadera. Si no podemos rechazar la hipótesis nula, no tenemos prueba estadística de que la hipótesis nula sea verdadera. Esto se debe a que no establecimos la probabilidad de aceptar equivocadamente la hipótesis nula para que fuera pequeña. Dawson-Saunders B, Trapp RG. Bioestadística Médica. México D.F: Manual Moderno, 1993.

24. Entre las preguntas que se pueden contestar con una prueba de hipótesis están las siguientes • ¿Tienen las estudiantes de pregrado una estatura media diferente de 66 pulgadas? • ¿Es la desviación estándar de su estatura igual a o menor que 5 pulgadas? • ¿Es diferente la estatura de las estudiantes y los estudiantes de pregrado en promedio? • ¿Es la proporción de los estudiantes de pregrado significativamente más alta que la proporción de las estudiantes de pregrado? https://probafacil.com/prueba-de-hipotesis-estadistica

25. Ejemplo de Prueba de Hipótesis. • El gerente de una fábrica de tuberías desea determinar si el diámetro promedio de los tubos es diferente de 5 cm. El gerente sigue los pasos básicos para realizar una prueba de hipótesis. • La hipótesis nula es: la media de la población de todos los tubos es igual a 5 cm. Formalmente, esto se escribe como: H0: μ = 5 https://probafacil.com/prueba-de-hipotesis-estadistica

26. 4.4. SIGNIFICANCIA ESTADÍSTICA.

27. CONTRASTE DE HIPÓTESIS Hipótesis Nula (H0): El efecto no existe ( es nulo). Hipótesis Alternativa (H1): Existe algún efecto distinto de 0 (el azar no lo explica todo). Comparación entre EFECTO y la variabilidad aleatoria esperada o ERROR.

28. ERROR EFECTO

29. HIPÓTESIS NULA ERROR EFECTO

30. HIPÓTESIS ALTERNATIVA ERROR EFECTO

31. CONTRASTE DE HIPÓTESIS Hipótesis Nula (H0): El efecto no existe ( es nulo). Hipótesis Alternativa (H1): Existe algún efecto distinto de 0 (el azar no lo explica todo). Comparación entre EFECTO y la variabilidad aleatoria esperada o ERROR. Ejemplo: se compara la media de presión arterial en dos grupos de pacientes uno tratado con un fármaco antihipertensivo y otro con placebo. ¿ Cuál es la hipótesis nula? ¿Cuál es la hipótesis alternativa? Valor de p PA fármaco = PA placebo PA fármaco < PA placebo PA fármaco > PA placebo

32. Significación estadística Estima la probabilidad de encontrar un efecto como el encontrado o una todavía mayor en la muestra Si el efecto fuera 0 en la población ( es decir , si H0 fuera cierta). Valor p El valor es una probabilidada CONDICIONADA a lo que la hipótesis nula sea CIERTA. Ejemplo: la media de prsión arterial en el grupo tratado con antihipertensivo es de 115 mmHg y la del grupo que recibe placebo es de 128 mmHg (diferencia de 13mmHg. Valor p<0,05)

34. Significación estadística de intervalos de confianza INTERVALO DE CONFIANZA Límite superior Límite inferior El riesgo relativo de (RR) de infarto de miocardio en relación con el fármaco habitual es de 0,39 con el IC al 95% de 0,21 a 1,18. 0,21 0,18 P>0,05 0,21 0,68 P<0,05 Buscar el valor nulo en el intervalo de confianza

35. 4.5. ANÁLISIS ESTRATIFICADO.

36. Título de diapositiva 29

37. ¿ En qué ? ¿ qué es estratificación ? ¿ para qué ? Una variable, o más de una, que son consideradas como factores pronóstico importantes, y por tanto pueden afectar al resultado, se dividen en categorías o estratos. Para controlar la influencia de otras variables que pueden afectar al resultado.

38. Pasos a seguir Seleccionar las variables que vamos a controlar Si las variables no son cualitativas habrá que convertirlas, definiendo los correspondientes intervalos. Los estratos quedarán definidos de acuerdo a todas las combinaciones posibles de las diferentes categorías de las variables que se controla. Dentro de cada estrato se asigna aleatoriamente a la mitad de los pacientes un tratamiento y a la otra mitad otro tratamiento (o de acuerdo a la proporción marcada por el diseño del estudio).

39. En un análisis estratificado la variable respuesta que se determina puede ser de cualquier tipo, por ejemplo, numérica como una presión arterial o cualitativa como infarto (no, sí). Inicialmente vamos a centrarnos en el caso de una variable binaria o dicotómica, con dos posibles respuestas como puede ser éxito/fracaso.

40. Análisis estratificado para resultados binarios Existen diferentes procedimientos para verificar la homogeneidad del resultado entre los diferentes estratos. Los más utilizados se basan en ponderar los resultados para cada estrato.

41. ANÁLISIS ESTRATIFICADO PARA DIFERENCIAS DE RIESGO • Estos pesos se conocen con el nombre de pesos de Cochran−Mantel−Haenszel, debido a que fueronpropuestos por Cochran y son idénticos a los pesos que se utilizanen la difundidaprueba de Mantel−Haenszel para comparar dos proporcionesen un diseñoestratificado. Con estos pesos se estádando mayor importancia a los estratos que tienen mayor número de pacientes.

42. Análisisestratificado para el odds ratio • Existen otras pruebas para verificar la homogeneidad de los odds ratios entre varios estratos, siendo una de las más conocidas la prueba de Breslow−Day. • Para combinar los odds ratio en una medida global se emplea con frecuencia el método de Mantel−Haenszel, pero también podemos utilizar el modelo logístico como herramienta alternativa, tanto para calcular un odds ratio ajustado como para verificar si existe o no heterogeneidad entre los estratos.

43. Análisisestratificado para variables cuantitativas Modelos de efectos aleatorios • Si la variable que se analiza es cuantitativa, por ejemplo una presión arterial, el método de análisis que primero nos viene a la mente, si tenemos dos factores: el grupo de tratamiento y el estrato, es el análisis de la varianza para dos factores, donde podemos evaluar el efecto del tratamiento ajustado y verificar si se puede aceptar la hipótesis de homogeneidad (no hay interacción con el estrato). Sin embargo, dado que es muy difícil en los estudios reales que los tamaños de cada combinación tratamiento/estrato sean iguales, o incluso que guarden una relación de proporcionalidad, es raro que se den las condiciones para la aplicación de un análisis de la varianza estándar, por lo que lo habitual será utilizar un modelo de regresión lineal y aplicarlo de forma similar a como se comentó anteriormente para un modelo logístico. • Estos modelos de regresión son más complicados tanto conceptualmente como de estimación, pero razonando de forma similar a como se ha explicado para el modelo de regresión logística de efectos fijos, nos permiten estimar parámetros ajustados teniendo en cuenta la estratificación y verificar la hipótesis de homogeneidad de una forma másprecisa.

44. 4.6. ANÁLISIS MULTIVARIADO.

45. ANALISIS MULTIVARIADO. • Conjunto de métodos estadísticos, cuya finalidad es analizar simultáneamente conjunto de datos multivariantes. Su razón de ser radica en el mejor entendimiento del fenómeno objeto de estudio o teniendo información que los métodos estadísticos univariantes y bivariantes son incapaces de conseguir. • .

46. Fundamento de los métodos multivariados.- • Los métodos estadísticos multivariantes y el análisis multivariante son herramientas estadísticas que estudian el comportamiento de tres o más variables al mismo tiempo. Se usan principalmente para buscar las variables menos representativas para poder eliminarlas, simplificando así modelos estadísticos en los que el número de variables sea un problema y para comprender la relación entre varios grupos de variables. • Algunos de los métodos más conocidos y utilizados son la Regresión lineal y el Análisis discriminante.

47. OBJETIVOS de los métodos multivariados: 1) Simplificación: Los métodos multivariados son un conjunto de técnicas que permiten al investigador interpretar y visualizar conjuntos grandes de datos (tanto en individuos como en variables). 2) Relación: Encontrar relaciones entre variables, entre individuos y entre ambos. 2.1) Relación entre variables: Existe relación entre variables cuando las variables miden una característica común. Ejemplo: Suponga que se realizan exámenes de lectura, ortografía, aritmética y álgebra a estudiantes de 6o de primaria. Si cada uno de los estudiantes obtiene calificaciones altas, regulares o bajas en los cuatro exámenes, entonces los exámenes estarían relacionados entre sí, en este caso, la característica común que estos exámenes pueden estar midiendo podría ser la "inteligencia global". 2.2) Relación entre individuos: Existe relación entre individuos si alguno de ellos son semejantes entre sí. Ejemplo: Suponga que se evalúan respecto a su contenido nutricional y se miden los gramos de grasa, proteínas, carbohidratos y sodio a cada uno de ellos. Se podría esperar que los cereales de fibra estén relacionados entre sí, o que los cereales endulzados tengan cierta relación entre sí, además se podría esperar que ambos grupos fueran diferentes de uno a otro.