Reflexión final. Memoria de la asignatura

Buenas y últimas tardes!!! (De momento...)

Esta es mi última entrada ''obligatoria'' que cuenta para la evaluación de este blog. Como ya sabéis este blog estaba dedicado a la asignatura de ETIC's, y en esta última entrada me dispongo a daros una reflexión final sobre aquello que he aprendido a lo largo del cuatrimestre.

Sinceramente, al leer las asignaturas que tenía para este nuevo cuatrimestre, esta fue una de las que menos me llamó la atención ya que pensé que no iba a servirme de mucho el día de mañana cuando estuviera ejerciendo de enfermera. Pero ahora que lo pienso, es tan importante como otra cualquiera; con ella hemos aprendido otra manera de dedicarse a la enfermería, la investigación.

Como y sabéis, a lo largo de estos últimos 3-4 meses he ido publicando poco a poco todo aquello que aprendíamos en clase y en las prácticas de pequeños grupos, pero con lo que me quedo de esta asignatura es con la importancia de la investigación enfermera, la enfermería es una profesión para ayudar a los demás, no solo ayudamos haciendo curas, promocionando la salud, vendando.. etc otra manera muy bonita y gratificante de ayudar es a través de la investigación, evaluando distintas poblaciones de estudio a ver qué medicamento es más efectivo que el otro, observando distintas maneras de tratamiento y sus efectos en los pacientes... hay tantas cosas que investigar!!!

Además, esta asignatura va a servirme a lo largo de toda la carrera, ya que con ella he aprendido a realizar una correcta investigación, he conocido las bases de datos sanitarias más destacadas y a hacer una correcta presentación de la bibliografía.

Por último también me gustaría resaltar que este blog ha sido una nueva experiencia que me ha servido, entre otras cosas, para repasar y afianzar mis conocimientos sobre la asignatura de la que tengo que examinarme proximamente.

Y esto es todo chicos!! Quién sabe si seguimos en contacto....

Gracias!!!

''No dejes que el silencio gane la batalla''

Antes de ponerle fin a esto del blog, me gustaría compartir con vosotros un trabajo de unos compañeros de clase, se trata de un vídeo que tuvieron que hacer como trabajo final de la asignatura. Es un vídeo mudo en el que han querido reflejar las consecuencias de la violencia machista, y que lo han conseguido con creces.

Aquí os lo dejo. 

 Enhorabuena compañeros!!!

SEMINARIO V

El último seminario de la asignatura lo dedicamos a la exposición y defensa del protocolo final de investigación.

Como ya os he comentado nuestro tema de trabajo fue ''La influencia de 2º de bachillerato en la salud''.

La elección de éste fue porque pensamos que sería un tema muy interesante y que haría reflexionar sobre si nuestro sistema educativo es el adecuado ya que somos conscientes de que los alumnos sufren mucho estrés durante este curso. En relación con nuestra profesión, creemos que se tendría que prestar mayor atención a este tema, ya que se trata directamente de nuestros adolescentes, los cuales están sometidos a una gran presión que solo una persona que haya pasado por esta misma etapa conoce. Es por estos motivos por los que quisimos dedicar nuestro trabajo a investigar en este sector de la población, un poco olvidada, para analizar su comportamiento tanto en el ámbito familiar como social, su rutina alimentaria y su estado de ánimo.

Nuestro método de investigación fue la realización de un estudio descriptivo mediante la técnica de análisis de la influencia del curso de segundo de bachillerato, y lo que conlleva la prueba de acceso a la universidad (PAU), en el estrés del alumnado. Analizamos dos variables distintas para hacer una comparación, dichas variables fueron:

1. Colegio público, y colegio privado.
2. Modalidad de ciencias y letras.

Dicho estudio es analítico observacional transversal porque las variables del proyecto se estudian durante un tiempo determinado, sin ningún seguimiento ni se desarrolla ninguna intervención en el tiempo.

Nuestros objetivos fueron los siguientes:

• Comparar la ansiedad en hombres y mujeres.
• Comparar el estrés por sobrecarga de trabajo en las distintas modalidades de bachillerato
• Analizar de qué manera afecta la actitud del profesorado según el tipo de centro de estudio.
• Analizar cómo afecta el estrés en el sueño dependiendo del sexo.
• Analizar cómo afecta el estrés a la alimentación.

Tras pasar los cuestionarios y analizar las variables en el programa Epi Info, llegamos a la conclusión de que:

Desde un punto de vista general, el objetivo de nuestro estudio era hacer ver si hay estrés en segundo de bachillerato y las repercusiones de esto para la salud. En este sentido el estrés en los alumnos es claramente notable, y este se manifiesta en diferentes formas tanto física como psicológicamente las cuales expondremos a continuación más específicamente.

Comparando la ansiedad en ambos sexos, hemos concluido que las mujeres la padecen más.

En cuanto a los factores que más afectan al alumnado, cabe destacar la actitud del profesorado, ya que es la persona que evalúa, lo cual es causa de estrés.

También hemos recogido datos acerca de los hábitos alimenticios de estos alumnos ya que una buena alimentación es muy importante para tener un buen rendimiento. Según nuestro estudio hay un mayor número de alumnos que han incrementado la ingesta de alimentos aunque no las comidas que hacen al día. Es decir, comen a deshoras y rápido debido a la falta de tiempo.

Por último, otra variable muy importante son la somnolencia y el insomnio. Según los resultados, los alumnos de este curso no duermen bien ni descansan las horas suficientes lo cual tiene consecuencias nefastas para su desarrollo académico.

SEMINARIO IV

Buenas tardes chicossss!!!

Para el seminario IV de la asignatura, teníamos que entregar parte del protocolo final, para poder ver a tiempo cualquier duda que pudiésemos tener respecto a su elaboración, ya que el protocolo tenía cierto grado de dificultad y nos surgieron inconvenientes.

La segunda parte de la clase en pequeños grupos la dedicamos a resolver dudas que teníamos sobre el temario que se impartía en las sesiones de gran grupo. Esta última parte de la práctica me sirvió bastante para aclarar y afianzar conceptos de cara al examen.

Proud to be a nurse... Everyday my life is a chance to give

TEMA 10: Hipótesis estadísticas. T de Student

Buenas días chicos!!

Esta es la última entrada de las sesiones teóricas dadas en el grupo grande, el tema 10 de la asignatura en el que vimos las hipótesis estadísticas, ''chi cuadrado'' y ''T de student''.

Como hemos visto en la entrada anterior, el cálculo del intervalo de confianza nos sirve para controlar los errores aleatorios, pero además de I.C, contamos con el contraste de hipótesis, otra herramienta de la inferencia estadística.

La estrategia que seguimos con el contraste de hipótesis es la siguiente:

1. Establecemos una hipótesis cerca del valor del parámetro
2. Realizamos la recogida de datos
3. Analizamos la coherencia entre la hipótesis previa y los datos obtenidos

Los contrastes de hipótesis son herramientas estadísticas para dar respuesta a preguntas de investigación y periten cuantificar la compatibilidad entre una hipótesis establecida previamente y los resultados obtenidos.

La hipótesis establecida de manera previa, es la hipótesis nula, es decir, la que no establece relación entre las variables de estudio.

Como ya sabéis por otras entradas anteriores, distinguimos diferentes tipos de variables, y según qué tipo sea, se realiza un análisis u otro:

Cualitativa + Cualitativa	Chi cuadrado
Cualitativa + Cuantitativa	T de Student
Cuantitativa + Cuantitativa	Regresión lineal

ERRORES DE HIPÓTESIS

El test de hipótesis mide la probabilidad de error que cometo si rechazo la hipótesis nula.

Con una misma muestra podemos aceptar o rechazar la hipótesis nula. Todo depende del error, que recibe el nombre de α.

El error α es la probabilidad de equivocarnos al rechazar la hipótesis nula.

El error α más pequeño al que podemos rechazar H₀ es el error p. (p es sinónimo de α minimizada)

Habitualmente rechazamos H₀ para un nivel α máximo del 5% (p< 0.05). Por encima del 5% de error, aceptamos la hipótesis nula. Es lo que llamamos “significación estadística”.

TIPOS DE ERRORES EN TEST DE HIPÓTESIS.

RESULTADO DEL TEST REALIDAD	Rechazo H0	Acepto H0
H0 cierta	Error tipo 1 (error α)	No error (1-α)
H0 falsa	No error (1-β)	Error tipo 2 (error β)

El error más importante para nosotros es el tipo alfa.

CÁLCULO DE CHI CUADRADO 

El análisis de Chi cuadrado parece difícil, pero un vídeo que me recomendó mi profesor de la asignatura me ayudó bastante a su comprensión; es un vídeo-tutorial en que que explica el procedimiento a realizar para saber si aceptar o rechazar la hipótesis nula. Aquí os lo dejo 

CÁLCULO DE T DE STUDENT 

Otro tipo de análisis, es la ''T de Student'', como hemos visto anteriormente, este tipo de análisis es el que se realiza para variables cualitativa (variable independiente) y cuantitativa (variable dependiente). Para que quede claro el proceso que hay que seguir, os dejo el siguiente vídeo que aclara las ideas. 

REGRESIÓN LINEAL

Con este vídeo entendemos el análisis de regresión lineal, para variables cuantitativas (variable independiente) y cuantitativas (variables dependientes)

TEST DE ANOVA 

Por último vamos a hablar del Test de Anova, este análisis se lleva a cabo cuando las variables que tenemos son cualitativas policotómicas y cuantitativas. En este caso, las varianzas de ambos grupos deben tener el mismo valor. Aquí aceptaríamos la Hipótesis alternativa si al menos uno de los dos grupos tiene una media diferente, es decir, si todas tuviesen el mismo valor, aceptaríamos la hipótesis nula (H₀) . 

TEMA 9: Estadística inferencial: muestreo y estimación

En el tema de hoy vamos a proceder a explicar el tema de la inferencia estadística.

INFERENCIA ESTADÍSTICA

Al plantear un estudio en el ámbito sanitario para establecer una relación entre distintas variables, nuestro interés no suele estar exclusivamente en los pacientes concretos a los que hemos tenido acceso, sino más bien en todos los pacientes similares a estos, a esto es a lo que se le denomina Inferir.

• Al conjunto de pacientes sobre los que queremos estudiar alguna cuestión le llamamos población de estudio.
• Al conjunto de individuos concretos que participan en el estudio le denominamos muestra.
• Al número de individuos de la muestra le denominamos tamaño muestral.
• Al conjunto de procedimientos estadísticos que permiten pasar de lo particular, la muestra, a lo general, la población, le denominamos inferencia estadística.
• Al conjunto de procedimientos que permiten elegir muestras de tal forma que éstas reflejen las características de la población le llamamos Técnicas de muestreo, esto se hace para evitar sesgos.

Como ya sabemos por anteriores entradas, siempre que trabajamos con una muestra debemos asumir el error.

• Si la muestra se elige por un procedimiento de azar, se puede evaluar ese error. La técnica de muestreo en ese caso se denomina muestreo probabilístico o aleatorio y el error asociado a esa muestra elegida al azar se llama error aleatorio.
• En los muestreos no probabilísticos, no es posible evaluar el error. En los muestreos probabilísticos, el error aleatorio es inevitable pero es evaluable gracias a las leyes de la probabilidad.

Cuánto mayor sea el tamaño de la muestra, menos posibilidades tenemos de tener un error aleatorio por probabilidad.

ERROR ESTÁNDAR.

El error estándar lo definimos como la medida que trata de captar la variabilidad de los valores del estimador. Cuánto más pequeño es el error, más nos podemos fiar del valor de la muestra.

Para el cálculo del error estándar tenemos que tener en cuenta al estimador:

Error estándar para una media :

Error estándar para una proporción

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

TEOREMA CENTRAL DEL LÍMITE

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

Como explicado de esta forma puede que no quede claro del todo, aquí os dejo un vídeo que me sirvió bastante a la hora de estudiar esta parte del temario.

INTERVALOS DE CONFIANZA

Los intervalos de confianza son un medio de conocer el parámetro en una población midiendo el error aleatorio. Se trata de un par de números tales que, con un nivel de confianza determinados, podamos asegurar que el valor del parámetro es mayor o menor que ambos números.

Se calcula considerando que el estimador muestral sigue una distribución normal, como establece la teoría central del límite. Para calcularlo emplearemos la siguiente fórmula: 

Los valores del parámetro ''z'' varían en función del nivel de confianza que nos den:

Para el nivel de confianza del 68% → z = 1

Para el nivel de confianza del 95% → z = 1,96

Para el nivel de confianza del 99% → z = 2,58

Al igual que en el error, también existe una fórmula para calcular el intervalo de confianza para la proporción:

TIPOS DE MUESTREO

Para hacer más resumida la entrada, vamos a ver una breve explicación de los tipos de muestreos estadísticos:

Distinguimos dos tipos de muestreo:

1. Probabilístico → Todos los sujetos de la población tienen una probabilidad distinta de cero en la selección de la muestra y conocida.
   
2. No probabilístico → No existe probabilidad conocida, es una selección arbitraria.

Dentro de cada tipo, existen subdivisiones las cuales vamos a citar:

Dentro del muestreo probabilístico distinguimos:

1. Aleatorio simple. P=1/n → por azar
2. Aleatorio sistemático. 
3. Estratificado.
4. Conglomerados.

Dentro del muestreo no probabilístico distinguimos:

1. Accidental.
2. Por cuotas.

TAMAÑO DE LA MUESTRA

Para acabar con la entrada de esta noche, vamos a explicar el tamaño de la muestra, el cual depende de varios factores, entre los que destacamos:

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

Calculo del tamaño de una muestra para estimar la media de una población.

n= Z²*S²/e²

TEMA 8: Medidas de tendencia central, posición y dispersión

Hola!!

El tema de hoy parece un poco complicado al principio pero después una vez que se entiende bien con ejemplos es pan comido!

En él vamos a tratar las medidas de tendencia central, posición y dispersión. Hay tres grandes tipos de medidas estadísticas:

• Medidas de posición: dan idea de la magnitud, tamaño o posición de las observaciones de los datos una vez que están ordenados de menor a mayor.
• Medidas de tendencia central: dan idea del comportamiento central de los sujetos.
• Medidas de dispersión o variabilidad: dan información acerca de la heterogeneidad de los sujetos, es decir, si son muy diferentes entre sí o no.

MEDIDAS DE TENDENCIA CENTRAL

Media aritmética o media,(x): Es la suma de todos los valores de la variable observada entre el total de observaciones.

x= Ʃx/n

Cuando los datos están agrupados (dos intervalos), para calcular la media utilizamos como valor de referencia de cada intervalo su marca de clase: se calcula una media aritmética ponderada que se calcula sumando la marca de clase por la frecuencia absoluta, entre N.

x= Ʃm_c (marca de clase)f_i /n

Mediana: medida de posición y central. Es el valor de la observación tal que deja a un 50% de los datos menor y otro 50% de los datos mayor.

• Si el número de observaciones es impar el valor de la observación será justamente la observación que ocupa la posición (n+1/2) Ejemplo: si son 75, pues 76 entre 2 = 38, la mediana seria la edad que tiene el sujeto 38.
• Si el número de observaciones es par, el valor de la mediana corresponde a la media entre los dos valores centrales, es decir, la media entre la observación n/2 y la observación (n/2)+1. Ejemplo: cuatro sujetos de edades, 10, 15, 20, 25, cogemos los dos sujetos centrales y hacemos la media aritmética entre ambos.

Moda: Es el valor con mayor frecuencia, es decir, el que más veces se repite. Si hay más de una se dice que la muestra es bimodal (dos modas) o multimodal (más de dos modas). Si los datos están agrupados, se habla de clase modal y corresponde al intervalo en el que el cociente entre la frecuencia relativa y la amplitud (se resta el intervalo mayor menos el menor) es mayor (h_i/c_i). Donde la frecuencia absoluta sea mayor.

Para que sea más sencillo de comprender, os dejo un vídeo en el que se explica con mucha claridad el cálculo de estas tres medidas. 

MEDIDAS DE POSICIÓN O CUANTILES

Se calculan para variables cuantitativas y, al igual que la mediana, sólo tienen en cuenta la posición ordenado de mayor o menor de los valores en la muestra.

Los cuantiles más usuales son los percentiles, los deciles y los cuartiles, según dividan la muestra ordenada en 100 (perciles), 10 (deciles) ó 4 partes (cuartiles), respectivamente.

• Percentiles: Dividen la muestra ordenada en 100 partes. El percentil “i” (P_i), es aquél valor que, ordenadas las observaciones en forma creciente, el i% de ellas son menores que él y el (100-i)% restante son mayores.

• Deciles: Dividen la muestra ordenada en 10 partes. El decil “i” (D_i), es aquél valor que, ordenadas las observaciones en forma creciente, el i/10% de ellas son menores que él y el (100-i)/10% restante son mayores.
• Cuartil: Dividen la muestra ordenada en 4 partes.
• El Q₁, primer cuartil indica el valor que ocupa una posición en la serie numérica de forma que el 25% de las observaciones son menores y que el 75% son mayores.
• El Q₂, segundo cuartil indica el valor que ocupa una posición en la serie numérica de forma que el 50% de las observaciones son menores y que el 50% son mayores. Por tanto, el Q₂ coincide con el valor del D₅, con el valor de la mediana P₅₀.
• El Q₃, tercer cuartil indica el valor que ocupa una posición en la serie numérica de forma que el 75% de las observaciones son menores y que el 25% son mayores.
• El Q₄, cuarto cuartil indica el valor mayor que se alcanza en la serie numérica.

MEDIDAS DE DISPERSIÓN

Para que sea más fácil su compresión, vamos a explicarlo a través de un ejemplo:

Serie 1: 18,19,20,21,22

Serie 2: 9,14,20,27,30

Realizamos la media y la mediana de ambas series, nos van a dar tanto la media como la media un valor de 20 para ambas series. ¿Qué es lo que diferencia a una de la otra? La dispersión. La cual vamos a determinarla a través del rango o recorrido, se determina de la siguiente manera:

Diferencia entre el mayor y el menor valor de la muestra lX_n-X₁l

Por lo tanto, para la serie 1 → Re = lX_n-X₁l →

                                        → Re = l22-18l = 4

Por lo tanto, para la serie 2 → Re = lX_n-X₁l →

                                        → Re = l30-9l = 21

Cuan más valor tenga el recorrido, mayor es la dispersión, por lo tanto la serie dos tiene más dispersión que la serie 1 

Desviación Media: Media aritmética de las distancias de cada observación con respecto a la media de la muestra.

Desviación típica o estándar: Cuantifica el error que cometemos si presentamos una muestra únicamente por su media. Esta es la que más se emplea debido a que el rango de error que nos da es mayor.

La calculamos a partir de la siguiente fórmula:

Varianza: Nos expresa la misma información que la desviación típica pero en valores cuadráticos. Se calcula a partir de:

Recorrido intercuartílico: Diferencia entre el tercer y el primer cuartil = lQ₃-Q₁l

Coeficiente de variación: Es una medida de dispersión relativa (adimensional) ya que todas las demás se expresan en la unidad de medida de la variable. Nos sirve para comparar la heterogeneidad de dos series numéricas con independencia de las unidades de medidas. Se expresa sin unidades. 

El coeficiente de variación tiene un valor entre 0-1

DISTRIBUCIONES NORMALES

La definición que damos a las distribuciones normales en estadística es la siguiente: a una de las distribuciones de probabilidad de variable continua que con más frecuencia aparece en fenómenos reales. También podemos denominarla ''Distribución de Gauss'' o ''Distribución gaussiana'', estos nombres vienen dados porque las distribuciones normales viene en forma de campana de Gauss en los histogramas; es simétrica respecto de los valores de posición central, es decir que la moda va a coincidir con la media y la mediana.

Esta curva es la que conocemos como ''Campana de Gauss''

Una distribución normal sigue estos principios básicos: si al valor de la media le restamos y le sumamos una desviación típica, si la serie numérica siguiera una distribución normal, el 68.25% de las observaciones se va a sumar entre los valores de la suma y la resta de la media a una desviación típica. Estos datos varían si sumamos una, dos o tres desviaciones típicas.

• S 68,26% de las observaciones.
• 2xS95,45% de las observaciones.
• 3xS 99,73% de las observaciones.
  

ASIMETRÍA Y CURTOSIS

Asimetrías:

Los resultados pueden ser los siguientes:

g1=0 (distribución simétrica; existe la misma concentración de valores a la derecha y a la izquierda de la media).

g1>0 (distribución asimétrica positiva; existe mayor concentración de valores a la derecha de la media que a su izquierda).

g1<0 (distribución asimétrica negativa; existe mayor concentración de valores a la izquierda de la media que a su derecha).

Curtosis o apuntamiento de la curva.

No tiene relación con la simetría. Coeficiente de apuntamiento o curtosis de una variable, sirve para medir el grado de concentración de los valores que toma en torno a su media. Los datos se acumulan mucho, mientras mas se acumulen, mas apuntada esta la curva. 

• g2=0 (distribución mesocúrtica o normal). Presenta un grado de concentración medio alrededor de los valores centrales de la variable (el mismo que presenta una distribución normal).
• g2>0 (distribución leptocúrtica). Presenta un elevado grado de concentración alrededor de los valores centrales de la variable.
• g2<0 (distribución platicúrtica). Presenta un reducido grado de concentración alrededor de los valores centrales de la variable.

TEMA 7: Introducción a la bioestadística

Buenas tardessss!!

El tema 7 es la introducción a la bioestadística, en este tema comienzan los primeros problemas que entran en temario de examen, como por ejemplo, la realización de una tabla de frecuencia.

A lo largo de esta entrada voy a explicar las distintas escalas de medida, los tipos de variables que existen y la representación gráfica de los valores obtenidos en la tabla de frecuencia.

Primero vamos a darle nombre a la estadística: ciencia que estudia la variabilidad, la medición de signos y síntomas, también la podemos definir como: Cuerpo de conocimientos para aprender de la experiencia, frecuentemente en forma de números provenientes de medias que muestran variaciones entre los diferentes individuos.

Una vez definido este concepto, vamos a pasar a la explicación de las distintas escalas de medida que podemos encontrar: Una escala de medida, como bien indica su nombre sirve para medir variables.

Podemos distinguir:

• ESCALA NOMINAL

Es el nivel inferior de medida. En una característica o variable solo se puede comprobar si son iguales o diferentes.

Ejemplos:

Raza	Genero	Profesión
Blanco, amarillo, negro.	Hombre, mujer.	Médico, enfermero, abogado..

Las categorías deben ser exhaustivas y mutuamente excluyentes (un sujeto no puede estar en dos valores de la escala a la vez).

• ESCALA ORDINARIA.

En la mediación ordinal dadas dos o más modalidades de una variable. Es posible:

• Establecer si son iguales o diferentes.
• Si son distintas, determinar cuál de ellas es mayor.

Por tanto los números expresan relaciones de: igualdad, desigualdad y orden.

Ejemplo:

Grado de mejoría tras el tratamiento:

1. Nula, 2. Leve, 3. Media, 4. Máxima.
   No se tiene en cuenta una escala cuantificada que permita decir el grado exacto de mejoría, por lo que no se puede realizar de forma matemática.

Características:

• No podemos establecer la cantidad de mejoría diferencial que un nivel, categoría o número representa en relación a cualquier otro.
• Carecemos de suficiente información para determinar si entre los niveles 3 y 4 existe el mismo grado de mejoría que entre el grado 3 y 2 ó 1 y 2.
• No se puede afirmar que la categoría 4 sea la doble que la 2.
• Solo podemos establecer una jerarquía 4>3>2>1.

• ESCALA DE INTERVALO.

Presenta las características propias de las dos escalas anteriores. Desigualdad e igualdad.

• Identidad y orden.
• El requerimiento de que las distancias o intervalos iguales representan distancias equivalentes.

Ejemplos: Temperatura → 36º,37º,38º. El cambio de temperatura entre 36º y 37º = Al cambio de temperatura entre 40º y 41º, es decir, 1ºC.

• El 0 no representa ausencia de propiedad, es un valor arbitrario u absoluto.
• No puede sacar razones o proporciones. No podemos afirmar que 20ºC es el doble de 10ºC aunque numéricamente si lo sea, pero no es el doble de Tª.

• ESCALA DE RAZÓN.

Nivel más alto de mediación. Características propias de las tres escalas anteriores porque permite obtener la misma información que las escalas anteriores.

• Igualdad, desigualdad → Identidad
• Orden.
• Distancias equivalentes entre los intervalos.
• La ventaja adicional de poseer el 0 absoluto. En la que él 0 representa nulidad o ausencia de lo que se estudia.

Entre dos números atribuidos a las modalidades admitiremos como validas:

• Las relaciones de identidad + orden + la existencia de intervalos equivalentes y cuantas veces una modalidad es superior a otra.

• Por tanto, en 2 números atribuidos a dos modalidades se admitirán como validas las relaciones de:

Identidad; Orden; Las operaciones de suma, resta, multiplicación y división.

Ejemplos: edad, peso, talla, número de alumnos, volumen, etc.

Un número considerable de medidas en el campo de la salud posee una métrica bien definida como un 0 absoluto.

Una vez explicadas las distintas escalas de medida que distinguimos, vamos a dar paso a la explicación de los diferentes tipos de variables.

• CUALITATIVAS

Se refieren a propiedades que no pueden ser medidas.

Dentro de las variables cualitativas diferenciamos entre:

Nominales porque se miden con escalas nominales. No hay diferencia de importancia. Dicotómicas: porque tiene 2 niveles o categorías (eje: hombre, mujer). Todo lo que se responda con sí o no es dicotómico. Por ejemplo: ¿está usted enfermo? Policotómicas: Mas de 2 categorías. (ejemplo: soltero, viuda, casado, separado). Raza, religión.

Ordinales: Establecen una orden, una jerarquía. Ej.: Satisfacción en el trabajo: Muy satisfecho. Satisfecho. Poco satisfecho. Nada satisfecho. Si hay diferencia de importancia y valor.

Las categorías deben construirse con dos criterios: Exhaustividad (que todos los sujetos pueden ser clasificado en algún punto de la escala) y exclusividad (solo pueden estar incluidos en una categoría)

• CUANTITATIVAS

Son las que se pueden medir en términos numéricos. Son las que se utilizan en escalas de intervalo y de razón.

Dentro de las variables cuantitativas, podemos distinguir entre:

• Discretas: Sólo pueden tomar un número finito de valores. La unidad de medición no puede ser fraccionados. Son números aislados, numero enteros. Ejemplo: Nº de hijos: 1,2,3, 4,… o más.

• Continuas: Las que pueden valer cualquier número dentro de un rango. La unidad de medida pueda ser subdividida en forma infinita.

Escala Continua	Escala discreta
0-15 años	Niños
16-30 años	Jóvenes
31-60 años	Adultos
>60	Mayores

Ejemplo: TA (tensión arterial), talla, puede ser dividida en cms, mms,…

• Una variable discreta no podemos convertirla en continua, al revés sí.
• Las categorías deben construirse con dos criterios: Exhaustividad y exclusividad. 

A continuación damos paso a la representación de los datos obtenidos, la famosa ''tabla de frencuencia'' , la cual definimos por: imagen de los datos que muestran la frecuencias en columnas y las categorías de la variables en las filas. Representan la información.

Para que una tabla de frecuencia sea lo más correcta posible, debe cumplir una serie de requisitos:

• Ser auto-explicativa.
• Ser sencillas y de fácil comprensión.
• Tener título, breve y claro.
• Indicar lugar, fecha y fuente de información.
• Incluir las unidades de medida en cada cabecera.
• Indicar la base de las medidas relativas.
• Hacer explícitas las abreviaturas.

Un ejemplo de una tabla de frecuencia sería el siguiente:

Personal sanitario hospital “Coge tu cartilla y corre”. Año 2004.

Profesión	Frecuencia absoluta (fi)	Frecuencia relativa (hi)
Médicos/as	658	0,28
Enfermeros/as	932	0,39
Técnicos/as	123	0,052
Auxiliares	598	0,25
Otras	32	0,013
Total = N	2343	1

La frecuencia relativa, es un valor entre 0-1, se estudia dividiendo la frecuencia absoluta entre el número total de la muestra.

VARIABLES CONTINUAS: REPRESENTACIÓN DE DATOS.

Las variables continuas se representan en la tabla de frecuencia en forma de intervalos, para realizarla de manera correcta deberemos:

• Definir los intervalos.
• Definir los extremos de los intervalos. Procurando que esos extremos sean exhaustivos.
• Definir de amplitud o distancia entre los extremos.
• Calcular de la marca de clase de cada intervalo.

Para entenderlo de manera más sencilla vamos a explicarlo a través de un ejemplo.

Ejemplo

Pesos En Kg De Niños Atendidos En La Consulta De Niño Sano. N = 40

3,9 4,7 3,7 5,6 4,3 4,9 5,0 6,1 5,1 4,5

5,3 3,9 4.3 5.0 6.0 4.7 5.1 4.2 4.4 5.8

3.3 4.3 4.1 5.8 4.4 4.8 6.1 4.3 5.3 4.5

4.0 5.4 3.9 4.7 3.3 4.5 4.7 4.2 4.5 4.8

1. El primer paso es calcular el recorrido (Re) el cual se calcula de la siguiente manera.

Re = x_n –x₁

El que más pesa: 6.1 = x_n. El que menos pesa: 3.3 = x₁

Por lo tanto, Re = 6.1 – 3.3 = 2.8

2. Calculamos el intervalo, el cual se obtiene calculando la raíz cuadrada del número de datos observados, en este caso N = 40, y la raíz de 40 es igual a 6.32, por lo que por aproximación deberá haber 6 intervalos (filas de la tabla)

3. Para determinar la amplitud tendremos que dividir el Recorrido entre el número de intervalos, es decir, 2.8/6 = 0.46.

Peso en Kg	fi(Frecuencia absoluta)	EFi(frecuencia absoluta acumulada)	hi(frecuencia relativa)	Hi (frecuencia relativa acumulada)
[3.3-3.8] Mc= 3.5	3	3	0.075 o 7,5%	0.075 o 7,5 %
(3.8-4.3] Mc=4.0	8	11	0.2 o 20%	0.275 o 27,5 %
(4,3-4.8] Mc=4.5	14	25	0.35 o 35%	0.625 o 62,5%
(4.8-5.3] Mc=5.0	6	31	0.15 o 15%	0.775 o 77.5%
(5.3-5.8] Mc=5.5	4	35	0.1 o 10%	0.875 o 87,5 %
(5.8-6.3] Mc=6.0	5 40	40	0.125 o 12,5% 100%	1 o 100%

La Marca de clase se obtiene sumando los dos extremos del intervalo y dividiendo el resultado obtenido entre dos, por ejemplo:

Mc₁= 3.25 +3.75 / 2 =3.5 … y así con todos los valores.

La frecuencia relativa (fi) es el resultado del sumatorio de los datos obtenidos en la frecuencia absoluta (Fi), el número de la frecuencia absoluta se obtiene observando cuantos valores de los que nos han proporcionado en el enunciado se encuentran entre los extremos de los intervalos, por ejemplo, en [3.3-3.8] encontramos 3 valores ( 3.3 – 3.3 – 3.7 )

Por último vamos a hablar de la representación gráfica de los resultados obtenidos.
Distinguimos varias formas de poder representar:

• Diagrama de barras: Utilizada para medir una variable cualitativa, nominales y sobretodo policotómicas.

• Histograma y polígonos de frecuencia: Es más utilizada para las variables continuas.

• Gráfico de tronco y hojas: Forma de expresar las variables cuantitativas continuas.

• Gráfico de sectores: Se utilizan al trabajar con variables cualitativas, sobretodo dicotómicas.

• Gráfico para datos bidimensionales: Se usan para medir variables cuantitativas.

Y esto es todo por hoy! Un tema que nos puede ayudar mucho sobretodo para saber como representar de forma clara los resultados de las variables obtenidas!!

Y con esto y un bizcocho... Hasta mañana con el tema 8!!!