Tema 20 – Fundamentos de Investigación Cuantitativa y Estadística
🎯 ¿Por qué este tema es CRUCIAL para tu oposición?
Mira, sé que muchos opositores ven estadística e investigación y piensan «esto no es lo mío, yo soy de práctica clínica». Pero déjame que te cuente algo: este tema cae SÍ o SÍ en cada convocatoria, y no con una pregunta suelta, sino con varias. En los últimos exámenes hemos visto entre 3 y 5 preguntas directas sobre estadística, diseños de estudios y medidas epidemiológicas.
¿Y sabes qué es lo mejor? Que son preguntas muy agradecidas. Una vez que dominas los conceptos básicos —tipos de variables, test estadísticos, RR vs OR, características de cada diseño de estudio— las respuestas salen casi automáticas. No es como otras preguntas donde tienes que recordar un artículo específico de una ley del año tal. Aquí es lógica pura aplicada a la enfermería.
Además, este conocimiento te va a servir de verdad cuando seas enfermero/a del SAS con tu plaza. Vas a tener que interpretar estudios para tu práctica basada en evidencia, entender qué significan los p-valores en los artículos que lees, saber si un tratamiento realmente funciona o es casualidad estadística. Este tema no es solo para aprobar, es para ser un/a profesional mejor.
En esta guía encontrarás:
- 📊 Conceptos estadísticos explicados para enfermería (nada de matemáticas complejas)
- 🔬 Diseños de investigación con ejemplos reales del SAS
- 📝 Más de 40 preguntas reales de exámenes 2013-2025
- ✍️ 30 preguntas de autoevaluación tipo examen
- 🎯 Trucos para no confundir conceptos parecidos
- 📋 Tablas resumen para memorizar rápido
Consejo de preparador: Si este tema te da respeto, atácalo en dos fases. Primero domina variables y medidas descriptivas (media, mediana, desviación estándar). Luego ve a diseños de estudios. Y deja para el final los test estadísticos, que con las tablas resumen que te he preparado se aprenden solos. ¡Vamos a por ello!
📑 Índice de Contenidos
- Tipos de Variables en Investigación
- Variables cualitativas y cuantitativas
- Escalas de medición
- Variables dependientes e independientes
- Estadística Descriptiva
- Medidas de tendencia central
- Medidas de dispersión
- Distribución normal y curva de Gauss
- Inferencia Estadística
- Población y muestra
- Técnicas de muestreo
- Intervalos de confianza
- Contraste de hipótesis
- p-valor y significación estadística
- Errores tipo I y tipo II
- Test Estadísticos
- Test paramétricos
- Test no paramétricos
- Elección del test apropiado
- Medidas de Asociación y de Impacto
- Riesgo Relativo (RR)
- Odds Ratio (OR)
- Número Necesario a Tratar (NNT)
- Número Necesario para Dañar (NND)
- Diseños Epidemiológicos y Clínicos
- Estudios observacionales
- Estudios experimentales
- Estudios sobre pruebas diagnósticas
- Aplicación en la Práctica Enfermera del SAS
1. TIPOS DE VARIABLES EN INVESTIGACIÓN
Antes de meternos en estadística, necesitas entender qué son las variables, porque toda la investigación se basa en medirlas y analizarlas.
1.1. Definición de Variable
Una variable es cualquier característica o atributo que puede tomar diferentes valores entre los individuos de una población. Por ejemplo: edad, peso, presión arterial, nivel de dolor, diagnóstico de enfermedad, etc.
💡 Concepto Clave: Clasificación de Variables
La clasificación más importante para entender estadística es:
- Variables CUALITATIVAS: Expresan cualidades, categorías (ejemplo: sexo, grupo sanguíneo, estado civil)
- Variables CUANTITATIVAS: Expresan cantidades numéricas (ejemplo: edad, peso, glucemia)
1.2. Variables Cualitativas (Categóricas)
Las variables cualitativas se dividen en:
a) Variables Cualitativas Nominales: No hay orden entre las categorías.
- Ejemplos: sexo (hombre/mujer), grupo sanguíneo (A, B, AB, O), presencia de enfermedad (sí/no)
- Las categorías son mutuamente excluyentes
- No se pueden ordenar de mayor a menor
b) Variables Cualitativas Ordinales: Existe un orden lógico entre las categorías.
- Ejemplos: nivel de dolor (leve, moderado, severo), grado de dependencia (independiente, parcialmente dependiente, totalmente dependiente), escala de Norton
- Hay una jerarquía, pero no sabemos la magnitud exacta entre categorías
⚠️ IMPORTANTE PARA EXAMEN
Pregunta frecuente: «Las variables que expresan categorías sin orden natural se denominan…»
Respuesta: Variables cualitativas nominales.
Trampa común: Confundir cualitativas ordinales (que sí tienen orden) con cuantitativas discretas (que son números enteros).
1.3. Variables Cuantitativas (Numéricas)
Las variables cuantitativas se dividen en:
a) Variables Cuantitativas Discretas: Solo pueden tomar valores enteros, sin decimales.
- Ejemplos: número de hijos, número de hospitalizaciones, frecuencia cardíaca (se cuentan latidos completos), número de caídas
- NO pueden tener valores intermedios entre dos números enteros
- Se obtienen por CONTEO
b) Variables Cuantitativas Continuas: Pueden tomar cualquier valor dentro de un intervalo, incluidos decimales.
- Ejemplos: peso (70.5 kg), talla (1.68 m), temperatura (37.2°C), glucemia (126.8 mg/dl)
- SÍ pueden tener valores fraccionarios
- Se obtienen por MEDICIÓN
📝 Pregunta Real OPE 2025
Las variables que no pueden tener valores intermedios o fraccionarios entre dos números enteros se denominan:
A) Variables cualitativas ordinales
B) Variables cuantitativas continuas
C) Variables cuantitativas discretas
D) Variables cualitativas policotómicas
Explicación: Las variables cuantitativas discretas son números enteros que se obtienen por conteo (número de hijos, hospitalizaciones, etc.). NO pueden tener valores intermedios como 2.5 hijos. Por ejemplo, frecuencia cardíaca: puedes tener 75 o 76 latidos por minuto, pero no 75.3 latidos.
- A) Las ordinales son categorías CON orden (leve-moderado-severo), no números.
- B) Las continuas SÍ pueden tener decimales (peso 70.5 kg, glucemia 126.8 mg/dl).
- D) «Policotómicas» significa que tienen más de 2 categorías (grupo sanguíneo: A, B, AB, O). No tiene que ver con valores fraccionarios.
1.4. Variables Dependientes e Independientes
Otra clasificación importantísima en investigación:
Variable Independiente: Es la que el investigador manipula o estudia como posible causa. También llamada «exposición», «factor de riesgo» o «predictor».
- Ejemplo: «¿Fumar aumenta el riesgo de EPOC?» → Fumar es la variable independiente
Variable Dependiente: Es el resultado o efecto que medimos. También llamada «outcome» o «variable de resultado».
- Ejemplo: «¿Fumar aumenta el riesgo de EPOC?» → Desarrollar EPOC es la variable dependiente
2. ESTADÍSTICA DESCRIPTIVA
La estadística descriptiva resume y organiza los datos de una muestra. No hace inferencias sobre la población, solo DESCRIBE lo que observamos.
2.1. Medidas de Tendencia Central
Nos indican dónde se concentra el centro de la distribución de los datos.
💡 Las Tres Medidas Básicas
1. MEDIA (Media Aritmética o Promedio):
- Suma de todos los valores dividido entre el número de observaciones
- Ejemplo: Edades 20, 25, 30, 35, 40 → Media = (20+25+30+35+40)/5 = 30 años
- Sensible a valores extremos (outliers)
- Se usa con variables cuantitativas
2. MEDIANA:
- Valor central que divide la distribución en dos mitades iguales
- Para calcularla: ordenar los datos de menor a mayor y tomar el valor del medio
- Ejemplo: 20, 25, 30, 35, 40 → Mediana = 30 (valor central)
- Ejemplo con datos pares: 20, 25, 30, 40 → Mediana = (25+30)/2 = 27.5
- NO es sensible a valores extremos (por eso se usa cuando hay outliers)
3. MODA:
- Valor que más se repite en la distribución
- Ejemplo: 20, 25, 25, 25, 30, 35 → Moda = 25
- Puede haber más de una moda (distribución bimodal, trimodal…)
- Se puede usar con variables cualitativas y cuantitativas
📝 Pregunta Real OPE 2013-2015 Aplazado
En estadística, las medidas de tendencia central son:
A) Mediana
B) Media
C) Moda
D) Todas son correctas
Explicación: Las tres medidas principales de tendencia central son media, mediana y moda. Es una pregunta de regalo que suele caer para dar puntos.
📝 Pregunta Real Examen SAS 2023 Aplazada
Una de las siguientes opciones NO ES una medida de tendencia central en Bioestadística:
A) La Mediana
B) La Varianza
C) La Media aritmética
D) La Moda
Explicación: La varianza es una MEDIDA DE DISPERSIÓN, no de tendencia central. Mide cuánto se dispersan los datos respecto a la media.
- A, C, D: Mediana, media aritmética y moda son las tres medidas de tendencia central clásicas.
📝 Pregunta Real OPE 2013-2015
Calcula la mediana de los datos siguientes: 11, 17, 28, 21, 18, 15, 16
A) 16
B) 17
C) 15
D) 18
Explicación paso a paso:
- Ordenar los datos de menor a mayor: 11, 15, 16, 17, 18, 21, 28
- Contar: hay 7 valores (número impar)
- La mediana es el valor central: posición 4 → 17
Consejo: Si hay número impar de datos, la mediana es el valor central. Si hay número par, es la media de los dos valores centrales.
2.2. Medidas de Dispersión (Variabilidad)
Nos indican cuánto se dispersan los datos respecto a la media.
1. RANGO: Diferencia entre el valor máximo y el mínimo.
- Ejemplo: Edades 20, 25, 30, 35, 80 → Rango = 80 – 20 = 60 años
- Muy sensible a valores extremos
2. VARIANZA (S²): Promedio de las desviaciones cuadráticas respecto a la media.
- Mide la dispersión de los datos
- Se expresa en unidades al cuadrado (poco intuitiva)
3. DESVIACIÓN ESTÁNDAR (S o DE): Raíz cuadrada de la varianza.
- Mide la dispersión promedio de los datos respecto a la media
- Se expresa en las mismas unidades que la variable original
- Muy utilizada en estadística inferencial
4. COEFICIENTE DE VARIACIÓN (CV): (Desviación estándar / Media) × 100
- Mide la variabilidad relativa (en porcentaje)
- Permite comparar la variabilidad de dos variables con diferentes unidades de medida
- Útil para saber qué variable es «más variable»
📝 Pregunta Real ENFERMERO 2021 LIBRE APLAZADO
Si comparamos el coeficiente de variación de la talla a los 5 años (CV=8%) y a los 18 años (CV=4%), ¿a qué edad es la talla más variable?
A) A los 5 años
B) A los 18 años
C) Tienen el mismo coeficiente de variación
D) Con estos datos sólo podemos conocer la varianza
Explicación: El coeficiente de variación mide la variabilidad relativa. A mayor CV, mayor variabilidad. CV a los 5 años (8%) > CV a los 18 años (4%) → La talla es más variable a los 5 años. Esto tiene sentido porque los niños de 5 años tienen ritmos de crecimiento muy diferentes, mientras que a los 18 años ya están más cerca de su talla adulta definitiva.
2.3. Distribución Normal (Curva de Gauss)
La distribución normal es la más importante en estadística. Muchas variables biológicas (peso, talla, presión arterial, etc.) siguen aproximadamente esta distribución.
💡 Características de la Distribución Normal
- Forma de campana simétrica
- Media = Mediana = Moda (están en el centro)
- Se define por dos parámetros: media (μ) y desviación estándar (σ)
- La mayoría de los valores se concentran cerca de la media
Regla 68-95-99.7 (Regla empírica):
- Aproximadamente el 68% de los datos están a ±1 desviación estándar de la media
- Aproximadamente el 95% de los datos están a ±2 desviaciones estándar de la media
- Aproximadamente el 99.7% de los datos están a ±3 desviaciones estándar de la media
📝 Pregunta Real OPE Aragón 2024
Cuando una variable sigue una distribución normal, el intervalo de una desviación estándar alrededor de la media incluye aproximadamente el:
A) 78% de las observaciones
B) 95% de las observaciones
C) 68% de las observaciones
D) 50% de las observaciones
Explicación: Esta es la regla 68-95-99.7. En una distribución normal, aproximadamente el 68% de los valores están dentro de ±1 desviación estándar de la media. Es una pregunta que cae frecuentemente, así que memoriza estos porcentajes.
- B) El 95% corresponde a ±2 desviaciones estándar (no 1).
- A, D) Estos porcentajes no corresponden a ninguna regla estándar de la distribución normal.
3. INFERENCIA ESTADÍSTICA
La estadística inferencial va más allá de describir datos: busca hacer INFERENCIAS (generalizaciones) sobre una población a partir de una muestra.
3.1. Población y Muestra
Población: Conjunto completo de individuos que queremos estudiar.
- Ejemplo: «Todos los pacientes diabéticos atendidos en el SAS»
- Parámetros poblacionales: μ (media poblacional), σ (desviación estándar poblacional)
Muestra: Subconjunto representativo de la población.
- Ejemplo: «500 pacientes diabéticos seleccionados aleatoriamente de centros del SAS»
- Estadísticos muestrales: x̄ (media muestral), s (desviación estándar muestral)
📝 Pregunta Real OPE 2016
¿Qué tipo de estadística tiene como objeto realizar inducciones o estimaciones a partir de los datos obtenidos en un subconjunto (muestra), sobre la totalidad de la población?
A) Estadística descriptiva
B) Estadística inferencial
C) Estadística bayesiana
D) Estadística aplicada
Explicación: La estadística INFERENCIAL es la que permite hacer generalizaciones de la muestra a la población mediante técnicas de estimación y contraste de hipótesis.
- A) La estadística descriptiva solo DESCRIBE los datos de la muestra, no hace inferencias sobre la población.
- C, D) La bayesiana y la aplicada son tipos de estadística, pero no es la definición que busca la pregunta.
3.2. Técnicas de Muestreo
Para que las conclusiones de la muestra sean válidas para la población, el muestreo debe ser adecuado:
Muestreo Probabilístico: Cada individuo tiene una probabilidad conocida de ser seleccionado.
- Aleatorio simple: Todos tienen la misma probabilidad (como un sorteo)
- Sistemático: Se elige cada n individuos (ej: cada 10º paciente)
- Estratificado: Se divide la población en estratos y se muestrea de cada uno
- Por conglomerados: Se seleccionan grupos completos
Muestreo No Probabilístico: No todos tienen la misma probabilidad.
- Por conveniencia: Se eligen los más accesibles
- Por cuotas: Se establecen cuotas por características
- Menos representativos, pero más prácticos
3.3. Intervalos de Confianza (IC)
Un intervalo de confianza es un rango de valores dentro del cual esperamos que esté el verdadero valor poblacional, con un determinado nivel de confianza (habitualmente 95%).
💡 Interpretación del Intervalo de Confianza
Si decimos: «La media de glucemia es 126 mg/dl con IC95% (120 – 132 mg/dl)», significa:
- Tenemos un 95% de confianza de que la media REAL de la población está entre 120 y 132 mg/dl
- A mayor tamaño muestral, más estrecho es el IC (más precisión)
- El IC del 99% es más amplio que el del 95% (más confianza = menos precisión)
📝 Pregunta Real OPE 2016
Cuando hablamos que (en una distribución normal) «la proporción de pacientes que mejoraron con el tratamiento X es de un 75%, con un error estándar del 3%», podemos decir que:
A) La proporción de pacientes que mejoró fue del 75% con un IC95% (69% – 81%)
B) La proporción de pacientes que mejoró fue del 75% con un IC99% (67.5% – 82.5%)
C) La proporción de pacientes que mejoró fue del 75% con un IC95% (72% – 78%)
D) a) y b) son correctas
Explicación:
- IC95% se calcula: 75% ± (1.96 × 3%) = 75% ± 5.88% ≈ (69% – 81%) → Opción A correcta
- IC99% se calcula: 75% ± (2.58 × 3%) = 75% ± 7.74% ≈ (67.5% – 82.5%) → Opción B correcta
- Recuerda: IC99% es más amplio que IC95% (más confianza = intervalo más ancho)
3.4. Contraste de Hipótesis
El contraste de hipótesis es un procedimiento para decidir si aceptamos o rechazamos una afirmación sobre un parámetro poblacional.
Hipótesis Nula (H₀): Afirma que NO hay diferencia o efecto.
- Ejemplo: «El nuevo fármaco NO reduce la presión arterial»
- Es la hipótesis que queremos RECHAZAR
Hipótesis Alternativa (H₁ o Ha): Afirma que SÍ hay diferencia o efecto.
- Ejemplo: «El nuevo fármaco SÍ reduce la presión arterial»
- Es la hipótesis que queremos ACEPTAR
3.5. p-valor y Significación Estadística
💡 El famoso p-valor
El p-valor es la probabilidad de obtener los resultados observados (o más extremos) SI la hipótesis nula fuera cierta.
Interpretación:
- p < 0.05: Resultado estadísticamente significativo → Rechazamos H₀ → SÍ hay diferencia
- p ≥ 0.05: Resultado NO significativo → No podemos rechazar H₀ → NO hay diferencia (o no tenemos evidencia suficiente)
Importante: El nivel α = 0.05 es una convención, significa que aceptamos un 5% de riesgo de equivocarnos al rechazar H₀ cuando es verdadera.
📝 Pregunta Real ENFERMERO 2021 LIBRE APLAZADO
En inferencia estadística, el valor de p es un valor de probabilidad, por lo que puede oscilar entre:
A) 0 y 1
B) 0 y 10
C) 0 y 100
D) 0 y 1000
Explicación: El p-valor es una probabilidad, y las probabilidades siempre están entre 0 y 1 (o entre 0% y 100% si lo expresamos en porcentaje). Un p-valor de 0 significa probabilidad nula, y 1 significa certeza absoluta. Pregunta de regalo que suele caer.
3.6. Errores en el Contraste de Hipótesis
Al tomar decisiones estadísticas podemos cometer dos tipos de errores:
| Realidad / Decisión | Rechazar H₀ | No rechazar H₀ |
|---|---|---|
| H₀ es VERDADERA | ❌ ERROR TIPO I (α) Falso positivo |
✅ Decisión correcta |
| H₀ es FALSA | ✅ Decisión correcta | ❌ ERROR TIPO II (β) Falso negativo |
💡 Memoriza esto
Error Tipo I (α): Rechazar H₀ siendo verdadera = Decir que SÍ hay efecto cuando NO lo hay (falso positivo)
- Ejemplo: Concluir que un fármaco funciona cuando en realidad no funciona
- Probabilidad = nivel de significación (α = 0.05)
Error Tipo II (β): Aceptar H₀ siendo falsa = Decir que NO hay efecto cuando SÍ lo hay (falso negativo)
- Ejemplo: Concluir que un fármaco no funciona cuando en realidad sí funciona
- La potencia del test = 1 – β
📝 Pregunta Real OPE 2013-2015 Aplazado
¿A qué denominamos Error tipo I en un contraste de hipótesis?
A) El error tipo I se produce cuando se acepta la hipótesis nula siendo falsa
B) El error tipo I se produce cuando se rechaza la hipótesis nula siendo cierta
C) El error tipo I se produce cuando se acepta que hay diferencias y, realmente no las hay
D) b) y c) son ciertas
Explicación: El Error Tipo I consiste en rechazar H₀ cuando es verdadera, lo cual equivale a decir que hay diferencias cuando realmente no las hay. Ambas opciones B y C describen correctamente el Error Tipo I desde diferentes perspectivas.
- A) Esto describe el Error Tipo II (aceptar H₀ siendo falsa), no el Error Tipo I.
📝 Pregunta Real ICS Cataluña 2024
¿Cómo se interpreta el error alfa en el contraste de hipótesis en un análisis estadístico?
A) Aceptar la hipótesis nula cuando esta es cierta
B) Rechazar la hipótesis nula cuando esta es cierta
C) Aceptar la hipótesis alternativa cuando esta es falsa
D) Rechazar la hipótesis alternativa cuando esta es falsa
Explicación: El error alfa (α) = Error Tipo I. Consiste en rechazar H₀ cuando es verdadera. Es decir, encontrar un resultado «significativo» cuando en realidad no hay efecto real (falso positivo).
4. TEST ESTADÍSTICOS
Los test estadísticos son herramientas que nos permiten decidir si las diferencias observadas entre grupos son reales o se deben al azar.
4.1. Test Paramétricos vs No Paramétricos
Test Paramétricos: Asumen que los datos siguen una distribución normal.
- Más potentes (detectan mejor las diferencias reales)
- Requieren: normalidad, homocedasticidad, independencia
- Se usan con variables cuantitativas
Test No Paramétricos: No asumen normalidad en los datos.
- Menos potentes, pero más robustos
- Se usan cuando: muestra pequeña, datos no normales, variables ordinales
- Trabajan con rangos o medianas
4.2. Principales Test Estadísticos
💡 Tabla Resumen: ¿Qué Test Usar?
| Situación | Test Paramétrico | Test No Paramétrico |
|---|---|---|
| Comparar 2 grupos independientes (variable cuantitativa) |
t-Student | U de Mann-Whitney |
| Comparar 2 grupos relacionados/pareados (variable cuantitativa) |
t-Student pareado | Wilcoxon |
| Comparar ≥3 grupos independientes (variable cuantitativa) |
ANOVA | Kruskal-Wallis |
| Comparar ≥3 grupos relacionados (variable cuantitativa) |
ANOVA medidas repetidas | Friedman |
| Relacionar 2 variables cualitativas | Chi-cuadrado (χ²) o Test exacto de Fisher (si n<5) |
|
| Correlación 2 variables cuantitativas | Pearson | Spearman |
🎯 TRUCO para el Examen
Para elegir el test correcto, pregúntate:
- ¿Cuántos grupos comparo? (2 o más de 2)
- ¿Son grupos independientes o relacionados/pareados?
- ¿La variable es cuantitativa o cualitativa?
- ¿Los datos son normales? (→ paramétrico) ¿No son normales o muestra pequeña? (→ no paramétrico)
Ejemplos prácticos:
- «Comparar glucemia entre diabéticos y no diabéticos» → 2 grupos independientes, cuantitativa → t-Student o Mann-Whitney
- «Comparar presión arterial antes y después del tratamiento» → 2 mediciones, mismo paciente (relacionado) → t-Student pareado o Wilcoxon
- «Comparar satisfacción (bajo/medio/alto) entre 3 hospitales» → 2 variables cualitativas → Chi-cuadrado
📝 Pregunta Real OPE Aragón 2024
Si al calcular el coeficiente de correlación de Pearson de dos variables X e Y, se obtiene r = 0.20, ocurre que:
A) La pendiente de la recta de regresión lineal es negativa
B) Las variables tienen una relación lineal muy potente
C) Las variables están poco relacionadas, aunque cuando X crece Y tiene tendencia a crecer también
D) El modelo de regresión lineal explica el 20% de la varianza de la otra variable
Explicación: El coeficiente de correlación de Pearson (r) oscila entre -1 y +1:
- r = +1: correlación positiva perfecta
- r = 0: no hay correlación
- r = -1: correlación negativa perfecta
Un r = 0.20 indica:
- Correlación positiva (signo +) → cuando X crece, Y tiende a crecer
- Correlación débil (valor bajo, cercano a 0) → están poco relacionadas
- A) La pendiente es POSITIVA (r es positivo), no negativa.
- B) Una relación «muy potente» requeriría r cercano a 1 (ej: r = 0.8 o 0.9).
- D) El modelo explica r² = (0.20)² = 0.04 = 4% de la varianza, no el 20%.
5. MEDIDAS DE ASOCIACIÓN Y DE IMPACTO
Estas medidas cuantifican la relación entre una exposición (factor de riesgo) y un resultado (enfermedad).
5.1. Riesgo Relativo (RR)
El Riesgo Relativo compara la incidencia de enfermedad entre expuestos y no expuestos.
💡 Fórmula y Interpretación del RR
RR = (Incidencia en expuestos) / (Incidencia en no expuestos)
Interpretación:
- RR = 1: No hay asociación entre exposición y enfermedad
- RR > 1: Factor de RIESGO (aumenta la probabilidad de enfermedad)
- RR < 1: Factor PROTECTOR (disminuye la probabilidad de enfermedad)
Ejemplo práctico:
- RR = 3 → Los expuestos tienen el TRIPLE de riesgo que los no expuestos
- RR = 0.5 → Los expuestos tienen la MITAD de riesgo que los no expuestos (factor protector)
⚠️ IMPORTANTE: ¿Cuándo se puede calcular el RR?
El RR solo se puede calcular en estudios donde conocemos la INCIDENCIA:
- ✅ Ensayos clínicos (asignamos tratamiento y seguimos en el tiempo)
- ✅ Estudios de cohortes (seguimos expuestos y no expuestos en el tiempo)
- ❌ Estudios casos-controles (NO podemos calcular RR, usamos OR)
📝 Pregunta Real OPE Aragón 2024
Cuando en un estudio observacional de cohortes el Riesgo Relativo es igual a 1 nos indica que:
A) El factor de exposición favorece la aparición de la enfermedad
B) El factor de exposición actúa como un factor protector o previene la enfermedad
C) No hay asociación entre el factor de exposición y la enfermedad
D) El estudio no se ha realizado bien porque el Riesgo Relativo nunca puede ser igual a 1
Explicación: RR = 1 significa que la incidencia es la MISMA en expuestos y no expuestos, por tanto no hay asociación. Es como decir: «fumar o no fumar da igual para esta enfermedad» (lo cual obviamente no es cierto para cáncer de pulmón, pero es el ejemplo conceptual).
- A) RR > 1 indica que favorece la aparición (factor de riesgo).
- B) RR < 1 indica factor protector.
- D) RR = 1 es perfectamente posible y válido, indica ausencia de asociación.
5.2. Odds Ratio (OR o Razón de Momios)
La Odds Ratio compara las «odds» (oportunidades) de enfermedad entre expuestos y no expuestos.
💡 OR vs RR: Diferencias Clave
Diferencias:
- RR: Compara RIESGOS (incidencias)
- OR: Compara ODDS (cociente casos/controles)
Interpretación del OR (similar al RR):
- OR = 1: No hay asociación
- OR > 1: Factor de riesgo
- OR < 1: Factor protector
¿Cuándo usar cada uno?
- RR: En estudios de cohortes y ensayos clínicos
- OR: En estudios casos-controles y transversales
⚠️ PREGUNTA TRAMPA FRECUENTE
En estudios casos-controles se utiliza como medida de asociación el RR (riesgo relativo).
❌ FALSO – En casos-controles NO se puede calcular RR porque no conocemos la incidencia. Se usa el OR.
📝 Pregunta Real ENFERMERO 2021 y OPE 2016 Aplazada
¿Cuál de estas afirmaciones es INCORRECTA respecto a los estudios de casos-control?
A) Son eficientes para el estudio de enfermedades raras
B) Son estudios observacionales y analíticos
C) En ellos se utiliza como medida de asociación el RR (riesgo relativo)
D) Son útiles para establecer la eficacia de las vacunas
Explicación: Esta es la trampa. En estudios casos-controles se utiliza el OR (Odds Ratio), NO el RR. El RR se usa en cohortes y ensayos clínicos donde conocemos la incidencia.
- A) VERDADERO – Los casos-controles son ideales para enfermedades raras (se eligen casos directamente).
- B) VERDADERO – Son observacionales (no interviene el investigador) y analíticos (buscan asociaciones).
- D) VERDADERO – Se pueden usar para estudiar eficacia de vacunas comparando casos (enfermos) vs controles (sanos).
5.3. Número Necesario a Tratar (NNT)
El NNT indica cuántos pacientes necesito tratar con una intervención para conseguir UN resultado favorable adicional (comparado con no tratar o con placebo).
💡 NNT: La Medida Más Práctica
Fórmula: NNT = 1 / Reducción Absoluta del Riesgo (RAR)
Interpretación:
- NNT = 5 → Necesito tratar a 5 pacientes para evitar 1 evento adverso
- A MENOR NNT, MEJOR el tratamiento (más eficiente)
Ejemplo real del SAS:
Si un estudio dice «NNT = 20 para prevenir un IAM con estatinas», significa que tengo que tratar a 20 pacientes con estatinas durante el periodo del estudio para prevenir 1 infarto adicional (comparado con placebo). ¿Vale la pena? Depende del riesgo del IAM, efectos secundarios, coste…
📝 Pregunta Real OPE 2013-2015 Aplazado
¿Qué mide el NNT en un estudio de investigación?
A) El número de pacientes a tratar de manera experimental a fin de evitar que uno de ellos desarrolle un resultado negativo
B) Calcula la reducción relativa de riesgo de padecer un evento
C) El número de pacientes que sufren un problema y no han sido tratados
D) Todas son correctas
Explicación: Esta es la definición exacta del NNT (Número Necesario a Tratar). Es una medida muy práctica que responde a: «¿A cuántos pacientes tengo que tratar para conseguir un beneficio en uno de ellos?»
- B) La reducción relativa de riesgo (RRR) es otra medida diferente.
- C) Esto no describe el NNT.
5.4. Número Necesario para Dañar (NND)
El NND es el concepto inverso: cuántos pacientes necesito tratar para que UNO sufra un efecto adverso.
Interpretación: A MAYOR NND, MEJOR (queremos que sea difícil que aparezcan efectos adversos)
5.5. Tabla Resumen: Medidas de Asociación
| Medida | Interpretación | Valor nulo | Ejemplo |
|---|---|---|---|
| RR | Veces más/menos riesgo | 1 | RR = 3 → Triple riesgo |
| OR | Veces más/menos odds | 1 | OR = 4 → Cuádruple odds |
| RA (Reducción Absoluta) | Diferencia de riesgo | 0 | RA = 15% → 15% menos casos |
| NNT | Pacientes a tratar para 1 beneficio | ∞ | NNT = 10 → Tratar 10 para beneficiar 1 |
| NND | Pacientes a tratar para 1 daño | ∞ | NND = 100 → Tratar 100 para dañar 1 |
| p-valor | Probabilidad de azar si H₀ cierta | >0.05 | p = 0.03 → Significativo |
6. DISEÑOS EPIDEMIOLÓGICOS Y CLÍNICOS EN INVESTIGACIÓN CUANTITATIVA
Ahora viene la parte que más cae en exámenes: los diferentes tipos de estudios. Tienes que saber identificarlos y conocer sus características.
6.1. Clasificación General de los Estudios
💡 Árbol de Decisión: ¿Qué Tipo de Estudio Es?
Primera pregunta: ¿El investigador MANIPULA la exposición/intervención?
- SÍ manipula → ESTUDIOS EXPERIMENTALES (Ensayos clínicos, experimentos)
- NO manipula (solo observa) → ESTUDIOS OBSERVACIONALES
Si es observacional, segunda pregunta: ¿Busca relaciones causa-efecto?
- SÍ busca asociaciones → ESTUDIOS ANALÍTICOS (Cohortes, Casos-Controles, Transversal)
- NO, solo describe → ESTUDIOS DESCRIPTIVOS (Series de casos, Estudios ecológicos)
6.2. Estudios Descriptivos
Describen la frecuencia y distribución de enfermedades en poblaciones. NO buscan relaciones causales.
a) Estudios de casos clínicos / Series de casos:
- Descripción de casos individuales o series de pacientes con características similares
- Útiles para generar hipótesis sobre enfermedades nuevas o raras
- No tienen grupo control
b) Estudios ecológicos:
- La unidad de análisis es la POBLACIÓN, no el individuo
- Comparan datos agregados entre poblaciones o áreas geográficas
- Ejemplo: «Relación entre consumo de sal per cápita y mortalidad cardiovascular en diferentes países»
- Problema: No se puede establecer causalidad individual (falacia ecológica)
📝 Pregunta Real OPE 2016
¿Cuál de las siguientes afirmaciones es correcta en un estudio ecológico?
A) No son baratos y necesitan mucho tiempo para obtener resultados
B) Permiten establecer relaciones causa-efecto
C) Pueden llevarse a cabo por medio de estadísticas vitales y otros registros nacionales
D) No permiten estudiar grandes grupos poblacionales o grandes regiones
Explicación: Los estudios ecológicos utilizan datos agregados de poblaciones completas, que suelen estar disponibles en registros oficiales (INE, registros de mortalidad, etc.). Son baratos y rápidos porque usan datos ya recogidos.
- A) Al contrario, son BARATOS y RÁPIDOS porque usan datos secundarios ya disponibles.
- B) NO pueden establecer causalidad individual (riesgo de falacia ecológica).
- D) Precisamente SÍ permiten estudiar grandes poblaciones y regiones enteras.
📝 Pregunta Real SAS 2023 Aplazada
¿Cuál de las siguientes opciones corresponde a tipos de estudios descriptivos?
A) Estudios de casos clínicos, series de casos y estudios transversales
B) Estudios ecológicos, series de casos y estudios de cohortes
C) Estudios experimentales, series de casos y estudios transversales
D) Estudios de casos y controles, estudios de cohortes y estudios cuasi-experimentales
Explicación: Los tres son estudios descriptivos. Los transversales pueden ser descriptivos (cuando solo miden prevalencia) o analíticos (cuando buscan asociaciones).
- B) Los estudios de cohortes son ANALÍTICOS, no descriptivos.
- C) Los experimentales son otra categoría diferente (no son ni descriptivos ni observacionales).
- D) Casos-controles, cohortes y cuasi-experimentales son estudios ANALÍTICOS.
6.3. Estudios Transversales (De Prevalencia)
Miden exposición y resultado AL MISMO TIEMPO, en un momento concreto. Es como una «fotografía» de la población.
💡 Características de los Estudios Transversales
Ventajas:
- ✅ Baratos y rápidos
- ✅ Útiles para medir PREVALENCIA
- ✅ Permiten estudiar múltiples variables simultáneamente
Desventajas:
- ❌ NO pueden estudiar INCIDENCIA (no hay seguimiento en el tiempo)
- ❌ Ambigüedad temporal: no sabemos qué fue primero (¿la exposición o la enfermedad?)
- ❌ Pueden confundir factores de riesgo con factores pronóstico
- ❌ Sesgo de prevalencia (se pierden los casos que mueren rápido o se curan rápido)
📝 Pregunta Real ENFERMERO 2021 LIBRE APLAZADO y OPE 2016 Aplazada
¿Cuál de las siguientes afirmaciones es CORRECTA en un estudio transversal?
A) No existe un buen control de la selección de los sujetos de estudio
B) No permiten diferenciar entre los factores de riesgo y los factores pronóstico
C) No son eficientes para estudiar la incidencia de enfermedades en la población
D) Todas son correctas
Explicación: Las tres afirmaciones son LIMITACIONES reales de los estudios transversales:
- A) Verdadero – Puede haber sesgos de selección.
- B) Verdadero – Al medir todo a la vez, no sabemos qué fue primero.
- C) Verdadero – NO pueden medir incidencia porque no hay seguimiento temporal. Solo miden prevalencia.
📝 Pregunta Real OPE 2016 Aplazada
¿Cuál de las siguientes afirmaciones es INCORRECTA en un estudio transversal?
A) Son eficientes para estudiar la incidencia de enfermedades en la población
B) Son baratos y pueden llevarse a cabo en poco tiempo
C) Existe ambigüedad temporal en la relación causa-efecto
D) Es posible confundir los factores de riesgo con factores pronóstico
Explicación: Esta es la afirmación FALSA. Los transversales NO pueden estudiar incidencia (casos nuevos en el tiempo), solo PREVALENCIA (casos existentes en un momento dado). Para estudiar incidencia se necesitan estudios de cohortes o experimentales.
6.4. Estudios de Cohortes (De Seguimiento)
Siguen en el tiempo a dos grupos: expuestos y no expuestos a un factor, para ver quiénes desarrollan la enfermedad.
💡 Características de los Estudios de Cohortes
Dirección temporal: Prospectivo (hacia adelante en el tiempo)
Punto de partida: Individuos SIN la enfermedad
Criterio de selección: La EXPOSICIÓN al factor de estudio
Ventajas:
- ✅ Permiten calcular INCIDENCIA y RR
- ✅ Secuencia temporal clara (sabemos qué fue primero)
- ✅ Pueden estudiar múltiples desenlaces
- ✅ Menos sesgos que los casos-controles
Desventajas:
- ❌ Caros y largos (requieren seguimiento prolongado)
- ❌ No eficientes para enfermedades raras
- ❌ Pérdidas de seguimiento
Medida de asociación: RR (Riesgo Relativo)
📝 Pregunta Real OPE 2016 Aplazada
Un estudio de cohortes se caracteriza por:
A) El criterio de selección de la población en estudio es la propia exposición a la variable a estudiar
B) El análisis puede ser prospectivo o retrospectivo en el tiempo
C) La variable de exposición está fuera del control del investigador
D) Todas son ciertas
Explicación:
- A) Verdadero – Se seleccionan grupos según estén expuestos o no al factor de estudio.
- B) Verdadero – Pueden ser prospectivas (hacia adelante) o retrospectivas (cohorte histórica, usando datos del pasado).
- C) Verdadero – Es un estudio OBSERVACIONAL, el investigador no manipula la exposición.
6.5. Estudios de Casos y Controles
Parten de individuos CON la enfermedad (casos) y los comparan con individuos SIN la enfermedad (controles), mirando hacia atrás para ver quiénes estuvieron expuestos.
💡 Características de Casos-Controles
Dirección temporal: Retrospectivo (miramos hacia atrás)
Punto de partida: Individuos CON y SIN la enfermedad
Criterio de selección: La ENFERMEDAD (outcome)
Ventajas:
- ✅ Ideales para ENFERMEDADES RARAS
- ✅ Rápidos y baratos
- ✅ Permiten estudiar múltiples exposiciones
- ✅ Requieren menos sujetos que cohortes
Desventajas:
- ❌ NO pueden calcular incidencia ni RR (usan OR)
- ❌ Susceptibles a sesgos (selección, información, memoria)
- ❌ Difícil elegir buenos controles
Medida de asociación: OR (Odds Ratio)
6.6. Estudios Experimentales: Ensayos Clínicos (EC)
El investigador INTERVIENE, asignando la exposición/tratamiento de forma controlada (idealmente aleatoria).
💡 Ensayo Clínico Aleatorizado (ECA)
Características esenciales:
- ALEATORIZACIÓN: Asignación al azar de pacientes a grupos
- GRUPO CONTROL: Grupo que recibe placebo o tratamiento estándar
- ENMASCARAMIENTO: Simple ciego, doble ciego o triple ciego
- PROSPECTIVO: Seguimiento hacia adelante
Ventajas:
- ✅ Máximo nivel de EVIDENCIA
- ✅ Permiten establecer CAUSALIDAD
- ✅ Control de sesgos mediante aleatorización
Desventajas:
- ❌ Caros y complejos
- ❌ Limitaciones éticas (no siempre se puede aleatorizar)
- ❌ Resultados no siempre generalizables (población muy seleccionada)
📝 Pregunta Real OPE 2013-2015
¿Cuál de las siguientes afirmaciones es INCORRECTA en un estudio experimental?
A) La exposición es controlada (aleatorizada)
B) La temporalidad del análisis puede ser prospectiva o retrospectiva
C) El número de observaciones a cada individuo participante es al menos de 2 veces
D) Son eficientes para estudiar la incidencia de una exposición en una población
Explicación: Los estudios experimentales (ensayos clínicos) son SIEMPRE PROSPECTIVOS. Asignas el tratamiento HOY y sigues a los pacientes hacia ADELANTE para ver los resultados. No pueden ser retrospectivos.
- A) Verdadero – La exposición/tratamiento es controlada por el investigador mediante aleatorización.
- C) Verdadero – Se mide al menos basal + final.
- D) Verdadero – Permiten estudiar la incidencia del outcome en función de la exposición asignada.
6.7. Fases de los Ensayos Clínicos con Fármacos
💡 Las 4 Fases de los Ensayos Clínicos
Fase I: Seguridad y dosis
- Voluntarios sanos (10-100)
- ¿Es seguro? ¿Qué dosis tolera el organismo?
Fase II: Eficacia preliminar
- Pacientes con la enfermedad (100-300)
- ¿Parece que funciona? ¿Qué dosis es óptima?
Fase III: Eficacia definitiva
- Muchos pacientes (1000-3000)
- ¿Funciona mejor que el tratamiento actual?
- Si tiene éxito → Autorización de comercialización
Fase IV: Farmacovigilancia post-comercialización
- Miles de pacientes en condiciones reales
- ¿Qué efectos a largo plazo? ¿Efectos raros?
- Monitorización de efectividad y seguridad
📝 Pregunta Real ENFERMERO 2021 LIBRE APLAZADO
Los ensayos clínicos que examinan los efectos a largo plazo de un fármaco cuando ya ha sido comercializado, y que sirven para monitorizar su efectividad, son ensayos:
A) En fase I
B) En fase II
C) En fase III
D) En fase IV
Explicación: La Fase IV (farmacovigilancia) se realiza DESPUÉS de la comercialización del fármaco, para monitorizar efectos a largo plazo, detectar efectos adversos raros y evaluar la efectividad en condiciones de uso real.
- A) Fase I: Seguridad y dosis en voluntarios sanos.
- B) Fase II: Eficacia preliminar en pacientes.
- C) Fase III: Eficacia definitiva antes de la comercialización.
6.8. Estudios sobre Pruebas Diagnósticas
Evalúan la capacidad de una prueba para detectar correctamente la presencia o ausencia de enfermedad.
💡 Parámetros de una Prueba Diagnóstica
SENSIBILIDAD: Probabilidad de que la prueba sea POSITIVA en enfermos.
- Sensibilidad = VP / (VP + FN)
- Alta sensibilidad → Pocos falsos negativos
- Útil para DESCARTAR (test negativo descarta enfermedad)
ESPECIFICIDAD: Probabilidad de que la prueba sea NEGATIVA en sanos.
- Especificidad = VN / (VN + FP)
- Alta especificidad → Pocos falsos positivos
- Útil para CONFIRMAR (test positivo confirma enfermedad)
Truco mnemotécnico:
- Sensibilidad → Enfermos
- Especificidad → Sanos (ESP = ESPera que sean sanos)
📝 Pregunta Real Guía SAS 2023
Especificidad (de una prueba): Capacidad de una prueba diagnóstica que se considera elevada cuando…
La especificidad es la proporción de test NEGATIVOS que es muy elevada entre los individuos que NO padecen la enfermedad. Es decir, la capacidad de detectar correctamente a los SANOS.
📝 Pregunta Real OPE 2025 y SAS 2023 Aplazada
¿Cómo se calcula el valor predictivo POSITIVO de una prueba diagnóstica?
A) Dividiendo el número de verdaderos positivos entre la suma de verdaderos positivos y falsos negativos
B) Dividiendo el número de verdaderos negativos entre la suma de verdaderos negativos y falsos negativos
C) Dividiendo el número de verdaderos positivos entre la suma de verdaderos positivos y falsos positivos
D) Dividiendo el número de verdaderos negativos entre la suma de verdaderos negativos y falsos positivos
Explicación: VPP = VP / (VP + FP). El valor predictivo positivo responde: «Si mi test es positivo, ¿cuál es la probabilidad de que realmente tenga la enfermedad?»
- A) Esto calcula la SENSIBILIDAD.
- B) Esto calcula el valor predictivo NEGATIVO.
- D) Esto calcula la ESPECIFICIDAD.
6.9. Tabla Comparativa de Diseños de Estudios
| Diseño | Dirección | Selección por | Medida | Ideal para… |
|---|---|---|---|---|
| ECA | Prospectivo | Aleatorización | RR, NNT | Evaluar tratamientos (máxima evidencia) |
| Cohortes | Prospectivo | Exposición | RR, Incidencia | Exposiciones frecuentes |
| Casos-Controles | Retrospectivo | Enfermedad | OR | Enfermedades raras |
| Transversal | — | — | Prevalencia, OR | Describir situación actual |
| Descriptivos | — | — | Frecuencias | Describir, generar hipótesis |
7. APLICACIÓN EN LA PRÁCTICA ENFERMERA DEL SAS
Todo esto no es solo teoría para aprobar. Como enfermero/a del SAS, vas a necesitar estos conocimientos constantemente:
7.1. Lectura Crítica de Artículos Científicos
En tu práctica diaria en el SAS, tendrás que leer estudios para tomar decisiones basadas en evidencia:
- ¿Este tratamiento funciona realmente? → Mira el RR o NNT
- ¿El p-valor es significativo? → p < 0.05 indica resultado estadísticamente significativo
- ¿El IC incluye el valor nulo? → Si el IC del RR incluye el 1, no hay asociación significativa
- ¿El diseño del estudio es apropiado? → Un ECA tiene más peso que un estudio observacional
7.2. Participación en Investigación en tu Unidad
Muchas Unidades de Gestión Clínica del SAS realizan proyectos de investigación:
- Estudios de prevalencia de UPP en tu hospital
- Evaluación de la efectividad de un nuevo protocolo de cuidados
- Estudios sobre satisfacción del paciente
- Investigación sobre adherencia terapéutica
Necesitarás saber: ¿Qué diseño usamos? ¿Cómo calculamos el tamaño muestral? ¿Qué test estadístico aplicamos?
7.3. Ejemplo Práctico Real del SAS
🏥 Caso Clínico: Evaluando una Intervención en tu Centro de Salud
Situación: Tu Centro de Salud del SAS ha implementado un nuevo programa de educación para la salud en pacientes diabéticos. El coordinador de enfermería quiere evaluar si realmente funciona.
Pregunta de investigación: ¿El programa educativo reduce la HbA1c en pacientes diabéticos tipo 2?
Diseño apropiado: Estudio cuasi-experimental (antes-después)
- Mides HbA1c basal (antes del programa)
- Implementas el programa educativo
- Mides HbA1c a los 6 meses (después del programa)
Variables:
- Variable independiente: Participación en el programa educativo
- Variable dependiente: HbA1c (cuantitativa continua)
Test estadístico: t-Student pareado (mismos pacientes, 2 mediciones)
Resultado hipotético:
- HbA1c basal: 8.2% ± 1.1
- HbA1c 6 meses: 7.4% ± 1.0
- Diferencia: -0.8% (IC95%: -1.2 a -0.4)
- p = 0.003
Interpretación: El programa educativo reduce significativamente la HbA1c en 0.8 puntos de media (p<0.05). El IC no incluye el 0, por lo que la diferencia es real. Esta reducción es clínicamente relevante para reducir complicaciones de la diabetes.
Limitaciones: Al no tener grupo control, no podemos descartar que la mejora se deba a otros factores (efecto Hawthorne, cambios en tratamiento médico, etc.). Un ECA con aleatorización sería más robusto, pero más complejo de realizar en tu centro.
✍️ CUESTIONARIO DE AUTOEVALUACIÓN
30 preguntas tipo test para evaluar tu dominio del tema. Nivel real de oposición SAS.
Pregunta 1
Una variable que puede tomar valores como «bajo», «medio» y «alto», con un orden lógico entre las categorías, se denomina:
A) Variable cualitativa nominal
B) Variable cualitativa ordinal
C) Variable cuantitativa discreta
D) Variable cuantitativa continua
Expresan categorías con un orden jerárquico. «Bajo-medio-alto» tiene orden, pero no son números ni podemos decir que la diferencia entre bajo y medio sea la misma que entre medio y alto.
Pregunta 2
El número de ingresos hospitalarios de un paciente en un año es un ejemplo de:
A) Variable cualitativa ordinal
B) Variable cuantitativa continua
C) Variable cuantitativa discreta
D) Variable cualitativa nominal
Son números enteros obtenidos por conteo. No puede haber 2.5 ingresos. Las discretas no pueden tener valores intermedios entre dos enteros.
Pregunta 3
Si en una distribución de pesos tenemos los valores 60, 65, 70, 200 kg, ¿qué medida de tendencia central se verá MÁS afectada por el valor extremo (200 kg)?
A) La moda
B) La mediana
C) La media
D) Ninguna se afecta
La media es muy sensible a valores extremos (outliers). La mediana es más robusta porque solo cuenta la posición central. Ejemplo: Media = (60+65+70+200)/4 = 98.75 kg (distorsionada). Mediana = (65+70)/2 = 67.5 kg (más representativa).
Pregunta 4
En una distribución normal, aproximadamente el 95% de los valores se encuentran dentro de:
A) ±1 desviación estándar de la media
B) ±2 desviaciones estándar de la media
C) ±3 desviaciones estándar de la media
D) ±4 desviaciones estándar de la media
Regla 68-95-99.7: Aproximadamente el 68% está en ±1 DE, el 95% en ±2 DE, y el 99.7% en ±3 DE.
Pregunta 5
Si el p-valor de un test estadístico es 0.08, podemos concluir que:
A) Hay diferencias estadísticamente significativas al nivel α=0.05
B) No hay diferencias estadísticamente significativas al nivel α=0.05
C) Hay un 8% de probabilidad de que la hipótesis alternativa sea cierta
D) Hay un 92% de confianza en los resultados
p=0.08 > 0.05, por tanto NO es significativo. No podemos rechazar H₀. No hay evidencia suficiente para afirmar que hay diferencias.
Pregunta 6
Para comparar la presión arterial ANTES y DESPUÉS de administrar un antihipertensivo en los mismos pacientes, el test estadístico más apropiado es:
A) t-Student independiente
B) t-Student pareado
C) Chi-cuadrado
D) U de Mann-Whitney
Son los MISMOS pacientes con 2 mediciones (antes-después), por tanto datos PAREADOS. Variable cuantitativa (presión arterial) → t-Student pareado o Wilcoxon si no hay normalidad.
Pregunta 7
Para analizar si existe relación entre el sexo (hombre/mujer) y el hábito tabáquico (fumador/no fumador), el test más apropiado es:
A) t-Student
B) ANOVA
C) Chi-cuadrado
D) Correlación de Pearson
Ambas variables son CUALITATIVAS (categóricas). Para relacionar 2 variables cualitativas se usa Chi-cuadrado (χ²) o test exacto de Fisher si hay celdas con n<5.
Pregunta 8
En un estudio, el RR de desarrollar EPOC en fumadores vs no fumadores es 5.2 con IC95% (3.8 – 7.1). Esto significa que:
A) Los fumadores tienen 5.2 veces MÁS riesgo de EPOC que los no fumadores
B) Los fumadores tienen 5.2 veces MENOS riesgo de EPOC que los no fumadores
C) No hay asociación significativa porque el IC incluye el 1
D) El resultado no es estadísticamente significativo
RR=5.2 > 1 indica factor de RIESGO. El IC (3.8-7.1) NO incluye el 1, por tanto es estadísticamente significativo. Fumar quintuplica el riesgo de EPOC.
Pregunta 9
Si un tratamiento tiene un NNT=10, significa que:
A) Tengo que tratar a 10 pacientes para que 1 se beneficie
B) Tengo que tratar a 10 pacientes para que 1 sufra un efecto adverso
C) El tratamiento es 10 veces más eficaz que el placebo
D) El tratamiento reduce el riesgo en un 10%
NNT (Número Necesario a Tratar) = cuántos pacientes debo tratar para conseguir 1 beneficio adicional comparado con no tratar. Cuanto menor el NNT, mejor el tratamiento.
Pregunta 10
La prevalencia de una enfermedad se define como:
A) El número de casos NUEVOS en un periodo de tiempo
B) El número de casos EXISTENTES en un momento dado
C) El riesgo de desarrollar la enfermedad
D) La tasa de mortalidad por la enfermedad
Prevalencia = casos totales (nuevos + antiguos) en un momento. La INCIDENCIA son los casos nuevos en un periodo. Los estudios transversales miden prevalencia, los de cohortes miden incidencia.
Pregunta 11
Un estudio que compara la incidencia de cáncer de pulmón entre fumadores y no fumadores, siguiéndolos durante 20 años, es un estudio:
A) Transversal
B) Casos-controles
C) De cohortes
D) Ensayo clínico
Selecciona grupos según EXPOSICIÓN (fumadores vs no fumadores) y los sigue en el tiempo para ver quiénes desarrollan la enfermedad. Es prospectivo y mide incidencia.
Pregunta 12
En un estudio casos-controles sobre factores de riesgo de ictus, el criterio de selección de los participantes es:
A) La exposición al factor de riesgo
B) La presencia o ausencia de ictus
C) La aleatorización
D) El nivel socioeconómico
En casos-controles se seleccionan participantes por la ENFERMEDAD (outcome): casos = con ictus, controles = sin ictus. Luego se mira retrospectivamente quiénes estuvieron expuestos.
Pregunta 13
¿Cuál de los siguientes diseños permite establecer con MAYOR solidez una relación causal?
A) Estudio transversal
B) Estudio de cohortes
C) Estudio casos-controles
D) Ensayo clínico aleatorizado
El ECA es el diseño con máximo nivel de evidencia para establecer causalidad, porque: controla sesgos mediante aleatorización, es prospectivo, tiene grupo control, y el investigador manipula la intervención.
Pregunta 14
La sensibilidad de una prueba diagnóstica se define como:
A) La probabilidad de dar positivo en enfermos
B) La probabilidad de dar negativo en sanos
C) La probabilidad de estar enfermo si el test es positivo
D) La probabilidad de estar sano si el test es negativo
Sensibilidad = VP / (VP+FN). Alta sensibilidad → pocos falsos negativos. Útil para DESCARTAR enfermedad (test negativo la descarta).
Pregunta 15
Una prueba con alta especificidad tiene:
A) Muchos falsos positivos
B) Pocos falsos positivos
C) Muchos falsos negativos
D) No tiene relación con los falsos positivos
Especificidad = VN / (VN+FP). Alta especificidad → pocos falsos positivos. Es buena para CONFIRMAR enfermedad (test positivo la confirma).
Pregunta 16
En un intervalo de confianza del 95% para el RR de (1.2 – 3.5), podemos afirmar que:
A) No hay asociación estadísticamente significativa
B) Sí hay asociación estadísticamente significativa
C) El factor es protector
D) El resultado es clínicamente irrelevante
El IC NO incluye el 1 (valor nulo del RR), por tanto hay asociación significativa. Ambos límites están por encima de 1, indicando factor de riesgo.
Pregunta 17
La desviación estándar es una medida de:
A) Tendencia central
B) Dispersión
C) Asociación
D) Forma de la distribución
La desviación estándar mide la variabilidad o dispersión de los datos respecto a la media. A mayor DE, mayor dispersión.
Pregunta 18
En un muestreo aleatorio simple:
A) Todos los individuos tienen la misma probabilidad de ser seleccionados
B) Se seleccionan los más accesibles
C) Se seleccionan por cuotas establecidas
D) Se eligen grupos completos
Es el tipo de muestreo probabilístico más básico, como un sorteo. Todos tienen la misma probabilidad de salir elegidos.
Pregunta 19
Si queremos comparar la eficacia de 3 tratamientos diferentes (A, B, C) en reducir la presión arterial, el test estadístico apropiado sería:
A) t-Student
B) ANOVA
C) Chi-cuadrado
D) Wilcoxon
ANOVA (Analysis of Variance) se usa para comparar ≥3 grupos independientes con variable cuantitativa. Si solo fueran 2 grupos usaríamos t-Student.
Pregunta 20
Un coeficiente de correlación de Pearson r = -0.85 indica:
A) Correlación positiva fuerte
B) Correlación negativa fuerte
C) No hay correlación
D) Correlación positiva débil
El signo negativo indica correlación INVERSA (cuando X sube, Y baja). El valor 0.85 (cercano a 1) indica que la correlación es FUERTE.
Pregunta 21
La principal VENTAJA de los estudios casos-controles es que:
A) Pueden calcular el RR directamente
B) Son ideales para enfermedades raras
C) Tienen menos sesgos que los de cohortes
D) Establecen causalidad con más solidez
Al seleccionar directamente los casos (enfermos), son eficientes para enfermedades poco frecuentes. No hace falta seguir miles de personas esperando que algunos enfermen.
Pregunta 22
La Fase II de un ensayo clínico con fármacos tiene como objetivo principal:
A) Evaluar la seguridad en voluntarios sanos
B) Determinar la dosis óptima y eficacia preliminar
C) Confirmar la eficacia en grandes grupos de pacientes
D) Monitorizar efectos adversos post-comercialización
Fase II: Se prueba en pacientes con la enfermedad (100-300) para ver si parece funcionar y encontrar la dosis óptima.
Pregunta 23
En un estudio transversal, la principal LIMITACIÓN es que:
A) Es muy caro y largo
B) Requiere muchos sujetos
C) No puede medir prevalencia
D) No puede establecer secuencia temporal clara
Al medir exposición y enfermedad al mismo tiempo, no sabemos qué fue primero. No podemos diferenciar factores de riesgo de factores pronóstico.
Pregunta 24
El error tipo II (β) consiste en:
A) Rechazar H₀ cuando es verdadera
B) Aceptar H₀ cuando es falsa
C) Aceptar H₁ cuando es falsa
D) Rechazar H₁ cuando es verdadera
Error tipo II = falso negativo. Concluimos que NO hay efecto cuando SÍ lo hay. Ejemplo: decir que un fármaco no funciona cuando en realidad sí funciona.
Pregunta 25
Para comparar el nivel de satisfacción (bajo/medio/alto) entre pacientes de 3 hospitales diferentes, usaríamos:
A) t-Student
B) ANOVA
C) Chi-cuadrado
D) Correlación de Spearman
Ambas variables son CUALITATIVAS: satisfacción (ordinal) y hospital (nominal). Para relacionar 2 variables cualitativas → Chi-cuadrado.
Pregunta 26
Si un IC95% del OR es (0.4 – 0.8), podemos concluir que:
A) El factor es de riesgo
B) El factor es protector
C) No hay asociación significativa
D) El resultado no es válido
OR < 1 indica factor PROTECTOR. El IC NO incluye el 1, por tanto es estadísticamente significativo. Reduce el riesgo entre 20% (0.8) y 60% (0.4).
Pregunta 27
La potencia de un test estadístico es:
A) 1 – α
B) 1 – β
C) α + β
D) α / β
La potencia es la probabilidad de detectar una diferencia real cuando existe (rechazar H₀ siendo falsa). A mayor potencia, menor riesgo de Error Tipo II.
Pregunta 28
En estudios de pruebas diagnósticas, el valor predictivo positivo (VPP) depende de:
A) Solo de la sensibilidad
B) Solo de la especificidad
C) De la prevalencia de la enfermedad
D) Del tamaño de la muestra
El VPP (probabilidad de estar enfermo si el test es positivo) depende de sensibilidad, especificidad Y prevalencia. A mayor prevalencia, mayor VPP.
Pregunta 29
Un estudio que evalúa la asociación entre obesidad (IMC ≥30) y diabetes tipo 2 en un momento determinado, midiendo ambas variables al mismo tiempo, es un estudio:
A) De cohortes
B) Casos-controles
C) Transversal
D) Experimental
Mide exposición (obesidad) y resultado (diabetes) AL MISMO TIEMPO en un momento dado. Es como una fotografía. Puede calcular prevalencia y OR.
Pregunta 30
Para estudiar la relación entre dos variables cuantitativas cuando NO se cumple el supuesto de normalidad, el test apropiado es:
A) Correlación de Pearson
B) Correlación de Spearman
C) Chi-cuadrado
D) t-Student
Spearman es el equivalente NO PARAMÉTRICO de Pearson. Se usa cuando: datos no normales, muestras pequeñas, o variables ordinales. Trabaja con rangos en lugar de valores absolutos.
🗺️ MAPA CONCEPTUAL DEL TEMA
📊 FUNDAMENTOS DE INVESTIGACIÓN CUANTITATIVA Y ESTADÍSTICA
De los datos al conocimiento científico
📝 1. VARIABLES Y MEDICIÓN
- Nominales (sin orden)
- Ordinales (con orden)
- Discretas (enteros)
- Continuas (decimales)
📈 2. ESTADÍSTICA DESCRIPTIVA
Media
Mediana
Moda
Desviación estándar
Varianza
Rango
Asimetría
Curtosis
Distribución
🎯 3. INFERENCIA ESTADÍSTICA
Hipótesis nula
Valor p
Decisión
Si p < 0.05 → Rechazamos H0 → Resultado estadísticamente significativo
🔬 4. TESTS ESTADÍSTICOS
| TIPO DE DATOS | PARAMÉTRICO | NO PARAMÉTRICO |
|---|---|---|
| 2 grupos independientes | t-Student | Mann-Whitney |
| 2 grupos relacionados | t pareada | Wilcoxon |
| ≥3 grupos independientes | ANOVA | Kruskal-Wallis |
| ≥3 grupos relacionados | ANOVA medidas repetidas | Friedman |
| Variables cualitativas | Chi-cuadrado / Fisher | |
| Correlación 2 variables | Pearson | Spearman |
🔍 5. DISEÑOS EPIDEMIOLÓGICOS
- Transversales: Fotografía (prevalencia)
- Casos-controles: Retrospectivos
- Cohortes: Prospectivos (seguimiento)
- Ensayo clínico: Gold standard
- Cuasi-experimental: Sin aleatorización
- Pruebas diagnósticas: S, E, VPP, VPN
1. Ensayos clínicos 2. Cohortes 3. Casos-controles 4. Transversales
📊 6. MEDIDAS DE ASOCIACIÓN E IMPACTO
Riesgo Relativo
Cohortes
Odds Ratio
Casos-controles
Nº Necesario Tratar
Impacto beneficio
Nº Necesario Dañar
Impacto daño
💡 CONSEJO PARA EL EXAMEN: Este mapa conceptual te ayuda a tener una visión global del tema. Imprimelo y tenlo cerca cuando estudies. Las conexiones entre conceptos son fundamentales para entender la lógica de la estadística aplicada a la investigación sanitaria.
🎯 ESTRATEGIA PARA EL EXAMEN
Preguntas MÁS FRECUENTES del Tema 20:
- Tests estadísticos apropiados según tipo de variables y distribución → Aparece en el 40% de los exámenes. CLAVE: Árbol de decisión paramétrico/no paramétrico
- Interpretación del valor p y significación estadística → 35% de frecuencia. Entender qué significa p<0.05
- Tipos de diseños epidemiológicos y sus medidas de asociación → 30% frecuencia. Saber qué medida usar en cada diseño
- Intervalos de confianza y su interpretación → 25% frecuencia. IC que incluye 1 = no significativo
- Cálculo e interpretación de NNT/NNH → 20% frecuencia. Impacto clínico real
Errores Típicos a EVITAR:
- ❌ Confundir RR con OR: RR solo en cohortes, OR en casos-controles y transversales
- ❌ Usar tests paramétricos sin comprobar normalidad: Si no hay normalidad → test no paramétrico
- ❌ Interpretar mal los IC del 95%: Si incluye el 1 (RR/OR) o el 0 (diferencias) → NO significativo
- ❌ Confundir significación estadística con relevancia clínica: p<0.05 no siempre es clínicamente importante
- ❌ No distinguir variables independientes de relacionadas: Cambia totalmente el test a usar
- ❌ Olvidar que Chi-cuadrado necesita ≥5 casos esperados: Si no se cumple → Fisher exacto
Mnemotecnias Útiles:
🧠 Para recordar tests paramétricos (familia «t»):
«Los Tests de Student Tienen ANOVAs»
- T-Student → 2 grupos independientes
- T pareada → 2 grupos relacionados
- ANOVA → ≥3 grupos
🧠 Para recordar tests no paramétricos:
«Mann Wilcoxon Kruskal Friedman» (en orden de complejidad)
- Mann-Whitney → equivalente a t-Student
- Wilcoxon → equivalente a t pareada
- Kruskal-Wallis → equivalente a ANOVA
- Friedman → equivalente a ANOVA medidas repetidas
🧠 Para recordar diseños epidemiológicos:
«Transversal = Foto, Cohortes = Película, Casos-controles = Rewind»
- Transversal: Una foto en un momento → prevalencia
- Cohortes: Película hacia adelante → incidencia, RR
- Casos-controles: Rebobinar desde el desenlace → OR
🧠 Para recordar IC del 95%:
«Si el 1 está dentro, no hay efecto significativo» (para RR y OR)
«Si el 0 está dentro, no hay diferencia significativa» (para diferencias)
Conexiones con otros temas del temario:
- 📚 Tema 21 (Investigación Cualitativa): Diseños complementarios, triangulación metodológica
- 📚 Tema 22 (Protocolos de Investigación): Aplicación práctica de estos conceptos en el diseño
- 📚 Tema 23 (Enfermería Basada en Evidencia): Interpretación crítica de estudios, niveles de evidencia
- 📚 Tema 12 (Epidemiología): Indicadores de salud, prevalencia, incidencia
- 📚 Tema 13 (Calidad): Indicadores, evaluación de resultados
📖 Plan de Estudio Recomendado:
Día 1-2: Variables, estadística descriptiva, distribución normal
Día 3-4: Inferencia estadística, hipótesis, valor p, IC
Día 5-6: Tests paramétricos y no paramétricos (árbol de decisión)
Día 7-8: Diseños epidemiológicos (características y medidas)
Día 9: Medidas de asociación e impacto (RR, OR, NNT, NNH)
Día 10: Repaso global + test de autoevaluación
📚 REFERENCIAS NORMATIVAS Y BIBLIOGRÁFICAS
🏛️ Marco Normativo y Estratégico del SSPA:
- Ley 14/1986, de 25 de abril, General de Sanidad – Marco general del Sistema Nacional de Salud
- Ley 16/2003, de 28 de mayo, de Cohesión y Calidad del SNS – Art. 44 sobre investigación en salud
- Ley 14/2007, de 3 de julio, de Investigación Biomédica – Regulación de la investigación con seres humanos
- Plan de Calidad del Sistema Sanitario Público de Andalucía – Línea estratégica de investigación e innovación
- Estrategia de Cuidados de Andalucía – Promoción de la investigación enfermera basada en evidencia
📖 Bibliografía Científica Fundamental:
- Altman DG. Practical Statistics for Medical Research. Chapman & Hall/CRC; 1991. (Clásico imprescindible de estadística médica)
- Norman GR, Streiner DL. Bioestadística. 2ª ed. Madrid: Mosby/Doyma; 2008. (Excelente para conceptos básicos)
- Argimon Pallás JM, Jiménez Villa J. Métodos de investigación clínica y epidemiológica. 5ª ed. Barcelona: Elsevier; 2019.
- Pita Fernández S, Pértegas Díaz S. La fiabilidad de las mediciones clínicas: el análisis de concordancia para variables numéricas. Cad Aten Primaria 2003; 10: 290-296.
- Guyatt G, Rennie D, Meade MO, Cook DJ. Users’ Guides to the Medical Literature: A Manual for Evidence-Based Clinical Practice. 3rd ed. McGraw-Hill; 2014.
- Hulley SB, Cummings SR, Browner WS, Grady DG, Newman TB. Designing Clinical Research. 4th ed. Philadelphia: Lippincott Williams & Wilkins; 2013.
- Sackett DL, Straus SE, Richardson WS, Rosenberg W, Haynes RB. Medicina basada en la evidencia: Cómo practicar y enseñar la MBE. 2ª ed. Madrid: Churchill Livingstone; 2001.
- Moher D, Liberati A, Tetzlaff J, Altman DG, PRISMA Group. Preferred reporting items for systematic reviews and meta-analyses: the PRISMA statement. PLoS Med. 2009;6(7):e1000097.
- Schulz KF, Altman DG, Moher D, CONSORT Group. CONSORT 2010 statement: updated guidelines for reporting parallel group randomised trials. BMJ. 2010;340:c332.
- von Elm E, Altman DG, Egger M, Pocock SJ, Gøtzsche PC, Vandenbroucke JP, STROBE Initiative. The Strengthening the Reporting of Observational Studies in Epidemiology (STROBE) statement: guidelines for reporting observational studies. Lancet. 2007;370(9596):1453-7.
🌐 Recursos Online de Referencia:
- Fisterra – Metodología de investigación: https://www.fisterra.com/ayuda-en-consulta/metodologia-investigacion/ (Calculadoras estadísticas y guías prácticas)
- Biblioteca Virtual del SSPA: Acceso a bases de datos bibliográficas (PubMed, Cochrane, etc.)
- Instituto de Salud Carlos III – Portal de Salud Pública: Epidemiología y estadísticas sanitarias españolas
- Centro Cochrane Iberoamericano: Recursos para medicina basada en evidencia
- Agencia de Calidad Sanitaria de Andalucía (ACSA): Proyectos de investigación acreditados
📊 Software Estadístico de Referencia:
- SPSS (Statistical Package for the Social Sciences): Más usado en ciencias de la salud
- R y RStudio: Software libre, muy potente para análisis avanzado
- Stata: Excelente para epidemiología
- GraphPad Prism: Intuitivo para análisis básico y gráficos
- Epi Info: Software gratuito de los CDC (Centers for Disease Control)
💡 PARA PROFUNDIZAR EN EL EXAMEN
Las preguntas de oposición suelen centrarse en:
- ✅ Elección del test estadístico apropiado según tipo de variables y diseño
- ✅ Interpretación de resultados: valor p, IC, RR, OR
- ✅ Identificación del diseño epidemiológico más adecuado para cada pregunta de investigación
- ✅ Conceptos de validez y fiabilidad de pruebas diagnósticas
- ✅ Medidas de impacto clínico: NNT y NNH
Recomendación: Practica con casos clínicos reales resolviendo qué test usarías y por qué. La lógica del razonamiento es lo que evalúan.