◆Distinguir estadística descriptiva de inferencial y saber cuándo usa cada una en tu práctica.
◆Comprender la diferencia entre parámetros poblacionales y estadísticos muestrales.
◆Interpretar correctamente medidas de tendencia central (media, mediana, moda) y dispersión (DT, IQR).
◆Identificar los cuatro tipos principales de muestreo probabilístico y elegir el más adecuado según el contexto.
◆Entender por qué el tamaño muestral y el diseño del muestreo condicionan la validez de cualquier estudio.
Imagina que trabajas en atención primaria y quieres saber cuántos de tus pacientes con hipertensión controlan bien su presión arterial. No puedes revisar los 3.000 expedientes de tu centro, así que revisas 150 bien elegidos. Con esos 150 datos —tu muestra— describes lo que observas (estadística descriptiva) y luego extrapolas tus conclusiones a los 3.000 (estadística inferencial). Todo lo que aprenderás en este módulo es el andamiaje invisible que hace posible esa extrapolación de forma válida.
1
Descriptiva vs. Inferencial
Dos caras de la misma moneda, con roles muy distintos
La estadística descriptiva te da el resumen de lo que ya tienes: la media de glucosa de tus 150 pacientes, su distribución por grupo de edad, el porcentaje que cumple el objetivo terapéutico. No va más allá de los datos en mano.
La estadística inferencial es donde ocurre la magia —y el riesgo. Usas esos 150 pacientes para afirmar algo sobre los 3.000 del centro, o incluso sobre todos los pacientes hipertensos de tu región. Esa generalización solo es válida si la muestra fue bien obtenida.
🧠La distinción que lo cambia todo
Cuando lees en un artículo «la media de la muestra fue 135 mmHg (IC 95%: 132–138)», la media de 135 es descriptiva (dice lo que pasó en esos pacientes). El intervalo de confianza 95% es inferencial: estima dónde probablemente está la media real de la población. Son dos piezas distintas con interpretaciones distintas.
2
Población, Marco Muestral y Muestra
Tres conceptos que se confunden con frecuencia y tienen consecuencias distintas
🌍
Población (N)
Todos los individuos sobre los que quieres concluir. Puede ser infinita o muy grande.
📋
Marco muestral
Lista operativa de donde se extraerá la muestra. Idealmente coincide con la población.
🔬
Muestra (n)
Subconjunto efectivamente estudiado. La calidad del muestreo determina si representa a la población.
⚠️El error del marco muestral: cuando la lista no es toda la población
Un estudio clásico de error de marco muestral: encuestar sobre hábitos de salud usando el teléfono fijo excluye sistemáticamente a personas jóvenes, nómadas digitales y familias de bajos ingresos. Tu marco (personas con teléfono fijo) no coincide con tu población objetivo (todos los adultos), y la muestra heredará ese sesgo sin importar lo riguroso que seas después.
💡Parámetros vs. estadísticos: el lenguaje de la inferencia
Parámetro: valor verdadero de la población. Se denota con letras griegas: μ (media poblacional), σ (desviación estándar poblacional), π (proporción poblacional). Casi nunca lo conocemos.
Estadístico: valor calculado de la muestra. Se denota con letras latinas: x̄ (media muestral), s (desviación estándar muestral), p (proporción muestral). Es lo que calculas con tus datos.
El objetivo de la inferencia es usar los estadísticos para estimar los parámetros.
3
Medidas de Tendencia Central
Media, mediana y moda: cuándo usar cada una y por qué importa la distribución
Las medidas de tendencia central buscan responder: «¿cuál es el valor típico?». Pero «típico» puede significar tres cosas distintas según la distribución de tus datos.
Media aritmética (x̄)
x̄ = (x₁ + x₂ + … + xₙ) / n = Σxᵢ / n
Suma todos los valores y divide entre el número de observaciones. Sensible a valores extremos (outliers). Válida para variables cuantitativas con distribución aproximadamente simétrica.
Mediana (Me)
Valor central cuando los datos están ordenados de menor a mayor
Si n es impar: el valor en la posición (n+1)/2. Si n es par: la media de las posiciones n/2 y n/2+1. Robusta frente a outliers. Preferida en distribuciones asimétricas o variables ordinales.
✅La distribución del tiempo hasta el alta hospitalaria en urgencias
Imagina los tiempos de espera en urgencias de un lunes: la mayoría de pacientes espera entre 30 y 90 minutos, pero 3 casos complejos esperan 6 horas.
Media: inflada por esos 3 casos → puede dar 2,5 horas, que no refleja la experiencia del paciente típico. Mediana: 55 minutos → el valor que verdaderamente divide al 50% «por encima» y 50% «por debajo».
Por eso los tiempos de espera en salud se reportan siempre como medianas.
➕
Media
Distribución simétrica, sin outliers extremos
📋 Glucosa basal en población normoglucémica
⚖️
Mediana
Distribución asimétrica, con outliers, ordinal
📋 Tiempo hasta evento, puntuaciones de dolor
🏆
Moda
Variable nominal o para identificar valor más frecuente
📋 Diagnóstico más común en planta, grupo sanguíneo prevalente
4
Medidas de Dispersión
La media sin dispersión es como un pronóstico sin margen de error: incompleto
Dos grupos de pacientes pueden tener exactamente la misma media de presión arterial y comportarse de forma completamente distinta en la práctica. La dispersión te dice cuánto varían los valores individuales respecto al central.
Varianza muestral (s²)
s² = Σ(xᵢ − x̄)² / (n − 1)
Promedio de las desviaciones cuadráticas. Se usa n−1 (corrección de Bessel) para obtener un estimador insesgado de la varianza poblacional. Las unidades son el cuadrado de las unidades originales.
Desviación Estándar (s)
s = √[Σ(xᵢ − x̄)² / (n − 1)]
Raíz cuadrada de la varianza. Mismas unidades que la variable original. Con distribución normal: ~68% de los datos están en x̄ ± 1s; ~95% en x̄ ± 2s.
Rango Intercuartílico (IQR)
IQR = Q3 − Q1
Dispersión del 50% central de los datos. Robusto a outliers. Complemento natural de la mediana: mediana ± IQR describe bien las distribuciones asimétricas.
💡Coeficiente de Variación (CV): cuando comparar dispersiones de distintas unidades
CV = (s / x̄) × 100%
¿La variabilidad en la glucemia (mg/dL) es mayor o menor que la variabilidad en la frecuencia cardíaca (lpm)? No puedes comparar directamente las DT porque las unidades son distintas. El CV lo resuelve expresando la dispersión como porcentaje de la media.
CV < 15%: baja variabilidad · CV 15–30%: moderada · CV > 30%: alta. Útil en control de calidad de laboratorio y reproducibilidad de mediciones.
Medida
Fórmula simplificada
Robustez a outliers
Úsala con
Rango
Máx − Mín
❌ Muy sensible
Descripción rápida, control de calidad
Varianza (s²)
Σ(xᵢ−x̄)²/(n−1)
❌ Sensible
Cálculos intermedios, ANOVA
Desviación Estándar (s)
√Varianza
❌ Sensible
Variables normales: HbA1c, PA, peso
IQR (Q3−Q1)
Percentil 75 − Percentil 25
✅ Robusto
Tiempos de espera, ingresos, escalas
CV (%)
(s/x̄)×100
❌ Sensible
Comparar dispersión entre variables distintas
5
La Distribución Normal
El modelo probabilístico más útil en biología y medicina
La distribución normal (o gaussiana) es una curva simétrica en forma de campana. No es un capricho matemático: surge de forma natural cuando muchos factores pequeños e independientes se suman (altura, presión arterial, error de medición). Entenderla te permite interpretar z-scores, pruebas t, intervalos de confianza y prácticamente todo lo que viene en los módulos siguientes.
✅La regla empírica 68–95–99.7 en contexto clínico
Si la presión arterial sistólica en adultos sanos sigue una distribución normal con μ = 120 mmHg y σ = 10 mmHg:
El 68% tendrá PAS entre 110 y 130 mmHg (μ ± 1σ).
El 95% tendrá PAS entre 100 y 140 mmHg (μ ± 2σ).
Solo el 5% estará fuera de ese rango — aquí empiezan los «valores inusuales».
Un intervalo de referencia clínico del 95% se construye precisamente así.
6
Muestreo: del Porqué al Cómo
La ciencia de elegir bien a quiénes estudiar
El muestreo no es simplemente «coger algunos pacientes». Es una decisión metodológica que condiciona si tus conclusiones serán válidas más allá de los individuos estudiados. Un estudio con n = 50 bien seleccionados puede ser más poderoso que uno con n = 5.000 mal elegidos.
Simulador de Muestreo
6
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
Urgencias
Medicina
Cirugía
6 de 24 seleccionados
🎲 Muestreo Aleatorio Simple: cada individuo tiene la misma probabilidad de ser elegido. Ideal cuando la población es homogénea y se tiene acceso a toda la lista.
⚠️Error de muestreo vs. sesgo de muestreo
Error de muestreo: variación aleatoria inevitable entre muestras distintas de la misma población. Disminuye al aumentar n. Es cuantificable (se expresa como error estándar o intervalo de confianza). No es un error «culpable», es parte natural de la inferencia estadística.
Sesgo de muestreo: distorsión sistemática porque la muestra no representa a la población (voluntarios, personas accesibles, solo casos graves). No mejora con más tamaño muestral: si el método está sesgado, multiplicar n solo magnifica el error.
🧠Muestreo no probabilístico: cuando la aleatoriedad no es posible
En investigación clínica real a veces no puedes aleatorizar. Los tipos más comunes:
Conveniencia: pacientes del propio servicio. Rápido, pero sesgado hacia los que llegan a tu centro.
Intencional (propósito): seleccionas casos que cumplen criterios específicos. Útil para estudios cualitativos o piloto.
Bola de nieve: participantes reclutan a otros. Aplicable en poblaciones ocultas o estigmatizadas (adicciones, VIH).
Cuotas: fijas proporciones de subgrupos. Similar al estratificado pero sin aleatoriedad dentro de cada cuota.
La clave: reportar siempre el método de muestreo y sus limitaciones en la sección de métodos.
7
Consolida: Preguntas Clave
Desplega cada tarjeta para verificar tu comprensión
Verifica tu comprensión
Un farmacéutico analiza el número de medicamentos por paciente polimedicado en su farmacia. Los datos muestran que la mayoría toma entre 5 y 8, pero hay 4 pacientes que toman más de 15. ¿Qué medida de tendencia central es más apropiada para describir la «carga farmacológica típica»?
Verifica tu comprensión
Un investigador quiere estudiar la adherencia al tratamiento antihipertensivo en adultos mayores de su ciudad (N = 80.000 aprox.). Tiene acceso a los registros de 5 centros de salud. El objetivo es que los resultados representen tanto a zonas urbanas (60% de la población) como a rurales (40%). ¿Cuál es el método de muestreo más adecuado?
📚 Recursos y Referencias Clave
Lecturas fundamentales
Gordis, L. (2014). Epidemiology (5ª ed.). Elsevier Saunders.
Capítulos 2–4: población, muestra y medidas descriptivas con ejemplos de salud pública.
Levy, P. S. & Lemeshow, S. (2008). Sampling of Populations: Methods and Applications (4ª ed.). Wiley.
El texto de referencia en muestreo en poblaciones finitas aplicado a investigación en salud.
Altman, D. G. (1991). Practical Statistics for Medical Research. Chapman & Hall.
Medidas descriptivas y muestreo explicados para el clínico sin formación matemática avanzada.
Para profundizar
Hulley, S. B. et al. (2013). Designing Clinical Research (4ª ed.). Wolters Kluwer.
Diseño de estudios en salud con énfasis en validez interna y externa del muestreo.
Field, A. (2018). Discovering Statistics Using IBM SPSS Statistics (5ª ed.). SAGE.
Capítulo 1: distribución normal, estadísticos descriptivos e introducción a la inferencia.
🔗 Herramienta práctica
OpenEpi.com — calculadora gratuita de tamaños muestrales para estudios en salud. Permite calcular n para proporciones, medias y estudios de casos y controles.
