Win Episcope 2 Español

Ayuda
Win Episcope 2.0
Junio 1999
0. INDICE
0. Indice 1
1. Win Episcope 3
1.1. Historia 3
1.2. Autores 4
2. Test Diagnósticos 5
2.1. Concordancia de Test Diagnósticos 5
2.1.1. Cálculo de Kappa 5
2.1.2. Cálculo de J de Youden 6
2.2. Evaluación de Test Diagnósticos 7
2.3. Evaluación Avanzada de Test Diagnósticos 8
2.4. Valor Umbral de un Test Diagnóstico 8
2.5. Tests Diagnósticos Múltiples 9
3. Tamaño de Muestra 11
3.1. Tamaño de muestra para estimar Medias 11
3.2. Tamaño de muestra para estimar Diferencias entre Medias 11
3.3. Tamaño de muestra para estimar Porcentajes (p.e. prevalencia) 12
3.4. Tamaño de muestra para estimar Diferencias entre Porcentajes 13
3.5. Tamaño de muestra para Detección de enfermedad 14
3.6. Tamaño de muestra para Rechazar un Lote 15
3.7. Tamaño de muestra para estudios de Caso-Control Unmatched 16
3.8. Tamaño de muestra para estudios de Caso-Control Matched 17
3.9. Tamaño de muestra para estudios de Cohorte 17
4. Estudios Observacionales 19
4.1. Estudios Transversales 19
4.2. Estudios Transversales Estratificados 21
4.3. Estudios Caso-Control 23
4.4. Estudios Caso-Control Estratificados 25
4.4.1. Homogeneidad del Odds Ratio 27
4.5. Estudios Caso-Control Pareados 28
4.5.1. Tablas Matched 29
4.5.2. Otros Temas de Interés 30
4.6. Estudios de Cohorte (Incidencia Acumulada) 31
4.7. Estudios de Cohorte (Tasa de Incidencia) 33
4.8. Estudios de Cohorte Estratificados (Incidencia Acumulada) 35
4.9. Estudios de Cohorte Estratificados (Tasa de incidencia) 37
5. Modelos 41
5.1. Modelo Reed-Frost: Simulación de una Epidemia 41
6. Apéndices 43
7. Bibliografía 45
Win Episcope 2.0 2

1. WIN EPISCOPE
1.1. HISTORIA DE WIN EPISCOPE 2.0
EPIDEMO fue originalmente desarrollado como una producción conjunta de:

-Department of Forensic Medicine of The Royal Veterinary and Agricultural University
(Copenhagen - Denmark)
-Department of Herd Health and Amb. Clinic of The State University of Utrecht
(Holland)
Y diseñado por J.F. Agger, J. Noordhuizen, P. Willeberg y P.F. Voorthyusen, siendo el
proyecto becado por la CEE.
El programa EPIDEMO fue modificado y ampliado al programa EPISCOPE por varias

razones. EPISCOPE puede ser usado tanto para la docencia (demostración de conceptos
epidemiológicos) como con propósitos prácticos (diseño experimental y análisis de datos)
Este nuevo programa fue desarrollado por K. Frankena y J.O. Goelema, del Departament of
Animal Husbandry of Wageningen Agricultural University (The Netherlands)
El programa WIN EPISCOPE 1.0 fue una nueva versión mejorada del EPISCOPE en entorno
Microsoft Windows, que está disponible en varios idiomas, y que incluye nuevas prestaciones y
facilita el manejo.
Este nuevo programa ha sido desarrollado por:
-I. de Blas y C. Ortega del Departamento de Patología Animal de la Facultad de
Veterinaria de la Universidad de Zaragoza (España)
-Klaas Frankena y Jos Noordhuizen del Departament of Animal Husbandry of
Wageningen Agricultural University (The Netherlands)
MEJORAS DEL WIN EPISCOPE 2.0

En esta nueva versión se han mejorado aspectos visuales de distintos apartados, aumentado
la versatilidad de los posibles datos a introducir y la posibilidad de pegar datos en las tablas a
partir de otras aplicaciones (hojas de cálculo, procesadores de texto,...).
La versión es bilingüe (español-inglés) pudiendo activarse la opción deseada en el menú
Archivo / Idioma
Las nuevas prestaciones que se han introducido son:

-Establecimiento del valor umbral de un test diagnóstico
-Test Diagnósticos múltiples
-Tamaño de muestra para estimar medias
-Tamaño de muestra para rechazar un lote de animales
-Tamaño de muestra en estudios Caso-Control pareado
-Tamaño de muestra en estudios de Cohorte
-Estudios Observacionales Transversales
-Estudios Observacionales Transversales estratificados
Las futuras actualizaciones del programa pueden conseguirse en:
http://infecepi.unizar.es/ratio/soft_sp.htm
Este programa se enmarca dentro de la actividades de la red Europea de Epidemiología

Veterinaria y Economía EPIDECON
WIN EPISCOPE ha sido programado con Borland® Delphi™ con Nº de Licencia HDB1110ES10180.
Borland® y Delphi™ son marcas comerciales propiedad de Borland International Inc.
Win Episcope 2.0 3

1.2. AUTORES
Unidad de Patología Infecciosa y Epidemiología

Facultad de Veterinaria
Universidad de Zaragoza (España)
Ignacio de Blas deblas@posta.unizar.es
Carmelo Ortega epidemio@posta.unizar.es
Departament of Animal Husbandry

Wageningen Agricultural University
(The Netherlands)
Klaas Frankena klaas.frankena@genr.vh.wau.nl
Jos Noordhuizen jos.noordhuizen@genr.vh.wau.nl
Win Episcope 2.0 4

2. TEST DIAGNOSTICOS
2.1. CONCORDANCIA DE TEST DIAGNOSTICOS
En muchas circunstancias es muy costoso y difícil establecer el verdadero estado

sanitario de una población animal. Esto frecuentemente conduce al uso de un test
diagnóstico imperfecto como prueba estándar. La sensibilidad y la especificidad de este
test imperfecto no tienen por que ser conocidas, aunque se presume que los valores
predictivos son suficientemente aceptables para propósitos prácticos.
Bajo estas circunstancias, un test diagnóstico alternativo tiene que ser comparado con
el test imperfecto estándar. La concordancia o conformidad entre ambos test se expresa
por el valor de Kappa.
En estos casos se calculan dos errores estándar (se):

1.se(0) para probar si kappa es igual a cero:
Esta hipótesis se prueba contra el test alternativo para ver si la conformidad es
mejor que el azar tomando como referencia la cantidad: z = kappa/se(0) para realizar
una tabla de una distribución normal estándar.
2. se(1) para probar la hipótesis de que el valor subyacente de Kappa es
igual a un valor de Kappa preespecificado y distinto de 0.
La cantidad para ser probada es: z = |-k|/se(1)
La primera hipótesis puede ser probada refiriendo el resultado (valor de t de Student ) a

tablas de una distribución normal estándar (si t > 1.96 => p < 0.05). La segunda se prueba
comprobando si Kappa es o no un elemento del Intervalo de Confianza.
Las fórmulas para el cálculo de ambos se se pueden encontrar en Fleiss.
La versión 2.0 del programa incluye el cálculo de la J de Youden y su intervalo de

confianza, para tablas de contingencia 2x2.
2.1.1. CALCULO DE KAPPA
Kappa expresa la proporción de concordancia más allá del azar. Un valor de kappa de
0 indica ninguna concordancia descontado el factor azar, mientras un valor de kappa de 1
indica una concordancia total.
Kappa puede usarse también para comparar los diagnósticos de dos clínicos.
Debe recalcarse que ese kappa no indica cual es el método que da los mejores
resultados en términos del número correcto de animales sanos o enfermos diagnosticados.
El cálculo de kappa se demostrará para una tabla de contingencia de 2x2 entradas.
A+D = número de resultados iguales

(A+D)/N = proporción de resultados iguales
B+C = número de resultados diferentes
Según el azar, la proporción esperada (EP) o resultados iguales debidos al azar es:
Win Episcope 2.0 5

La máxima proporción de concordancia no debida al azar es 1-EP.
La proporción de concordancia descontado el azar es: (A+D)/N - EP
Kappa se define como:
En otras palabras: kappa es el cociente entre la proporción observada de concordancia

descontado el azar y la máxima proporción de conformidad no debida al azar. Un valor
de kappa de 0.5 indica un nivel moderado de concordancia.
Comparando los diagnósticos de dos experimentadores clínicos debería obtenerese un

valor de kappa alrededor de 0.6 Y la concordancia de los diagnósticos clínicos realizados
sobre los mismos sujetos en diferentes ocasiones por un mismo experimentador debería
dar un valor de kappa entre 0.6 y 0.8
Win Episcope 2.0 permite usar tablas de contingencia con un rango entre 2 y 4.
Para más información ver Thrusfield y Martin et al..
2.1.2. CALCULO DE J DE YOUDEN
El valor de la J de Youden es otra medida del grado de concordancia entre dos test
diagnósticos, de forma que valores próximos a 1 o a -1 indican concordancia total entre los
test, mientras que valores cercanos a 0 denotan discordancia entre ambos.
El cálculo de la J de Youden para una tabla de contingencia de 2x2 entradas es el

siguiente:
Y su error estandar es:
Win Episcope 2.0 6

2.2. EVALUACION DE TESTS DIAGNOSTICOS
Los test diagnósticos se desarrollan o para detectar una enfermedad subclínica o para
reemplazar otra técnica muy laboriosa o cara.
Un test diagnóstico debería tener una validez alta lo que significa que los porcentajes de
resultados falsos positivos y falsos negativos deberían ser limitados. La validez será
expresada por la Sensibilidad y la Especificidad, pero para determinarlos es necesaria
una segunda prueba, llamada test de oro o estándar con una validez de aproximadamente
el 100%.
En ese caso la evaluación de la primera prueba se hace fácilmente usando una tabla de
contingencia de 2x2 entradas.
De estas tablas pueden calcularse otros parámetros:
1. Valor predictivo de un resultado positivo/negativo del test, es decir, el
porcentaje de animales positivamente/negativamente testados que realmente son
positivos/negativos.
2. Prevalencia aparente, es decir, el número de animales positivos o enfermos
dividido por el número total de animales testados.
Tabla 2x2:
A = número de verdaderos positivos

B = número de falsos positivos
C = número de falsos negativos
D = número de verdaderos negativos
Sensibilidad (%) = 100*A/(A+C)

Especificidad(%) = 100*D/(B+D)
Prevalencia verdadera (%) = 100*(A+C)/N
Prevalencia aparente (%) = 100*(A+B)/N
Valor predictivo + (%) = 100*A/(A+B)
Valor predictivo - (%) = 100*D/(C+D)
También pueden establecerse los límites de confianza para la sensibilidad,

especificidad, valores predictivos y prevalencias usando una aproximación normal al
error estándar para proporciones.
Este error estándar (SE) se calcula como:
donde PAR es el valor del parámetro (en porcentaje) y n es el denominador

correspondiente al cálculo de cada parámetro (ej: para la Sensibilidad (Se): n = A+C, Y
para el Valor Predictivo + (PV+): n = A+B)
Los límites de confianza se calculan entonces como:

PAR ± t x SE
donde t es el valor de la t de Student para datos normalmente distribuidos al nivel
especificado de confianza.
Win Episcope 2.0 7

2.3. EVALUACION AVANZADA DE TESTS DIAGNOSTICOS
Se estimará el efecto de Sensibilidad, Especificidad y Prevalencia Verdadera sobre la

Prevalencia Aparente y los Valores Predictivos.
La Prevalencia Aparente se define como 100*(A+B)/N.
El Valor Predictivo de un resultado positivo del test se define como A/(A+B) y de un
resultado negativo del test como D/(C+D).
Las frecuencias de A y C están determinadas por la prevalencia de la enfermedad y la

sensibilidad del test. Las frecuencias de B y D dependen de la especificidad del test y de
la prevalencia.
Esta herramienta de cálculo ofrece la posibilidad de introducir los valores de la

Sensibilidad, la Especificidad y la Prevalencia Verdadera o la Prevalencia Aparente
(pudiéndose seleccionar el tipo de prevalencia deseada pulsando en el botón) y a partir de
esos datos calcula la Prevalencia que corresponda y los Valores Predictivos. La relación
entre estos parámetros se muestra también graficamente, para ello, 2 de los 3 parámetros
se mantienen constantes mientras que el tercero aumenta en intervalos del 10%.
2.4. VALOR UMBRAL DE UN TEST DIAGNOSTICO
En ocasiones es necesario establecer el valor umbral para los resultados de un test

diagnóstico, es decir, un valor límite para la positividad y negatividad y en función del cual
se determinará la Sensibilidad y Especificidad de dicho test.
Para ello la nueva versión de Win Episcope incorpora una nueva herramienta, que
permite introducir los titulos de anticuerpos detectados con un test (por ejemplo) en orden
creciente, y el número de animales sanos y enfermos que poseen dicho titulo.
Una vez introducidos los datos, se puede desplazar el nivel que se considerará como
positivo el test (en verde) o negativo (en rojo), y simultaneamente se calcula la Sensibilidad
y Especificidad del test (y sus intervalos de confianza) si se fijará dicho nivel como umbral
de positividad (o negatividad).
También se calculan los Valores Predictivos y sus respectivos intervalos de confianza.
Titulo Atc Infectados No infect.

0.0 0 41
0.5 0 25
1.0 1 17
1.5 3 7
2.0 7 4
2.5 10 2
3.0 26 2
3.5 34 1
4.0 16 1
4.5 3 0
En esta tabla se observa que, al establecer el nivel umbral en 2.0 (es decir, para aquellos
valores estrictamente mayores de 2.0 se considera que el resultado del test es positivo) se
obtiene una Sensibilidad del 89% y una Especificidad del 94%.
Ante la necesidad de un test más sensible se puede establecer el nivel umbral en 1.5,
pero a costa de perder Especificidad (Sensiblidad=96% y Especificidad=90%).
Nota: Seleccione esta tabla y copiela, y luego situese sobre las celdas y
active la orden Archivo/Pegar Datos
Win Episcope 2.0 8

2.5. TESTS DIAGNOSTICOS MULTIPLES
Diversas circunstancias hacen necesario el uso de dos tests diagnósticos o más para
aumentar la fiabilidad del diagnóstico realizado.
Con esta nueva herramienta del Win Episcope 2.0 se puede calcular la Especificidad, la
Sensibilidad y los Valores Predictivos de dos tests realizados en serie y en paralelo.
Además se ofrece información individualizada de cada uno de los tests (para más información
consultar Capítulo 2.3. Evaluación Avanzada de Test Diagnósticos).
Se considera que dos tests se realizan en paralelo cuando ambos se hacen

simultáneamente, de forma que se consideran negativas aquellas muestras que obtienen
resultados negativos para ambos test, y positivas a todas las demás (con cualquiera de los dos
test positivos). El resultado es un aumento de la Sensibilidad.
Dos test en serie se realizan aplicando un test en primer lugar y a continuación se aplica una
segunda prueba diagnóstica a aquellas muestras positivas al primer test, de forma que se
consideran positivas las muestras que dan positivo a ambos tests, y negativas todas las
demás. El resultado es un aumento de la Especificidad.
El cálculo de la Sensibilidad y Especificidad de ambos test es:
Paralelo Serie
Sensibilidad 1-(1-S1)·(1-S2) S1·S2
Especificidad E1·E2 1-(1-E1)·(1-E2)
donde S1 y S2 son las sensibilidades del primer y segundo test respectivamente, y E1 y E2

las especificidades de ambos tests.
Win Episcope 2.0 9

Win Episcope 2.0 10
3. TAMAÑO DE MUESTRA
3.1. TAMAÑO DE MUESTRA PARA ESTIMAR MEDIAS
Cuando nos planteamos calcular la media de una variable en una población, debemos tener
en cuenta el tamaño de muestra necesario para obtener un valor significativo de esa media,
tamaño que dependerá de la desviación estandar prevista y del error absoluto esperado
con respecto de la media
Asi pues las formulas para calcular el tamaño de la muestra dependerán del tamaño de la
población estudiada:
a) Si es una población de tamaño conocido
b) Si es una población de tamaño desconocido
donde (para ambas fórmulas):

-n = tamaño de muestra necesario
-Z = valor de la t de Student para el nivel de confianza especificado
-SD = desviación estándar esperada
-N = tamaño de la población
-d = error absoluto esperado (o precisión requerida)
3.2. TAMAÑO DE MUESTRA PARA ESTIMAR DIFERENCIAS ENTRE

MEDIAS
En la planificación de un experimento para comparar las medias de un parámetro en 2

grupos, la selección del tamaño de muestra de cada grupo se realiza con el método siguiente:
1. determinar un valor m1 que equivale a la media esperada del parámetro de interés
en la población o grupo 1.
2. determinar un valor m2 que equivale a la media esperada del parámetro de interés
en la población o grupo 2.
3. estimar un valor para la desviación estándar del parámetro
4. determinar el valor del error de tipo I (nivel de confianza), p.e. es la probabilidad
de afirmar que la diferencia d (d=m1-m2) es significativa cuando realmente no existe esa
diferencia en la población.
5. determinar el valor del error de tipo II (potencia o poder), p.e. es la probabilidad de
afirmar que la diferencia d no es estadisticamente significativa, cuando realmente existe
esa diferencia en la población.
Un valor común para el nivel de confianza es el 95%, mientras que generalmente se usan
valores del 80 o 90% para la potencia.
Win Episcope 2.0 11

De acuerdo con Snedecor & Cochran, la fórmula para hallar el tamaño de muestra necesario
es:
donde:
-Z(a) = valor de la t de Student para el nivel de confianza especificado
-Z(b) = valor de la t de Student (2-sided) para la potencia especificada
-SD = desviación estándar esperada
-m1 = media esperada de la población 1
-m2 = media esperada de la población 2
-m1-m2 = diferencia entre las dos medias esperadas
La fórmula que acabamos de presentar da un valor aproximado del tamaño de la muestra, si

bien el tamaño exacto es el obtenido al sumar tres unidades más al tamaño calculado por la
fórmula. Estas correcciones han sido aplicadas en este programa.
Los tamaños de las muestras son calculados para estudios de una vía o de dos vías
-Los tests de una vía (one-tail) son usados cuando interesa saber si la media del grupo 2
es o bien superior o bien inferior a la del grupo 1 en comparación con éste.
-Los tests de dos vías (two-tail) son usados cuando interesa saber si hay o no diferencia
entre ambas medias en cualquiera de los dos sentidos (superior o inferior).
3.3. TAMAÑO DE MUESTRA PARA ESTIMAR PORCENTAJES
En ocasiones, no interesa determinar solamente si hay o no enfermedad, sino que interesa

conocer la cantidad de enfermedad, es decir, se requiere estimar la prevalencia de la
enfermedad, en este caso el tamaño de la muestra depende del error aceptado, del nivel de
confianza deseado o probabilidad de obtener una respuesta correcta, y de la prevalencia
esperada.
El último dato se debe a que una Prevalencia (P) del 10% (P=0.1) tiene una desviación
estándar (SD: Standard Desviation) menor que una del 50% (P=0.5).
La fórmula de la desviación estándar (SD) es la siguiente:
El error aceptado y el Nivel de Confianza son establecidos arbitrariamente por el

investigador. La literatura sobre el tema y otras fuentes pueden dar una idea acerca de la
Prevalencia esperada (aquella que probablemente se obtendrá), o en el peor de los casos se
puede escoger la peor situación (P=0.5)
El tamaño de la muestra se puede obtener aproximadamente con la fórmula siguiente:
(1)
donde:
-t = valor de la t de Student (p.e. t=1.96 si el Nivel de Confianza deseado es del 95%)
-L = error aceptado absoluto (p.e. 5%)
Esta fórmula es válida cuando n es menor del 10% del tamaño total de la población (N), lo
que suele ocurrir con poblaciones de más de 1000 individuos.
Win Episcope 2.0 12

Cuando el tamaño de la población (N) es pequeño (se considera pequeña una población
menor de 1000 animales), la fórmula 1 puede dar como resultado ¡un tamaño de muestra
mayor que el tamaño de la población!. Por esta razón en ese caso se debe hacer una
corrección de manera que el tamaño de muestra corregido se obtiene aplicando la fórmula
siguiente:
(2)
donde:
-n(a) = tamaño de muestra ajustado
-n = tamaño de muestra originalmente calculado (con la fórmula 1)
-f = fracción de muestreo (n/N).
El tamaño de muestra ajustado es siempre menor que el tamaño de muestra original

obtenido con la fórmula 1.
Si n es mayor del 5% de la población total se denomina "muestra finita", en caso contrario la
corrección de población finita (división por 1+f) no es necesaria, porque las desviaciones serán
pequeñas y la población puede ser considerada como infinita.
La fórmula 2 es siempre preferible, ya que da la respuesta exacta bajo todas las condiciones.
A veces el investigador está limitado a un cierto número de muestras, por ejemplo, debido a
la capacidad del laboratorio. Entonces n es conocida, en ese caso puede calcularse el error
aceptado (L). Si L es demasiado grande en opinión del investigador, es inútil continuar con el
control...
Las fórmulas son:
La primera fórmula es una aproximación, y la segunda es exacta ya que tiene en cuenta la

corrección de población finita.
3.4. TAMAÑO DE MUESTRA PARA ESTIMAR DIFERENCIAS ENTRE

PORCENTAJES
En la planificación de un experimento para estimar diferencias entre porcentajes el tamaño

de muestra necesario se calcula por el siguiente método:
1. determinar un valor p1 que equivale a la proporción del parámetro de interés en la
población o grupo 1.
2. determinar un valor p2 que equivale a la proporción del parámetro de interés en la
población o grupo 2.
de afirmar que la diferencia d (d=p1-p2) es significativa cuando realmente no existe esa
diferencia en la población.
afirmar que la diferencia d no es estadisticamente significativa, cuando realmente existe
esa diferencia en la población.
De acuerdo con Snedecor & Cochran, la fórmula para hallar el tamaño de muestra necesario
es:
Win Episcope 2.0 13

donde:
-Z(a) = valor de la t de Student para el nivel de confianza especificado
-Z(b) = valor de la t de Student (2-sided) para la potencia especificada
-p1 = proporción en la población 1
-p2 = proporción en la población 2
-p1·q1 = varianza de la proporción en la población 1 = p1·(1-p1)
-p2·q2 = varianza de la proporción en la población 2 = p2·(1-p2)
Los tamaños de las muestras son calculados para tests de una vía o de dos vías:
-Los tests de una vía (one-tail) son usados cuando interesa saber si la proporción del
grupo 2 es o bien superior o bien inferior a la del grupo 1 en comparación con éste.
-Los tests de dos vías (two-tail) son usados cuando interesa saber si hay o no diferencia
entre ambas proporciones en cualquiera de los dos sentidos (superior o inferior).
3.5. TAMAÑO DE MUESTRA PARA DETECCION DE ENFERMEDAD
En ocasiones resulta necesario conocer si un rebaño está infectado o no. Un rebaño está
considerado como positivo cuando al menos d animales está enfermos. El parámetro d está
fijado por el investigador, y puede considerarse como un nivel de detección. En
enfermedades graves d se lleva al mínimo valor posible, es decir, se establece en 1.
El tamaño de muestra necesario para determinar si un rebaño está infectado o no, depende
del nivel de confianza deseado (p.e. 95%), el tamaño del rebaño y el número de animales
enfermos que esperamos que exista (d) en la población. Lo cual se traduce en la siguiente
fórmula:
donde:
n = tamaño de la muestra requerido
N = tamaño del rebaño
d = numero de animales enfermos en el rebaño
NC = Nivel de confianza en tanto por uno (p.e. 0.95)
Determinación del Máximo número de Positivos

Esta fórmula puede ser usada también para estimar el máximo número de animales positivos
(D) que pueden aparecer en un rebaño donde TODAS las n muestras recogidas han resultado
negativas.
donde:
D = máximo número de animales enfermos
Nota:
¡Se asume que la prueba diagnóstica posee una validez del 100%!
Win Episcope 2.0 14

Determinación del Nivel de Confianza
A partir de las fórmulas que se muestran a continuación es posible calcular el Nivel de
Confianza (NC) conociendo los valores de N, n y d.
En el panel de Introducción de datos el valor de d se da como la prevalencia de la

enfermedad en la población, y d se calcula como: d = prevalencia x 100
3.6. TAMAÑO DE MUESTRA PARA RECHAZAR UN LOTE
El objetivo de algunos estudios epidemiológicos es determinar si un lote o grupo que forma

parte de una población (p. ej. explotaciones dentro de una comarca) cumple una condición
determinada propia de la población, o si por el contrario, difiere de la normalidad de dicha
población. Para ello necesitaremos fijar la proporción de la población que se considera normal,
y la proporción por encima de la cual consideramos que el grupo estudiado excede
significativamente de la población normal.
El programa calcula el tamaño de muestra que debemos coger de cada grupo y el número
de muestras por encima del cual un resultado positivo supondrá considerar que dicho lote no
pertenece a la población estudiada (con respecto al parámetro estudiado).
Las fórmulas utilizadas son:
donde:
n = tamaño de la muestra requerido
d = valor umbral por encima del cual se rechaza que el lote tiene una condición
normal de la población
Po = proporción de rechazo del lote
Pa = proporción prevista en la población
Z(a) = valor de la t de Student para el nivel de confianza especificado
Z(b) = valor de la t de Student (2-sided) para la potencia especificada
Tomemos el siguiente ejemplo:

Deseamos establecer un plan de erradicación en una región donde la prevalencia
de la enfermedad es del 10%. Se pretende sacrificar los animales positivos, pero por
diversas razones se optará por vacunar los rebaños donde la prevalencia sea
superior al 50%.
Para un nivel de confianza del 95% y una potencia del 90% se necesita un tamaño
de muestra de 10 y un valor umbral de 2. Es decir, que se deben tomar 10 animales
de cada rebaño, y para aquellos rebaños donde haya más de 2 animales enfermos
(3 o más) se considerará que tienen una prevalencia mayor del 50% y
significativamente distinta de la considerada normal en la población (10%).
En las muestras donde haya 2 o menos animales enfermos no hay razones para
suponer que la prevalencia en dichos rebaños sea distinta del 10%.
Para más información consultar Lwanga & Lemeshow.
Win Episcope 2.0 15

3.7. TAMAÑO DE MUESTRA PARA ESTUDIOS DE CASO-CONTROL
UNMATCHED (NO PAREADOS)
En la planificación de un estudio de Caso-Control no pareado, en los que se intenta

determinar la relación entre la exposición a un factor y la enfermedad, el tamaño de la muestra
de cada grupo se determina con el método siguiente (Schlesselmann):
1. determinar el número de controles por caso
2. determinar un valor p1 que represente el nivel de exposición (proporción expuesta
a un factor) entre los enfermos.
3. determinar el valor del Riesgo (OR) que tendrá suficiente importancia para
garantizar su detección (por lo general se considera superior a 2)
de afirmar que el OR (Odds Ratio) es significativamente distinto de 1.0 cuando la
exposición al factor no está relacionada con la enfermedad.
afirmar que OR no es estadisticamente significativo, cuando realmente la exposición al
factor está relacionada con la enfermedad.
De acuerdo con Schlesselmann, la fórmula para hallar el tamaño de muestra necesario es:
Siendo:
donde:
- Z(a) = valor de la t de Student para el nivel de confianza especificado
- Z(b) = valor de la t de Student (2-sided) para la potencia especificada
- p0 = proporción esperada de exposición entre los sanos (controles)
- p1 = proporción esperada de exposición entre los enfermos (casos)
- pm = proporción esperada de exposición en la población (enfermos y sanos)
- 1-pm = proporción esperada de no expuestos en la población
-c = relación esperada entre enfermos y sanos
- OR = Odds Ratio estimado de suficiente importancia
Los tamaños de la muestra son calculados para tests de una vía y de dos vías:
-Los test de una vía (one-tail) se usan cuando interesa saber si la exposición a un
factor actúa protegiendo es un factor protector (OR<1) o aumentando la enfermedad es
un factor de riesgo (OR>1), y tiene efecto en un único sentido.
-Los test de dos vías (two-tail) se usan cuando interesa saber si la exposición a un
factor tiene algún efecto sobre la aparición de la enfermedad, y puede tener efecto en
cualquiera de los sentidos.
El índice de exposición entre los sanos (p0), debe estimarse en función de la literatura
sobre el tema o de la opinión de un experto. La especificación de los valores de OR, potencia
y nivel de confianza están en función de lo que se desee. Asi pues, se debería considerar el
tamaño de muestra calculado como una aproximación a la hora de planificar, y no como un
requerimiento absoluto.
Win Episcope 2.0 16

3.8. TAMAÑO DE MUESTRA PARA ESTUDIOS DE CASO-CONTROL
MATCHED (PAREADOS)
En la planificación de un estudio de Caso-Control pareado, en los que se intenta

determinar la relación entre la exposición a un factor y la enfermedad, el tamaño de la muestra
de cada grupo se determina con el método siguiente:
1. determinar un valor p1 que represente el nivel de exposición entre los enfermos
(proporción expuesta a un factor).
2. determinar el valor del Riesgo (OR) que tendrá suficiente importancia para
de afirmar que el OR (Odds Ratio) es significativamente distinto de 1.0 cuando la
afirmar que OR no es estadisticamente significativo, cuando realmente la exposición al
factor está relacionada con la enfermedad.
La fórmula para hallar el tamaño de muestra necesario es:
Siendo:
donde:
-M = número de pares requeridos para detectar m pares discordantes
-m = mínimo número de pares discordantes requerido
- Z(b) = valor de la t de Student (2-sided) para la potencia especificada
- p0 = proporción esperada de exposición entre los sanos (controles)
- p1 = proporción esperada de exposición entre los enfermos (casos)
- OR = Odds Ratio estimado de suficiente importancia
La proporción de exposición entre los sanos (p0), debe estimarse en función de la literatura
sobre el tema o de la opinión de un experto. La especificación de los valores de OR, potencia
y nivel de confianza están en función de lo que se desee. Asi pues, se debería considerar el
tamaño de muestra calculado como una aproximación a la hora de planificar, y no como un
requerimiento absoluto.
3.9. TAMAÑO DE MUESTRA PARA ESTUDIOS DE COHORTE
Cuando diseñamos un estudio de Cohorte en el que tratamos de determinar la relación

entre la exposición a un factor y la enfermedad, el tamaño de la muestra de cada grupo se
determina con el método siguiente:
1. determinar un valor p1 que represente el nivel de enfermedad entre los no
expuestos (proporción de enfermos no expuestos a un factor).
2. determinar el valor del Riesgo Relativo (RR) que tendrá suficiente importancia para
Win Episcope 2.0 17

3. determinar el valor del error de tipo I (o el nivel de confianza). Es la probabilidad
de afirmar que el RR (Riesgo Relativo) es significativamente distinto de 1.0 cuando la
4. determinar el valor de la precisión relativa del valor del Riesgo Relativo.
Un valor común para el nivel de confianza es el 95%, y del 10% para la precisión relativa.
De acuerdo con Lwanga & Lemeshow, la fórmula para hallar el tamaño de muestra necesario
en cada grupo es:
donde:
- p1 = proporción esperada de enfermos no expuestos
- p2 = proporción esperada de enfermos expuestos
-E = precisión relativa del RR
- RR = Riesgo Relativo estimado de suficiente importancia
El índice de enfermedad entre los no expuestos (p1), debe estimarse en función de la

literatura sobre el tema o de la opinión de un experto. La especificación de los valores de RR,
precisión relativa y nivel de confianza están en función de lo que se desee. Asi pues, se
debería considerar el tamaño de muestra calculado como una aproximación a la hora de
planificar, y no como un requerimiento absoluto.
Para más información consultar Lwanga & Lemeshow.
Win Episcope 2.0 18

4. ESTUDIOS OBSERVACIONALES
4.1. ESTUDIOS TRANSVERSALES
Los estudios Transversales se realizan en un momento concreto del tiempo, y son por tanto
puntuales. En ese momento del tiempo se recoge información acerca de los animales enfermos
y sanos, y de los animales expuestos y no expuestos a un factor asociado a la enfermedad.
De esta forma el conjunto total de individuos queda dividido en cuatro grupos estando
representado el número de animales de cada grupo por las letras A, B, C y D, tal como queda
presenta en la tabla de contingencia 2x2:
Siendo:
A,B,C,D = nº de animales en cada grupo
N1,N0 = nº total de animales expuestos / no expuestos
M1,M0 = nº total de animales enfermos / sanos
T = nº total de animales
La asociación entre enfermedad y exposición se puede expresar por medio de dos

parámetros: la Razón de Prevalencias (poco utilizada) y el Odds Ratio (el más
frecuentemente utilizado); y que se calculan a partir de la tabla de contingencia 2x2 como:
En este tipo de estudios el Odds Ratio proporciona un valor sobreestimado de la asociación

entre el factor y la enfermedad.
Para una mayor información sobre la interpretación del OR, su cálculo y el de sus intervalos
de confianza consultar el apartado de Estudios Caso-Control.
INTERPRETACION DE LA RAZON DE PREVALENCIAS

-RP = 1: no existe asociación entre la aparición de la enfermedad y la exposición al factor
-RP > 1: el factor al que el animal está expuesto es un factor de riesgo
-RP < 1: el factor al que el animal está expuesto es un factor protector.
IMPORTANCIA DE LA RAZON DE PREVALENCIAS

La importancia del RP en la población se expresa por:
1. la Fracción Etiológica o Fracción Atribuible para la población expuesta ( FE ) que se

define como:
La FE expresa la proporción de enfermos expuestos en los cuales la enfermedad se puede

atribuir a la exposición al factor.
Win Episcope 2.0 19

2. la Fracción Atribuible ( FA ) es la proporción de todos los casos ocurridos en una
población (expuestos y no expuestos) que es debida a la exposición al factor, se determina
como:
siendo p1 la proporción de enfermos expuestos.

La Fracción Atribuible no está definida para factores protectores (RP < 1), pudiendo
definirse en ese caso la Fracción Protegida que deberá calcularse como 1-RP y puede ser
interpretada como la proporción de casos potenciales que son prevenidos por la exposición.
EVALUACION ESTADISTICA DE LA RAZON DE PREVALENCIAS

Normalmente se usan dos métodos para la evaluación estadística de una tabla de
contingencia 2x2:
1. La comprobación de la hipótesis (p.ej. cálculo de la probabilidad de tener A enfermos

expuestos):
Puede ser exacta o aproximada. La última sólo es válida cuando las frecuencias esperadas
de los grupos son mayores de 4.
Siendo:
E(A) = Nº esperado de enfermos expuestos = M1·N1/T
E(B) = Nº esperado de enfermos no expuestos = M1·N0/T
E(C) = Nº esperado de sanos expuestos = M0·N1/T
E(D) = Nº esperado de sanos no expuestos = M0·N0/T
T = Nº total de animales = N1+N0 = M1+M0
El cálculo exacto es muy laborioso cuando las frecuencias son altas. La comprobación de la
hipótesis no se desarrolla en este programa.
2. Estimación del Intervalo de Confianza de RP:

El objetivo consiste en averiguar si RP difiere significativamente de 1 o no. Si 1 no está
incluido en el Intervalo de Confianza, la exposición al factor está asociada a la enfermedad
con una probabilidad del 95% (por ejemplo). Los límites de confianza pueden calcularse de
varias maneras, dos de las cuales se ilustran a continuación.
También la estimación del Intervalo de Confianza puede ser exacta o aproximada, pero sólo
la última se calcula en este programa, para ello pueden usarse dos metodos:
2.1. Aproximación logarítmica:

La varianza del ln(RP) es aproximadamente:
La desviación estándar (SD) es igual a la raiz cuadrada de la varianza, de forma que el

Intervalo de Confianza del ln(RP) es igual a ln(RP) ± Z·SD y el Intervalo de Confianza de
RP será:
donde Z corresponde al valor de la t de Student para el nivel de confianza deseado.

Este método no es seguro cuando las frecuencias de los grupos son pequeñas (menores
de 5).
Win Episcope 2.0 20

2.2. Aproximación basada en pruebas (Chi-cuadrado):
Esta aproximación usa el valor estadístico de Chi.
La fórmula aplicada a la tabla de contingencia 2x2 es:
Entonces el Intervalo de Confianza de RP se calcula como:
Este método tampoco es muy seguro cuando las frecuencias son bajas (menores de 5)
4.2. ESTUDIOS TRANSVERSALES ESTRATIFICADOS
Como hemos visto en apartado anterior, en los estudios Transversales la asociación entre
enfermedad y exposición se puede expresar por dos parámetros: la Razón de Prevalencias
(poco utilizada) y el Odds Ratio (el más frecuentemente utilizado) de forma que el Odds Ratio
(OR) se usa como medida aproximada de la extensión de la asociación.
Algunas veces ambos parámetros podrían diferir entre grupos de la población según una
variable que se distribuye de forma heterogenea, por ejemplo grupos de edad. En este caso a
la edad la denominamos Factor de Confusión.
Para que una variable sea un factor de confusión debe tener tres características:
1. Debe ser un factor de riesgo
2. Debe estar asociada con la exposición
3. No debe ser un paso intermedio en el proceso causal.
Otros ejemplos de factores de confusión son el tamaño del rebaño, la región, el sexo,...
La Estratificación es una técnica que controla los factores de confusión. Cada estrato
representa un nivel diferente del factor de confusión. Debido a la estratificación se obtiene un
RP o un OR ajustado al tomar la media ponderada de la estimación específica de cada estrato.
Este método se denomina Pooling. La diferencia entre el valor "crudo" y la estimación ajustada
indica la cantidad de confusión.
Ponderación de factores:
Cada estrato i genera una tabla de contingencia 2x2 como la siguiente:
Siendo:
N1i, N0i: nº total de animales expuestos y no expuestos, respectivamente en el estrato i
M1i, M0i: nº total de animales enfermos y sanos, respectivamente en el estrato i
Ti: nº total de animales en el estrato i
En este tipo de estudios el Odds Ratio proporciona un valor sobreestimado de la asociación

entre el factor y la enfermedad.
Para información sobre la interpretación del OR, su cálculo y el de sus intervalos de confianza
consultar el apartado de Estudios Caso-Control Estratificados.
CALCULO DE LA RAZON DE PREVALENCIAS Y SU INTERVALO DE

CONFIANZA
Win Episcope 2.0 21

1. Pooling directo:
Es el pooling realizado con el inverso de las varianzas (Rothman)
La RP de cada estrato i se calcula de la forma ordinaria (ver Capítulo 4.1. Estudios
Transversales):
El estimador pooled es igual a:
Es deseable realizar una transformación logarítimica antes de ponderar la estimación

específica de estrato. El factor ponderador asignado a un estrato i es igual a:
La varianza del logaritmo neperiano de la RP pooled es igual a:
Una desventaja del pooling directo es que un peso de cero es asignado a un estrato cuyas
frecuencias sean cero.
INTERVALO DE CONFIANZA:
- Por Aproximación Logartímica:
La varianza del logartimo de la RP ajustado se calcula aproximadamente por el inverso
de la suma de los pesos de los estratos específicos.
La desviación estándar (SD) es igual a la raiz cuadrada de la varianza, y por tanto, el
Intervalo de Confianza del logaritmo neperiano de RP es igual a ln(RP) ± Z·SD y el
Intervalo de Confianza de RP será:
donde Z corresponde al valor de la t de Student para un nivel de confianza deseado.

de 5).
2. Pooling con los estimadores de Mantel-Haenszel: (Rothman)

El estimador pooled RP(MH) se calcula como:
Esta fórmula representa los pesos medios, sin la transformación logarítmica, de la estimación
de un estrato específico.
La RP ajustado está optimamente ponderado cuando la RP de cada estrato específico está
cerca de 1.0
INTERVALOS DE CONFIANZA:
1. Por Aproximación Logarítmica:
La varianza del logaritmo neperiano de RP(MH) es aproximadamente:
Win Episcope 2.0 22

La desviación estándar (SD) es igual a la raiz cuadrada de la varianza. Así el Intervalo
de Confianza del logaritmo neperiano de RP(MH) es igual a ln(RP) ± Z·SD y por tanto, el
Intervalo de Confianza de RP(MH) será:
2. Por Aproximación por Chi-cuadrado:

El Intervalo de Confianza viene dado por:
donde Chi es el valor estadístico de Chi (Rothman)
4.3. ESTUDIOS CASO-CONTROL
En los estudios Caso-Control un grupo de casos (animales enfermos) es comparado con un

grupo de controles (animales no enfermos) en relación con la exposición o no a un (posible)
factor de riesgo. El conjunto total de posibles resultados en los dos grupos, queda dividido en
cuatro grupos y el número de individuos de cada grupo se representa por A, B, C y D, siendo:
A: animales expuestos al factor y que presentan la enfermedad
B: animales no expuestos al factor y que presentan la enfermedad
C: animales expuestos al factor y que no presentan la enfermedad
D: animales no expuestos al factor y que no presentan la enfermedad
N1, N0: nº total de animales expuestos y no expuestos, respectivamente

M1, M0: nº total de animales caso y control, respectivamente
T: nº total de animales
La asociación entre enfermedad y exposición al factor viene determinada por el parámetro

Odds Ratio (OR), que se calcula a partir de una tabla de contingencia 2x2 tal y como se
muestra en la fórmula:
Win Episcope 2.0 23

INTERPRETACION DEL ODDS RATIO
OR = 1 no existe asociación entre la aparición de enfermedad y la exposición al factor.
OR > 1 el factor al que el animal está expuesto actua como factor de riesgo
OR < 1 el factor al que el animal está expuesto actua como factor protector.
IMPORTANCIA DEL ODDS RATIO

La importancia del OR en la población se expresa por:
1.la Fracción Etiológica (Fracción Atribuible para la población Expuesta: FE ) que se define
como:
La FE expresa la proporción de casos expuestos en los que la enfermedad es atribuida a la

exposición al factor.
2.la Fracción Atribuible (FA) es la proporción de todos los casos ocurridos en el total de la
población (animales expuestos y no expuestos) que es debida a la exposición, y se define
como:
siendo p1 la proporción de casos expuestos.

La Fracción Atribuible no se define para factores protectores ( OR<1 ), o en caso de que se
hiciera debería ser denominada, Fracción Protegida y se definiría como 1-OR, expresando la
proporción de casos potenciales que se evitan por la exposición al factor.
EVALUACION ESTADISTICA DEL ODDS RATIO

Para realizar la Evaluación Estadística de una tabla de contingencia 2x2 se pueden utilizar
dos métodos:
1. Comprobación de la hipótesis: (P.ej.: cálculo de la probabilidad de tener A casos

expuestos)
Puede ser exacta o aproximada. Siendo esta última la única válida cuando los valores de las
frecuencias esperadas son mayores de 5. El cálculo exacto es muy laborioso cuando los
valores de las frecuencias son grandes.(Rothman)
AE: Nº esperado de casos expuestos = M1·N1/T

BE: Nº esperado de casos no expuestos = M1·N0/T
CE: Nº esperado de controles expuestos = M0·N1/T
DE: Nº esperado de controles no expuestos = M0·N0/T
La comprobación de la hipótesis no es realizada por este programa.
2. Intervalo de Confianza del OR:

Demostrar si OR difiere significativamente de 1.0 o no, para ello se define normalmente el
Intervalo de Confianza (IC) para OR.
Win Episcope 2.0 24

Si 1.0 no esta incluido en el Intervalo de Confianza, la exposición al factor está asociada a la
enfermedad con una probabilidad o nivel de confianza definidos (por ejemplo, el 95%).
Los límites del Intervalo de Confianza puede ser calculados de varias formas, dos de las
cuales vamos a ilustrarlas a continuación:

La varianza del ln(OR) se puede calcular aproximadamente por medio de la fórmula:
(Rothman)
La Desviación Estándar (SD) equivale a la raiz cuadrada de la varianza, así el Intervalo

de Confianza del ln(OR) es igual a ln(OR) ± Z·SD, donde Z corresponde al valor de la t de
Student para un nivel de confianza deseado.
El Intervalo de Confianza de OR será:
Este método no es exacto cuando las frecuencias de la tabla son pequeñas (menores de
5)
2.2. Aproximación basada en prueba de Chi-Cuadrado:

Esta aproximación usa el valor estadístico de Chi. El valor de Chi (χ) se calcula con la
fórmula siguiente (según valores de la tabla de contingencia): (Rothman)
En ese caso el Intervalo de Confianza se expresa como :
Este método tampoco es seguro cuando los valores de las frecuencias de la tabla son
pequeños.
4.4. ESTUDIOS CASO-CONTROL ESTRATIFICADOS

En los estudios Caso-Control el Odds Ratio (OR) se usa como medida de la amplitud de la
asociación. Algunas veces el OR debería diferir entre grupos, por ejemplo, grupos de edad. En
este caso a la edad se le llama Factor de Confusión.
Las condiciones que debe cumplir están expuestas en el Apartado 4.2.
La Estratificación es una técnica que controla los Factores de Confusión. Cada estrato
representa un nivel del Factor de Confusión. Por estratificación un Odds Ratio (OR) ajustado
se obtiene tomando una media de la importancia de las estimación especifica de cada estrato.
Este método recibe el nombre de Pooling. La diferencia entre la estimación 'cruda' y la
estimación 'ajustada' indica la cantidad de confusión.
Win Episcope 2.0 25

CALCULO DEL ODDS RATIO Y SU INTERVALO DE CONFIANZA
1. Pooling directo: pooling con las varianzas inversas
Siendo:
Calculamos el OR de cada estrato i por medio de la fórmula:
De forma que el estimador pooled es igual a:
Para obtener el estimador pooled es necesario realizar antes una transformación

logarítmica de la importancia de la estimación específica de cada estrato. El factor que mide la
importancia o peso específico (wi) asignado a cada estrato i, es igual al inverso de su varianza:
w(i) = 1/ Var[ln(OR(i))]
La varianza del ln(OR) específico de cada estrato se obtiene a partir de la tabla vista
aplicando la fórmula:
Un inconveniente del pooling directo es que una importancia de cero se asigna a los
estratos que contienen todas las frecuencias igual a 0.
INTERVALO DE CONFIANZA
-Por Aproximación Logarítmica:
La varianza del logaritmo neperiano del OR ajustado es aproximadamente el inverso de
la suma de la importancia (wi) de cada estrato.
La Desviación Estándar (SD) equivale a la raiz cuadrada de la varianza, así pues
podemos hallar el Intervalo de Confianza mediante la fórmula:
donde Z corresponde al valor de la t de Student para el nivel de confianza deseado. La

transformación y retransformación son necesarias para compensar la distribución
asimétrica de la muestra (Rothman).
Este método no es seguro cuando las frecuencias de la tabla son pequeñas (menores de
5).
Win Episcope 2.0 26

2. Pooling con los estimadores de Maentel-Haenszel:
El estimador OR(MH) se calcula como:
Esta fórmula representa la media de la importancia, sin la transformación logarítmica, de la

estimación de cada estrato. El OR ajustado está optimamente calibrado cuando los OR
específicos de estrato están cerca de 1.0.
INTERVALOS DE CONFIANZA
1. Aproximación logarítmica:
La fórmula para la varianza del logaritmo neperiano de OR(MH) es muy compleja y no
entraremos a discutirla en detalle ahora. (Rothman)
2. Aproximación Chi-cuadrado:
Aplicamos la formula:
usando como Chi el valor estadístico de Chi obtenido por la fórmula (Rothman):
4.4.1. HOMOGENEIDAD DEL ODDS RATIO

Los procedimientos usados en un estudio Caso-Control estratificado han sido
desarrollados bajo la hipótesis de que los Odds Ratio son constantes a traves de los estratos.
En caso de que un estrato en particular tenga un Odds Ratio que sea mucho mayor que la
media, deberemos tener en cuenta que el número observado de casos expuestos para este
estrato es mayor que el número esperado de casos expuestos para ese mismo estarto según
el Odds Ratio pooled.
Un test razonable para estimar si el asumir la homogeneidad es adecuada, es la prueba de

Breslow-Day. El valor estadístico usado por esta prueba es la Chi-cuadrado con sólo H-1
grados de libertad (H es el número de estratos) bajo una hipótesis de homogeneidad.
Cuando la probabilidad de que un valor mayor que la Chi-estadística sea demasiado grande,
asumir la homogeneidad no es correcto y la variación en el Odds Ratio no solamente se debe
a variaciones entre muestras, sino también a otros factores. En este caso el pooling no es
admisible.
El programa permite el cálculo del estadístico de Breslow-Day. En una distribución

acumulada de Chi-cuadrado podemos encontrar la probabilidad correcta. (En la nueva versión
se da directamente el nivel de confianza de la prueba en %)
Win Episcope 2.0 27

4.5. ESTUDIOS CASO-CONTROL PAREADOS (MATCHED)
El MATCHING (apareamiento o emparejamiento) implica la selección de unas series de

comparación: los sujetos no expuestos en un estudio de Cohorte o los controles en un estudio
Caso-Control, que es idéntica, o casi, a las series de referencia con respecto a uno o más
factores de confusión potenciales. Los mecanismos del matching suelen ser aplicados
sujeto a sujeto, lo que se conoce como matching de frecuencias.
Los principios generales que aplicamos a los datos apareados (matched) son idénticos tanto
para los datos individuales como para las frecuencias.
OBJETIVO DEL MATCHING

El objetivo del matching depende del tipo de estudio. Esta es también la razón principal de
que existan tantos malentendidos entorno al matching.
Para un estudio de Cohorte el matching es una forma de prevenir factores de confusión,
mientras que en un estudio Caso-Control, el motivo para aplicar el matching es mejorar la
eficiencia del estudio (se necesita menos información por animal). En los estudios Caso-
Control, el matching, a menudo provoca un incremento de los factores de confusión (o
distorsión).
CALCULO DEL ODDS RATIO Y DE SU INTERVALO DE CONFIANZA

La estimación del Riesgo es usualmente realizada usando el Odds Ratio. Tanto la máxima
conformidad como el método de Mantel-Haenszel pueden ser usados para la estimación.
Solamente el último se describe en este programa. La fórmula general para el estimador de
Mantel-Haenszel del Odds Ratio con un número variable de controles (R) para cada caso es:
donde R es el número de controles para cada caso y M es el número de sujetos expuestos.

(Rothman)
La comprobación de si el OR difiere significativamente de 1.0 o no, se hace normalmente

estableciendo el Intervalo de Confianza de OR. Si 1.0 no está incluido en el Intervalo de
Confianza, la exposición al factor está asociada con la enfermedad con una probabilida, por
ejemplo, del 95%.
El Intervalo de Confianza de OR(MH) puede estimarse por medio de la varianza de la
transformación logartímica de OR, o por la aproximación basada en tests que usen el
estadístico de Chi.
1. Aproximación logarítmica:
La Desviación Estándar (SD) equivale a la raiz cuadrada de la varianza, así el Intervalo
de Confianza del ln(OR) es igual a ln(OR) ± Z·SD donde Z corresponde al valor de la t de
Student para el nivel de confianza deseado, y el Intervalo de Confianza de OR será:
2. Aproximación basada en prueba de Chi-Cuadrado:

En este caso, el Intervalo de Confianza se calcula como:
Win Episcope 2.0 28

IMPORTANCIA DEL ODDS RATIO
La importancia del OR en la población se expresa por:
1. la Fracción Etiológica o Fracción Atribuible para la población expuesta ( FE ) se define

como:
La FE expresa la proporción de casos expuestos en los que la enfermedad es atribuida a la

exposición al factor.
2. la Fracción Atribuible ( FA ) es la proporción de todos los casos ocurridos en una

población total (animales expuestos y no expuestos) que es debida a la exposición. Se
determina como:
siendo p1 la proporción de casos expuestos.
4.5.1. TABLAS MATCHED
Tabla de contingencia 2x2: Caso-Control Matched o pareado
f10, f11 = nº de series de un caso expuesto y 0 ó 1 controles expuestos, respectivamente

f00, f01 = nº de series de un caso no expuesto y 0 ó 1 controles expuestos, respectivamente
Los pares f00 y f11 no nos informan acerca de si la distribución de la exposición es igual tanto
para casos como para controles. (Ver Rothman)
Tabla de R Controles por Caso
f1n, f1R = nº de series de un caso expuesto y R controles expuestos, respectivamente

f00, f01 = nº de series de un caso no expuesto y R controles expuestos, respectivamente
Los pares f00 y f1R no nos informan acerca de si la distribución de la exposición de todos los
animales con las series (casos y controles) son iguales. (Ver Rothman)
Win Episcope 2.0 29

Tabla de contingencia 2x2: Número variable de Controles por Caso
f1n = nº de series de un caso expuesto y R controles expuestos, respectivamente

f00 = nº de series de un caso no expuesto y R controles expuestos, respectivamente
par = un control matched para cada caso
tripleta= dos controles matched para cada caso
(Ver Rothman)
4.5.2. OTROS TEMAS DE INTERES
Matching y factores de confusión

Un factor matching o pareado estaría relacionado con la enfermedad tanto como lo esté la
exposición en la población original. Cuando el factor matching no está relacionado con la
exposición, el matching no influye sobre la distribución de la exposición, y por lo tanto no hay
una tendencia introducida por el matching.
Por supuesto, cuando el factor matching no esté relacionado con la exposición, o con la
enfermedad, el matching no causa ninguna tendencia extra.
En caso de que un factor matching, esté relacionado con la exposición, pero no con la
enfermedad, este llega a ser un factor de confusión después de aplicarle el matching.
En un estudio Caso-Control Matched los controles son seleccionados para que sean
idénticos a los casos. Una relación perfecta entre el factor matching y la exposición en un
estudio Caso-Control distorsiona la distribución de la exposición de los controles para ser
idénticas a la de los casos, con lo que la confusión aumenta.
En general, la confusión introducida por el matching en los estudios Caso-Control está en la
dirección de un efecto de valor nulo, siempre que la naturaleza de la confusión esté en la
población original.
Matching y coste
La mejora de la eficacia del estudio en los estudios de Caso-Control conlleva un coste
considerable. Una parte de los costes radica en la imposibilidad de estimar el efecto del factor
matching, desde que su distribución esta forzada a ser idéntica tanto en casos como en
controles.
Secundariamente, el matching hace que el analisis sea mucho más complejo, especialmente
cuando hay también factores unmatched (no pareados) involucrados. Por ello se recomienda
usar técnicas multi-variable.
Sumado a todo esto, la elección de los Controles matched es un proceso que lleva tiempo, y
el esfuerzo invertido en encontrar Controles matched (pareados) podría ser mucho mayor que
el esfuerzo para reunir la información de un número mayor de Controles unmatched (no
pareados).
El que el matching esté justificado o no depende del balance entre el incremento de la

eficacia del estudio por una parte, y el incremento de los costes por otra parte.
Win Episcope 2.0 30

¿Cuando usar el matching?
A pesar de los costes, en algunos casos el matching puede ser deseable o incluso
necesario. Cuando la información en los objetos del estudio sea demasiado cara de conseguir,
es más eficaz sacar tanta información como sea posible de cada sujeto. Así cuando el coste
de encontrar Controles matched sea pequeño comparado con el coste de obtener la
información de la exposición, en estos casos el matching es preferible.
La desventaja general del matching es que después del hacer simultáneamente matching
para varios factores, los estratos se extienden a una nueva dimensión, de forma que el
número de estratos llegará a ser muy grande, y el número de sujetos en cada estrato llegará a
ser demasiado pequeño así que no se dispondrá de información comparativa sobre el efecto
en cualquier estrato.
Overmatching (sobreapareamiento)
El overmatching o sobreapareamiento se refiere al estudio de la eficacia del matching.
Cuando en un estudio Caso-Control Matched, la distribución de la exposición de los casos
es idéntica a la de algunos controles, esas series son completamente concordantes y por lo
tanto no aportan información al análisis. La información de esos sujetos se pierde, lo cual
reduce la eficacia del estudio, porque se reduce tanto la información por sujeto como la
información por unidad de dinero gastado. Por otra parte, un análisis estratificado sin
matching podría ser incluso menos eficaz.
En caso de que el matching introduzca confusiones donde no existía ninguna previamente,

el análisis 'crudo' llegaría a ser más eficaz, se llama a esta situación del matching,
overmatching. La falta de relación con la exposición significa falta de confusión. Cuanto mayor
sea la relación entre la exposición y el matching, más grande es la pérdida de información. Un
factor matching que está relacionado tanto con la exposición como con la enfermedad
incrementa la confusión. Cuanto mayor sea la correlación con la exposición o con la
enfermedad, mayor es dicho incremento. Una enfermedad leve en relación con un factor
matching puede ser un factor de confusión leve.
4.6. ESTUDIOS DE COHORTE (Incidencia Acumulada)

En los estudios de Cohorte un grupo de animales es expuesto a un factor de Riesgo
posiblemente asociado a una cierta enfermedad, mientras que un segundo grupo permanece
sin exposición. De esta forma el conjunto total de individuos queda dividido en cuatro grupos y
el número de animales de cada grupo está representado por A, B, C y D.
Siendo:
A,B,C,D = nº de animales por grupo
N1,N0 = nº total de animales expuestos / no expuestos
M1,M0 = nº total de animales enfermos / sanos
La asociación entre enfermedad y exposición se expresa por medio del Riesgo Relativo
(RR). El Riesgo Relativo se calcula a partir de la tabla de contingencia 2x2 como:
Win Episcope 2.0 31

INTERPRETACION DEL RIESGO RELATIVO
-RR = 1: no existe asociación entre la aparición de la enfermedad y la exposición al factor
-RR > 1: el factor al que el animal está expuesto es un factor de riesgo
-RR < 1: el factor al que el animal está expuesto es un factor protector.
IMPORTANCIA DEL RIESGO RELATIVO

La importancia del RR en la población se expresa por:
1. la Fracción Etiológica o Fracción Atribuible para la población expuesta ( FE ) que se

define como:
La FE expresa la proporción de enfermos (casos) expuestos en los cuales la enfermedad se

puede atribuir a la exposición.
2. la Fracción Atribuible ( FA ) es la proporción de todos los casos ocurridos en la población

(animales expuestos y no expuestos) que es debida a la exposición, se determina como:

La Fracción Atribuible no está definida para factores protectores (RR < 1), pudiendo
definirse en ese caso la Fracción Protegida que deberá calcularse como 1-RR y puede ser
interpretada como la proporción de casos potenciales que son prevenidos por la exposición.
En estudios de Cohorte el RR puede estimarse mediante el Odds Ratio (OR): El OR

siempre sobreestima RR (el valor de RR está siempre más próximo a 1 que el valor de OR).
Cuando la incidencia en el grupo de los no expuestos es pequeña y el valor de RR es bajo,
entonces la sobreestimación es limitada. La magnitud de la tendencia es igual a |OR - RR|.
EVALUACION ESTADISTICA DEL RIESGO RELATIVO

contingencia 2x2:

expuestos):
Siendo:
E(A) = Nº esperado de enfermos expuestos = M1·N1/T
E(B) = Nº esperado de enfermos no expuestos = M1·N0/T
Win Episcope 2.0 32

E(C) = Nº esperado de sanos expuestos = M0·N1/T
E(D) = Nº esperado de sanos no expuestos = M0·N0/T
T = Nº total de animales = N1+N0 = M1+M0
El cálculo exacto es muy laborioso cuando las frecuencias son altas. La comprobación de la
hipótesis no se desarrolla en este programa.
2. Estimación del Intervalo de Confianza de RR:

El objetivo consiste en averiguar si RR difiere significativamente de 1 o no. Si 1 no está
incluido en el Intervalo de Confianza, la exposición está asociada a la enfermedad con una
probabilidad del 95% (por ejemplo) . Los límites de confianza pueden calcularse de varias
maneras, dos de las cuales se ilustran a continuación.
También la estimación del Intervalo de Confianza puede ser exacta o aproximada, pero sólo
la última se calcula en este programa, mediante dos metodos:

La varianza del ln(RR) es aproximadamente:

Intervalo de Confianza del ln(RR) es igual a ln(RR) ± Z·SD y el Intervalo de Confianza de
RR será:
donde Z corresponde al valor de la t de Student para el nivel de confianza deseado.

de 5).

Entonces el Intervalo de Confianza de RR se calcula como:
4.7. ESTUDIOS DE COHORTE (Tasa de Incidencia)
En los estudios de Cohorte un grupo de animales es expuesto a un (posible) factor de

Riesgo para una cierta enfermedad, mientras que un segundo grupo permanece sin
exposición. Se registra la incidencia de enfermedad por unidad de tiempo (días, semanas,
meses) para los grupos de exposición y no exposición, siendo esta incidencia la suma de los
casos respecto a las unidades de tiempo libres de enfermedad.
Win Episcope 2.0 33

A este concepto lo denominamos Tiempo en Riesgo. Tan pronto como la enfermedad
aparece el animal no contribuye más al tiempo en riesgo.
La asociación entre enfermedad y exposición al factor se expresa por medio del Riesgo
Relativo (RR), que es calculado como:
Siendo:
donde:
A,B = nº de casos por grupo
N1,N0 = unidades de Tiempo en Riesgo por cohorte
M1 = nº total de enfermos (casos)
T = unidades de Tiempo en Riesgo total
INTERPRETACION DEL RIESGO RELATIVO

-RR = 1: no existe asociación entre la aparición de la enfermedad y la exposición al factor
-RR > 1: el factor al que el animal está expuesto es un factor de riesgo
-RR < 1: el factor al que el animal está expuesto es un factor protector.
IMPORTANCIA DEL RIESGO RELATIVO
La importancia del RR en la población se expresa por:

1. la Fracción Etiológica o Fracción Atribuible para la población expuesta ( FE ), que se
define como:
La FE expresa la proporción de enfermos (casos) entre los expuestos en los que la

enfermedad se puede atribuir a la exposición.
2. la Fracción Atribuible ( FA ) es la proporción de todos los casos ocurridos en el conjunto

de la población (animales expuestos y no expuestos) que es debida a la exposición. Se
determina como:

La Fracción Atribuible no está definida para factores protectores (RR < 1), en ese caso se
define la Fracción Protegida que se calcula como 1-RR y puede ser interpretada como la
proporción de casos potenciales que son prevenidos por la exposición.
EVALUACION ESTADISTICA DEL RIESGO RELATIVO

contingencia 2x2:

expuestos):
Win Episcope 2.0 34

El cálculo exacto es muy laborioso cuando las frecuencias son altas. El cálculo exacto está
basado en la fórmula 11-5 (Rothman) y el cálculo aproximado se basa en el estadístico Chi
(Rothman).
La comprobación de la hipótesis no es realizada por Win Episcope 2.0
2. Estimación del Intervalo de Confianza de RR:

El objetivo consiste en averiguar si RR difiere significativamente de 1 o no. Si 1 no está
incluido en el Intervalo de Confianza, la exposición está asociada a la enfermedad con una
probabilidad o nivel de confianza (el 95%, por ejemplo) . Los límites de confianza pueden
calcularse de varias maneras, dos de las cuales se presentan a continuación.
La estimación del Intervalo de Confianza puede ser exacta o aproximada, si bien sólo la
última se puede calcular en este programa, para ello disponemos de dos metodos:

La varianza de RR es aproximadamente:

Intervalo de Confianza del ln(RR) es igual a ln(RR) ± Z·SD y el Intervalo de Confianza de
RR será:

de 5).

En ese caso el Intervalo de Confianza del RR se calcula como:
4.8. ESTUDIOS DE COHORTE ESTRATIFICADOS (Incidencia Acumulada)
En los estudios de Cohorte el Riesgo Relativo (RR) se usa como medida de la extensión
de la asociación entre el factor y la enfermedad, aunque en esta nueva versión del Win
Episcope también se añade el cálculo del Odds Ratio (para información sobre la interpretación
del OR, su cálculo y el de sus intervalos de confianza consultar el apartado de Estudios Caso-
Control Estratificados).
Algunas veces el RR podría diferir entre, por ejemplo, grupos de edad. En este caso a la
edad la denominamos Factor de Confusión.
Win Episcope 2.0 35

La Estratificación es una técnica que controla los factores de confusión. Cada estrato
representa un nivel del factor de confusión. Debido a la estratificación se deriva un RR ajustado
al tomar la media ponderada de la estimación específica del estrato. Este método se denomina
Pooling. La diferencia entre el valor "crudo" y la estimación ajustada indica la cantidad de
confusión.
Siendo:
N1i, N0i: nº total de animales expuestos y no expuestos, respectivamente en el estrato i
M1i, M0i: nº total de animales enfermos y sanos, respectivamente en el estrato i
Ti: nº total de animales en el estrato i
CALCULO DEL RIESGO RELATIVO Y SU INTERVALO DE CONFIANZA
1. Pooling directo:
Es el pooling realizado con el inverso de las varianzas (Rothman)
El RR de cada estrato i se calcula de la forma ordinaria:

La varianza del logaritmo neperiano del RR pooled es igual a:
Win Episcope 2.0 36

La varianza del logartimo neperiano del RR ajustado se calcula aproximadamente por el
inverso de la suma de los pesos de los estratos específicos.
La desviación estándar (SD) es igual a la raiz cuadrada de la varianza, y por tanto, el
Intervalo de Confianza del logaritmo neperiano de RR es igual a ln(RR) ± Z·SD y el
Intervalo de Confianza de RR será:

de 5).

El estimador pooled RR(MH) se calcula como:
El RR ajustado está optimamente ponderado cuando el RR de cada estrato específico está
cerca de 1.0
La varianza del logaritmo neperiano de RR(MH) es aproximadamente:
La desviación estándar (SD) es igual a la raiz cuadrada de la varianza, así que el


4.9. ESTUDIOS DE COHORTE ESTRATIFICADOS (Tasa de Incidencia)
En los estudios de Cohorte el Riesgo Relativo (RR) se usa como medida de la extensión
de la asociación también cuando se trabaja con Tasas de Incidencia.
Win Episcope 2.0 37

Algunas veces ese RR podría diferir entre grupos (ej: edad). En este caso a la edad la
denominamos Factor de Confusión.
La Estratificación es una técnica que también controla los factores de confusión cuando se
trabaja con Tasas de Incidencia. Cada estrato representa un nivel del factor de confusión.
Debido a la estratificación se deriva un RR ajustado al tomar la media ponderada de la
estimación específica del estrato. Este método se denomina Pooling. La diferencia entre el
valor "crudo" y la estimación ajustada indica la cantidad de confusión.
Siendo:
Ai,Bi = nº de casos (enferemos) por cohorte
N1i,N0i = unidades de Tiempo en Riesgo por cohorte
M1i = nº total de enfermos (casos) en cada estrato i
Ti = unidades de Tiempo en Riesgo total en cada estrato i
CALCULO DEL RIESGO RELATIVO Y SU INTERVALO DE CONFIANZA
1. Pooling directo:
El pooling se realiza con el inverso de las varianzas (Rothman)
El RR de cada estrato i se calcula de la forma ordinaria:

La varianza del logaritmo neperiano del RR pooled es igual a:
La varianza del logaritmo neperiano del RR ajustado se calcula aproximadamente por el
inverso de la suma de los pesos de los estratos específicos. (Rothman)
Win Episcope 2.0 38


de 5).

El estimador pooled RR(MH) se calcula como:
El RR ajustado está optimamente ponderado cuando el RR de cada estrato específico está
cerca de 1.0
La varianza del logaritmo neperiano de RR(MH) es aproximadamente:


(Rothman)

Win Episcope 2.0 39

Win Episcope 2.0 40
5. MODELOS
5.1. MODELO REED-FROST: SIMULACION DE UNA EPIDEMIA
En este programa el modelo de Reed-Frost se presenta en su forma más simple. La

población animal se divide en tres grupos que corresponden a los casos (animales infectados),
los inmunes y los susceptibles.
La fórmula matemática del modelo es la siguiente:
donde:
-C = número de casos
-S = número de animales susceptibles
-Q = 1-P = probabilidad de que un contacto insuficiente para que se produzca la
transmisión de la enfermedad
-P = probabilidad de que un contacto sea suficiente para transmitir la enfermedad
-t = contador del tiempo: la longitud del periodo de tiempo se establece igual al
periodo de prepatencia de la enfermedad. El momento en que se produce el
primer caso en la población es t=0
Si el producto de P x S es mayor que 1 entonces la epidemia se producirá, mientras que si el

producto P x S es menor que 1, la epidemia se extinguirá o no se producirá del todo.
Win Episcope 2.0 41

Win Episcope 2.0 42
6. APENDICES
Valores de la t de Student (one tailed)
Valores de la t de Student (two tailed)
Tabla de Contingencia 2x2: Estudios Caso-Control
Siendo:
Tabla de Contingencia 2x2: Estudios de Cohorte (Incidencia Acumulada)
Siendo:
A,B,C,D = nº de animales por grupo
N1,N0 = nº total de animales expuestos y no expuestos, respectivamente
M1,M0 = nº total de enfermos y sanos, respectivamente
Win Episcope 2.0 43

Tabla de Contingencia 2x2: Estudios de Cohorte (Tasa de Incidencia)
Siendo:
A,B = nº de casos por cohorte
N1,N0 = unidades de Tiempo en Riesgo por cohorte
M1 = nº total de enfermos (casos)
T = unidades de Tiempo en Riesgo total
Valor Estadístico de Chi
Win Episcope 2.0 44

7. BIBLIOGRAFIA
Fleiss, J.L. (1981)

Statistical Methods for Rates and Proportions, 2ª Edición.
Edita: Wiley & Sons, New York Proport
ISBN: 0-471-06428-9
Lwanga, S.K. & Lemeshow, S.. (1991)

Sample size determination in health studies. A practical manual.
Edita:World Health Organization.
ISBN: 92-4-154405-8
Martin, S.W., Meeh, A.H. and Willeberg, P. (1987)

Veterinary Epidemiology.
Edita: The Iowa State University Press.
ISBN: 0-8138-1856-7
Rothman, K. (1987)
Epidemiología Moderna.
Edita: Ediciones Diaz de Santos, S.A.
ISBN: 84-86251-68-0
Schlesselman, J.J. (1982)

Monographs in Epidemiology
Edita: Oxford University Press
ISBN: 0-19-502933-X
Snedecor, G.W. and Cochran, W.G. (1986)

Statistical Methods, 7ª edición.
Edita: The Iowa State University Press
ISBN: 8138-1560-6
Thrusfield, M.V. (1995)

Veterinary Epidemiology, 2ª Edición.
Edita: Blackwell Science
ISBN: 0-632-04036-X
Win Episcope 2.0 45

Win Episcope 2 Español

Cargado por

Copyright:

Formatos disponibles

Win Episcope 2 Español

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Win Episcope 2 Español

Cargado por

Copyright:

Formatos disponibles

Ayuda

Win Episcope 2.0

Win Episcope 2.0 2

1.1. HISTORIA DE WIN EPISCOPE 2.0

EPIDEMO fue originalmente desarrollado como una producción conjunta de:

El programa EPIDEMO fue modificado y ampliado al programa EPISCOPE por varias

MEJORAS DEL WIN EPISCOPE 2.0

Las nuevas prestaciones que se han introducido son:

Las futuras actualizaciones del programa pueden conseguirse en:

Este programa se enmarca dentro de la actividades de la red Europea de Epidemiología

Win Episcope 2.0 3

Unidad de Patología Infecciosa y Epidemiología

Departament of Animal Husbandry

Win Episcope 2.0 4

2.1. CONCORDANCIA DE TEST DIAGNOSTICOS

En muchas circunstancias es muy costoso y difícil establecer el verdadero estado

En estos casos se calculan dos errores estándar (se):

La primera hipótesis puede ser probada refiriendo el resultado (valor de t de Student ) a

Las fórmulas para el cálculo de ambos se se pueden encontrar en Fleiss.

La versión 2.0 del programa incluye el cálculo de la J de Youden y su intervalo de

2.1.1. CALCULO DE KAPPA

El cálculo de kappa se demostrará para una tabla de contingencia de 2x2 entradas.

A+D = número de resultados iguales

Win Episcope 2.0 5

En otras palabras: kappa es el cociente entre la proporción observada de concordancia

Comparando los diagnósticos de dos experimentadores clínicos debería obtenerese un

Para más información ver Thrusfield y Martin et al..

2.1.2. CALCULO DE J DE YOUDEN

El cálculo de la J de Youden para una tabla de contingencia de 2x2 entradas es el

Y su error estandar es:

Win Episcope 2.0 6

A = número de verdaderos positivos

Sensibilidad (%) = 100*A/(A+C)

También pueden establecerse los límites de confianza para la sensibilidad,

donde PAR es el valor del parámetro (en porcentaje) y n es el denominador

Los límites de confianza se calculan entonces como:

Win Episcope 2.0 7

Se estimará el efecto de Sensibilidad, Especificidad y Prevalencia Verdadera sobre la

Las frecuencias de A y C están determinadas por la prevalencia de la enfermedad y la

Esta herramienta de cálculo ofrece la posibilidad de introducir los valores de la

2.4. VALOR UMBRAL DE UN TEST DIAGNOSTICO

En ocasiones es necesario establecer el valor umbral para los resultados de un test

Titulo Atc Infectados No infect.

Win Episcope 2.0 8

Se considera que dos tests se realizan en paralelo cuando ambos se hacen

El cálculo de la Sensibilidad y Especificidad de ambos test es:

donde S1 y S2 son las sensibilidades del primer y segundo test respectivamente, y E1 y E2

Win Episcope 2.0 9

3.1. TAMAÑO DE MUESTRA PARA ESTIMAR MEDIAS

a) Si es una población de tamaño conocido

b) Si es una población de tamaño desconocido

donde (para ambas fórmulas):

3.2. TAMAÑO DE MUESTRA PARA ESTIMAR DIFERENCIAS ENTRE

En la planificación de un experimento para comparar las medias de un parámetro en 2

Win Episcope 2.0 11

La fórmula que acabamos de presentar da un valor aproximado del tamaño de la muestra, si

3.3. TAMAÑO DE MUESTRA PARA ESTIMAR PORCENTAJES

En ocasiones, no interesa determinar solamente si hay o no enfermedad, sino que interesa

El error aceptado y el Nivel de Confianza son establecidos arbitrariamente por el

El tamaño de la muestra se puede obtener aproximadamente con la fórmula siguiente: