- Poblacin finita

n= tamao muestra
z= nivel de confianza 95%= 1.96
p= variabilidad negativa 20
q= variabilidad positiva 80
N= tamao de la poblacin 300
e= error 0.05

la frmula es la siguiente:

n= z2Npq/e2(N-1)+z2pq
Considerando que el 2 = cuadrado de tal manera que: z2= z al cuadrado.

para resolver la frmula se requiere de una tabla que te dar la cantidad del nivel de
confianza; es decir si eliges un 95% de confianza, esto ser igual a .95, se dividir
entre 2 y te dar .4750 lo que equivale en la tabla a 1.96
de tal manera que la frmula sustituida quedara:

n= (1.96)2*300(.80)(.20)/(.05)2(299)+(1.92)

n= (3.84)300(.80)(.20)/(.0025)(299)

n= 184/1.3619 = 135

Poblaciones infinitas

z= 2.24
p= .70
q= .30
e= .25

n= Z2pq/e2

n=(2.24)2(.70)(.30)/(0.25)2

n= 5.0176(.21)/0.000625

n= 1.0053696/0.000625

n= 1685.9136 = 1686

Espero te sirva...

Pediste para poblaciones finitas e infinitas...
Cuando sabes la cantidad de personas de tu universo aplicars la frmula grande (la
primera) en donde si te fijas bien, el resultado es 135.
Cuando no tienes conocimiento exacto del total de integrantes del universo,
aplicars la segunda frmula, de la cual es resultado es 1686, ya que en poblaciones
infinitas se maneja ms de 1000 personas.


























En el caso de que s se conozca el tamao de la poblacin entonces se aplica la
siguiente frmula:

donde
n es el tamao de la muestra;
Z es el nivel de confianza;
p es la variabilidad positiva;
q es la variabilidad negativa;
N es el tamao de la poblacin;
E es la precisin o el error.
La ventaja sobre la primera frmula es que al conocer exactamente el tamao de la
poblacin, el tamao de la muestra resulta con mayor precisin y se pueden incluso
ahorrarse recursos y tiempo para la aplicacin y desarrollo de una investigacin.
Por ejemplo: En el Colegio de Bachilleres, una institucin de nivel medio superior, se
desea realizar una investigacin sobre los alumnos inscritos en primer y segundo aos,
para lo cual se aplicar un cuestionario de manera aleatoria a una muestra, pues los
recursos econmicos y el tiempo para procesar la informacin resultara insuficiente en
el caso de aplicrsele a la poblacin estudiantil completa.
En primera instancia, suponiendo que no se conoce el tamao exacto de la poblacin,
pero con la seguridad de que sta se encuentra cerca a los diez millares, se aplicar la
primera frmula.
Se considerar una confianza del 95%, un porcentaje de error del 5% y la mxima
variabilidad por no existir antecedentes en la institucin sobre la investigacin y
porque no se puede aplicar una prueba previa.
Primero habr que obtener el valor de Z de tal forma que la confianza sea del 95%, es
decir, buscar un valor de Z tal que P(-Z<z<Z)=0.95. Utilizando las tablas o las
funciones de Excel se pueden obtener, o viendo (en este caso) el ejemplo anterior,
resulta que Z=1.96.
De esta manera se realiza la sustitucin y se obtiene:

Esto quiere decir que el tamao de la muestra es de 385 alumnos.
Supongamos ahora que s se conoce el tamao de la poblacin estudiantil y es de
9,408, entonces se aplicar la segunda frmula. Utilizando los mismos parmetros la
sustitucin queda como:

Con lo que se tiene una cota mnima de 370 alumnos para la muestra y as poder
realizar la investigacin sin ms costo del necesario, pero con la seguridad de que las
condiciones aceptadas para la generalizacin (confiabilidad, variabilidad y error) se
mantienen.




















Todo estudio epidemiolgico lleva implcito en la fase de diseo la
determinacin del tamao muestral necesario para la ejecucin del
mismo
(1-4)
. El no realizar dicho proceso, puede llevarnos a dos
situaciones diferentes: primera que realicemos el estudio sin el nmero
adecuado de pacientes, con lo cual no podremos ser precisos al estimar
los parmetros y adems no encontraremos diferencias significativas
cuando en la realidad s existen. La segunda situacin es que podramos
estudiar un nmero innecesario de pacientes, lo cual lleva implcito no
solo la prdida de tiempo e incremento de recursos innecesarios sino
que adems la calidad del estudio, dado dicho incremento, puede verse
afectada en sentido negativo.
Para determinar el tamao muestral de un estudio, debemos considerar
diferentes situaciones
(5-7)
:
A. Estudios para determinar parmetros. Es decir pretendemos
hacer inferencias a valores poblacionales (proporciones, medias) a partir
de una muestra (Tabla 1).
B. Estudios para contraste de hiptesis. Es decir pretendemos
comparar si las medias o las proporciones de las muestras son
diferentes.
Tabla 1. Elementos de la Inferencia Estadstica

A. Estudios para determinar parmetros
Con estos estudios pretendemos hacer inferencias a valores
poblacionales (proporciones, medias) a partir de una muestra.
A.1. Estimar una proporcin:
Si deseamos estimar una proporcin, debemos saber:
a. El nivel de confianza o seguridad (1-o ). El nivel de
confianza prefijado da lugar a un coeficiente (Z
o
). Para una
seguridad del 95% = 1.96, para una seguridad del 99% =
2.58.
b. La precisin que deseamos para nuestro estudio.
c. Una idea del valor aproximado del parmetro que queremos
medir (en este caso una proporcin). Esta idea se puede
obtener revisando la literatura, por estudio pilotos previos.
En caso de no tener dicha informacin utilizaremos el valor
p = 0.5 (50%).
Ejemplo: A cuantas personas tendramos que estudiar para conocer la
prevalencia de diabetes?
Seguridad = 95%; Precisin = 3%: Proporcin esperada = asumamos
que puede ser prxima al 5%; si no tuvisemos ninguna idea de dicha
proporcin utilizaramos el valor p = 0,5 (50%) que maximiza el tamao
muestral:

donde:
Z
o
2
= 1.96
2
(ya que la seguridad es del 95%)
p = proporcin esperada (en este caso 5% = 0.05)
q = 1 p (en este caso 1 0.05 = 0.95)
d = precisin (en este caso deseamos un 3%)

Si la poblacin es finita, es decir conocemos el total de la poblacin y
desesemos saber cuntos del total tendremos que estudiar la
respuesta seria:

donde:
N = Total de la poblacin
Z
o
2
= 1.96
2
(si la seguridad es del 95%)
p = proporcin esperada (en este caso 5% = 0.05)
q = 1 p (en este caso 1-0.05 = 0.95)
d = precisin (en este caso deseamos un 3%).
A cuntas personas tendra que estudiar de una poblacin de 15.000
habitantes para conocer la prevalencia de diabetes?
Seguridad = 95%; Precisin = 3%; proporcin esperada = asumamos
que puede ser prxima al 5% ; si no tuviese ninguna idea de dicha
proporcin utilizaramos el valor p = 0.5 (50%) que maximiza el tamao
muestral.

Segn diferentes seguridades el coeficiente de Z
o
vara, as:
Si la seguridad Z
o
fuese del 90% el coeficiente sera 1.645
Si la seguridad Z
o
fuese del 95% el coeficiente sera 1.96
Si la seguridad Z
o
fuese del 97.5% el coeficiente sera 2.24
Si la seguridad Z
o
fuese del 99% el coeficiente sera 2.576
A.2. Estimar una media:
Si deseamos estimar una media: debemos saber:
El nivel de confianza o seguridad (1-o ). El nivel de
confianza prefijado da lugar a un coeficiente (Z
o
). Para una
seguridad del 95% = 1.96; para una seguridad del 99% =
2.58.
La precisin con que se desea estimar el parmetro (2
*
d
es la amplitud del intervalo de confianza).
Una idea de la varianza S
2
de la distribucin de la variable
cuantitativa que se supone existe en la poblacin.

Ejemplo: Si deseamos conocer la media de la glucemia basal de una
poblacin, con una seguridad del 95 % y una precisin de 3 mg/dl y
tenemos informacin por un estudio piloto o revisin bibliogrfica que la
varianza es de 250 mg/dl

Si la poblacin es finita, como previamente se seal, es decir
conocemos el total de la poblacin y desearamos saber cuantos del total
tendramos que estudiar, la respuesta sera:



B. Estudios para contraste de hiptesis:
Estos estudios pretenden comparar si las medias o las proporciones de
las muestras son diferentes. Habitualmente el investigador pretende
comparar dos tratamientos. Para el clculo del tamao muestral se
precisa conocer:
a. Magnitud de la diferencia a detectar que tenga inters
clnicamente relevante. Se pueden comparar dos
proporciones o dos medias.
b. Tener una idea aproximada de los parmetros de la variable
que se estudia (bibliografa, estudios previos).
c. Seguridad del estudio (riesgo de cometer un error o)
d. Poder estadstico (1 - |) (riesgo de cometer un error |)
e. Definir si la hiptesis va a ser unilateral o bilateral.
o Bilateral: Cualquiera de los dos parmetros a
comparar (medias o proporciones) puede ser mayor o
menor que el otro. No se establece direccin.
o Unilateral: Cuando se considera que uno de los
parmetros debe ser mayor que el otro, indicando por
tanto una direccin de las diferencias.
La hiptesis bilateral es una hiptesis ms conservadora y disminuye el
riesgo de cometer un error de tipo I (rechazar la H
0
cuando en realidad
es verdadera).
B1. Comparacin de dos proporciones:

Donde:
( ) ( ) ( ) | |
( )
2 1
2
2 2 1 1
1 1 * 1 2 *
p p
p p p p Z p p Z
n

+ +
=
| o
n = sujetos necesarios en cada una de las muestras
Z
o
= Valor Z correspondiente al riesgo deseado
Z
|
= Valor Z correspondiente al riesgo deseado
p
1
= Valor de la proporcin en el grupo de referencia,
placebo, control o tratamiento habitual.
p
2
= Valor de la proporcin en el grupo del nuevo
tratamiento, intervencin o tcnica.
p = Media de las dos proporciones p
1
y p
2


Los valores Z
o
segn la seguridad y Z
|
segn el poder se indican en la
Tabla 2
(8)
.
B2. Comparacin de dos medias:

Donde:
n = sujetos necesarios en cada una de las muestras
Z
o
= Valor Z correspondiente al riesgo deseado
Z
|
= Valor Z correspondiente al riesgo deseado
S
2
= Varianza de la variable cuantitativa que tiene el grupo
control o de referencia.
d = Valor mnimo de la diferencia que se desea detectar
(datos cuantitativos)
Los valores Z
o
segn la seguridad y Z
|
segn el poder se indican en la
Tabla 2
(8)
.
Tabla 2. Valores de Z
o
y Z
|
ms frecuentemente
utilizados
Z
o

o Test unilateral Test bilateral
0.200
0.150
0.100
0.050
0.025
0.010
0.842
1.036
1.282
1.645
1.960
2.326
1.282
1.440
1.645
1.960
2.240
2.576
( )
2
2 2
* 2
d
S Z Z
n
| o
+
=
Potencia
| (1-|) Z
|

0.01
0.05
0.10
0.15
0.20
0.25
0.30
0.35
0.40
0.45
0.50
0.99
0.95
0.90
0.85
0.80
0.75
0.70
0.65
0.60
0.55
0.50
2.326
1.645
1.282
1.036
0.842
0.674
0.524
0.385
0.253
0.126
0.000
Ejemplo de comparacin de dos medias:
Deseamos utilizar un nuevo frmaco antidiabtico y consideramos que
seria clnicamente eficaz si lograse un descenso de 15 mg/dl respecto al
tto. Habitual con el antidiabtico estndar. Por estudios previos sabemos
que la desviacin tpica de la glucemia en pacientes que reciben el
tratamiento habitual es de 16 mg/dl. Aceptamos un riesgo de 0.05 y
deseamos un poder estadstico de 90% para detectar diferencias si es
que existen.

precisamos 20 pacientes en cada grupo.
Ejemplo de comparacin de dos proporciones:
Deseamos evaluar si el Tratamiento T
2
es mejor que el tratamiento T
1

para el alivio del dolor para lo que diseamos un ensayo clnico.
Sabemos por datos previos que la eficacia del frmaco habitual est
alrededor del 70% y consideramos clnicamente relevante si el nuevo
frmaco alivia el dolor en un 90%. Nuestro nivel de riesgo lo fijamos en
0.05 y deseamos un poder estadstico de un 80%.

( )
2
2 2
* 2
d
S Z Z
n
| o
+
=
( ) ( ) ( ) | |
( )
2 1
2
2 2 1 1
1 1 * 1 2 *
p p
p p p p Z p p Z
n

+ +
=
| o


n = 48 pacientes. En cada grupo precisamos 48 pacientes.
El tamao muestral ajustado a las prdidas:
En todos los estudios es preciso estimar las posibles perdidas de
pacientes por razones diversas (prdida de informacin, abandono, no
respuesta.) por lo que se debe incrementar el tamao muestral
respecto a dichas prdidas.
El tamao muestral ajustado a las prdidas se puede calcular:
Muestra ajustada a las prdidas = n (1 / 1R)
n = nmero de sujetos sin prdidas
R = proporcin esperada de prdidas
As por ejemplo si en el estudio anterior esperamos tener un 15% de
prdidas el tamao muestral necesario seria: 48 (1 / 1-0.15) = 56
pacientes en cada grupo.
Bibliografa
1. Contandriopoulos AP, Champagne F, Potvin L, Denis JL,
Boyle P. Preparar un proyecto de investigacin. Barcelona:
SG Editores ; 1991.
2. Hulley SB, Cummings SR. Diseo de la investigacin clnica.
Un enfoque epidemiolgico. Barcelona: Doyma; 1993.
3. Cook TD., Campbell DT. Quasi-Experimentation. Design &
Analysis Issues for Field Settings. Boston: Houghton Mifflin
Company; 1979.
4. Kleinbaum DG., Kupper LL., Morgenstern H. Epidemiologic
Research. Principles and Quantitative Methods. Belmont,
California: Lifetime Learning Publications. Wadsworth;
1982.
5. Dawson-Saunders B, Trapp RG. Bioestadstica Mdica . 2
ed. Mxico: Editorial el Manual Moderno; 1996.
6. Milton JS, Tsokos JO. Estadstica para biologa y ciencias de
la salud. Madrid: Interamericana M
c
Graw Hill; 2001.
7. Martn Andrs A, Luna del Castillo JD. Bioestadstica para
las ciencias de la salud. 4 ed. Madrid: NORMA; 1993.
8. Argimn Pallas J.M., Jimnez Villa J. Mtodos de
investigacin aplicados a la atencin primaria de salud. 2
ed. Barcelona: Mosby-Doyma; 1994.