Documente Academic
Documente Profesional
Documente Cultură
Características de la estadística
La Estadística es un conjunto de técnicas. Técnicas analíticas para ver en unos datos lo que
nuestra mirada no es capaz de ver porque son muy numerosos. En Estadística hay tres
tipos de técnicas, tres actividades básicas, tres acciones: Descripción, Relación y
Comparación.
Descripción: Técnicas donde no se infiere, sólo se mira lo que se tiene: la muestra. Se le
calculan descriptores que capten aspectos relevantes de ella. Se dibujan gráficos que la
resuman. La muestra es el fin, no un medio.
Relación: Técnicas que buscan relaciones entre variables, entre diferentes características
medidas a una serie de individuos. Se busca la existencia de relación entre ellas y se
pretende establecer relaciones matemáticas entre ellas.
Comparación: Técnicas que comparan poblaciones de individuos. El objetivo es poder
hablar de la igualdad o de la diferencia entre esos grupos, entre esas poblaciones.
La Relación y la Comparación sí son técnicas donde se infiere, son técnicas inferenciales.
La muestra ahora es un medio, no un fin. Se pretende desde la muestra sacar
conclusiones poblacionales. Desde la relación entre las variables a nivel muestral o desde
la comparación de dos o más muestras se busca hacer afirmaciones poblacionales,
afirmaciones que vayan más allá de lo que se ve, más allá de la muestra.
Es muy importante situar desde el principio cuál es el papel básico de la Estadística. Y ver
la simplicidad que hay detrás de una aparente complejidad. La Estadística es, en realidad,
un mundo caracterizado, aunque desde fuera parezca que no, por un paisaje muy
homogéneo. En Estadística estamos siempre describiendo, relacionando o
comparando. Pero, ¿qué hace cualquier científico en su actividad diaria? También
describir, relacionar y comparar.
Sosteniendo a la Estadística, desde la base, existe un básico paisaje de conceptos del
mundo de la probabilidad: especialmente la noción de variable aleatoria, la noción de
función de distribución, de modelización matemática. Estos conceptos se verán como
complementos de lo que constituye el hilo conductor de la Estadística: la construcción de
técnicas para describir lo que vemos en la muestra y para inferir acerca de lo que no
vemos en la muestra.
Los resultados totales muestran una asociación positiva entre el consumo de café y el IAM (OR=3.16;
OR>1), de manera que aparentemente el riesgo de sufrir IAM se ve incrementado por el consumo de café.
Sin embargo, esta relación puede deberse a que el consumo de café está relacionado con un mayor número
de fumadores. Sospechando de esta relación y, estratificando los resultados por hábito tabáquico, nos
Marco conceptual
Población: Una población es el conjunto de todos los elementos a los que se somete a un estudio
estadístico. No debe confundirse la población en sentido demográfico y la población en sentido
estadístico. La población en sentido demográfico es un conjunto de individuos (todos los habitantes de
un país, todas las ratas de una ciudad), mientras que una población en sentido estadístico es un conjunto
de datos referidos a determinada característica o atributo de los individuos (las edades de todos los
individuos de un país, el color de todas las ratas de una ciudad).
Individuo: Un individuo o unidad estadística es cada uno de los elementos que componen la población.
Muestreo: El muestreo es una técnica que sirve para obtener una o más muestras de población. Éste se
realiza una vez que se ha establecido un marco muestral representativo de la población, se procede a la
selección de los elementos de la muestra aunque hay muchos diseños de la muestra.
Tipos de muestreo: Existen dos métodos para seleccionar muestras de poblaciones; el muestreo no
aleatorio y el aleatorio. En este último todos los elementos de la población tienen la oportunidad de ser
escogidos en la muestra. También puede ser estratificado o no.
Censo: Se entiende por censo aquella numeración que se efectúa a todos y cada uno de los caracteres
componentes de una población.
Encuesta: Se entiende por encuesta las observaciones realizadas por muestreo, es decir son
observaciones parciales.
Datos Estadísticos: Son los resultados del experimento o mediciones de las observaciones realizadas, son
el general, el producto de las observaciones efectuadas en los cuales se produce el fenómeno que
Valor: Un valor es cada uno de los distintos resultados que se pueden obtener en un estudio estadístico.
Si lanzamos una moneda al aire 5 veces obtenemos dos valores: cara y cruz.
Clasificación de los datos: Los datos estadísticos pueden ser clasificados en cualitativos, cuantitativos,
cronológicos (series de tiempo) y geográficos (series de espacios), etc. Cuantitativos, cuando son
representados por un número. Cualitativos, cuando señalan cualidades y no están representados
numéricamente. Cronológicos, cuando los valores de los datos varían en diferentes instantes o períodos
de tiempo, los datos son reconocidos como cronológicos; y son Espaciales cuando los datos están
referidos a una localidad, espacio, área,
Fuentes de datos Estadísticos: Los datos estadísticos necesarios para la comprensión de los hechos
pueden obtenerse a través de fuentes primarias y fuentes secundarias: Primarias, cuando se va ala origen
mismo de la información o experimento y se toman los datos directamente, y son Secundarias, cuando
se obtienen sin el experimento u observación directa
Método para la recolección de datos: En estadística se emplean una variedad de métodos distintos para
obtener información de los que se desea investigar. Entre ellos tenemos: Entrevista personal, encuestas,
observación con o sin control de un experimento o de poblaciones, Cuestionarios, Mediciones, conteos.
Variables estadísticas
Un Carácter Estadístico es cada una de las características o cualidades que poseen los individuos de una
población.
Cuantitativos: Son aquellos que se pueden medir. Determinan variables estadísticas que pueden ser:
Las preguntas cerradas contienen categorías o alternativas de respuestas que han sido delimitadas. Es
decir, se presentan a los sujetos las posibilidades de respuestas y ellos deben circunscribirse a ellas.
Pueden ser dicotómicas (dos alternativas de respuestas) o incluir varias alternativas de respuestas.
ENCUESTAS: El diseño de encuestas es exclusivo de las ciencias sociales y parte de la premisa de que si,
queremos conocer algo sobre el comportamiento de las personas, lo mejor, lo más directo y simple, es
preguntárselo directamente a ellas. Se trata por tanto de requerir información a un grupo socialmente
significativo de personas acerca de los problemas en estudio para luego, mediante un análisis de tipo
cuantitativo, sacar las conclusiones que se correspondan con los datos recogidos.
ENTREVISTA: La entrevista, desde el punto de vista del método, es una forma específica
de interacción social que tiene por objeto recolectar datos para una indagación. El investigador formula
preguntas a las personas capaces de aportarle datos de interés, estableciendo un diálogo peculiar,
asimétrico, donde una de las partes busca recoger informaciones y la otra es la fuente de esas
informaciones. Por razones obvias sólo se emplea, salvo raras excepciones, en las ciencias humanas.
La ventaja esencial de la entrevista reside en que son los mismos actores sociales quienes proporcionan
los datos relativos a sus conductas, opiniones, deseos, actitudes y expectativas, cosa que por su
misma naturaleza es casi imposible de observar desde fuera. Nadie mejor que la misma persona
involucrada para hablarnos acerca de todo aquello que piensa y siente, de lo que ha experimentado o
proyecta hacer.
OBSERVACIÓN: Es un método clásico de investigación científica. Puede asumir muchas formas; puede ser
simple en la cual tanto el observador como los observados participan de la manera más natural posible, y
en este caso el observador deberá tener un plan previo para la información a partir de las notas que vaya
levantando a lo largo de la observación.
REGISTROS: A veces existe información documental en registros. Conviene saber si es así, y el tipo de
registros que se guardas… Sobre todo, para solicitarla.
Los datos de las encuestas se “vuelcan” en una matriz de datos, y a partir de ellos se elaboran:
La distribución de frecuencias o tabla de frecuencias es una ordenación en forma de tabla de los datos
estadísticos, asignando a cada dato su frecuencia correspondiente.
Frecuencia absoluta
La suma de las frecuencias absolutas es igual al número total de datos, que se representa por N.
Para indicar resumidamente estas sumas se utiliza la letra griega Σ (sigma mayúscula) que se lee suma o
sumatoria.
Frecuencia relativa
Frecuencia acumulada
La frecuencia acumulada es la suma de las frecuencias absolutas de todos los valores inferiores o
iguales al valor considerado. Se representa por Fi.
Ejemplo
Durante el mes de julio, en una ciudad se han registrado las siguientes temperaturas máximas:
32, 31, 28, 29, 33, 32, 31, 30, 31, 31, 27, 28, 29, 30, 32, 31, 31, 30, 30, 29, 29, 30, 30, 31, 30, 31, 34, 33,
33, 29, 29.
27 I 1 1 0.032 0.032
28 II 2 3 0.065 0.097
29 6 9 0.194 0.290
30 7 16 0.226 0.0516
31 8 24 0.258 0.774
34 I 1 31 0.032 1
31 1
La distribución de frecuencias agrupadas o tabla con datos agrupados se emplea si las variables toman
un número grande de valores o la variable es continua. Se agrupan los valores en intervalos que tengan
la misma amplitud denominados clases. A cada clase se le asigna su frecuencia correspondiente.
Límites de la clase:
Cada clase está delimitada por el límite inferior de la clase y el límite superior de la clase.
Amplitud de la clase:
Marca de clase:
La marca de clase es el punto medio de cada intervalo y es el valor que representa a todo
el intervalo para el cálculo de algunos parámetros.
3, 15, 24, 28, 33, 35, 38, 42, 43, 38, 36, 34, 29, 25,
17, 7, 34, 36, 39, 44, 31, 26, 20, 11, 13, 22, 27, 47,
39, 37, 34, 32, 35, 28, 38, 41, 48, 15, 32, 13.
1º Se localizan los valores menor y mayor de la distribución. En este caso son 3 y 48.
En este caso, 48 – 3 = 45, incrementamos el número hasta 50: 5 = 10 intervalos. Se forman los intervalos
teniendo presente que el límite inferior de una clase pertenece al intervalo, pero el límite superior no
pertenece intervalo, se cuenta en el siguiente intervalo.
Ci fi Fi ni Ni
40 1
Según sea el carácter estadístico estudiado, se utilizan las siguientes tipos de gráficas:
Diagrama de barras
Un diagrama de barras se utiliza para de presentar datos cualitativos o datos cuantitativos de tipo
discreto.
Se representan sobre unos ejes de coordenadas, en el eje de abscisas se colocan los valores de la
variable, y sobre el eje de ordenadas las frecuencias absolutas o relativas o acumuladas.
Ejemplo
Grupo sanguíneo fi
A 6
B 4
AB 1
0 9
N 20
Polígonos de frecuencias
Variables discretas
Los polígonos de frecuencias se realizan trazando los puntos que representan las frecuencias y
uniéndolos mediante segmentos.
Ejemplo
Las temperaturas en un día de otoño de una ciudad han sufrido las siguientes variaciones:
Hora Temperatura
6 7º
9 12°
12 14°
15 11°
18 12°
21 10°
24 8°
Los polígonos de frecuencias se realizan trazando los puntos formados las marcas de clase y
las frecuencias, y uniéndolos mediante segmentos.
ci fi Fi
[50, 60) 55 8 8
[60, 70) 65 10 18
[70, 80) 75 16 34
[80, 90) 85 14 48
[90, 100) 95 10 58
65
Diagrama de sectores
Un diagrama de sectores se puede utilizar para todo tipo de variables, pero se usa frecuentemente para
las variables cualitativas.
Los datos se representan en un círculo, de modo que el ángulo de cada sector es proporcional a
la frecuencia absoluta correspondiente.
Ejemplo
En una clase de 30 alumnos, 12 juegan a baloncesto, 3 practican la natación, 9 juegan al fútbol y el resto
no practica ningún deporte.
Baloncesto 12 144°
Natación 3 36°
Fútbol 9 108°
Total 30 360°
Histograma
En el eje abscisas se construyen unos rectángulos que tienen por base la amplitud del intervalo, y
por altura, la frecuencia absoluta de cada intervalo.
Para construir el polígono de frecuencia se toma la marca de clase que coincide con el punto medio de
cada rectángulo.
ci fi Fi
[50, 60) 55 8 8
[60, 70) 65 10 18
[70, 80) 75 16 34
[80, 90) 85 14 48
[90, 100) 95 10 58
65
Si se representan las frecuencias acumuladas de una tabla de datos agrupados se obtiene el histograma
de frecuencias acumuladas o su correspondiente polígono.
Para costruir un histogramas con intervalo de amplitud diferente tenemos que calcular las alturas de
los rectángulos del histograma.
Fi hi
[0, 5) 15 3
[5, 7) 20 10
[7, 9) 12 6
[9, 10) 3 3
50
Parámetros estadísticos
Un parámetro estadístico es un número que se obtiene a partir de los datos de una distribución
estadística.
Los parámetros estadísticos sirven para sintetizar la información dada por una tabla o por una gráfica.
De centralización.
De posición.
De dispersión.
Medidas de centralización
Nos indican en torno a qué valor (centro) se distribuyen los datos. Las medidas de centralización son:
Media aritmética
La media aritmética es el valor obtenido al sumar todos los datos y dividir el resultado entre
el número total de datos.
Ejemplo
Los pesos de seis amigos son: 84, 91, 72, 68, 87 y 78 kg. Hallar el peso medio.
En un test realizado a un grupo de 42 personas se han obtenido las puntuaciones que muestra la
tabla. Calcula la puntuación media.
xi fi xi · fi
[10, 20) 15 1 15
[30,40) 35 10 350
[50, 60 55 8 440
[60,70) 65 4 260
42 1 820
Moda
La moda es el valor que más se repite en una distribución. Se representa por Mo.
Ejemplo
Calcular la moda de una distribución estadística que viene dada por la siguiente tabla:
fi
[60, 63) 5
[63, 66) 18
[66, 69) 42
[69, 72) 27
[72, 75) 8
100
Parámetros de posición
Las medidas de posición dividen un conjunto de datos en grupos con el mismo número de individuos.
Para calcular las medidas de posición es necesario que los datos estén ordenados de menor a mayor.
Mediana
La mediana se representa por Me. La mediana se puede hallar sólo para variables cuantitativas.
Cálculo de la mediana
La mediana se encuentra en el intervalo donde la frecuencia acumulada llega hasta la mitad de la suma
de las frecuencias absolutas.
ai es la amplitud de la clase.
Ejemplo: Calcular la mediana de una distribución estadística que viene dada por la siguiente tabla:
fi Fi
[60, 63) 5 5
[63, 66) 18 23
[66, 69) 42 65
[69, 72) 27 92
100
Mediana
Es el valor que ocupa el lugar central de todos los datos cuando éstos están ordenados de menor a
mayor. La mediana se representa por Me. La mediana se puede hallar sólo para variables cuantitativas.
Cálculo de la mediana
1 Ordenamos los datos de menor a mayor.
2 Si la serie tiene un número impar de medidas la mediana es la puntuación central de la misma. 2, 3, 4,
4, 5, 5, 5, 6, 6 Me= 5
3 Si la serie tiene un número par de puntuaciones la mediana es la media entre las dos puntuaciones
centrales. 7, 8, 9, 10, 11, 12 Me= 9.5
Cuarteles
Los cuartiles son los tres valores de la variable que dividen a un conjunto de datos ordenados en cuatro
partes iguales.
Q1, Q2 y Q3 determinan los valores correspondientes al 25%, al 50% y al 75% de los datos.
Q2 coincide con la mediana.
Deciles
Los deciles son los nueve valores que dividen la serie de datos en diez partes iguales.
Los deciles dan los valores correspondientes al 10%, al 20%... y al 90% de los datos.
D5 coincide con la mediana.
Percentiles
Los percentiles son los 99 valores que dividen la serie de datos en 100 partes iguales.
Los percentiles dan los valores correspondientes al 1%, al 2%... y al 99% de los datos.
P50 coincide con la mediana.
fi Fi
[50, 60) 8 8
[60, 70) 10 18
[70, 80) 16 34
[80, 90) 14 48
[90, 100) 10 58
[100, 110) 5 63
[110, 120) 2 65
65
fi Fi
[50, 60) 8 8
[60, 70) 10 18
[70, 80) 16 34
[80, 90) 14 48
[90, 100) 10 58
[100, 110) 5 63
[110, 120) 2 65
65
Los percentiles son los 99 valores que dividen la serie de datos en 100 partes iguales.
Los percentiles dan los valores correspondientes al 1%, al 2%... y al 99% de los datos.
P50 coincide con la mediana.
Ejercicio de percentiles
fi Fi
[50, 60) 8 8
[60, 70) 10 18
[70, 80) 16 34
[80, 90) 14 48
[90, 100) 10 58
[100, 110) 5 63
[110, 120) 2 65
65
Percentil 60
Medidas de dispersión
Las medidas de dispersión nos informan sobre cuánto se alejan del centro los valores de la distribución.
Rango o recorrido
El rango es la diferencia entre el mayor y el menor de los datos de una distribución estadística.
Desviación media
La desviación media es la media aritmética de los valores absolutos de
las desviaciones respecto a la media.
Varianza
La varianza es la media aritmética del cuadrado de las desviaciones respecto a la media.
Desviación típica
La desviación típica es la raíz cuadrada de la varianza.
Desviación media
La desviación respecto a la media es la diferencia entre cada valor de la variable estadística y la media
aritmética.
Di = x - x
La desviación media es la media aritmética de los valores absolutos de las desviaciones respecto a la
media.
Ejemplo
Si los datos vienen agrupados en una tabla de frecuencias, la expresión de la desviación media es:
Ejemplo
xi fi xi · fi |x - x | |x - x | · fi
21 457.5 98.57
Varianza
La varianza es la media aritmética del cuadrado de las desviaciones respecto a la media de una
distribución estadística.
La varianza se representa por .
Ejercicios de varianza
xi fi xi · f i xi2 · fi
42 1 820 88 050
Propiedades de la varianza
1. La varianza será siempre un valor positivo o cero, en el caso de que las puntuaciones sean iguales.
2. Si a todos los valores de la variable se les suma un número la varianza no varía.
3. Si todos los valores de la variable se multiplican por un número la varianza queda multiplicada por
el cuadrado de dicho número.
La varianza, al igual que la media, es un índice muy sensible a las puntuaciones extremas.
Desviación típica
Para simplificar el cálculo vamos o utilizar las siguientes expresiones que son equivalentes a las
anteriores.
42 1 820 88 050
1. La desviación típica será siempre un valor positivo o cero, en el caso de que las puntuaciones sean
iguales.
2. Si a todos los valores de la variable se les suma un número la desviación típica no varía.
3. Si todos los valores de la variable se multiplican por un número la desviación
típica queda multiplicada por dicho número.
4. Si tenemos varias distribuciones con la misma media y conocemos sus respectivas desviaciones
típicas se puede calcular la desviación típica total.
Coeficiente de variación
Ejercicio: Una distribución tiene x = 140 y σ = 28.28 y otra x = 150 y σ = 24. ¿Cuál de las dos presenta
mayor dispersión?
Benjamin Gompertz, miembro de una distinguida familia judía de orígenes germanos y holandeses, nació
el 5 de marzo de 1979 en Londres, donde también murió el 14 de julio de 1865. No tuvo acceso a la
enseñanza universitaria debido a sus creencias religiosas, por lo que estudió de forma autónoma.
Centrando su atención en las matemáticas, consiguió unirse como miembro a la Society of
Mathematicians of Spitalfields, lo que le facilitó la posibilidad de seguir formándose.
Desde la adolescencia, Gompertz ya estaba familiarizado con los tratados de los matemáticos ingleses y
franceses del siglo XVIII como Newton, Maclaurin o Emerson.
Dicen de él que su sed de conocimiento era tan grande que, de niño, sus padres tenían que apagar y hasta
esconder los candelabros y las velas de casa para evitar que se quedara toda la noche estudiando; él, por su
parte, seguía con sus investigaciones en el jardín, a la luz de la luna.
A lo largo de su vida, formó parte de numerosas sociedades de prestigio como la Royal Astronomical
Society, la London Mathematical Society, la Society of Actuaries y la Royal Statistical Society, entre otras,
a las cuales dedicó gran parte de su talento y sabiduría.
Función de Gompertz
Durante los años 20 del siglo XIX, se establecieron en Reino Unido las compañías de seguros Guardian
Insurance Office (1821) y Alliance Assurance Company (1824), esta última dirigida por el propio
Gompertz durante varios años.
Aplicando procedimientos del cálculo diferencial a cuestiones actuarias, consiguió presentar su “ley” o
paper sobre la mortalidad ante la Royal Society). El trabajo, titulado “On the nature of the function
expressive of the law of human mortality, and on a new mode of determining the value of life
contingencies” explicaba su ley de la siguiente manera:
“Es posible que la muerte sea la consecuencia, fundamentalmente, de dos causas que coexisten; la primera
es un componente independiente de la edad (factores externos) y la segunda uno dependiente (el deterioro
propio del envejecimiento), el cual crece exponencialmente a medida que la edad avanza (Hooker, 1965).
El documento fue publicado en 1825 por Philosophical Transactions, de la Royal Society.
�(�) = � × � 𝛽�
µ = mortalidad a la edad x.
α y β = constantes.
Esta función (1), modificada posteriormente (2) por William Makeham (teniendo más en cuenta los dos
componentes), fue utilizada por las aseguradoras del momento para calcular cuotas, indemnizaciones, etc.
�(�) = � × � 𝐵� + �
µ = mortalidad a la edad x.
α y β = constantes.
γ = constante que representa la mortalidad independiente a la edad.
Cuando los ratios de mortalidad con los que se trabaja se llevan a una escala logarítmica, se obtiene una
línea recta conocida como función de Gompertz. La pendiente de dicha función indica el ratio actuarial de
envejecimiento (o ratio de envejecimiento). Las diferencias en la pendiente y, por tanto, en el ratio de
envejecieminto, pueden explicar las diferencias en la longevidad de distintas especies.
El Modelo de Gompertz
Antes de desglosar el modelo, ver qué parámetros tiene en cuenta, etc., vamos a definirlo como un modelo
cinético (Roberts, 1989; Fakruddin, 2011) y primario (Whiting and Buchanan, 1993; Fakruddin, 2011).
Cinético Este tipo de modelos se basan en la respuesta del agente de estudio, crecimiento o
supervivencia bajo determinadas condiciones (McMeekin et al, 1993).
Primario Un modelo primario describe, fundamentalmente, el número de microorganismos en función
del tiempo. Se cuantifican en unidades formadoras de colonias (UFC) / ml, formación de toxinas, de
metabolitos o en función de la absorbancia, por ejemplo (CollCárdenas y cols, 2001).
A partir de los resultados derivados del empleo de modelos primarios, como es este, se desarrollan los
secundarios y terciarios, en cuyas definiciones no vamos a entrar.
A la hora de emplear un modelo, en este caso primario, hay que seguir una serie de etapas :
1. Diseño
a. Definir el objetivo experimental.
b. Enumerar todas las variables y su relevancia.
c. Rango de fluctuación de las variables.
d. Selección del medio (sustrato).
e. Características del microorganismo.
f. Competencia con otros microorganismos.
2. Acumulación de datos
Se obtienen a través de la propia experimentación; es decir, estimando de manera directa o indirecta
(García, 2003) los valores del parámetro que estemos estudiando (recuento en placas, turbidimetría,
citometría de flujo, etc.). Todos estos valores serán los que, mediante métodos estadísticos, conformaran la
curva de crecimiento / inactivación.
3Ajuste de la curva
Una vez obtenidos los datos, se modela la curva de crecimiento del microorganismo que se está
estudiando (García, 2003), pudiéndose derivar, así, los parámetros que se han tenido en cuenta y que han
afectado a la curva obtenida (Whiting, 1993).
5. Validación
Para validar un modelo (generalmente aplicado a un microorganismo concreto), se suelen analizar
distintos estadísticos y/o parámetros. Entre los más utilizados, destacan los siguientes:
Coeficiente de determinación (R2 )
Control de valores residuales
Significación estadística y significación biológica
Varianza
Se tratará la importancia y los métodos de validación de los modelos en otro apartado, de manera más
detallada.
MSE
Se trata de una medida de la variabilidad que no se debe a cambios en los factores (Giffel et al. 1999),
fundamentalmente aquellos que son extrínsecos, sino que se debe a la variabilidad inherente a la
biología o a errores sistemáticos.
Así, cuanto menor sea el valor de la MSE, mayor es la adecuación del modelo y sus resultados (Adair
et al. 1989 y Sutherland et al. 1994; Giffel et al. 1999). Se calcula sumando los cuadrados de los
errores y dividiendo entre el número de grados de libertad; es decir, nos informa sobre la diferencia
entre lo que se ha estimado y lo observado.
Coeficiente de determinación (R2 ) Esta medida nos indica el ajuste de los datos obtenidos a un
modelo lineal; es decir, nos informa sobre qué cantidad de la variabilidad observada se debe al ajuste
lineal de los datos en el modelo (Giffel et al. 1999). De este modo, cuanto mayor sea el valor de este
estadístico (que se mueve entre 0 y 1), mejor será la predicción del modelo (Grau and Vanderlinde
1993, Duffy et al. 1994; Sutherland et al. 1994; Giffel et al. 1999).
Accuracy factor o factor de precisión y Bias factor: Estos dos factores, descritos y desarrollados
inicialmente por Ross (1996), son, en cierta medida, valores promedio definidos a partir de distintas
concepciones del ‘promedio’ (Baranyi et al. 1999).
El factor de precisión es la media de las distancias mínimas que hay entre cada punto y la línea
obtenida a través de la regresión lineal aplicada en el modelo; es, por tanto, una medida de desviación
que, hablando en plata, nos dice lo cerca que la predicción está de lo observado (Ross, 1996).
El bias factor nos muestra si, en promedio, los valores observados están por debajo o por encima,
gráficamente, de la línea obtenida. Dicho de otra manera, nos da una idea de la desviación estructural
del modelo (Giffel et al.1999). Este factor tiene una relevancia especialmente importante por los
Así, un bias factor menor de 1 significa que estamos ante lo que se suele llamar “fail-safe model”
(Ross, 1996); es decir, un modelo que, a pesar de no ser muy preciso en la predicción, no comporta
ningún riesgo (Ross, 1996; Giffel et al. 1999).
Por ejemplo, si los tiempos observados en los cuales crecen unos determinados microorganismos
fueran mayores que los de las predicciones (bias factor< 1), pese a que no sean del todo precisas,
aportan un margen de seguridad (Baranyi et al. 1999; Giffel et al. 1999).
Del mismo modo, hablaremos de “fail-dangerous model” (Ross, 1996) cuando el factor sea mayor que
1 y conlleve un riesgo para la salud.
Ambos factores cobran un especial interés en tanto que nos permiten hacer comparaciones entre
distintos modelos El uso de los dos supone un paso adelante hacia el establecimiento de un criterio de
validación de modelos objetivo y práctico.
Todos estos elementos resultan interesantes para validar un modelo aunque, recordemos, no haya
ningún criterio aceptado y reconocido por la comunidad científica para este asunto (Buchanan et al.
1997.
Aplicación en Seguridad Alimentaria
Como se ha comentado en apartados anteriores, existen diversos factores que afectan al crecimiento
microbiano en los alimentos intrínsecos y extrínsecos, que comprometen, en mayor o menor medida,
la estabilidad de los alimentos y, consecuentemente, la seguridad alimentaria.
En este contexto, el análisis de riesgos se presenta como una herramienta básica en la prevención de
los riesgos asociados a los peligros microbiológicos de los alimentos (AESAN, 2011).
Las etapas de esta herramienta se pueden ver en la introducción del trabajo, de forma sintetizada.
Pero, ¿dónde encaja la microbiología predictiva en todo este sistema? – En la evaluación de riesgos,
fundamentalmente. En ella, el empleo de modelos predictivos puede ser un instrumento muy útil.
Así, la utilización de los modelos como el de Gompertz, dentro de la evaluación, resulta interesante en
cuanto que nos pueden aportar información fiable sobre la estabilidad de un determinado
microorganismo en un alimento concreto y bajo unas condiciones determinadas (Signorini, 2008),
incluyendo aquellas relativas a cualquier fase de la cadena alimentaria como la producción o la
distribución (García, 2003), “de la granja a la mesa” (Signorini, 2008). Por tanto y, por las
características propias del modelo, se pueden estimar las variaciones en el número de
microorganismos y realizar una evaluación de la exposición a los mismos (Fakruddin et al, 2011). De
este modo, la utilización de la microbiología predictiva, con una concepción más amplia, puede ayudar
de forma importante en la realización de una buena evaluación de riesgos en alimentos (Coll-Cárdenas
y cols, 2001).
Bibliografía
https://uvadoc.uva.es/bitstream/10324/18086/1/TFG-M-N520.pdf
https://matematicasiesoja.wordpress.com/estadistica/
https://matematicasiesoja.files.wordpress.com/2018/01/comohacerunestudioestadisticoeso.pdf
https://searchdatacenter.techtarget.com/es/definicion/Analisis-estadistico