El paradigma bayesiando: una

alternativa al enfoque frecuentista

Luis Carlos Silva Ayçaguer

Vicerrectoría de Investigaciones
ISCM de La Habana
Valoración crítica de
los valores “p” y las
pruebas de
significación
 INFERENCIA ESTADÍSTICA

A principios de siglo los

anécdotas clínicas poblaban
las revistas médicas

EDITORES ¿Qué significaban los resultados?

¿Cómo cuantificar la evidencia

y complementar los razonamientos
verbales?
 INFERENCIA ESTADÍSTICA

Fisher (década de los 20) Ho: d=0

Se observa d0
p  P(d  d 0 H 0 )
Medida de la discrepancia de los datos con la hipótesis,
llamada a tener un papel informal (no especificado), junto
con el resto de la información, en el flujo inferencial
Muchos investigadores y lectores piensan que 
un valor p de 0.04 significa que: 
la hipótesis nula tiene una probabilidad de 
sólo un 4% de ser cierta. 

Ante una simple afirmación resumen de un 
estudio que produjo un resultado inesperado 
con una p=0.05, una abrumadora mayoría dirá, 
confiadamente, que:

la probabilidad de que la hipótesis nula sea 
Interpretación comprensible pero completamente errónea :
incorrecta es 95% o más

p se calcula bajo el supuesto No puede ser una

de que la hipótesis nula es medida directa de la
verdadera. probabilidad de que la
hipótesis nula sea
falsa.
Primera crítica para los valores p:

d grande
n pequeña p  P(d  d 0 H 0 )
p  P(d  d 0 H 0 )
d pequeña
n grande p  P(d  d 0 H 0 )
 Sacket (1979)

Las muestras demasiado

pequeñas pueden servir para
no probar nada, las muestras
demasiado grandes pueden
servir para no probar nada.
 INFERENCIA ESTADÍSTICA

Neyman y Pearson (década Ho: d=0

de los 30)
H1: d0
Se fijan  y  tasas de error

  P(rech H 0 H o cierta) tasa de falsos

positivos

  P(acep H 0 H 0 falsa) tasa de falsos

negativos

Se observa d0 Y se adopta una decisión

 INFERENCIA ESTADÍSTICA

Se observa d0 y se computa p  P(d  d 0 H 0 )

Y se adopta una decisión

Si p  se rechaza Ho: d=0

Si p  se acepta Ho: d=0

Silva LC, Muñoz A (2000)
Debate sobre métodos
frecuentistas vs
bayesianos. Gaceta Sanitaria
14(6): 482-494.
 Grupo de Vancouver (2001)

El Comité Internacional de Directores de

Revistas Médicas

Describa los métodos estadísticos con el suficiente detalle para

permitir, que un lector versado en el tema con acceso a los datos
originales, pueda verificar los resultados publicados. En la medida de
lo posible, cuantifique los hallazgos y presente los mismos con los
indicadores apropiados de error o de incertidumbre de la medición
(como los intervalos de confianza). Se evitará la dependencia
exclusiva de las pruebas estadísticas de verificación de hipótesis, tal
como el uso de los valores P, que no aportan ninguna información
cuantitativa importante.
Keneth Rothman
Writing for epidemiology Mayo, 1998
EPIDEMIOLOGY Vol.9, Nº3: 98-104
Resulta preferible omitir los valores
p de los informes sobre estudios
epidemiológicos puesto que pueden
emplearse las estimaciones
puntuales y los intervalos de
confianza (además de otras
alternativas)
•Hay motivos teóricos e indicios empíricos
nacidos del trabajo de enfermería que hacen
pensar que los pacientes afectados por quemaduras
se recuperan más rápidamente cuando el
tratamiento combina cierta crema antiséptica con
un apósito hidrocoloide que cuando se utiliza la
crema antiséptica solamente.

•Se diseña un experimento con la esperanza de

rechazar la hipótesis nula que afirma que el
tratamiento simple es tan efectivo como el
combinado.
 Ensayo controlado aleatorizado

40 Mejoran
C+A
80 a No mej
Población
z
de Muestra
a
quemados
r Mejoran
C
40 No mej
tiempo
 Supongamos que el 75% (p1=0,75) de los
pacientes bajo el tratamiento experimental
mejora apreciablemente a los 5 días,
mientras que para los pacientes tratados
de manera convencional esta tasa de
recuperación fue del 60% (p2=0,60)

Recuperación
Si No Total
Tratamiento
30 10 40
Experimental
Tratamiento
24 16 40
Convencional
Total 54 26 80
 obs
2
 2 .05 p=0,15
 Recuperación
Si No Total
Tratamiento
150 50 200
Experimental
Tratamiento
120 80 200
Convencional
Total 270 130 400

 obs  10, 26
2 p=0,001
 (pc=59,5%) (pe=60%)

Recuperación
Si No Total
Tratamiento
44400 29600 74000
Experimental
Tratamiento
44030 29970 74000
Convencional
Total 44430 59570 148000

 obs  3,85
2 p=0,0498
 Recuperación
Si No Total
Tratamiento
103 97 200
Experimental
Tratamiento
120 80 200
Convencional
Total 223 177 400

 obs  2,93
2 p=0,09
Si la verdadera diferencia que se está evaluando no
es nula (que es lo que debe ocurrir, pues si los
tratamientos son diferentes no hay razón alguna
para esperar que tengan efectos EXACTAMENTE
iguales), por muy pequeña que sea esa diferencia,
siempre se podrá rechazar la hipótesis de nulidad si
se trabaja con una muestra suficientemente grande.

Las pruebas de significación constituyen

supuestamente un proceso de decisión sobre una
hipótesis (que se ha de aceptar o no); pero el
pensamiento científico no discurre así realmente.
La información anterior a los datos, proveniente de
estudios previos o de la experiencia empírica
informalmente acumulada (que siempre se tiene
sobre el problema que se examina) no interviene en
el modelo estadístico de las pruebas de hipótesis.

El investigador se resiste a desdeñar totalmente

el resultado (que es lo que en rigor tendría que
hacer de acuerdo con las reglas del método que
emplea); se rebela ante la idea de actuar como
si la diferencia observada estuviera diciendo lo
mismo que una diferencia nula o mínima
Es natural que se aspire a
contar con un procedimiento
inferencial que tenga los
siguientes rasgos (ninguno de
los cuales, como se ha dicho,
está presente en la teoría
frecuentista de las pruebas de
hipótesis):
Que cuanto mayor sea el tamaño muestral, con más
elementos se cuente para valorar adecuadamente la
realidad que esa muestra representa.

Que valore la credibilidad o verosimilitud de las

hipótesis en lugar de obligarnos a adoptar decisiones
dicotómicas sobre ellas.

Que no parta de una supuesta orfandad total de

información; que el modelo de análisis contemple de
manera formal el conocimiento previo y la
experiencia precedente

Que no desdeñe nunca el resultado de un estudio y

otorgue a los datos la importancia que tienen, ni
más ni menos, pero que en ningún caso conduzca a
actuar como si no se hubiera hecho el experimento o
la observación.
•Probabilidad frecuentista
•Probabilidad subjetiva

•Límite de una frecuencia

•Probabilidad de que se desate
una guerra
 Teorema de Bayes
Componente
(Valoración priori acerca de si la hipótesis es
subjetivo
verdadera antes de ver los datos)
X
X
Componente
(Factor de Bayes)
de los datos
(evidencia)

(Valoración a posteriori- de que la hipótesis

Probabilidad
nula sea verdadera)
de la veracidad
 Tasa de asmaticos
4 posibilidades (modelos): 5% 7% 10% 15%

Modelos 5% 7% 10% 15%

Probabilidad a priori
atribuidas a los modelos 0,1 0,4 0,4 0,1

Se hace una encuesta sobre 200 sujetos elegidos al azar y

se observa que 11 de ellos son asmáticos (5,5%)

¿CUÁL ES LA PROBABILIDAD DE CADA MODELO?

 Probabilidad de que valga el modelo 5% supuesto que se ha
observado una tasa de 5,5%:

P ( datos|5%) P ( 5%)
P ( datos|5%) P ( 5%)  P ( datos|7%) P ( 7%)  P ( datos|10%) P (10%)  P ( datos|15%) P (15%)
( 0 ,117 )( 0 ,1)
 0 , 238
( 0 , 0117 )( 0 ,1)  ( 0 , 085 )( 0 , 4 )  ( 0 , 009 )( 0 , 4 )  ( 0 , 000 )( 0 ,1)

Probabilidad de datos dado

el modelo Probab a priori Producto Probab a posteriori
prob (5,5%|5%)= 0,117 0,100 0,012 prob (5%|5,5%)= 0,238
prob (5,5%|7%)= 0,085 0,400 0,034 prob (7%|5,5%)= 0,691
prob (5,5%|10%)= 0,009 0,400 0,003 prob (10%|5,5%)= 0,071
prob (5,5%|15%)= 0,000 0,100 0,000 prob (15%|5,5%)= 0,000
 Infinitos modelos
Aquí la suma de barras en todo un intervalo es un área
bajo la curva
curva 1 : a=4 y b=4 curva 2: a=4 y b=1
curva 3: a=22 y b=4 curva 4. a=1 y b=4
El enfoque bayesiano: otra manera de
inferir

Dr. Luis Carlos Silva Ayçaguer

Investigador Titular, Vicerrectoría de
Investigación y Posgrado, ISCM/H. Edificio
Ramón Paz, 6º piso, Calle G y 25, Plaza,
Dra. Alina Benavides Rodríguez
Especialista de Primer Grado de Bioestadística,
Dirección Provincial de Salud, Villa Clara.
a=57 b=38 a=72 b=18
Archives of Internal Medicine
1999, Vol 159: 2273-2278
Percentiles relevantes
Area Percentil
__________ __________
0,025 0,745
0,050 0,751
0,100 0,757
0,250 0,767
0,500 0,778
0,750 0,790
0,900 0,800
0,950 0,806
0,975 0,811
 Luis Carlos Silva Ayçaguer
Investigador Titular

Instituto Superior de Ciencias Médicas

Vicerrectoría de Investigaciones y Posgrado
Ave. de los Presidentes y 25, 6º piso
Municipio Plaza, Ciudad de la Habana

: lcsilva@infomed.sld.cu