Fundamentos de Bioestadística y Variables

Introducción a los tipos de variables en bioestadística

En la práctica clínica y la investigación médica, la correcta clasificación de las variables es fundamental para elegir los métodos estadísticos adecuados y para interpretar los resultados de forma precisa. Este módulo aborda los conceptos esenciales de variables cualitativas y cuantitativas, sus subtipos y la forma de representarlas gráficamente.

Variables cualitativas: nominales vs. ordinales

Las variables cualitativas describen atributos o categorías que no pueden medirse con una escala numérica directa. Dentro de este grupo existen dos subtipos principales:

• Variable nominal: las categorías son mutuamente excluyentes pero no guardan ningún orden lógico. Ejemplos típicos son el sexo (masculino/femenino), el tipo de sangre (A, B, AB, O) o la presencia/ausencia de una enfermedad.
• Variable ordinal: además de ser mutuamente excluyentes, las categorías presentan un orden jerárquico. Sin embargo, la distancia entre los niveles no está definida. Un ejemplo clásico es la clasificación de dolor en una escala de 0 (sin dolor) a 10 (dolor insoportable), o los estadios de cáncer (I‑IV).

La diferencia esencial entre ambas radica en que la variable ordinal permite establecer un orden entre categorías, mientras que la nominal solo indica equivalencia sin jerarquía. Esta distinción influye en los análisis estadísticos que pueden aplicarse: las variables ordinales pueden ser analizadas con pruebas que consideran el orden (por ejemplo, la prueba de tendencia de Cochran‑Armitage), mientras que las nominales requieren pruebas basadas en frecuencias (chi‑cuadrado).

Variables cuantitativas: continuas vs. discretas

Las variables cuantitativas expresan magnitudes numéricas y se dividen en dos grandes grupos:

• Variable discreta: solo puede tomar valores específicos, generalmente enteros, como el número de hijos, la cantidad de visitas al médico o el número de eventos adversos.
• Variable continua: puede asumir cualquier valor dentro de un intervalo real, sin saltos. Por ejemplo, la presión arterial, la glucosa plasmática o la creatinina sérica pueden medirse con precisión decimal y, teóricamente, con infinitas subdivisiones.

La característica que distingue a una variable cuantitativa continua de una discreta es que puede tomar cualquier valor dentro de un intervalo real, sin saltos. Esta propiedad permite utilizar técnicas de análisis que asumen una distribución continua, como la media aritmética, la desviación estándar o la regresión lineal.

Escalas de razón y ejemplos clínicos

Las escalas de medida se clasifican en nominal, ordinal, de intervalo y de razón. La escala de razón posee un cero absoluto, lo que indica la ausencia total de la magnitud medida. En medicina, ejemplos típicos incluyen:

• Temperatura en Kelvin: el cero Kelvin representa la ausencia total de energía térmica.
• Peso corporal en kilogramos: 0 kg indica ausencia de masa.
• Concentración de una sustancia en sangre (mg/dL): 0 mg/dL significa ausencia del analito.

En contraste, la temperatura en grados Celsius no es una escala de razón porque su cero (0 °C) es arbitrario y no representa ausencia de calor. Por lo tanto, la opción correcta que ilustra una escala de razón es Temperatura en Kelvin.

Representación gráfica: el histograma

El histograma es una herramienta esencial para visualizar la distribución de una variable cuantitativa continua. Cada barra del histograma representa un intervalo (o clase) y su altura indica la densidad de frecuencia del intervalo correspondiente. La densidad de frecuencia se calcula como la frecuencia absoluta dividida por la amplitud del intervalo, lo que permite comparar intervalos de diferente ancho.

Es importante no confundir la altura de la barra con la frecuencia absoluta total; la densidad de frecuencia refleja la concentración de observaciones por unidad de medida del eje horizontal.

Ejemplo práctico: tabla de frecuencias de creatinina

Consideremos una tabla de frecuencias de creatinina sérica (mg/dL) con los siguientes intervalos y frecuencias:

• 1,0 – 1,5 mg/dL: 30 observaciones
• 1,5 – 2,0 mg/dL: 20 observaciones
• 2,0 – 2,5 mg/dL: 10 observaciones
• 3,5 – 4,5 mg/dL: 5 observaciones

Al calcular la densidad de frecuencia (frecuencia / amplitud), el intervalo 1,0 – 1,5 mg/dL presenta la mayor densidad, indicando que la mayor concentración de pacientes se encuentra en ese rango.

Distribuciones simétricas y medidas de tendencia central

Cuando una variable tiene una distribución simétrica y unimodal, las tres medidas de tendencia central —media, mediana y moda— tienden a coincidir o a estar muy próximas entre sí. Esta coincidencia facilita la interpretación de los datos y permite usar cualquiera de estas medidas como representante del centro de la distribución. En distribuciones asimétricas, estas medidas divergen y cada una brinda información distinta sobre la forma de la distribución.

Frecuencia relativa: cálculo y utilidad

La frecuencia relativa de una categoría se obtiene dividiendo la frecuencia absoluta de esa categoría entre el total de observaciones. Este valor, expresado como fracción, decimal o porcentaje, permite comparar la importancia de cada categoría independientemente del tamaño de la muestra. Por ejemplo, si 25 de 100 pacientes presentan hipertensión, la frecuencia relativa es 0,25 (o 25 %).

Variables intervinientes en estudios epidemiológicos

En un estudio donde la variable independiente es "cantidad de contactos" y la dependiente es "probabilidad de infección", la variable "uso de mascarilla" actúa como una variable interviniente (también llamada variable moderadora). Esta variable modifica la relación entre la exposición (contactos) y el resultado (infección), alterando la magnitud del efecto. Reconocer variables intervinientes es crucial para ajustar los modelos estadísticos y evitar sesgos.

Resumen de conceptos clave

• Variables nominales: categorías sin orden.
• Variables ordinales: categorías con orden pero sin distancia definida.
• Variables discretas: valores contables, generalmente enteros.
• Variables continuas: pueden tomar cualquier valor dentro de un intervalo real.
• Escala de razón: posee cero absoluto (ej. Kelvin).
• Histograma: altura de barra = densidad de frecuencia.
• Distribución simétrica: media ≈ mediana ≈ moda.
• Frecuencia relativa = frecuencia absoluta / total de observaciones.
• Variable interviniente: modifica la relación entre variable independiente y dependiente.

Preguntas de autoevaluación

Para consolidar el aprendizaje, responde las siguientes preguntas y verifica tus respuestas al final del módulo.

1. ¿Cuál es la diferencia esencial entre una variable cualitativa ordinal y una nominal?
2. En una variable cuantitativa continua, ¿qué característica la distingue de una discreta?
3. Selecciona el ejemplo que representa una escala de razón con cero absoluto.
4. ¿Qué representa la altura de cada barra en un histograma?
5. En la tabla de frecuencias de creatinina, ¿qué intervalo tiene la mayor densidad de frecuencia?
6. Si una distribución es simétrica y unimodal, ¿cómo se relacionan media, mediana y moda?
7. ¿Cómo se calcula la frecuencia relativa de una categoría?
8. En un estudio de contactos y probabilidad de infección, ¿qué tipo de variable es "uso de mascarilla"?

Revisa tus respuestas comparándolas con la sección de respuestas al final del curso.

Respuestas correctas

• 1. La ordinal permite establecer un orden entre categorías, la nominal solo equivalencia.
• 2. Puede tomar cualquier valor dentro de un intervalo real, sin saltos.
• 3. Temperatura en Kelvin.
• 4. La densidad de frecuencia del intervalo correspondiente.
• 5. 1,0 – 1,5 mg/dL.
• 6. Los tres valores coinciden o son muy cercanos.
• 7. Dividir la frecuencia absoluta entre el total de observaciones.
• 8. Variable interviniente que modifica la relación entre independiente y dependiente.

Conclusión

Dominar la clasificación de variables y comprender sus propiedades es la base para cualquier análisis estadístico en medicina. Este conocimiento permite seleccionar pruebas adecuadas, interpretar resultados con rigor y diseñar estudios que minimicen sesgos. Continúa practicando con ejemplos reales y utiliza herramientas estadísticas para reforzar estos conceptos.