2-8.p-TIPOS DE VARIABLES
Resumen Rápido:
| Tipo de Dato | Ejemplo en tu texto | Gráfico Recomendado |
|---|---|---|
| Discreto | Número de ingresos por mes | Barras o Líneas (temporal) |
| Discreto | Proporción de complicaciones | Sectores (Pastel) o Barras |
| Continuo | Distribución de la presión arterial | Histograma |
| Continuo | Comparar glucemia entre grupos | Caja y Bigotes (Box Plot) |
| Continuo | Relación entre edad y función pulmonar | Dispersión (Scatter Plot) |
Los datos categóricos y los datos numéricos.
Como su nombre lo indica, este tipo de datos nos ayuda a clasificar o agrupar información. Por ejemplo, en un hospital o centro de salud, podrías querer analizar a los pacientes en función de su diagnóstico, siendo más específico, diabetes, hipertensión o asma.
Otro ejemplo sería evaluar el tipo de tratamiento recibido como quirúrgico, farmacológico o rehabilitación. Estos datos no tienen un valor numérico en sí mismo, sino que representan categorías o grupos (categóricos).
La correcta identificación de los datos categóricos te permitirá, por ejemplo, segmentar mejor a los pacientes, diseñar campañas de prevención más efectivas o personalizar tratamientos médicos.
Para visualizar datos categóricos, suelen ser muy útiles los gráficos de barras o gráficos de sectores (gráficos de pastel o anillo), que nos muestran claramente cómo se distribuyen las categorías, como la frecuencia de una enfermedad por grupo de edad o sexo.
DATOS NUMERICOS
A continuación, vamos a profundizar en los datos numéricos. Empecemos con los datos discretos.
Los datos discretos(sin decimal) son aquellos que pueden ser contados. Estos valores son enteros y no pueden tener decimales. Un ejemplo clásico en el ámbito sanitario es el número de veces que un paciente acude a consulta en un año, la cantidad de cigarrillos que una persona fuma al día o el número de brotes de una enfermedad infecciosa en una comunidad durante un mes determinado.
discretos(sin decimal)
Este tipo de datos es ideal para situaciones donde estás haciendo un conteo (discretos sin decimal), como el número de personas vacunadas durante una campaña específica, la cantidad de efectos adversos reportados tras la administración de un fármaco en un trimestre, o el número de pulsaciones por minuto (aunque se mida como entero, en realidad es un conteo de eventos en un intervalo de tiempo).
Son los que encontramos con mayor frecuencia en el análisis de datos clínicos y epidemiológicos avanzados.
Los datos continuos pueden tomar cualquier valor dentro de un rango, incluyendo cifras decimales extremadamente precisas. Un buen ejemplo sería la presión arterial de un paciente, que puede variar minuto a minuto durante una medición continua.
Aquí no podemos limitar los valores a enteros, ya que las mediciones clínicas pueden tener múltiples decimales dependiendo de la precisión del instrumento de medición.
Otro ejemplo sería el nivel de glucosa en sangre de un paciente diabético, que puede cambiar con precisión decimal a lo largo del día. Estos datos son muy útiles para analizar tendencias evolutivas de una enfermedad o para realizar modelos de regresión que predigan la progresión de una patología o la respuesta a un tratamiento.
Cuando visualices datos continuos en bioestadística, los gráficos de líneas (para series temporales) y los histogramas (para distribuciones) son tus mejores aliados, ya que te permiten ver la distribución y las tendencias de forma clara en poblaciones de pacientes.
Ahora entremos en el análisis comparativo entre datos discretos y continuos utilizando ejemplos relevantes en el ámbito sanitario y hospitalario.
Primero hablemos de los datos discretos(Enteros).
Como mencionamos antes, estos datos son contables y finitos, es decir, se pueden contar y siempre resultan en un número entero.
Por ejemplo, si estamos analizando el número de ingresos hospitalarios de un paciente en un año, este será siempre un valor entero. Podrían ser uno, o cinco, o quizás 20 ingresos.
Otro ejemplo típico sería el número de sesiones de quimioterapia recibidas por un paciente oncológico, o el número de fármacos prescritos en una consulta, ya que no podemos administrar una fracción de una sesión o de un medicamento completo.
Sin embargo, aquí surge una duda bastante válida: ¿Qué pasa con un número decimal exacto como 36.5 °C de temperatura corporal? ¿No debería considerarse también discreto ya que tiene un valor exacto?
Esta es una pregunta muy válida y vale la pena aclarar este punto.
Aunque un valor como 36.5 °C parece exacto, en realidad pertenece a la categoría de datos continuos. La razón es que los datos continuos pueden tomar cualquier valor dentro de un rango y permiten una precisión infinita después del punto decimal.
Aunque redondeamos —y esta es la palabra clave—, estamos redondeando para facilitar su uso en la práctica clínica. Por ejemplo, en termómetros digitales que muestran solo un decimal.
En su naturaleza, el valor puede tener más dígitos decimales si se mide con mayor precisión. Un termómetro más sensible podría registrar 36.5238 °C, pero nosotros redondeamos a 36.5 °C por razones prácticas.
Ejemplo clásico en bioestadística: estatura y peso
Cuando decimos que un paciente mide 1.75 metros, esa es una medición redondeada. En realidad, su estatura exacta podría ser 1.7545789 metros y un número infinito de decimales que estamos redondeando a 1.75 metros por conveniencia clínica.
Lo mismo ocurre con el peso corporal (75.3 kg), la concentración de colesterol (189.5 mg/dL) o el volumen espiratorio forzado en espirometrías (2.45 litros).
Tabla comparativa en contexto sanitario:
| Tipo de dato | Ejemplos en salud | Característica |
|---|---|---|
| Discretos | Número de hospitalizaciones, dosis de medicamento, hijos por paciente, días de ingreso | Números enteros (contables) |
| Continuos | Temperatura, peso, talla, presión arterial, glucosa, colesterol | Pueden tener decimales infinitos (medibles) |
Conclusión práctica en bioestadística:
discretos(sin decimal)
Los datos discretos nos ayudan a contar eventos clínicos (frecuencias)
Los datos continuos nos ayudan a medir variables fisiológicas con precisión
Ambos son fundamentales para el análisis estadístico en investigación clínica y la toma de decisiones basadas en evidencia
RESUMEN: Tipos de datos en bioestadística clínica
En resumen:
Los datos discretos son ideales para contar eventos clínicos concretos, como el número de pacientes que presentan una complicación postoperatoria, la cantidad de ingresos hospitalarios en un servicio durante un mes, o el número de dosis de medicamento administradas a un paciente.
Los datos continuos, en cambio, capturan variaciones precisas en las mediciones fisiológicas y nos permiten hacer análisis más detallados, como el seguimiento de la evolución de la presión arterial en pacientes hipertensos, la variación de la glucemia a lo largo del día, o la proyección de la función pulmonar en pacientes con EPOC.
Entender esta distinción es clave para seleccionar las herramientas estadísticas y visualizaciones correctas, optimizando así la precisión de tu análisis y la toma de decisiones clínicas basadas en evidencia.
Hemos cubierto bastante terreno en esta sesión y para resumir:
| Tipo de dato | Función principal | Ejemplos en salud |
|---|---|---|
| Datos categóricos (cualitativos) | Clasificar información en grupos | Sexo, grupo diagnóstico, fumador/no fumador, tipo de tratamiento |
| Datos discretos (cuantitativos contables) | Contar eventos | N° de hospitalizaciones, dosis administradas, días de ingreso |
| Datos continuos (cuantitativos medibles) | Medir variaciones precisas | Peso, talla, presión arterial, glucosa, colesterol |
Aplicación práctica en el entorno hospitalario:
Los datos categóricos te ayudan a segmentar poblaciones de pacientes para análisis comparativos
Los datos discretos te permiten cuantificar la carga asistencial y los recursos utilizados
Los datos continuos son esenciales para el monitoreo de la evolución clínica y la detección temprana de deterioro en los pacientes
Dominar esta clasificación te permitirá:
Diseñar mejores estudios de investigación clínica
Seleccionar las pruebas estadísticas adecuadas (t-student, Chi-cuadrado, ANOVA, etc.)
Interpretar correctamente los resultados de artículos científicos
Comunicar hallazgos de manera efectiva al equipo multidisciplinario
Contribuir a la medicina basada en evidencia y a la mejora continua de la calidad asistencial
Comentarios
Publicar un comentario