Limites de referencia: son aquellos valores de la distribución de referencia que excluyen, con una probabilidad determinada, una fracción de dicha distribución. Se establecen de la distribución y son descriptivos de los valores de referencia.

Los valores de referencia pueden ser categorizados según diferentes criterios, por ejemplo valores de referencia basados en población o valores de referencia basados en individuos los cuales pueden ser univariados o multivariados, tiempo especificados o tiempo no especificados. La mayoría de los valores de referencia publicados son valores de referencia basados en población, univariados y tiempo no especificados, es decir los especímenes son tomados de varios individuos de referencia sin tener en cuenta los ritmos biológicos y analizados para un tipo de magnitud.

Limite de decisión: límite en el cual y a partir del cual se puede concluir con una probabilidad de error α que una muestra no es conforme. (Error alfa (α): probabilidad de que la muestra analizada sea realmente conforme, aunque se haya obtenido una medición no conforme (probabilidad de cometer un falso positivo).)

Las técnicas estadísticas de estimación de parámetros, intervalos de confianza y prueba de hipótesis son, en conjunto, denominadas ESTADÍSTICA PARAMÉTRICA y son aplicadas básicamente a variables contínuas. Estas técnicas se basan en especificar una forma de distribución de la variable aleatoria y de los estadísticos derivados de los datos.

La estadística no paramétrica es una rama de la estadística que estudia las pruebas y modelos estadísticos cuya distribución subyacente no se ajusta a los llamados criterios paramétricos. Su distribución no puede ser definida a priori, pues son los datos observados los que la determinan. La utilización de estos métodos se hace recomendable cuando no se puede asumir que los datos se ajusten a una distribución conocida, cuando el nivel de medida empleado no sea, como mínimo, de intervalo.

Las principales pruebas no paramétricas son las siguientes:

Prueba χ² de Pearson

Prueba binomial

Prueba de Anderson-Darling

Prueba de Cochran

Prueba de Cohen kappa

Prueba de Fisher

Prueba de Friedman

Prueba de Kendall

La aproximación normal, la distribución de t de Student o la distribución F de Fisher en el análisis de varianza, bajo el supuesto de que la hipótesis nula es cierta. Dado que en esos métodos se estiman los parámetros de las poblaciones de origen, esas técnicas estadísticas reciben el nombre de “paramétricas”.

Hay situaciones en que, por el escaso número de observaciones, o por el nivel de medición de las variables, no es correcto o no es posible hacer supuestos sobre las distribuciones muestrales subyacentes. En tales casos se usan los métodos “no paramétricos” o de distribución libre.

Los métodos no paramétricos son la manera más directa de solucionar el problema de falta de normalidad. Estos métodos son muy simples de usar y están disponibles en SPSS. Pero tienen dos desventajas. Primero que tienen menos poder que las equivalentes soluciones paramétricas. También es importante distinguir que las pruebas de hipótesis no paramétricas NO contestan a la misma pregunta que las pruebas paramétricas. Por ejemplo si queremos hacer un test para docimar sobre el centro de la distribución, el test no paramétrico establece la hipótesis en términos de la mediana y el test paramétrico usa la media.

Normalidad

Son los valores de determinada medición en un grupo de individuos normales de una población definida. Se ajusta a una distribución teórica conocida como:

DISTRIBUCIÓN NORMAL O GAUSSIANA

La normalidad está basada en un concepto invariado o aislado con enfoque estadístico que se genera por una serie de valores de una sola variable:

•Peso

•Glucosa

•Tensión arterial

•Colesterol

Valores de una medición que entran dentro de un intervalo de Valores de una medición que entran dentro de un intervalo de valores ya conocidos.

Como afectan las diversas variables (relacionadas con el paciente, el equipo y método a utilizar) en la obtención de valores de referencia.