UNIVERSIDAD DE CHILE

ESCUELA DE SALUD PUBLICA

-
1
6
\
BIDESTADISTICA
para carreras del area de la salud
It
J N 0 J C E
1. La investigaci6n cientifica
2. Niveles de medici6rl
3. Errores de la informacion estadistica
4. Tab1as estadisticas
5. Graficos
6. Indicadores de salud
7. Medidas de resumen
8. La distribucion normal
9. Probabilidad
10. Distribucion binomial
11. Inferencia
12. Estimacion de la tasa del universo (P)
basada en la tasa muestral (p)
13. La prueba de significacion estadlstica
de diferencias entre tasas. EI metodo
general seguido en la prueba
14. Prueba X
2
(Ji cuadrado)
15. Introducct6n a la tecnica de ffil.)estreo
16. Regresion lineal
17. Correlacion
lB. 'rtiblal:;
Normal
Distribucion de student
Distribucion X
2
Pags.
1
7
10
14
21
32
42
52
56
63
71
76
81
91
98
104
113
i
I
I
!
I
!
i
I
I
I
I
I
I
I
!
I
.
I
,
,
I
I
!
I
I
i
I l
I
,
I
i
,
~ .
i
I
,
,
!
FE DE ERRATAS
PAGINA LINEA DICE DEBE DECIR
19 19 40:9 45.9
,/ ,.
,
. . -./
I
43 15
flxl+f 2xZ +fkxk flx.+f 2x2, +fkxk ~
52 40 0.973697.3'-'
0 . 9 9 7 6 9 9 . 7 ~ ",,/

54 25 -0.3085 0.3313
......
54 26 0.6915 0.6687
54 28 69:15% 66.87%
62 27 40 50
72 Desviaci 6n Error

7J 3 10.000 10.000
25"+-g-
~ 10.000 + 10.000
25 25
78 8. 24.5
IJ24.S
89 \I sin con
89 12 con s in
90 5 2. 29 2.08
93 24 (1-1804)
106 15
"fJ
y
/
x
' '" 5
,,/(x=5)
i
106 16 q Y/; = 5
<r /(x: 5) I
,
I II 20
Vi V I Yi Vi
I
11 2 2 0.009 0.0009
117 31 2 98
.
---_._. __ .. _-- --_ .. -- .. _.- - .. - -
LA INVESTIGACION CIENTIFICA
A) Necesi dad del canacimienla Cie nt i I ica
El hombre Qspire a captor el ordon que exists en el JIIundo de loa feno ...
menos para hacerlos inteligibles. dar una explicacion lucionol de ellos y
hacerlos manejables 0 previsibles uno vez que Canuee sus causas. En e1 cam-
po biologico. los hechoa 86 nos of recen a IIH:itUudo cOluple j uS y variables. in-
fluidos por CQlI;SaS multiples y unidos por relacione::;. algunos de
las cuales son esenciales y permanentes. en tanto que otros son fortuitas
y circunstaociales. Suponqawos poc ejewplo que entre las antecedentes de un
enferrno de difterio este e1 hecho de heber t en ida c ontucto con otro cqso de
difteria. y que 10 enfermedad se Inie16 un martes 13. Es tarea propio de 10
ciencia, adecuadamente los hechos. discernir qud elementos son I
constantes en elIas y determi nar las leyes que los rigen. es decir. sus re
w
lac iones constontes y universales. Es el metoda propio a 10 c iencio, el ME.
TODD CIENTlfICO. el que nos permite, en el ejewplo anterior. negar influen-
cia cil clio que 10 8upersticion supone malefico y afirlllar an cambia, que uno
de 100s factores que pueden determinar una difteri.a c lilli :0 es 10 exposicion
01 contagia.
B) EI Metoda Cientif ico
' Metoda Cien t if ico es un procedimiento que se apl Lea al cicIo completo
de una investigacion. desde el enunciodo del problema Lasta 10 evaluacion
de los resultados obtenidos. .
En forma esquematica. y con las limitaciones que ealo aupone. podemos
dlatinquir diver.os elapas en el metoda cientlfico.
I. Eleccion y Enunciado del problema
La eleccion de un problema con el fin de averiguor sus causas 0 de en.
contrarle Soluclones, dependera de los juicios de valor del investigador y
de las condiciones socioles. politicas y en las cuales se desa-
rrollo 10 ciencio.
Una vez elegido as necesario definir'con precision.el problema que se
vo a investigar para tener un marco de referencia en todas las etapas pos-
teriores. E1 enuncj.odo puede hacerse a traves de 10 descripcion de Ia 5i-
bUQcion problema 0 mediante e1 plant&amiento de una pregunta.
Un problema de interes podria ser por ejemp10 e1 de la cole1iti08i5
(calculos biliores). enfermedad q\le es frecuente en Chi,le, COnsume gran
con tidad ae recursos medic!os y ex pone a los que de ella sufren. a graves
riesgps para su salud. .
El probleDIQ a es tlldiar padric ser: se dl:!sconocen los factores causales
de 10 colelitiasi::; o. 5i se deseo .plantaar como pregunta: LCuales son los
factores causales de 10 co lelitiasis?
2: .forolulacion de una Hipotesis
La hipotesia && una expllcacion poaibh. dB 10 .i tUQQlon p-obltllUQ 0 una
reapufiJsta Rosibla a 10 prel)unto planteoda.
Sa formula en terminos afirmat i vos re1aciones entre varia.
61es pertinentes.
frente 01 problema que siivio de ejemp1o. una hipatesis podrio ser: un
foc ior causal de la coleli tias.is es e1 al to contenido en sales mineralt.:;s
del 19ua de bebida.
Esta afirmacion sera sometiQQ a prueba.
En Ia hip6teiOis se baaa en 01 conoci"miEluto cientifico uxiaten ...
en 10 experiencia previa del investigador 0 dn 1a observacion de hechos
re lacionados can e 1 problema:. Excepciono.lnlen te un inves ti9odor f ormulara
.. ,
.,
hipbtesis que no se basan en el conocimiento existente sino que son el re-
8ultado de una originalidad genial que puede hacer cambiar 91 curso de la
ci.encia.
3. Deduccion de consecuenclas verificables de la Hipotesis
Siendo 10 hipbtesis una explicacion 0 una respuesto general. muchas ve-
e no pOlibl. inve.tigar directament u veracidad. Sa procede en sstos
casos a deducir en forma logical consecuencias particulares de 10 hip6te-
sis.
De la hipatesis mas arriba enunciada puede deducirse par ejemplo que.
regiones con agua dura tendran mayor morbilidad por colel1tia815 que regio-
nes can agua blanda.
4. Verlflcaclon de 10 HlpotBsis
La verificacion puede hacerse. sabre todo en las ciencias exactas, me-
diante demoBtraciones teoricaa baaadaa an relacione. aceptadas en e1 8stado
actual del conocimiento.
En e1 campo biologico 10 verificacion se hace. a troves de recoleccion
de informacion 0 de observacion de los fenomenos. Esto implica 10 apiiaa-
cion de una serie de procedimientos estadistic os.
En e1 ejemplo de to colelitiasis 10 verificacion podria consistir en e1
anal isis del agua y la recoleccion de datos sabre frecuencio de cole11tio-
sis en diferentes regiones, estableciendo relaciones entre ambos variables.
5. Interpretacion de tos resul tadol
Con los datos obtenidos en 10 etopo anterior se decide s1 se ha de re-
chazar 0 no la hipatesis en estudio.
51 las consecuenc1as particulares de la h1p6tesis fueron deducidas 10-
gicamente y los hech05 no estan de acuerdo con 10 esperado, en principia
debemos rechazar la hipbtesis.
Si par ejemplo 10 frecuencia de colelitios15 es semejante en regione5
con agUG dura y aqua blanda, deberemos rechazar 10 hipotesis de 10 cuol se
dedujo 10 conaecuencia eatudiado. Debe tenerse culdado, sin embargo, de
conelderar en te co.c. que la dllrezlJ del agua podria no r 81 unico fac-
tor causal, siendo posible 10 existencia de otros factores que encubrieran
el verdadero efecto de las sales minerales del agua. 5i por ejemplo. los
que v1ven en sitios de agua dura. consumen menos grasa que los otr05 y 51
el de gresas fuera otro factor causal, un efecto real del agua
drla quedar contrarrestado par el efecto de la dieta que esta actuando en
sentido contrario.
Si los hechos se muestran de acuerdo con 1Q hipbtesis y sus consecuen-
cias, no rechazaremos 10 h1patesis.
Este actitud tambien esta expuesto a error. 5i 10 verdadera Causa de 10
colelitiasia radicara en el con sumo de grOSQ y en las regiones con agua du-
ra se consumieca mOs grasa, una mayoc f recuencio de coleli ticsis en e5as ce ..
giones se interpretor.a erroneamente como consecuencia del contenido mineral
del agua par ser esa la variable considerada de acuerdo a la hip6tesis.
Tanto e1 rechazo como e1 no rechazo de 10 hipotesis 11evan a 10 re1n1-
ciocion del cicIo de investigacion descrito mOs
S1 la hipote&is ha sido rechazada. el problema persists y habra que
guir investigondo esta 0 nuevQs hip6tesis.
Si 10 hipatesis "no se rechaz6 habra que seguir eportando mayores ev1-
denclas a su veracidad.
La vsrdad absoluta. le9uira siendo la meta final y desconocida del ma.
todo cientlfico. Los 10gr05 se reduciran a con5tru1r un cuerpo de conoei ..
mientos con estructura 10gica y soportes recionales que resista 1a verifi-
cacion empirica.
"La ciencia es una escuela de modestia. de valor intelectual y de
rancia: muestra que el pensamiento es un proceso. que no hoy un gran hombre
que no se hoya que no hay dogma que no se haya desmoronado ante
2
el embat
C. EI Me
Es u
tenc16n
El
c" aqual
d. d. j
. Sa c
1. F
Mie,
realizQc
ficacior
1. .1
,Debt
talladao
par qu",
que por
modificc
cucion f
. . Fon
or1gen (
canteatc
En
cias qUE
1.2
El I
se refe)
Asi
j uven tue
lena y
de ella
1.3
Con
todo e.
fio de 01
zacion (
1.4
La j
pos can
con divl
de estuc
posee. I
mien to (
Pare
en 10 V(
alec tor.
los expE
I .5
Tier
hles. Er
dis tin tc
podr fa I
ofros a
- ',,'- '1',-,'0;-" '. '''\''''.' d:;q .w, .... , "'U I' I ,.
.. ----------------- .--... -.---.
Ie son el re-
curso de 10
1. muchas ve ..
::ede en estos
Ie la hip6t.-
ejeruplo que.
is que reqio-
exoctas. me ...
el estado
e recoleccion
ca la aplica-
msistir en e1
de colelitia ..
laS variables.
Se ha de re-
dedueidas 10-
en pr inc ipi 0
e en regiones
de 10 cuol se
n embargo. de
e1 tioico fae-
1e encuhr ie ran
ejemplo, los
los ...... tros y si
1 d agua po-
:0 <ibtuondo en
us consecuen-
ra causa de 10
s con agua du-
is en esas ra ..
tenido mine ral
hipolesis.
an a 10 f81nl-
, habra que se ..
nocide del me-
["po de conoei-
Ita 10 verifi-
:ual y de tole-
un gran hombre
ante
el embate de lOB nuaVOM hi/ohos". (Emesto SObato en: Uno y al UniviJruo).
C. EI Metoda Estadlsl\co
E. un oonjunto d. p,oaedilniento. aplioadoa ouencia 10qico Q 1a ob ..
t8n010n y an611818 datos lnfluido8 por faotoras. , .
El metodo estadl.tlco proporeiona las teeniea. para 11avar a 10 praetl-
Co aquel1aa etapas del wetodo eientlfico que requieren reeoleccion y anoll-
.i. de informacion. .
. Sa divide en una et?pa de planificacion y una etapa de ejecucion.
I. Plani ficacion
Mientros mejor planeada este una investigacion. mas se facilitara au
realizocion. Es convenien.te consideror los siguientes aspectos en 10 plani ..
diseno de una investigacion.
1..1 Definicion de Db.jetivQs
. Debe ser el primer paso de tode investigacion. Conslste en senalor de
tallaclomente .10 que se prefende 'el que. CPUlO, d6nde. cuando. y
por qu',. Los objetivos podran ulodificarse en las etapiIs siguientes si se Ve
que por alguna circunstoncia no sera cumplirlo$.
modificacion debecl<;l hOl.:erse en 10 etopa de planificacion paca quE:' 10 eje ...
cucion se ,realice con objetivos definitivos. .
.. Formalmente 'pueden cor responder a "10 descripcion "del que do
origen 0 1'0 investigocion a a las preguntas que 10 investigacion pretende
contestar.
En los casas en que existe hipatesis', a 105 cansecuen-
cias que se han derivado de ella.
1.2 Definicion del Universo
E1 univer1to 0 poblaci6n del cual S8 ex'traenl 10 informaciQn . r a b eual
se referiran los resultados debe quedar cloramente definido. ... .;. . .
ASl par ejemplo si se deBeo describir e1 problema las 'dr'o<jas en .10
juventud chilena sera importante definir que se- entendera par juventud chi ...
lena y si no es posible abarear a toda 10 juventud. deli",i tar a que 'parte
de ella se refiere el estudio.
1.3 Diseno de la MUBstra
Con frecuencia es imposible. innecesario 0 poco practico el estudio de
todo el universo. En estas casas se estudiara una muestra que. 8i sa dise ...
fio de acuardo 0 cierto. principlos probobilisticos. permitiro 10 general!-
zacion 01 universo de origen de los resultados ella obtenidos.
1.4 Definicion del Grupo Control
La investigacion de hipotesis hace necesaria la comparacion entre gru-
pas con y sin 10 variable en estudio, a bien entre unidades de observacion
con diversos valores de esta variable. En el primer easo se 11amaro grupo
de estudio al que posee la variable t grupo control 0 testigo. al que no la
posee. El . grupo de estudio puede ser por ejemplo el que recibe un trota-
miento cuyo efeeto desao aver i9uac y gr.upo .control el qua no 10 recibli.
Para que 10 coulpol'oc16n aaa valida, ambos qrupo8 debieran diferir a610
en 10 val' iaLle bajo Un modo eficQz de -loqrarlo es 10 adjudicacion
aleato-f-ia del a las unidades .de observacion, posible solo en
los experimentos. . .
1.5 Definicicin de las Unidades de Dbservacion
Tiene importancia tener claro en que elementos se estudiaran las varia-
En una misma investlgacion coda obJetivo requerir efitudio de
diatintas unidades. As! por ejemplo en una investigacion sobre Inorbilidad
povdria habet aspectos que se rafleron a 10 familia. otros a 10 vivienda y
otros a 90da de lu familia.
3

---
1;6 Determinacion de la Informacion Necesaria
Con a1 fin de aimplificar laa etapaa de reoolecoion y anali.i. d.b. ha-
cerse una cuidadosa seleccion de 10 informacion a reeoger. Esta debe ser 10
minima suiiciente pora cumplir 108 objetivos. debe ser accesible y medible
con un error minimo.
1.7 Determinacion de la Fuente de Origen de la Informacion
Padro abstenersede registros como 10 son por ejemplo las
fichas clinicas de un hospital. e1 Registro Civil. etc. Son datos
te obtenibles pera tienen el defecto de no haber aida recogidoB, 10
d. la8 vee , para loa objetivoa d. 1a inve
at
igaci6n.
Entre las formas mas frecuentea de obtener informacion para determinado
estudio estan 10 entrevista para las encuestas, y 10 observocion y medicion
para los est udi os C110ic05 y de laboratorio .
I.B Fijacion de Unidades de Medida y Escalas de Clasificacion
Esta determinare 10 mane ra de registrar y tabular 10 informa-
cion.
Si por ejemplo en una investigacion 10 edad de los individuos solo re-
quiere ser conocida an au diatribucion en grandea grupes no habra nec8sidad
de registrar 10 edad exoqto sino que el grupo al que pertenece 10 persona.
Debe tenerse presente que una decision de este tipo hace que 10 informacion
detallada se pierda deCinitivamente en esta investigacion.
1.9 Elaboracion del Plan de Tabulacion y Analisis
Muchas veees se revisara 10 informacion que se estimo necesaria 01 co-
agregando 0 suprimiendo datos: en el momenta de c larifiear 10 forma
en que se presentara y analizara esta informacion.
1.10 Orianlzacion de la Invesligacion
Comprende todos los aspectos practicos. Habra que determinor 10 crono-
logia. estimando 10 duracion aproximada de diverses etapas de 10 ejecucion.
La eleccion del personal que debe intervenir y su adiestramiento sera
otro pUll t o importonte.
Deberen fijarse los pracedimientos de anelisis: manual. computaci6n con
equipo5 convencionales 0 e1ectronicos.
POT fin debere es tiworse e1 cos to de 10 investigocion por conceptos de
remuneraciones. obtencion de !nuestro. moteriales. usa de equipo, etc.
2. Ejecueion
Consiste en l1evar a 10 p-octica 10 que se planif ico. Pueden meneionor ...
se algunos subetopos:
2.1 Recoleecl6n de la Informacion
Debera hacerse siguiendo criterios e ins trucciones uniformes, sebre to-
do cuunclo hoy varias investigadores.
2.2 Haboracion de la Informacion
La informacion se revisora respecto Q su integridad yolo existencia
de erroces. Lue90 se las unidades de observacion de acuerdo a
las escalos elaborados previamente y se hara e1 recuento de unidades en ca-
do categoria. La presentacion tabular y graf ica facilitora 10 descripcion y
analisis.
E1 resumen de los datos mediante medidas adecuadas permitira 1a des-
cripci6n y comparacion de los grupos en estudio.
2.3 Analisis de los resullados
Cuondo un estu"dio es 'solo descr iptivo. esta etapa consiste en 10 pre ..
sentocion de los hechos encontrodos. Cuando existe uno hlpotesi s
t
s e evalua
e1 cumplimiento de los s upuestos teoricos a la luz de 1a inferencia esta-
distica.
Los resultados obtenidos nos 11evaran a rechazar 0 no. 10 hip6tesis en
estudio, co;
diseilo de Ie
D. lipos de
Un mismo
vestigacion
10 investig
dato 81 a
ble
A conti
usadas can f
I. Retro
Con res
informacion
averiqua he
cambia, va r
, Con res
retro.pecti
"efecto" y 1
sumiblemente
tiva la
sal y luego '
Ejemplo:
ce 10 aparic
caria a loa
rencio en &1

o muertos de.!
2. Trans\
La in'ves l
nado momen to
Pueden compa
chos respecU
Ejemplo: I
posible hace j
feren tes
respues to al i
lar el" desad
en intervalqs:
3. Deseri'
La .invest
10 explicat i v
Los
origen a una
tifico .
Ejemplo:
ve"s t igacion d
pulmon y el h,
4. Experi l
La invest
t igador mane j t
Las unidc
diferentes co
efectos que s
puede closi f j
- ---- ----
Liaia debe ha ..
:a debe ser la
.ble y .. edible
in
r ejemplo las
:::Ites Hi cilmen-
:>8. 10 mayoria
ra determinado
ion y medicion
acion
:u i nf armo-
iduos solo re-
abra necesidad
:::e 10 persona.
10 informacion
cesur io 01 co -
f iear 10 foclIIa
ioor 10 crono ..
10 e jecuc ion,
tromiento sera
'omputocion can
r conc,",pto. d"
po. etc.
,den"'- nJencionar
wes. sabre to ..
la exiHlencia
n de acue rdo a
midades en co-
'1 descripci6n y
nitira la des-
ste en la pre ..
!sis. se evalua
fsrencla esto ..
.0 hipotesis en
"'--' .... ---.... . .. . --.-.-.. -I
estudio, can de aceptadas, siempre que e1
diaono de 10 investigacion perwlta este analis1s.
D. Tipos de Investigaciones
Un mi8mo problema puede de distintas moneras. El tipo.de in-
vestigacion que se realiee dependera entre otras: cosas de: los obJetlvos de
10 investigaci6n. 10 existencia da hipotesis. 10 fuente de origen de los
datos. e1 orden en que se recoge la informacion y e1 manejo de las varia-
bles.
A continuQcion se muestran algunos elasificaciones de investigaciones
usadas can frecuencia en medicina.
I. Relrospectiva y ProspeCli 'va
Con respecto a 10 relacion entre tiempo de ocurrencia y registro de 10
informacion se define a 10 investigocion retrospectiva como aquella que
averigua hechos en el pasado. 10 investigacion prospective. en
cambia, va registranda 10 informacion a medida que se vo produciendo.
, Con respecta a 10 relocion entre causa y efecta. en 10 inves tigacion
retrospectiva, las unidades de observacion se clasifican segun 10 variable
"efecto" y luego se averigua 10 existencia a intensidad de la variable pre-
sumiblemente causal en las diferentes closes. En 10 investigaciori prospec-
tivo 10 primera clasificacion se hace segun la variable que se supone cau-
sal y luego se va registrando La ocurrencia 0 del efecta.
Ejemplo: frente a 10 hip6tesis de que e1 consumo de ciga,rillo8 favore-
C8 la aparicion de cancer pulmonClr 10 illvestigacion retrospectivQ clasifi ..
caria a los individu05 en cancerosos y sanos y averiguaria 5i existe
en e1 habito de Iumor entre los dos grupos. En ' una investigacion
prospectivo se observoria si en un grupo de fumadores aparecen mas enfermos
o muertos de concer pulmonar que en un grupo de po fuwodores.
2. Transversal y longitudinal
La invesligacion transversal estudia las diversas variables en de termi-
nado momento, 10 longitudinal estudia"las variables a traves del tiempo.
compararse a una fotografia instantanea y a una pvlicu1a de loa he_
choti reapectivamente.
Ejemplo: Para determinar el crecimiento ponderal de niiios normales es
posible un estudio transversal en que se pesan ninos normoles de di-
{erentes edades. El promedi o de peso de los ninos de sucesivas edodes da
respuesta 01 problema. El estudio longitudinal del problema implica contro-
lor e1" desar.rollo, ponderal de un grupo de a partir de su nacimiento
en tiempo determinados.
3. Descripliva y Explicaliva
La inveatigacic5n descriptiva tiene CODIO objetivo mostrar una situaci6n.
Ie explicativa. pretende averiguar 10 veracidad de una hipOteHis.
Los resullados obtenidos en una investigacion descriptiva pueden dar
or1gen a una hipotesis y cUlup1ir aSl con 10 primera etapa del wetodo " cien ..
tifico.
" Ejemplo: El estudio del crecimiento pandera1 del nino sano es una in-
vestigacian descriptiva. en cambia. averiguar 10 relacion entre cancer de
pulman y e1 h6.bito de fumar es una investigacion explicativa.
4. Experimental y no Experimental
La investiqacion exper imen tal tiene como caracteristica que el inves-
tigador maneja 10 variable i ndependiente.
Las unidades experimentales son en forma aleatoria a las
diferentes categorias del factor presumiblemente causal. estudiandose los
efectos que se producen. En las investigaciones no experimenta1es solo se
puede clasificar el material de estudio en diferentes categorias de los
5

!
!'
I !
t I
I
I .
f actor.ss causa y efecto, estudiando la relacion e;,tre amb,?s. "
LQs conclusiones de estudio8 experimsntales blen disenados son mas va-
lidas que las conclusione. que se obtengan de buenos estudios no experimen-
tales. El experimento es e1 mejor camino para acercarse cientificamente a
la verdad en la investigacion de relaciones causales porque permite conocer
la probabilidad del error que pueda cometerae en laa concluaione.,
EJemplo: Para a.tudiar al electo de la dieta sobre el desarrollo inte-
lectual puede hacerae un con ratones. 51 se dispone de dos die
taa. una completa y otra carenciudo. podrla UBorae el siguiente procedi-
miento aleatorio (a1 azar) para determiner cuaies animales recibiran una y
otro die.la: se tomon tontcs fich.:Js como animales haya en e1 experimentp, 10
mited de color rojo. simbolizondo 10 dieta completa y 10 otro mited azul,
simbolizando 10 dieta carenciada. Frente a cada raton se saca a ciegas una
ficha cuyo color indicara .10 dieto que se Ie suministrara.- Se espero que e1
hayd repartido todd. caraoter.ticaa de loa animal en forma'e.
quitativa entre los dos grupos, de modo que sean fundamentalmente seme,an-
tes. diferenciandose solawente en 10 dieta. Se estudiara luego e1 desarro-
llo intelectual a traves de pruebas de aprendizaje u otros procedimientos
en ambos grupoa para ver 8i existen diferenciaa entre e110a.
Un estudio no exper{mental del mismo tema consistiria en estudiar par
ejemplo 10 capacidad intelectual de nincs que hayan sido calificados Icomo
desnutridos en comparaci6n con la capacidad intelectual de ninos bien nu-
tridos. Si 10 desnutricion estuviera ligada a mal cuidado de 10 madre por
un bajo desarrollo de ella, va a ser diffeil aeparar e1 factor
hereditario del factor nutricional y 8i bien se pueden hacer comparaciones
entre bien y mal nutridos en diferentes subgrupos de la poblacion
gada, estas subdivisiones estaran sujetas a1 criterio del investigador y .
nunea estdrem08 seguros q4e no se Ie ha escapado e1 verdcdero fac.tor causbl
en la clQsificacion que ha hecho. De esta manero. los
mentales. los unicos posibles muchas veces por razones eticas. 5.010 pueden
indicarnos posibles relaciones entre las variables.
Las distintas clasificaciones no son mutuamente excluyentes e in(:lu8o
10 pertenencia a una categoria puede determinar que una investigacion debq.
ser necesariamente de determinado grupo en las atras clasificaciones. Es
aSI por ejemplo que e1 experimento sera prospectivo. longitudinal y expli-
cativo en cambio la investigacion no experimental puede ser de cualquier
tipo en las oteos
6
l
Para des(
cia a laa pre
sarBe en eBC(
El nive l
siguientes f,
cos en 10 me.
10 medicion 1
Una vez I
piedad. las,
dl feren te. G(
Consider
posible. sat
f undamen t ar 1
Es c alos
Escal a Horni II<
Las dife
que se les O!
Son e jewf
te de las de :
e1 estado ch
No existe
denomiento e:
dades del us,
La den om.
En el ejempl,
f e rmedades il
p1azada por I
se Ie puede (
al de tUmoree
Estos nut
mane ra de ref
bolo numer icc
Escala Drdin,
Esta esc(
, permi te indi<
1 dos. Canstitt:
cion de un fe
Son ejelllf
110 de un pa.
La caliL
categorias dE
o mOs atr ibut
fleje jerarq'
uno a una
." ,,,., .. , , .. .. ,.,.,
s son mas va- '
no experimen-
tHl.ca ... nt. a
-rmi te conocer
nes.
arrollo inte-
," de doe die-
ente procedi ..
cibinm una y
:perimentl" 10
a lliitad azul.
I a ciegas una
espera que a1
s en forma " e-
lente seme1an-
10 e 'esarro-
Ifoce .... Lmientos
l'estudiar par
.ificados leoma
linos bien nu-
l 10 madre por
lrar 81 factor
comparaciones
lcion investi-
nvestigador y .
factor causlll
ios ho. ..
s, s,olo
1 taa e inblu.o
tiqQcion a.b'l.
; icacionea. E.
:linal y expli-
. de cualquier
NIVELES DE MEDICION
Para describir un objeto, lin indiviuuo U otro entidad, hacemos referen ..
cia a las propiedades 0 ati'ibutoH que posee. Estos atriuutos pueden expre-
sarse en escalos de diferente nivel de medicion. (.)
El nivel de medicion puede depender entre atros, de uno a mas de los
siguientes factores: naturaleza del atributo, avances cientificos y teeni-
cos en la medicion del utributo, disponibilidad de recursos para efectuar
la medicion y precision requerida en 10 medicion .
Una vez que se ha elegido al nivel de medicion para el atributo 0 pro-
pi.dad. loa entidades 0 unidaJew de obat:lrvac ion puedt:u ser asignados a las
diferentes categorios de las escCllas correspondientes.
COllsiderarewos e1 siguiE:tllte que sin ::Jer el unico
posible. sat is face nuestras naces ldades de conceptuuliL0ci6n b6sica para
funciamentar diferentes tecnicas en la presentacion y e1 01101isi5 de datos:
Escalus
Escala Nominal
{
Nominal
Ordinal
intt::(valos
r Discontinua 0 discrete
L Can tinua
Las diferentes cotegorias de la es ca la se distinguen por el "nombre"
que se les asigna.
Son ejewplos de datos clasificables en esta escala, las causas de muer-
te de las defunciones. 10 circunsc ripcion en que oeurren los nacimi e ntos,
el estado civil de Ius personas.
No exists jararqula entre las di ferentea closes de esta eacola y 8U or-
denamiento as acbltrario, dependiendo de las preferencios 0 ue laB necBsl-
dadea del usuario de 10 informacion.
La denominacion de cada clase se pu'ede haeer con una palabra 0 f rase.
En el ejemplo de las causas de muecte los grupos' podrian denominarse: en-
fermedades infec;ciosas, tumores, etc. Esta palabra a frase puede ser reem-
plazada par un. s.lmbolo cualesquiera 0 par un codigo numerica. Por ejemplo
se le puede asign(ll- 0
1
grupo de enfermedades infecciosas el codigo 0::0-136,
al de tuwores 140-239, etc .
EatoH llUllI"rO, no tlenen un IIIlgnlfioado cuantitative, sino que son una
manera de reemplazar un simbolo verbal, como 10 es 10 pa1abra, par un sim-
bolo numerieo.
Escala Ordinal
Esto escolu Ileva iwpllci to Ju de jerurquizac i6n 0 de "'orden" que
permite indicur la posicion relativa de los distintos elementos clasifica-
. daB. Constituye de eata manera una stopa de hacia 10 cuantifica-
" cion de un f en6meno
Son ejewplos de datos clasificables en esta escala e1 grado de desarro-
llo de un pais, 10 gravedud de una enfermedad, la intensidad de un dolor.
La calificacion de una entidad con al fin de asignarla a alguna de las
categorias de estas a.calos, puede ser a1 resultado de la evaluacion de uno
a mas atributos. En ultimo coso deban resumirse en un indice que re-
fleje jerarquio. Este procedimiento es wuy usado en ciencias sociales, en
,.J M_dJcJ6n os 01 proceso d. odmeros 0 en correspond.ncla d.
uno a uno a objctos U observQciones. (Sidney Siegel.)
7
i
r
pBlcologia y tambi.en Uene utilidad en olinica. Sa puede definir par eJam-
plo la gravedad d,. una tubbrculosis puJ.monar, par la extension de la lesion
en la placa radio lrafido. e 1 examen bacteriologico de 10 "expectoracion y el
estado general deJ paciente. Si en cada una de estas variables asumimos 10
existencia de t r e. lrodos: I, 2, Y 3, que a au vez constituyen categorias
de eacala de tipo o. Unai. un paciente podrii quedar catalogado, por suma de
estos grados en una el:)Cu.1fl entre 3 y 9 siempre que se suponga 10 equivalen-
cia de 10 importancia de estas variables .
. Se debe entender olaramente que en muchoB caeoa d calae ordinal en
que a las dife rent es categorias se Ie asignan valores numericos. estos slm.
bolos no gazen de todas las propiedades de los numeros. As! un grado 3 no
liens el significado de ser tres veces e1 grado lode estar a igual dis-
tancia del grado 2 que este del grado 1. S610 se exige que se cumpla una
relac ion de orden en que por ejemplo 1 as menos que 2 y 3 e s mas que 2.
Escalas de Inlervalos
Las eaaalos de sa caracterizan porque lOB numeroB asignadoe
a las di feren t es categor ias tienen un s ignif icado c uan t i tati vo claro. r es-
pec to 0 10 dist anc ia que existe entre dos observaci ones dife r en tes. As! por
ejemplo. 10 difere ncio en t re una per s ona que mide 1,65 m y otra que mide
1.67 m es igual a 10 que existe entre una persona que mide 1,72 my otra
que mide 1.74 m. En ambos casas el intervalo entre las mediciones es de
0,02 m.
Para nuestras necesiclacles de deser ipcion y on01i8is de datoe. noa basta
dlatlnguir en loa cala. d. intervalo. 10. que .on diseontinuaa 0 diacre-
tas de las que s on continuos.
Escala Oisconlinua 0 Oiscrela
Esta escola se refiere a datos que resulton del recuento de elementos
pertenecientes a 10 unidad de observaci on. Asi por e jemplo e l numero de ca-
mas de los hospitales. e1 numero de hijos vivos de las mujeres, etc.
La escolo tiene explicito 10 relacion de orden entre sus diferentes ca-
tegorios. Asi par ejelDplo una mujer con tr hijoa tiene tr vec me. hie
joa que la que tiene 1.
5e llama escala discre ta 0 discontinua porque sus diferentes categorias
son los numeros naturales inc luyendo al O.
Escala Conlinua
Corresponde a datos que son e1 resultado de mediciones, como por ejem.
pIc al peso. 10 longi lud .I n teulperatura. etc.
Su curac.:l e r l Bt.i t.: u t!s 1u posiuilidud de exist el lc iu de infinitos valores
intermedios entre una divi s ion de 10 escolo de medida y 10 proxima. La rea-
triccioll para 10 coutinuidad perfecta en 1a practica depende de 10 preci.
sion del instruruento de medida, y de las necesidades del usuario. Asi por
ejemplo el peso de un nino recien nacido se expresanl a 10 mas con e1 deta.
lIe de unidades de 10 gramos. aunque entre un peso de 2.950 y 2.960 grs.
hay iufinitos pesos posibles.
Por las limitaciones del instrumento de medicion. las es calos continuos
en 10 practica aparecen como discretos. sin en su presentacion y
analisis prevo Ieee e1 criteria de su continuidad t eorica.
Relacion enlre Escalas de Di fereille Hive I de Medicion
Se puede observar que el orden en que se han presentado las diferentes
escalas, refleja grados de complejidad y de prec ision dentro de la natura_
laza del fenomeno rnedido .
8
.... . ...
E. podb
cala ordinal
de longitud ,
ord.i.nal 8i a
duos, se les
altos.
El paso c
cuente. Un ej
la continua,
bien simple
del. color de
El proce
clasH icados
de mayor pre,
Por ill ti
maclon que a
no es netes
i 80 . En gener
de una ampl
categorla, c
deben consi
cuan tif icaci
capacidad de
La vent
vidad que se
major compar
Vos que" la
fit!acion d
1-----------------.. -._ .. _ .. -.... ...... .. -..... --........ . .
inir por ejem-
m de 10 les ion
Ie t oracion y 81
bS aaumimoa let
yen categorias
10. por suma de
1 10 equivo!en-
IS ordinales en
; 05. estQs srm-
un grada 3 no
I Q igual dis-
se cUUlpla una
u.os que 2.
le ros asignados
.vo ..::; laro, res-
(en tea. As! par
otra que mide
1.72 m y otra
jiciones es de
ltos, nos basta
Lnuos a discre-
:0 de elementos
1 nuwero de ca
es, etc.
diferentes ca-
s veces ruas hi ...
ntes categorias
COIlIO por ..
f ioi tos valoJ"es
roximo. La res ...
itt de 10 preci ...
war io. Asi par
as can e1 deta-
.0 y 2.960 9rs.
co las can t Inuas
presentacion y
las diferentes
ode 10 notura-
I
Es posible que de una escala de intervalos continua. se boje a una es ...
cola ordinal. Par ejemplo, 10 estotura que por 10 naturoleza de 10 medlda
de longitud corresponde a una escala continua, puede expresarse en escola
ordinal 51 01 poner en orden Qscendente de eatatura, a un grupo de indivi-
duos, se les colifica par alguna division arbitraria en bajos. medianos y
01 tos.
El paso de una escala de 1ntervalos a una escala nomina.l as menos fre-
cuente. Un ejemplo podr..i.a ser el de 105 pueden expresarse en esca ..
la continua. \lsanpo 10 longitud de onda de luces de distintos colores. a
bien simplemente en una Bacola nominal que describa 10 percepcion visual
del. color de un objeto.
El prOC8S0 inverso no as posible y una yez que los datos han quedado
c1aaificado8 en una eacola de, menor precision, no es posible pasar a una
de mayor
Por ultimo debe reflexionarse sobre e1 hecho que la cantidad de infor-
macion que aporta coda nivel de meqicion las unidades de observacion
no es equivalente a 10 precision que se obtiene en cada ca-
so . En general 10 asignacion a una categoria en una escala nominal requiere
de una amplia definicion de los atrihutos que tienen los objetos en coda
categoria, como puede suceder por ejewplo con un diagnostico c1inico en que
I deb"en conaiderarae multiples elementos. A medida que se progreso en 10
cuantificocion. 10 atencion. se restringe Q mencs elementos medidos con mas
capacidad de diacriminacion.
La ventaja de 10 cuantificocion reside mds que noda en la mayor objeti.
vidad que se lagro a traves de estas 10 que a su vez permite una
mejor comparacion de diferentes unidades de observacion. Es par estos moti.
vos que la aspiracion de toda disciplina cientifica es lle90r a la cuanti-
ficacion de las variables que utiliza.
9

t
/I"
1
' I
, .
) ,
I


ERRORES DE LA INFORMACION ESTADISTICA
"El eatadiatico ha dejado de ser un alquimista del cual 8e eapera que
praduzca oro a porti ,. de cualquier matuial .in valor. E. ma. bien un qu!-
mica capaz de detenlinar exactamente cuanto contiene de valioso. y capaz
tamhien de extraer esa cantidad y no mas
En estas circunstancias seria absurdo alabar a un estadistico porque
sus resultados son precisos 0 reprobarlo porque no 10 son. 5i es competente
en Sll afieio, e1 valor de los resultados depende exclusivamente del valor
del material que se Ie ha entregado. Contiene esa cantidad de informacion
y no mas. Su unica tarea es praducir 10 que contiene". m.A. fisher.)
E.ta. palabra. del mg. iwportante tadiatico de nU8atroa tiempol tie-
nen interes sabre tode para aquallos que. sin pretender llegor a ser aspe.
claliatoY. estucllau algunos principios boslcoB de 8stadistica 0 recurren a1
estadistico para resolver problemas de interpretacion de datos.
Una informacion de buena calidad deheria ser EXACTA. en otras palabras.
deberia reflejar 10 verdad. Sin embargo en el campo de las ciencias aplica-
dos. 10 eXQctitud s e ve amenazada por multiples factores q ue van desde e1
diseno de 10 investiqacion hasta e1 regis tr o de los datos.
Llamaremos ERROR It 10 diferencia entre 10 roedida asignada a un objeto y
su valor verdadero. I.us posiblea cau.as asi como 108 mediae para reducir 0
evitar los errores Han faciles de imaginar. Sin embargo 10 frecuencia con
que a pesoe de eso jllGurrimos en elIas. hace aconsejable discutirlos breve-
mente.
En el marco del ',e/odo cientifico el proceso de OBTENCION DE INFORMA-
C ION consiste en ql" de acuerdo a un plan preestablecido. un observador
fija su atencion. ell una propiedad del objeto 0 unidad de observacion y la
mide pOI media de ins trumentos.
El PLAN preeatablecido para 10 observacion sera parte 10
cion de 10 investigac ion. Comprende al enunciado de las definiciones q uti-
lizar. 10 especificac ion de las condiciones en que se horn 10 observoci on y
10 descr ipcion de 1(J 5 proced imien tos de medicion.
Llaruareruos OBsr l ll'ADOH a toda persona que intervi e ne en e1 proces'o de
obtericion de intormcu:.: ion desde 10 inapeccion. interrogacion. examsn 0 medi-
cion del objeto hasta el registro del dat.o.
El OBJETO es todo 10 que puede ser mat,eria de conocimienlo 0 sensibJli ..
dad de parte del observador. Defin:iremos a 1" UNIDAD DE OBSERVACrON como 10
menor division del maleri.al er. ' esludio ,sometido ci observacion. ' .
El INSTRUNCNTO e s e1 media utilizado para realizt?r 10 observacion. po-
drCi ser uno de 1m' . Jallos de los sentidos del observador. un aparato 'cmo":
lizador. una pipt: LU
6
UHfI regIa. etc. Cuont o mayor seQ el pader
tOI'"io del l(llito JIlaS PRe e ISA sel,'j 10 observacion. .
A excepcion de ., Igul)as roedid.as que tan de 10 oparacion de contar,
98 iwposib1e en 10 conoear' 1a verdad ccerce de un objeto. La, pre.
sencia de ecrOT sol e sc deteota 0 travesde las INCONSISTNCIAS DE CLASIf'I ..
CAcrON. as decir, CII ' ldo, se cxljudicc ' una m'isma unidacl de' a di-
fecentes categ::J cl.(" U t\U cscala de clasificucion, cuando. esta adjudic.a ...
cion se realiza ell . . i.'.; de una oportunidad. .
Inter,taremos Junas clasificaciones de errores que Son arbitrarias y
no son las unicas . ibles pero servirQR para definir un lenguafe comun y
pura sistematizar l .. 5.
la obaervacion c
La rALTA DE
i e.calas nominal
gene ral a un COl
vez deben quada
enCermos por die
de examenes se
deCinir que se
cuando los Cac t
ficil en casos
ordinal si se d
Cuan to mas exha
datos obtenidos
menor Importanc
ain embargo en
dudas. como por
vo de orina, se
colonia. En las
definida como s
La HTROG
MINTOS DE MEDI
ra de las eaeal
A.l por aJe
as examinado co
la calificacio
flulda por el c
de 1a ropa que
cacion respecto
dicion -se: vera 1
. Qbserval
Los ,errorea
y habj,lidades. I
tre observadore
jeto :"0 examen-
teB oportunidad
i'caciones I
lac1on qUe aseg
l unida
Las diferenl
de"
previsihles.
que haca camhic
v iduo puede val
respuestas a
les. etc. La v9
de evi pel
d'ltermina[ au
nes sucesi vas, I
de error. I
Del
ERRORES ORIGI NADU ,
Las in cons'
euen tes. mclxime
EN ELEMENTOS DEL PROCESO DE 08TENCION DE INfORMACION nos de 108s8nl
En la plani ' <1n
Lo planificac i l,r .. . :8f iciente puede causar errares por falta de
ciones precisCls Y FOI' I ": ' )" ogeneidad en las condic:iones e n qut:: se
10
en eacalQ nomir
i servadar. y en
defini- Los instru
r e alize pueden tener d
I
---_._----- - -------,
leA
se espera que
:18 bien un qUl-
1110110. Y capaz
ldis tieD porque
i es comrtente
Den te de valor
de informacion
Fisher . )
as tiempos tie ..
gar n ser espe-
;0 c. ;curren 01
:05.
otros palabras.
:iencias aplica-
lJe van desde e1
lu a un objeto y
i para reduci r 0
frecuencia con
;cutirl os breve-
ION Df INfORMA
, un observador
y 10
le 10 planif ica.
inicionea q uti-
la observacion y
'r! e 1 proces'o de
exarnen 0 medi ..
la obaervacion 0 de 108 procedimientos de
La fALTA DE DEflNIeIONES afecta sobre todo a las variables medidaa en
,acalas nominal y ordinal. en que coda categoria de la escala representa en
general a un conjunto de propiedades de 10 unldad de observaclon que a ell
I vez deb.n quedar definidas. As! Ear 01 clasificar a un grupo de
80arm08 por diagnoatico. debe deflnirsil que sl.ntomcs. sign08 y
de examenes se consideraran proples de cad a enferwedad. Adamas se debara
definir que se entendera par determinado sintama 0 signa. Esto facil
cuando los factores son pocos y precisos, pera puede ser di-
flcil en oa808 oomplejo Una aituacion similar se observa en una eacala
I ordinal si se deseo clasificar enfermos segun 10 grovedad de un sintowa.
! Cuanto mas exhaustivas sean las definiciones tanto mas pr ecisos seran los
I datos obtenidos. En las escalas de" intervalos diseretas 10 de finic ion tiene
, lienor ilDpor taneia por tratarse de dot as que son e 1 resul t ado dE;! reeuen tos.
sin embargo en situaeione s en que los elewentos eontados pueden prestarse a
dudas. como par e)emplo en e1 recuento de colonias microbianas en un c ulti ..
vo de orina. sera necesario definir los criterios de 10 que se de nominara
colonia. En las escalas continuos en general la.unidad de medida esta bien
definida como sucede al medir longitud. peso. etc.
La HETEROGNIDAD EN LAS CONDICIONES DE OBSRVACION Y EN LOS PROCEDI.
UNTOS DE MEDICION puede influir en 10 exactitud .de los datos en cualquie.
ra de las escalas de clasificacion.
Asi por ejemplo. una ictericia puede posar desapercibida 51 el paciente
e. examinado con luz artificial y detectarse al examinarlo con luz natural.
1a calificacion de una persona a traves de unG entrevista puede verse in-
fluida por el cansancio del entrevistador. el peso de un individuo depende
de ia ropa que lleva pue.ta. Todo e.fuerzo que se haga durante la planiC;.
cacion re.pacto a e.pecificar las condiciones en que debe realizarse la me-
dicion vera recompensado par la obtencion de datos mas exactos.
Del qbservador
errores debidos 01 OBSflVADOH estan relacionados can sus destrezas
y ... CO" .14 experienala y con .u QQi>cloaidad. La YAR1ABlI.!DAD en.
tre observOdores 0 del mismo observador se detecta a1 someter 01 mismo ob ..
jeto:o examen por varios observadores 0 par e1 wismo observador en diferen.
tes oportunidades respectivamente.Si se encuentran discrepancies entre las
nto _, sensibili.!
como 10 r
6n.
calificaciones habra que adiestrar 01 observador hasta conseguir una nive-
laciorr asegure limites tolerables de variacion.
unidad de observaci6n .
Laa diferentes variables que Ber objeto de medicion en 10 unidad
de" ob rvaclon t6n .uJetaa a varlaclon ... qua no Blempren Bon t!vltab1ea 0
previsibles. Asi por ejemplo . en un enfermo puede aperecer un nuevo sintoma
que hace cambiar el primitivo. 10 presion arterial de un indi-
viduo pllede variar par diferentes motivos en e1 tronscurso del dio, las
respuestas a un de inteligencia pueden depender de factores emociona
les, etc. La 4e 10 unided de observacion practicamente no pue-
de pero debe tenerse presente al analizar los dat os can el fin de
au mognitud. cuando parezca necasario. a traves de observacio ..
nee 8uceaivaa. en que Be aaegure 10 estabilidad de otros posibles (aetoces
d. error i
oUti6rvao16u. pc.
un oparata
oder
uc..:ion ,Je contar.
I objdo . La. pre i
Df
bservac ion a di ...
8Hta aciJudica- I
on y.\
lengue j"e cornun y
Del inslrumenlo
Las inconsistencias causadas par e1 instrumento de medicion son fre-
cuentes. maxime si ine1uimos en la denominacion de instrumentos a los orga-
IN DE INFORMACION ! nos de 165 sentidos del obsarvador. Estos influyen sobre todo en los datos
en nominal u ordinal. en que la varia de uno 0 otro ob.
servador. y en e1 miswo observador en distintas circunstancias . .
talta de ddfinl- Loti Inatrumentos de mddlda tales como pipetas. reglos. balunzus. etc.
n se realizQ \ pueden tener defectos en au CALIBRACIOH que tieJ?en como consecuencia una
I
11
I
I
;


I
j
/'
i
t
,
,
inconsistencia en la determinacion de la variable cuando es medida con dos
instrumentos diferenles. Hay lnstrumentos muy sensibles que se descalibran
facilmente ante vario.;ioiles de las condiciones atmosfericas y que deben ca-
librarse periodicnmente para evitar inconsistencias en las mediciones con
e1 mismo instrumento.
'Errores Sistematicos y Aleatorios
Loa errores analizndos mQs arriba pueden ser todos clasificados en do.
categorias: sistematicos y aleatorios.
Se habla de ERROR SISTEMATICO cuando cada.valor de una serie de abaer-
vaciones tiene unc::J desviacion en una direccion. ya sea en terminos de
cuencia 0 que todos los valores osten aUDlentodoa 0 di&minuidos, con re8pec.
to a su valor verdaue.-o.
Este tipa de error ocurre ell todas las esca1as. En 1a esca1a NOUINAL se
manifieste a "tt"Uvell de una may.or fz'ecuencia de clasificacion de las unida ..
dea en determinudo rubro. ABi por ejemplo S6 ho visto en 10 revision de
cousas de muerte no certif icadas prj! medico que hay una ocepeticion de de-
tarminada causa 'de wuert"e en algunos circunscripciones. de los
diagnosticos preferenciales '1"e hace e1 oheia1 de Registro Civil a base de
la descripcion de la causa de rouer te hecha por los tes tigos. En la escala
OIWINAL as posible que en ausencia de def iniciones precisQs para distintos
grados de intensidad hay a d.ifelencia sistematica entre 108 observadorea
para calificar 1a intensidud de un sintoma. En 1a 'esea1a de INTE/lVALOS DIS-
CRETA al recuento de colonias roicrobianns par ejemp10 puede tener variacion
sistematica entre Ull ohsel"vador y otro 01 mirar las mismas placas. poi- dis-
tinta apreciucion de 10 que es una colonia. En l.?s esca1as c0ftrINuAs en que
interviene un instrumento de lUedicion, 10 defectuosa colibrocion de ona ba ..
lanza a de una pipeto produce errores , sistem6:ticos en un sentido con re's_
peeto a instrumentos con otra colibracion.
Las CAUSAS de 105 errores sistematieos son en resumen 10 falta de defi-
niciones precisas. 10 uiversidad de criterios 0 10 mala calibracion de in8-
trumentos. Oependen ell consecuencia del ob.ervador 0 del instrumento y ra ..
raments de la unidad de observacion.
Para REDUCIRLOS a evitarlos deberoJl unificarse las definiciones y cali ..
brarse correctomente los .instrumentos. Si 5e descubre el defecto de coli-
bracion y se Ie puede asignar \Iii valor. es posible corregirlos sumando 0
restanda una cantidad fija a coda observacion segun el senticlo en que haya
actuodo 10 "mala calibracion.
Los ERROHS ALATORTOS se deben a mu ltiples faetares
f
"generalmente no
identif ieados y que producen ven locion en was 0 menos respecto a1 verdadero
valor. Se pssqujson sobre todo en datos en escola de intervalos en que para
.uceaivos lecturos 0 medlcioneft de I!n OJiSUlO objeto 8& obaerva una disper_
sion de los valores Se esludioll de preferencia en medidos en escalo con ..
tinua.
Son de errores la dispersion que se encuentra cuando di.
observadores miden una miRlna recta 0 cuando un mismo observador
repi te la medicion de
Practicamente no lilly "medias ef icaces par-a ev itor los. Se podr-ou reducir
haciendo mediciones cl1i.)adoso::;. La mclS frccuente es que sa describa su mag ..
nitud a traves de JlI()("ieloB teodcos de 10 conducta del error. que permlten
obtener un valor centnd" porn 10 medicion y una magnitud para 10 dispel'
ion.
EQuivocaciones
Usaremos esta denominaclo11 para errores que se pa:oducen par la inco ..
rrecto aplicacion un p" (X dlllliento 0 de una !lorma.
12
.... _ ...... --... --.-----
Son
co, aaignacion
Por defini'
par falta de ac
operacionea rut
La manara d
racione. raali:
persona, ya que
; coolon. i
Loa p-oced.l
investigacion i
ser las
!
; medida can das
se descalibran
y que deben ca
medici ones con
;ificados en dos
aerie de obaer-
:enninos de f !'e-
jos. can respec-
3CO., JOMINAL se
,n de las unido-
10 revision de
peticion de de
)endiendo de los
Civil a base de
-s. En 1a escala
i para distintos
os observadores
INTEjlVALOS DIS.
tener variaci6n
Jlacas, por dis-
:UNT1NUAS en que
lelon de ona ba-
entido can re"s-
I
Son de equivocacion los errores de reeuento, ealeulo aritmeti.
co, aBignacion de c6digoB, regiatro de datos, etc.
Par definicion se deben a1 OBSERVADOR y genera1mente son oeasionados
I por falta d. aouoiolidad en 81 trabajo 0 par oan.ancia en la repeticion d.
r operacionea rutlnarloa.
La manara de evitar equivocaciones es la REVIS'ION cuidadosa de las ope-
raciones realizadas ya aea por e1 miemo ohservador 0 mejor por otra
l ya que ea poco probable que dos personas cometan la misma
F caClon.
: Los procedimientos de revision eston contemplados en todo huen plan de
, investigacion y deberon ser tWlto mas completos cuanto mas graves pueden
,jer las consecuencias de la equi vocacion .
) falta de defi.
ibracion de ins-
Istrumento y ra- ';
;
liciones y cali- 'j
ef, ) de "dali. f,
ir 1 __ 8UlIlan 0 0 "r
: ida en que haya
I
generalmente no
,to 01 verdadero
)los en que poro
rva una disper-
:m escala can.
:tntra cuando di-
ismo observador
, pod ran reducir
1escriba su mag.
r. que perm! ten
para 1a disper.
en pOl' 10 inco-
r
13
,
I
f
r
TABLAS ESTAOISTICAS
tancla qu
; Cuando un t :
tabla 1. tabla :
numero compi
Las tablas
nidos en algun
Las etopes
estadlsticQS sirven para presentar lOB datos rtumericos
estudio. ',en forlOa ordenada.
abte.jabre .1 a a1 pJ
principales en la construccion de una tabla Bon:
3) AsiKnar las
1 )
2)
3)
4)
Definir los propositos de 10 tabla
Colocar un titulo a 1a tabla
Asignar las escaIas de clasificacion a filas y columnas
Colocar los datos numericoB obtenidos del material en estudio
torlos con porcentajes 8i es necesario.
Cuando hay I
colocara 1a esccl
clas1 f icacion pc:
y comple-
I) Definir los proposilos de la labia
SegUn los propOsitos distinguimos tab las de DISTRIBUCION D FRCUNCIAS
en que e1 material se c,lasifico seguo un solo criterio y tablas de ASOCIA ..
CION en que se deseo mostrar 10 relacion entre dos 0 mas variables en los
unidade8 de observacion.
La definicion de los propositos ayuda a determinar los CRITRIOS DE
CLASIFICACION a usar en' las tobIas y el SNTIDO en que deben analizarse los ' Cuanda hay
datos. NUMERO D GRUPO
Si e1 proposito es por ejemplo wostrar las edades de un grupo de enfer.
a
un dgrdupo de
'1 1 ' t ' d I ' f' , , I ddt' grave a
mos 80 0 emp earemos un erlO e c aSl lcaCI0n. a ea. y cons rUlremos
una tabla de distribuci6n de frecuencias.
Si e1 proposito es. en cambio, wostrar 10 reiacion que existe entre 1a
edad y 1a gravedad de la enfermedad haremos una tabla de asociacion can dos
criteria. de c1aaificacion. 1a .dad y la gravedad.
La manera mas practica para de f illir 108 proposi tOB de una tabla es a
troves de 10 formulacion de 10 0 las preguntas que se intenta contes ter con
la tabla. Es asi como en el primer ejemplo se podria preguntar: icua1 es 1.
distribucion par edad de los enfermos? yen el segundo: ihay relacion en-
tre 1a edad de los enfen.os y su gravedad?
2) Colocar el titulo
Las tobIas deben tener un titulo complete que especifique:
QUE se presenta. Par e jemplo: en fennos. operados. diagnosticos. etc. Cuando ha (
COltlO se clasifican lus unidQdea de observacion. POI" ejemplc: en fermos segull:lentes y 10 if
grtupos de edades. operac iones segun resultados. diagnostico segun gravedad'1a c.olumna d: :
e c. ' 1 d
'. _ . , eJemp 0, eBeamc
DOND fueron reg>strados los , datos. Par eJemplo: Departamen to de ,CHugl<'enfetmedad en
del HospItal A . AsIS hmCIQ PublIca de Santlago. etc. CUANVO se reglstrar0ll;:onsecuencia.
los datos: 1972. de 1940 a 1970. etc.
Hay algunos CAs as SPECIALES en que no es necesario cenirse
mente a estos datos en e l titul o 0 en que deben agregarse otros e l ementos:
Los -TITULOS CON MENOS DATOS se podron coiocar cuando en una misma lnvesti
gocion se presentan vorins tobias que se han originado t odas en e l mis mo
luqcar y en e1 misJUo tiampo. l::.tO& dolos opaCttCerall en e1 lex to del trabajo
y no sera necesar io r epa t iT los en coda tabla.
Entre los elementos agregodos tenemos las NOTA S AL PIE que debe ran co.
locarse por ejemplo cuande el origen de los datos es otr o estudio cuya
ferencia debe quedar anotado. Como las referencias en general son largos y
Ie restar1.an claridad '01 titulo se puede colocar alIi un signe y coloool
frente a1 mismo signo en el pie de la pagina. la referencia comple ta. La t bl
b
" l' l ' ddb f ,saas{
len se co cearan notas a pIe euan 0 e e explicarse 10 orma de d 1 t
d
'1" dId P , 1 S ' , . es e ec un
o e ana e as atos. or eJemp 0: e excluyo en e1 analisis 10 cate'ac' S '
'd 'd E l' b' d ' .ones. on u
gor1a: esconocl. os. n genera sera 0 Jeto e una nota al pie Tal
14
I
i
llrcunBtancia que requiera una aclaracion.
Cuando un trabajo contiene vdrias tablas conV1ene colocarle. NUMEROS,
.tabla 1. tabla 2. etc. Eato faollita la referencia a la tabla en el texto.

numaro complementa al titulo. Y Be coloca independiente de al. ya Bea

b
obra .a 0 al pi" d .. la tabla. .
num'rico. 0 te-
1
3
) Aslinar las escalas de clasi Ilcacion a Ii las y columnas
ion:
Cuando hay solo crite ria de clasificacion de las observaciones se
colocara la eBcala de claaifioacion en la primera columna. En al ejemplo de
!Clasihcacion por edad:
. 3tudio y compIe- I
N rRECUENCIAS
l
1
]blas de ASOCIA-
TU[ iables en las :
i
Edades
0
-
4
5
-
9
10 -14
.
N! de Observ.
10
14
25
.
as CRITERI OS DE , Cuando hay MAS DE UN criterio se preferira colocar la escala con MAYOR
n anallzarse lOB NUMERO DE GRUPOS en la primera columna. Al clasificar por edad y gravedad
IQ un grupo de enfermos Bon m4s loa grupoB de edaQ que las categorias de
grupo de enfer -, d d
. IjIrave a
y conatrulrsm08 .
existe entre 10\
ociacion con dos ;
. i
una tabla es OJ
.to contes tar con
Itar: icua1 es 10:
huy relacion en .. 1
,
i
jue "'. j
Edades
0
-
4
5
-
9
10 -14
Gravedad
Leve Graye
13 20
11 18
14 23
.
. .
;os. etc. .' Cuando hay dos escalas de clasificacion y una se refiere a losantece-
): en!ermos segundentes y la otra a las consecuencias,preferimos eolocar los antecedentes en
) segun gravedad' la columna de 10 y 10 con&ecuencia en 10 fila superior . 5i por
ej_mp1o, d Qmo 1a reloolon entre trotgmiento y d nlac. d. una
lua nto de .Clrug{J!'oferlDedad en que e1 tratalliento es el antecedente y e1 resultado es 10
)0 se reglstfafonpoosecuencia. 10 tabla se haria en 10
enirse estricta .. j
otros elementos: :
.0 Dlisma inves ti .. ;
odos en e 1 mismo.
:exto del trabajO
I
: que debe ran CO
estudio euya fe.1
!rol son largos V:
Tratamientos
A
B
Total
Resultado
Vivo Muerto
signQ y colocar;
_CI completa. Las tabias de mas de dos criterios de clasificacion present an dificul-
obtencionfades de lectura y debieran evitarse como tablas de presentacion en publi-
10 Son iltiles como tablas de referencia para colocarlas en anexos
,1 p,e trabgjo. TambieD airVVD como tabla. d. trabajo para r umir tedo. 10.
I 15
!

i
I
t
I
I
!
r
!
,
. \
I
datos y peder extraer de elIas tab las mas sencil1as.
4) Colocacion de los datos numericos
4. Datos numor
Se es tudio un
'0 hay un orden pI
e frecuencia a e:
ugar. Para mayor
Una vez que setienen claros 108 propositos de la tabla. se ha eoloeaG
e1 titulo y aa han aaiqnado las escalas de claaificacion a las filas y 1a
columnaR es util disponer de una columna 0 fila 0 de amhQ8 con los totale
marginales que se obtienen por suma horizontal 0 vertical de los valores d
los casilleros.
Diagnostieo efi
Se caleularan PORCENTA]ES y se coloearan al lado de los val ores absolu
tos respectivos can dos objetivos: Destacar la fRECUENCfA de un heeho en u
total 0 COMPARAH la ocurrencia de un mismo hecho en dos 0 mas grupos. E
mos focil entender que 83,4% del total de enfermos mejorb que decir mejora
ron 176 de 211 enfermos.
DIAGNOS
Resultado de Tratam. A y B
Tratam. Total Mejorados
,
A 83 72
B 128 104
Total 211 176
Resultado de Tratam. A y B
,
Tratam. Total Mejorado

%
A 83 72 86 ,
B 128 104 81:
Total 211 176
83,:
Ulcera duoden
Cirrosis hep6:
Ulcera gastri
Gastritis era
Esofagitis er
Yeyunitis hem
No preeisado
Tot a 1
ablas de Asoclac
No usaremos porcentajes cuando el numero de casas es muy reducido. S
par ejemplo se somete a tratamiento a 5 enferroos coda uno de ellos N 1
senta un del total . . Si en este coso heblamos de exito en el de 10
casas deremos una falsa impresion de estabilided de nuestra informacion 1 I. Proposito
que no refleja 10 realldad de nuestro experiencia. . Mostrar el sf
Podriamos fijar arbitrariamente 10 cantidad de 20 como limite entre nuermos de angina
mero recluciclo en que no calculamos porcentajes y numero grande en que 51 1 TItulo
calculamos. Indica QUE se
Para el CALCULO DE.PORCENTA]ES se divide el numero de obs. del efeeto de I
cuya freeuencio se requiere destacar par el total del cual proviene y lueq 10 droga pero s
5e I1ultiplica por 1m. En nuestro ejemplo 10 mejoria con tratamiento A &studiado el grup
obtuvo en 72 de los 83 tratados.
3. Eseal as de
72 : 83 = 0,867
Distribucion de
Ejemplo N.!! 1
0,867 x 100 = 86, 7l Hay dos eritel
Ejemp10s de Tablas Ilacebo y
lCdinal que deter,
In orden crecien tl
Segun 10 regl
Jumero de
iucion del dolor.
;arece menos cIa
I. PropOsllo
Mostrar la distribucion de
hemorragia digestivQ alta.
2. Titulo
frecuencia de diagnostlco 'enfermos CQ,a primara
4. Datos nume
S1 bien en e ...
Indica QUE se p{egunta: enfermos con hemorragia digestiva alta; COMO que no hace
clasifican: segun diagnostico; DONDE fueron estudiados: en el servicio omparac ion. :
CUANDO fueron estudiados: ana 1972. El sentido en
3. Escalas de clasi licacion
Hay un aolo crlterio d" claslflcaclon:
colocoremos en 10 primera columna
,1 propOs ito de 1
!ejoran. siguen i
el diagnostlco, por 10 tanto Jaran. por 10 tan
:acion se har 1a I
' . ''' -' " ... .. ....... __ .. _. _--.
4. Datos numericos
Se estudio un total de 350 enfermos. Por tratarse de una escala nominal
hay un orden preestablecido de las categorias y se colocaran par orden
f
a frecuencia a excepcion del rubra fino precisado" que se deja en ultimo
ugar. Para mayor claridad se calcularan porcentajes sabre a1 total.
Q. se he colocad
a las filas y la Tabla N2 1
is con los tatale
de los val ores d(l
Diagnostico en enfermos con Hemorrogia Digestiva alta Servicio X
b
i Ano 1972
)5 vaIore's a solut
de un hecho en Ul
, E'
DIAGNOSTICO o mas grupos. t
que decir mejorat
, 1'1
..
un.AyB
Ulcera duodenal
Cirrosis hepatica
--
Ulcera gastrica
)tal Mejarado
Gastritis erosiva
N2 %
Esofagitis erosiva
Yeyunitis hemorragica
83 72 86.
No precisado
lZ8 104 81.
Tat a 1
211 176 83.
tablas de Asociacion
. lOuy reducido. S.
) en a1 806 de 10: " .
ENFERMOS
N2 %
180 51.5
60 17.1
42 12.0
21 6.0
16 4,6
11 3,1
20 5.7
350 lm,O
,ra iufarDlQcion 1; I. Proposl to
,a de ellos reprel jempla N 2 1
Mcstrar e1 efeota de das tratamienlos en 10 evolucion del dolor en en-
o limite entre nU,ermos de angina de pecha.
ronde en que sl 1) 2. T i lui 0 .
Indica QUE se presenta: enfermo de angina de pecha: COMO se clasifican:
de obs. del efecto de la draga X y de un placebo (sustancia similar en apariencia
1 proviene y luegp 10 droga perc sin contener su principia activo) sobre e1 dolor; DONDE fue
t lmiento A .ststudiado e1 grupo de enfermos Y CUANDO se estudio.
J 3.Escalasda claslflcaclon
100 = 86 Hay dos criterios de clasificacion: tratamiento,que puede ser droga X a
. , placebo y evolucion del dolor que se clasH ica en t'res tipos en una escala
prdinal que determina 10 secuencia en que se anotaron las categorias ya sea
pn orden creciente 0 decreciente del efecto.
! Segun 10 regIa anteriormente mencionada. de eclocae 10 escola con mayor
?umero de categorias en 10 primera columna. deberiamos colocar alIi 10 evo-
del dolor. (Tabla 2). sin esta forma de presentar los datos
i
'arece menos clara que si seguimos el criteria de calocar t!l antecedante en
:0 Etn c 0 primera columna y 10 consecuencio en 10 primara fila (Tabla 3).
, 4. Datos numericos
I Si bien en este caso los dos grupos son de igua1 tamano: 35 pacientes,
tiva alta; COMO 4
0
que nO,hace indispensable el calculo de porcentajes, estos facilitan la
en e1 servicio x;omparaclon.
: El sentido en que deben calcularse los porcentajes esta especificodo en
Jl proposito de 10 tabla: deseomos saber la frecuencia can que los enfermos
ej9ran. siguen igual 0 empeoran de su dolor en cadQ tralamiento. Se calcu_
o. por 10 tanto loran, par 10 tanto. sabre a1 total de cada grupo de tratodos. La interpre-
acion se haria muy engorrosa s1 los porcentajes se calcularan en e1 otro
17
I
f
I
!,
. . - ,
alntido. puea noa dirion cuantoa de 101 snferm08 que mejoran. aiguen
o Imptoran han lido tratadoa can drogo 0 can placebo.
Tabla 2
Efacto. de dror;a X y d.e placebo Bobre .1 dolor en enfarmo8
can angina d. pecho. Servicio X, anb Y
-
Tratamiento
3. Esoalas de
Son tre8: pel
iguo
m
hombres intere
,edente maa gene.
,riteri08 8e calc
que 8S
consecuencia q
I 4. Datos
Para cada x
i t C on a 0 muer e.
Lo uno de estos ,
(Tabla N g 5) ae d
Efecto
Droga X
Placebo . Total
N2 %

%
.
MeJo'ran 23 6.5.7 15 42,S

,
S.i,guen igual 10 28,6 16 45,7
Empeoran 2 5,7 4 11,4
T a ta 1 35 100,0 35 100,0
Tabla N!! 3
Efecto de droga X y de placebo Bobre e1 do lot en
con angina de pecha, Servicio X, ano Y
Efecto
Mejoran Siguen igua 1 Empeoran
Tratamiento

DrogCl X 23
Placebo 15
T a t a 1 38
Eje .. pio N2 2
to
%
65,7
42,9
54,3

%

%
10 28,6 2 5,7
16 45,7 4 11,4
26 37,1 6 8,6
N!!

38 54.
26 37,
6

70 100
enfer-mos
Total
Nl!
35 10
35 10
70 10
MostrJr si la mortalidad de prematuro. depende del peso 01 nacer y d,
sexo.
2. Tftulo
'Especifica tada la informacion que se presenta en 10 tabla.
18
r
Mortal
Ve
Peso a1 naCE
1001
-
1500
150l
-
2000
2001
-
2500
T a t a 1
Mort
aev,
Peso 01
I
nocer
1001 - 1500
1501 - 2CXXl
2001 - 2500
Tot CI 1
... ........ .... .. .. .... .... "" .... "".., ....
"'" .. ... ,
I
i
i oran, 8 iguen
n enfermos
{
.. , .. --.. .. -.. -
I
[
f 3, Escalas de clasiflcacion
. Son tres. paso, sax a y morta1idad. Debido a qua tanto an mujeres como
19ual
en
hombres in teresa 10 mortalidad en relocion 01 peso, e1 peso es e1 ante.
maa general y 10 colocaremos en 10 prim&ra columna. Los atros dos
sa colocaran arriba comenzando par a1 segundo en 1m-
'\Portancia que es el sexo y colocando dabojo e1 criteria que corresponds a
,Ie con8aouenoia que e. la mortalidad.
, 4, Datos numaricos
1 Para cada sexo y en coda grupo de peso e1 desen1ace puede ser sobrevi-
0 muerte Con e1 fin de no recargar 10 tabla sera preferible co10cur so .
-
10 uno de estes datos (Tabla N2 4). Se va que 01 hacer la tabla completa
(Tabla N R 5) as dificulta el anali.i .
Total
N.9.

Tabla
-
, Mor talidad de prematuros con trastornos respiratorios
38
541
severos segun peso 01 nacer y sexo Servicio A, 19 ..
26
. !
37"
6 sJ
M u j e res H 0 ill b res
Muertos Muertos
70 100.'
Pes 0 a1 nace r
Total N2 % Total
N2
%
.o' r 'l
I
1001
-
1500 37 17
40,9 .
28 13 46,4
1501
-
2000 25 5 20,0 38 13 34,2
i
i
2001
-
2500 20 5 25,0 42 8 19,0
III enfermos
t
-
y
,
I
T 0 t a 1 82 27 32,9 108 34 31,5
_I
Total
-
Yo
-
N2
Tabla 5
7
35

Mortalidad de prematuros con trastornos respiratorios
severos segun peso 01 nacer y sexo Servicio A. 19 ..
4 35
lOf
I
70

M u j ere 8 11 0 m b r e
6
--
Peso al Vivos Muertos Total Vivos Muertos Total
nacer N2
%
N2
%
N2
%
N2
%
N2
% N2 %

1001 1500 20 54 17 46 37 100 15 54 13 46 28 100
pello Ql nacer y
1501 2= 20
OC)
5 20 25 100 25 66 la a4 as 100
I 2001
- 2500
15 75 5 25 20 100 34 81 8 19 42 100
,
a tabla,
Tot a 1 55 67 27 33 82 100 74 68 34 32 108 1m
19
,
Caso Especial
Cuando una misrna unidad de observacion puede presentar mas de un atr!'
buto de 10 e,cala de clasificacion. se present a 81 problema de que la SUg
total de casos no \ :orresponde a1 numero de unidades de observacion. Est
sucede por ejemplc, a1 haeer una distribucion de frecuencia de slntomas
de complicaciones lie una enfermedad, en que cada po"ciente puede preasnta
mas de un sintorna 0 comp1icacion.En estos casas debera especificarse en e
El grafico e,
titulo que se estan clasificando slntomas y oelarar con una nota a1 pie efin de obt r
d
. 'h 1 bl ene un
proce lmlento que se usc para acer a ta C.' facilite BU rapid
Tabla N!! 6
frecuencia de sintomas suhjetivos en 126 enfermds
con cuadros neur6ticos y neurovegetativos funcie-
Cosulstica X ano Y
Cas
S.lntomos
N
..
Tension 96
Angustia 78
Insomnia 70
Folta de memoria 61
Nerviosismo 52
Astenia 53
Hipocondr {a 47
Depresion 47
Cefalea 38
Inhibicion del contacto social 15
.
(*) % sobre el total de enfermos.
o s
%
76 .2
61.9
55,6
48,4
41.3
42,1
37,3
37.3
30.2
1l.9
i Los objetivol
de f recuee
yestigadas en las
Requisitos genel,
1. Pebe ser sene
No debe tener
ila vista ni meno:
'sentada: titulos.
2.. Debe presen to
I
Se evi toran d
(*) .
:
. Ejemplo: Ba;
vista
,
I
,
;
i
,
TASA
200
150
100
50
o
Y I 81
La SUD:lQ numero de casos es 557 y 9orresponde en realidod 01 numef
de' sintomas quehubo. El tl tula es:peqifica claramente 'Cj,ue se trata" de slm
tomas en 126enfermos. Ademas se hace referencia a troves de 10 11amada (I
frente 01 porcentaj" a la nota aclGlratoria al pie de 1a tabla
En este caso no se coloca total bajo las columnas:
2 3 4
20
En la compar
de un matiz sobrE
ique entre negro'
fpareceran menos j
i Ej emplo: Los
fal Bo
!
.
lr rna. d. un atri
.ma de que la au
observacion, Est
lcia de slntomas
:e puede presenta!
GRAFICOS
specificarse 6
1
E1 grafico as 10 representacion de datos numericos en e1 plano con e1
lno nota 01 ple elfin de abtener una impresion visual de conjunto material presentado que
foci lite su fopida comprension. '.
, Los objetivos de 10 mayoria de los graficos son representor distribu-
ciones de frecuencias 0 mostrar 10 asociacion entre dos 0 mas variables in-
V8stigadas en las unidades de observacion.
ermos
nei'
Requisitos generales de un grafico
,1. Debe ser 8enci110 y autoexplicativo.
i
la
No debe tener mas elementos que los que puedan'captarse comodamente con
. vista ni menos que los que permiten 10 identificacion del material pre-
_______ --c:-\sentado: titulos, escalas numericas y leyendas,
2 .. Debe presentar fielmente los hechos.
a 50S
Se evitaran distorsiones por escalas exageradas.
% (.) Ejamp1o: Baja da un indica en e1 lapso de 10 anos desde dos puntos de

76,2
61,9
55,6
48,4
41,3
42,1
37,3
37,3
30,2
11,9
VISION DEL SENOR A VISION DEL SENOR B
rASA
200
190
160
170
realidad 01 numerl
e se trato' de sin!
de 10 llamada ('1<
abla,
1 BO.'C
0
2 3
4 5 6 7 6 9 10
ANO
I
,
En 10 comparaoion de grupoa debe evitarae e1 predolDinio de un color 0
Ide un maliz sabre otro. Es preferible e1 contraste entre distintos roy ados
que entre negro y blanco ya que en e1 61 timo caso las secciones blancos 0-
!pareceran menos importantes.
i Ejemplo: Los hombres parecen menos importantes en al grafico A que en
el B.
21
.. ,
,
"
j.
I
(ree,
GRAFICO "A"
DISTRIBUCION POR SEX OS
DE ENFERMEOADES C Y D
c o
Pif) IIUJERES o HOMBRES
Ire ' .
GRAFICO "S"
DISTRIBUCION POR SEXOS
DE ENFERMEDADES C Y 0
c o
IIUJERES HOMBRES
'. Grat i cos de Oi
Barras simplel
Se usa para p
Bcales nominal. (
Coda categor i.e
lie a el numero (
os barras es cant
elas de. in tervcil,
prras hneales,
. El orden de 1
uencia mas logic
recuencia de sin
aoion por Erecutt :
umera de hijos d.
e las barras s eg
Coda barra del
enta. Si los t .
ransversoles si
:0' colococ16n de I
110 dificulta la
t08 p . nUUle rOB sob
e ellas. .
I borras pu
jiindolas de negro
\referencia para
luhlicaciones yo
En los graficos de barras los rayados se haran de preferencia color debe ser
porque las rayes horizontaies a verticales distorsionan e1 ancha y e1 largo .Jemplos:
de 10 barra.
3. Debe sac agradabla a 10 vista.
Se reeomienda en 10 posible 10 proporcion de 1:1.5 entre 10 longitud de
los ejas que cor responde aproximaclomente a lo seecien aurea.
Para categorias de una miama variable ft!"presentadas por barras se usara
un solo color 0 un solo tipo de rayado ya que la profusiQn de colores 0 ra-
yodas fuera de resultar antiestetica quita claridad a la presentacion.
El grafico debe ser limpio. de trazos netos. titulos escritos con .tetra
caligrafiea 0 a maquina y 1eyendas ubicadas en lugares apropiados.
[tapas en la construcci6n.de un grificD
1. Definicion de objetivos.
Se debe especificar que se deBeo moatrar. para que, a quienea y donde.
2. Eleeeion del tipo de griifico.
Depende de las escalas de clasificaeion de los datos y de los objetivos
del grai leo.
3. Construccion propiamente tal. 1-
Decision sobre tamano. y proporciones. Adaptacion de las eReolas Q aa-
tus proporciones. Inscri'pcion de puntos y dibujo del grafico. Colocacion
de Titulos a1 grafico y a sus elementos. que especifiquen claramente 10 que
se esta presentando.
Tipos de erilicos
La mayoria de los groficos utilizaclas con fines de presentacion de
tos estadisticos se bas an en un sistema de ejes perpendiculares orientados
ell los que se inscr iben las esealas de clasificacion a las f recuencias.
22
.
,
I
SIIHOIUS
IIIETEORISIIIO
INSOMNIO
DOlOR
AmNIA
111.1&10S
eEfALEAI
""USEAS
PAlPITACIOH[ S
PIAOSIS
__ __ _'___. __ . ...... _ .. .......... -... -.. --.--.. ..... -- ...... -.. _._.- --- :-...., .,, - ... .. '" ......
. , ..if" . s.; . it ,
ICO "S"
r------
,
Graficos de Sarras
Barras simples
Sa usa para presenluf 10 disll'ibucion de fl"eCllencius dto! variables en
Bcalos nominal. ordinal y de in tervalos discoll tinuo.
IN POR SEXOS
JADES C y 0
t Cada categoria se r epresenta por una barra cuyo largo indica 10 frecuen-
\
iO a el numero de cases pertenecientes a eso categoria. E1 cncha de
as barras es constanta 01 igual que los espacios e"ntre las barras. En es-
o
KOMaRES
erencia ohlicuos
anello y el largo
e 1a longi tud de

harras se usara
de colores a ra-
"esen tacion.
.eri ' <; con letra
)pic.. ..i.
quienes y donde.
de los objetivos
las escalas a es-
:lCO . Colocacion
:::JarCUDEto te 10 que
.
alas de interyalos discretas con muchas categorias., es frecuente el USa de
arras lineales-. .
I E1 orden de las borras puede estor dado por su longi tud a par 10 se-
uencia mas logico de las categorias. As.1. por ejemplo al r e presentor la
recuencia de sintomas de una enfermedod podria 5tH mas adecuada UDa orde-
OClon por frecuencia, en cambia. s1 se desea representor LJ frecuencia de
pmero de hijos de los mujeres de una poblac ion. sera mej or una ordenac1on
e las barras segun .es te nume fa,
Coda barro deLe tener un litulo que especifique 10 categorio que repre-
ente. 5i los titul os son largos conviene hacer el graf ico can borros
ransve rsaLes s1 son cortos se pre fer iran barras ve:rticales . Debe evitarse
a colocaci6n de claves a las barras con una interpretac ion adjunta ya que
ill? 10 rapidu c;:ompnlnliion dtll 9r6f100. No deb&ll colocarae titu.
08 p numeros sabre '0 dentro de las borras porque distorsionan 10 magnitud
eellos.
Las borras pueden insc ribirse marcando s610 su contarno 0 bien relIe-
'cndolos de negro a con rayados ablicuos. Las barros en color se uson de
referenci a para graficos de presentacion 01 publico y no convienen para
ublicaciones ya que el casto de impresion es alto. Tanto el rayado como
I color debe ser el mismo para todas las bar-ras de este tipo de grafico.
jemplos:
I
$ IIITOMAS
IIEHIIRISIIO
1111"1110
OOLoa
ImNIl
[RUe IDS
tffAlUS
KlUSEAS
!IIrl*ls 1M 100 ems
Of COLON IRWlilE
fREGUENGt'
II III 20 30 411 50 811 10 60
..:::::::.::::'. ':f,{tJ
::: .:J
PAl P II ACI ONt s ::' ..
"ROUS
OISIRIBUCIOM 01 JOO 08URas
S!&IIN NomO Of H liDS
flBRICI I
OBRERAS
..
10
8.
0':
SO
.'}
...'
....
"

"


10

10
:}
de do-I
.llares or ien tados
frecuencias.
0
IIUIIERO DE HilUS
I
23

"',' "
..J
,
Barras agrupadas .ubdlvldl
Se usa para mostro' 1u (lsociaClOn 0 relacion entre dos 0 mas E. un grafie
en escalas nominal y o,di.nul y en algunos cas os de escalas de intervalblatlntaa catego
discretas. ' arra porque se
Se dibujan grupos de barras que correspondan a subdivisiones de en algulna
clasi f icacion mas generaL ' peee a uno e 0 :
Sl queremos representur por ejemplo e1 resultado en terminos de q se
y musrte de tres tl'oturuientos: A. Bye, podremos construir parQ 'oada' rt-rjaa 1. una 1
sultado e1 tr io de barcas ' porrespondiente a los tratamientos. 0 bien emp 0:
truir para cada e1 par de borras correspondiente a los difere
tes resultados. Las barras de coda grupo debe ran tener rayados diferent
para cada subdivision con una interpretacion de la.clave en un lugar apr
piodo del grafico, Sera preferible hacer 10 clasificacion priDiaria por
variable con maS categories con e1 fin de disminuir el numero de claves n
cesarios para 10 interpretacion. 0 wenas que can esle agrupacion se pierd
claridad en 10 deruostracion de los hechoa que se presentan 0 no se cump
con e1 objetivo r ea l del ynlfico.
r::ebe tenerse pres'ente que las variables cuyacomparacion sea de llIay
in teres se deben co l ocor dentro de un mismo grupo de barras.
Ejemplos: La relaci a n entre c ondiciones higienicas. edad y frecuencia
anticuerpos paro virus de poliomielitis puede estudiarse en los dos graf
cos que siguen. El grafieo A destoce 10 comporacion entre condiciones
gienicas. e1 grafieD B. 10 comparacion entre edacles. Debe notarse que
eate . coso la variahle" edad, que por su noturaieza debiera estor en eseG
con t inuo. se mane j a como discon tinua can 3 grupos en que e I ul t imo no t if
limite superior deCinido .
CRIFICO "I"
CRIFICO "B" .;
.t
100
90
80
70
60
50
40
30
20
10
o
PORCENIAIE OE IMOIVIDUOS COM
INIICUIRPOS SECUN CONOICIONES
HICIENICIS IN OlfiRINTfS JOIOI S
PORCINIIJI 01 INDIVIOUOS CON INIICUIRPOS
SIGUN 1010 IN DlflRINllS CONDICIONES
HICIINICIS
2. Graficos SI
100
so
'0
40
10
I DO
80
60
' 0
10
. Por su . ogro{
I::lon 01 publico.
tros. con 10 1 il
total. Es t(
circulo total q
rrespondien te.
Ejemplo:
0, 9 10- I 9
1010
10 Inil S
SUOIA
HIDIINI

KIGIEH. E
8UINI HIGIEHI
lSI Mill HICIINI
. __ ._. __ ._------_ .. _.,--- - - -
24
D9 anos
10'.19 ''os
_ 20 IUS ailos
frat. A
!
' .
,
..... ..-_ .... , '" . _."' .. M ..... __ .... ,",.""".,. .
' . ..... ....... "" .... - ...... -
It ..
I
I
I
parras subdivididas
d
' 'bl\ Es un grafico muy apropiado para mostrar 1a compoaici6n proporcional de
as a maa var 10 d' , "N' h "d t bd' .. d d
de interval'blat1utas 1
0
colnvlene "mas E
e
I
es
su .1Vllslotnes, de. cOda
\ arra porque se 1 to a comporoClon. sta especla men e 1n lca 0
,cuando en algunas categorias a1 100% de las unidades de observacion parte-
Ibdivisiones de a uno de los subgrupos. caso en e1 que para un grafico de barras agru-
t'r inOB de mejotpadas se encuentra 61 de no tenar fracuencia para una d. laa ba-
t e .m do' : r rra. de una de laa categon.as
. rU.lr ppca . co . j'ompio:
Ll:1n tOB. 0 blen con , '
iente 0 108 difer
royados diferent
Ie en un lugar apr
:i60 orimaria por '
num de cloves
gn'lpacion s e ple rd .
:Ii tan 0 no se c ump
roc ion sea de may
)(lrras.
y frecuencia
se en los dos gr61:
tre condiciones
Debe notorse que I
tera en
e el ultimo no
COH IHlICUERPOS
ES COH.OICIONES
S
%
100
90
so
70
60
50
40
30
20
10
o
A
PORCENTAJE DE MEJORIA DE
lA ENFERIIEOAOX CON TRA-
TAIIIENTOS A, B, C Y 0
8 C o
TRnAlI1 ENTOS
MEJOR
IE] IGUAl
'\1 . ,;r , ....... " ,.,,, .
" Por 8U agradable aparlenCla Ion adecuados sob're todo para 10 presenta-
;016n al publico. Sa uti11zan para los misinos casas que los gr6ficos de ba-
trras, can la limitante que toda frecuencia debe expresarse como proporcion
,del total. Esta proporcion determina el Cingulo con respect" a los 360
v
del
ULI
HIGIEIE
J S

total que debe limitar el sector que representa la frecuencia co-

rrespondien te.
" jellplo:
. RESULTADOS OBTENIOOS CON
TRATAYIENTOS A Y 8
fTI
- BUENO
m\1
MOOERAOO
II
MAlO
Trat. A T r at. 8
25

I
,
I
3, Hislogramas con ten,
p1egir como unid,
s. uaan para pr ntar dato. en aala. d. intervalo. continua.. Con)$ vaca. r pect
aisten en una aerie de rect6ngulo8 adyacentes cuyas 8uperficies J
10 frecuencia en cada categoric de 10 eecala de clasificacion. an 0
Cuanda el material de estudia esta clasificada en intervaloa igualea,altura de los re,
los rectangulos tienen todos el miamo ancha y au altura corresponde direc. ______ __
tomente a 10 frecuencia observada en e1 intervalo.
Para 10 distribucion por eclades que se muestra en la siguiente tabla,
e1 grafico adjunto es un ejemplo de histograma.
Edad ,
(1)
o 4
5 14
15 24
25 - 39
FRfCUUtCIA
, La posibilid
ltidadea hace nec]
I1nidad de in terv
dable agregar un
para u1
f FRECUENC
'"
'00
f
"
"
1\
,
10
"
"
Ailos Of eOAD

!

5i en el ejemplo anterior, en vez de 10 'clasificacion en grupos quinl
quena188 in teresaran los 8 iguientea in tervalo8 : 0 .. 4. 5 .. 14. 15 .. 24 Y
.. 39. los frecuencias en estas nuevas categories seran 10 sumo de las fre.
cuencias que existion en las que le dieron origen;
Edad en onos Frecuencla
25
1
20
15
1
10
1
51
01
I
: 1: m 1 Cuando una I
15 24 160 Hene limites
25 39 132 10 "ltilla cl
V h
' 1 't 1 d' 1 ' , d ,J r!lc'u!lncia !In e
J
amos que a ora os 1n Brva 08 son eSlgua es, SltUQC10n que se d 1 . d 11
mostrar en 01 hiatogramo correspondiente 0 troves del diferente ancho I(Q t a Pdl!! e
1 1 bPI 1 f.-on orno e eaG !
r ectangu as 0t a
1
rra
f
s. que 105 una sluper 1al limite no def
Cl e que represen "e a recuenClO rea. sera necesar!o oJustar su a tura a ' '
ancho de los El grafico resultante se llama llISTOGRAMA A)USTA
DO. Como primer paso en su construccion se elige una unidad de interva11
26
. . _-. __ ._- _._--_._--- - -------_ . . _._ .. . --- -.-. __ .. __ ......... ... ... - ... . - - ._- .... _- --
I . .
' que e.te centenida en tedas las claBe.. En el presente ejemple pedemes
\818gir ceme unidad, un intervalo de 1 ane, que eetara contenide 5, 10, 10 Y
. C 15 vee .. uspeetivamente en las aucesivas clasos do la tabla. Las frecuen-
I continuas. on , b d di d l' d dad d d
r" . t loias 0 aarva as 86 VI en por e numero e unl as contenl as en co a ca-
represen an,"t8
g
oria, dando 10 frecuen9ia por intervalo8 de 1 ano 10 que determina la
-t
lon
. 1 19 al.. altura d. lei r.otan9ulel.
erva o. u . .
;orresponde dirac
-
I siguiente tabla .
Edad , Frecuencici Unidados Frecuencia
(l) (2) do 1 ana ajuBtada a
(3) un aoo(2) / (3)
(4)
o - 4 125 5 25.0
5 - 14 192 10 19.2
15
- 24
160 10 16.0
25 - 39 132 15 8.8
, La posibilidad de exprosar laa frecuencias ajuBtadas por diferente. u.
necesario que en a1 eje vertical del se 1a
unldad de Intervalo en 10 que se expresa 10 frecuenelo. Ademas es recomen-
dable agre9ar un rectangulo con una unidad de superficie traducida a fre-
puencia. para una mas facil interpretacion del grafieo.
r
I
fRECUENCIA POR
1 NTERVALOS DE
1 AND.
25
20

15

10

o 5 PERSONAS
on en grupos qUiP '!
- 14. 15 - 24 Y 2t
u suma de las f
5
-
f
r
I
f
I
o
o

5 10 15 20 25 35 40
ANOS DE EDAO
Cuanda una 0 ambos closes extremas de la distribucion de frecuencias no
\tiene limltea preciao8. como aucede a veC8a con distribuclones por edod en
,que 1" ultima clase puepe ser por ejemp10: 65 y mas aoos. debe ajustarse 1a
d b 'frecuencia en esa clase a un intervalo arbitrario que debe quedar especifi-
que se h e d fcado al pie del grof ieo. Ademes se hara notar eata 5i tuacion
,
dibujando a1
dlferente anc 0 f,'pontorne de ese rectangulo eon linea interrumpida 0 dejandola abierta hacia
:engan una super 1 1 limite ne definido. .
IUS tar au altura a '
IIIS'I' OGRAMA A]USTA
ID id"d de in torval ,
27

/
., "
l
:i ,
" j
-';O' j
"
I
'. ,
4, Polfgonos de frecuencia
f
r.
Cuando I. t
de8conoce 10 in
Sa utilizan de prefere ncia para la comparaclon de distribuciones de ,.dependiente cor
frecuencios en escolas de interval os conti nu".. Eato vale sobre
Son una variedad de histograma simple a ajustado en que e l contor110 de do a otro auele
10. regton9u1oa ("t) " mplQzu por un poi.1gono que \lUe 108 punto. medioa dfl 81 pc:lra la
sus hordes Buped o res . De e sta moner o Ius de l os distin t os r ectangu- varios fenamenc
los se compenSQn aproximadamente . color.
Cuando los grupos a c omparar s on de taDiano dife rente l as frecueneias I Cuondo se c
absolu t as de 10 distribucion debe r an conve rti rse en fr ecuenc iusre lativas, se usaran esccd
por c ent uales. relativos
Es eonveniente que <:1 eomi ell zo y el fina l de l poligono llegue 01 punto
l
godtmieo. e.on
media del primer y {ill ,lltla i ntervalo e n que s e observur on fr ecuenci as res- ; cala logar ftmic
pec tivomente. Lo de I ns lineus hosl u 1u fl' oclltl nci a 0 a u el . lor de Ie variQ
punto medic de l os udyacentes puede 11evCJ r a una r e pre s e ntacion 1 mortalidad por
falsa de loa hechos. Lsta ocurre BoLre lodo c uaudo 10 eecala har-izontal ' fi08 .e puede ex
c omienza en 0 y c uando lu pnJ l ongac i on hac ia 10 jzqui e rda implic ari a 10 cada anD respec
exi stencia de val ore s negat ivQs, 10 que a veces es imposib.l e . . so ambos lineaE
Ejemplo - . Los grafie,
r infontil y de I
, El grafico
PESO DE ADULTUS HORMALES Y DE AOULTOS HIPOTIROIOEOS
FRECUEHCIA
NO RMALES
HIPOTIROIDEOS
PESOS
5. Graficos lineales
I
en esce 10 logal
boe indioea.
I
I
I
\
t
Eston indicados cuando sa debe represe ntor 10 entre dUB varia ..
bles en escala de int e rval oscontinuaS
J
por e j emplo : c oncentrac iOh :;\lug ulnea
en funeion de desis tusa de mo r talidad infanlil a tloVOt:i de los
10 a fios. e tc . ,
La varia ble Independi e nte se inscr i be e n e l ej e ho ri z ont a l y 10 va riaJ
ble e n el e je ve rt ical. La escula en e l ej e vertical debe co-
me nzar en O. S1 est"b i mplic a que un s egmento impor tont e del e je no s e uti-
li za y que 10 esca la pi erde det a lle. se podro inter r urupir este ej e medi ante
d as I1neas.
Fran te al valor de 10 variable i ndepe ndiente de una unidad de
cian se inBc ribira con un punto. e1 valor de 10 variable dependiente
rrHspond i en t e . Los punt a s c on t iguo8 se unen por I1neas rec tas.
28
t
(
.. . ---.-.-.---.--.. -----.-_ ... ___ : ____ ... _ l
.. ",
.. - --- '- - - - --------- -------
Cuando ae -tiene una aerie de intervalo. iguales y por algun motivo .e
deBconoce 1a informacion frente a a1guno de loa valore. de la variable in-
\
' dependiente conviene indicar eate hecho cbn una interrupcion de la linea.
_ Elto vale Bobra todo para ,1 , crono16gicaa en que los ' datos'de un perio-
do a otro .uelen aufrir qrand fluctuaclones.
Jistlibuciones de
Ille contorllO de
puntos medics de
t stintos rectangu-
II S1 para 1a misma escala de -la variable independiente se quieren mostraT
varioa fenomenoa, cada uno se inscribira con lineas de diferente trazado 0
, color. .
e las frt!Cuencias
:IlenG i os r e l at i vas.
i Cuando se desea conocer la conducta del fenoweno en terminos absolutos
Ie usaran escalas en ejes. Si se desea investigar cam-
biOI de la va[iaQl. dependiente a util usar vI 9rafico
gar1tmico. con el eje hori.zontal en escala aritmetica y e.1 vertical en es-.
cola logarItmica. 1 lJ.ltimo 'obJetivo -tambien se lagro expresando cada va-
lor de 10 variable dependiente en relacion a un :valor base. por ejemplo. la
mortolidad por enfermepodes infecciosas y 10 mortolidad por cancer en 20 0-
nos se puede expresar en terminos del porcentaje que son es tas mortalidades
cada ano respecto a la mortalidad del anD inieial del periodo. En este co-
so CI.QlOOS lineas par ten de 1
I
10 lleglle 01 pun to f
, f r el..:uenc ios res - \--
r e cuencia 0 e n el
IIlU r' >oresentac ion
eSC hor i zan tal I
fda 'i lupli c aria 10 .
o::iible.
I
:os
I
;n entr,_ dos vOI-io-
wtraciol1 :"unyuinea
.il a de los
.zantal y 10 varia-
I
I vertical debe co- :
del aJe no Be uti-
r este eje mediante
' i
unidad de obs&,-"a-"
1e dapendiente CL-
ectas.
Los grafic08 A y B se bason en los mismos datos. Tasas de mortalidad
infantil y de mortalidad general en Chile a partir de 1930.
El A en eacalas aritmetica8 mueatra los cambiol ahaoluto8, al B
en eacala logaritmica para las tasas, mueetra 10 reduccion relativa de am.
bos indices_
'"
'"
".
'". ".
'"
'"
10'
..
..
"
u fl AFlCO A

JJ If It 4.l 4. S U 51 '4. 51 6Q 6) '6 69 n
AA:O$
1000
200
' 00
..
ORAf"ICO e
Jl 36 3i 4.2 .. s .. , 51 S4 57 60 61 66 6\1 12
"NOS
29
---_ ... ,
,
I
I
I
I
I
I
I
I
I
I
I
I
II
,
' ... 1,

I
,
!
I
"
8. Griff 008 da 00rralaol6n 0 Dlaaramal de dispersion
,
Obedece a 105 mismos principlos que 106 gr6:ficos lineales, pera en V4'
de tener una observacion frente a cada valor de la variable independiente
pueden tener varios. Sirven para estudiar la relacion entre dos variable
en escala continua.
Los ejes vertical y hO'rizontal deben tener aproximadamen'te la mis.
longitud y s610 comprenderan e1 intervalo en que existen observaciones si
necesidad de indicar ' un corte de los ejes.
Lospuntos no se unen entre ai. Lo que se observa en estos graficoB i
10 forma de 10 nube puntas: mientras mas se acerca a una distribucio
lineal mas estrecha es 10 relaeion entre ambos variables.
Ejemp1os:
4
r
VARIABLE Y





GRAflCO "A"








VARIABLE Y
GRAflCO "B"










i
I
f
r
,
VARIABLE X VARIABLE X,
l
f
r
f
Se observa que 10 relae ien entre var lable X eYes mas estrecha en e'
grafico B que en e1 grafico A.
1. Pictogramas
Se utiiizan paro ' presentaciones 01 publico 0 fines
cos. en que el objetivo principal es 10 atencion.
!
I
pl'opagandistt-
Se puede representor , por ejemplo e1 numero de defunciones por ataude!
1a frwcuencia de enfermedadea cardiovaaculares, hepatica. y cerebrales pc
CiluB de corazones. higados y cerebros en que cada uno de estos 6rganos re
presenta un determinado numero de enfermos. Se puede comparar 10 poblaciO
de distintos poises por files de hombrecitos eQ que cado uno represento VQ
rias miles de habitantes, etc.
Ejemplo: representando cada 5% de tasa de letalidad por un ataud completo
30
Edad I

0-
6-'
16-;
31-2
40-
. Las indi 9
continuaci6n j
las escalas c

Nominal
Ordinal
Intervalo
Intervalo
... . ," .. -.... ...,.. ...- .... -' .- .,.' __ ....
...... ........ ---. .. -.--.----.-.- . -_.- - - -- ----_ .. _ .. _ .. _- --- ------_.
-olea. pera en v', .:'
,Ie independien t . '
tre do. voriobl
Idamen"te 10 mism '
obse rvacione s 8i .
estos gr6f i cos _;
una distr i bucio / ;,'
s .
iRAflCO "0"






VARIABLE X
\
I
6s es lrec ha e n e
les propagandis t i "
.one s par otaudes ':
, y cer e brole s pot
, .
es t os organos
Jural' 10
Jno representa vaf
.m atQud comple to
TASA DE LETA LI DAD POR GHU POS
DE EDADES
Edad en
Aiios
0-5
6-15
16-30
31-39
40-65
2,5%
5,6%
'1eJ!j =13,7 %
'I = 29,6"
Las indi cuc l enes mas comunes de los graficos anali zados se presentan a
continuac i on en un esquema que con templu l os obj et ivos de los graficos y
l as escalos de c i f ieaciOn. .
OB) ET I vos : r epresentor
ESC AlAS DISTRIBUCIONES DE FRECUENCIAS
f--- -----.- - - --
Nominal Ba rras silUples e
Ordinal Pi c togramas
Intervalo discre te
Intervale COllliUUQ IHs togramos 0
Pol igollos de f r ecua llC in
L-_____ ___ . .. __ _
31
ASOCIACION
Barras agru-
padus
Lineal 0
Conelacion

.,
.t .,. .. __ .. . .. ..
INDICADORES DE SALUD
TASAS. RAZONES Y PROPORCIONES
Cifras absolutas y frecuencias relativas

I
Las estadisticas que resultan de las tabulaciones de diferentes tipo[
de datos (nacimientos, defunciones, casas de enfermedad, consultas, egr&
50S hospitalarios, etc .. ) proporcionan numeras absolutos que son muchas. VI
ces utilizables directarnente en Sa Iud Publica. Por ejemplo, el numero &
con&ulta8 otor9adas en un consultorio externo permite al administrador _
aalud eatimar la de recurS08 necesario8 para dar una atenc16n
ficiente; e1 nUmera de nacimientos es un data v,alioso para los programai
de atencion materno-in'fantil; el numero de egresos de Wl hospital muestrl
el volumen de hospitalizaciop y sirve para calcular y rendUment98
Sin embargo, a pesar de 1a importancia de las eifras absoiutas,
las 6JteC'.uenc.itt6 Jtet'iLttviU las que tienen una mayor utilidad. esta ..
nominacion se incluyen las tasas, proporciones, porcentajes y simples
zones. Las relativds tienen 1a ventaja de facilitar 1a pre
sentacion de las relaciones que existen entre dos 0 mas datos y haeer mi
seno"illa 18 comparacion de resultados.
1. Razones
!.
Son cUQcientes entre dos cantidades de 19ual 0 distinta naturaleza.
diean cuantas veces sucede e1 hecho que esta en el numerador can res
pecto a1 hecho esta en e1 denominador.
Ejempto : N0 de hombres
Razon de masculinidad =
N de mujeres
Indica cuantos hombres hay por cada mujer. 5i se amplifiea
se sabra cuantos hombres hay por cada 100 mujeres, en Chile
bia 96 hombres por cada 100 mujeree.
, 5.521.067 1 5
Ch11e 1982 5.754.373 x 00 9 .9
O.vW ejempto:
por
1982
100
h.
\
En e1 programa
tre controles y
Salud en 1982.
de atencion maternal se desea comparar la
consultas de morbilidad otorgadas en dos
relacion en'
SERVICIO
ATENCION
DE ,SALUD
CONTROLES
ORIENTE 75.154
SUR 72.029
MATERNAL
CONSULTAS
MORBILlDAD
72.568
B7.041
Servicios d
t .
t, '
I
i
,
E1 examen de estas cifras absolutas hace un poco diflcil la comparai.
016n. En una forma grue8 puede decir que ambo. Servicio. 4iea
igual numero de controles y que, en cambia I e1 n6mero de consultas p:
morbilidad fue muy superior en el Servicio Sur. Rasulta mas clara I
comparaci6n a1 se calculan los cuocientes entre al. nGmero de contr!
les y e1 nGmero de consu1tas en cada uno de los Servicios.
Servicio Oriente 72.154/72.568 = 1 control por cada consulta.
Servicio Sur 72.029/87.041 = 0.8 con troles par cada consulta.
32
,
{
Sa establece
ta que el Se
Propore i ones
soh cUOCieUt.09
fraccion que
senta con re
sultado de e
que es fa 60
Ejelllpio: En
contro16 e]
an .1 mi . II,,"1
gual edad.
cional se pu
de esta Regi
De este modo
en cont:.t.ol 11
na.
Es importan t
dar como los
modo e1 resul
merador tiel}
Los , ta
ser1es que t :
que en este
conoce r si 1
tancia CQll r
110 calcular
res de 28 d'ii
no.
PROVINC'
CONCEPC:

En la
presentan el i
la pr9vincia l
, ,
l imitaciones I
A pcsar
tudian, por i
des en un pa
i
. .... ,-.
, . _ . . _. r .. .... .. __ ... ___ .. .. ______
diferentes
I consultas, egre1
que son muchas.v!
nplo, e1 numero
l administrador
una atencion sw
ara 108 programa .
o he .tal muestr
7 rendbma
nt
9
8
s absoiutas, so
idad. Ba je esta d :.
ajes y simples ra
facilitar la prel'
datos y hacer rna
nta naturaleza. D

numerador con resl
I
.mplifica per lOO(
en Chile 1962 ha',
:ar' relaci6n eJ
a Servicios
S
IV
iflc il 1a camparat
s Servicios dierQ
erc de consultas
esul ta roSs clara
.numero de contrl
rvicioa. "
cada consulta. '
por cada consulta ....
- -.--,.-- -- . .. ,._. ",,- - ---. _ .. -'- ....... ---1
Se establece qUI;: el Se.("vicio Ol:ieHtE: 110 dudu ulas pur UOIH;.ul
ta que e1 Sur.
Proporciones
Son c llocienl es entre CaflLid c.dt..:b lJt,; j yu"l II .:.i.LHt "d.l I,. : :!.... '1 a
trboc16n yU\; Ulid J dtl tJU\:u!J\.l:ll t.J.UO l j CJHl,"i:lIlI C I. IIlWllo.\l.cHJvJ:: )."t::pre-
st:nta con 1 Lo tal dt.: de iqudl indo le. Cuaudo el
suI tado de cuoc se Hul tjpl .k.;l pur 100 j;"e:;;;ulld. un porcentaje,
que es ea. nO'wla Iwhi.tuaf.. de t:!!::Ita l: elativd.
Ejelllp.iu: Ell Chile: !;{I 1982 el Nac.i011dl Se';:' vivius dt::: Salud
controle el estado nUl:.l"leiollal de uiiios me lh.Jces de 6 dnos.
En el mismo ana 1;;.. !<t}yion HetroV01itc1lla con tro16 390.464 ninu:=; de i-
qual edad. Como]a tCti UilCl pan.of.; del Sistema Na-
c1ol\ctl ae put:de calculd.l. t.:1 qUi.: l : t:lJ)':\.!S..:lltCt\1 10:3 COil troles
de esta Region con rt;!!";pt:::cto i.J1 tutdl (j ;]
390.464
- ---- --. X 100
1.160.813
De este mode. se salJ: que 34'b del Lotal U1I10'::; uk;Ch)L\ .!::I de seis anos
en control nutJ:it.:.i ollu l E::n e1 pais, !'t3:l:: t\;.;(n:Cc(} a 10 HCIJi6n
na.
Es tai\t.u los he:chos figunm em el numera-
dar como los d..:l dehominador deuen de igual naturaleza. De este
modo el resultada expresa la importancia relativa que el data del nu-
merador tiene con respeclo al total.
Los pol'Centajes tienen la ventaja de pe:rmitir una comparacion facil de
series tienen totales diferentes, al referirlos a una base comun
que en e:;;te caso eS 100. Si supO.l1emCl!::i dos Pr"ovincii:l.s e n que se desea
CC)110Cer ::;i la lnoI:t dl idd.J del menor d{;: :.:!8 dias es en impor-
tun..:.:ia COlt l:(;SPc.cto al total uinos menores de 1 a.ilu, es lnas sene i-
110 cdlcular 10fj POJ:ct':lltajes qUe l:"epri::::tCntCin las de meno-
res de 28 dids con al lltLa l de defWlciones de de 1 a
no.
PROVINCIA
CONCEPCION
BIn IjJO
----------.----. '--. __ ._-'-- ----
DElo"UNC ION E8 DE
ME:NOI<ES DE 1 ANO
502
DEF'UNC10NIlS DE
DB 28 Gl AS

N
48,2
4S,6
-_ .. ---- - .-- - -- . -- ---------... .. _ .... _------_ . . . - --
Ell la provincia lie COllCt.:I)cion deiullc.liones de menOl:es de 28 mas re
presentan el 4B/ lotal de ina.ntil es , en canlbio en
) Ii provincia de ld.o-Bio )':'epz:esentan .:1 45.6%.;
limitaciones de los y dd ciilculo dl': t.sas
A peSdl" de .!;:)u uliliddd, los pD.l:cenLajei. lii.!llt:l1 liml.l.a...:.: i ol"lcs . tii se es
tudian I i'''Ji" ejelll.l:J1o I 1 <I::; mUer-tes pur ac..:ciucllltt::S t:u doS..i g.l.-Up0S de e:da:"
des ell Ull paIs X nos con 10 silj"l..tieuLe:
GRUPO DE TOTAL DE
DEFUNCIONES
POR ACCIDENTE
EDAD DEFUNCIONES
N'
,
15 a 24 48 . \199 12.763 26.0
65 a 74
.
306.025 11. 425 3;7
En este caso podria concluirse que los accidentes son un peligro mas;
serio para l os javenes, en l os que mas de una c uarta parte de las de-
funciones 5e debe a accidentes, que para las personas de mayor edad I
8n las que l os accidentes causan menoa del 4' de laa defuncionas.
Las cifras anteriores no "expresan realmente e1 JL..iugo de. molLiJr. por &
c idente, sino 1a i mportanc ia relativa que esta c ausa tiene en e1 to-
tal de de funciones de cada grupo de edad. El conocimiento del rlesgo
no s e obtiene con e l calculo de l os porcentajes ; para ella hay que in
troducir en la comparacion un elemento importante que es 1a poblaci6n
expuesta a1 riesgo de sufrir accidentes. El resultado que se obtiene
al dividir el nurnero de muertes debidas a accidentes per la poblacion
expuesta a1 riesgo de sufrir un accidente as 10 que se denomina tasa
de mortalidad per aeeidente .
3. Tasas
Una tasa es un e u ac i e nte farmado par tres elemento6:
-Un numerador, que consiste en e1 nurnero de veces que oeurrio un
terminade heche en un periedo de tiempo dado y en un area
da.
Par ejemplo , el numera de cases de una enfermedad que se registr6 en'
un area durante un ana.
;
-Un denominador, que es 1a poblacion expuesta a1 riesgd de que 1e
ceda e1 feuameno qUL aparece en e 1 numerador.
- Una constal te per la c ual s e multipliea el cuociente. Debido a que
e1 euociel te resultante en una tasa es siempre de val or inferior a la
unidad, este se multipliea par 100, 1.000, 10.000 0 100.000 de modo
de tener cifras s upcriores a la unidad, 10 que fac ilita 1a interpre
w
tacion. En efec lo, e s mas fac i1 entender que 1a tasa de mortalidad
de una region es a par 1.000 habitantes que decir que as ,(L008par h!

Requisitos de las tasas
nec.ulllLio que en UIlil .taM haya eoneolLcianc.ia. en.tILe e1 numeIW.dolL y eI
denominadolL en tres asp e ctos importantes: la naturaleza del hec ha, li
zona geografica y e) periodo de tiernpo dentra del c ua l ocurre e l he
c h o .
En relacion ,,: ()II 1a , naturaleza del hecha, debe u s arse en e1 denomina
dor 1a poblaei6n de 1a eual hays emanado e1 hQcho ael numeraaor. A.1,
no pedr1amos tenez' I llla tasa de morta11dad per cancer de 1a pr6stata 8J
en e1 denominador ,:'Jgura 1a poblacion femenina.
El area geograf i c r; Jebe ser la misma para el nwnerador que p ara e1 dE
nominador .
Can respecto a l t iempo , l as tasas se calculan generalmente sobre una
base anual. Se presenta un pr oblema en auanta a1 denominador de la ta
sa , ya que d e bido que la poblacion vari.a a 10 largo del ano , puede;
hacerse d1stintas ,;.;; timaeiones de ella. 51 la pob1acion se estima a1
34
comienza del
. en esta pob]
te e1 afio .
fio sucede 1,
llecido y 1,
De aqui que
dia expuesti
30 de junio
Tipos de
En general I
a. Tasas crt.
b. Tasas e Sf
Cuando en e)
taaas crudat
etc. Ea un
Cuando en e ]
por ejemplo,
rar el hech(
de tasas est
yor exact i b
riesgos son
Par
y la tasa C l
sas espec i fj
pec ifica. '1
t el."l1lina da , I
das las deft
da In poblac
fica.
Las tasa's ql.:
mortalidad ,
3.1. Tasa t
Su tHUI
sexos I de 1:(
largo de UII
la pob l acior
decir, al 3(
Bas de mort.:
morir s610 t
daria, e1 dE
ner cifras E
c iones y pol:
1.000
'rasa hruta c
NQ total c
Pobl ac ic
Segall Cllt1.6{1
Tasa de mOl ' t
Defunc i onE
Pobl o
El denominac
tal y por cc
de causas e!:
La c on struc ,
,.-----------." .. . - ... - -- -.- .- -_. -- -
,
,
"' . ' . ..... , - ..... ..".. .,. u ... . .I 1 ."' 'l .' .r ... .-....... ....... "J'''' : __ ......... w,,_ ...
- ' - 'II'"'
.... ... ' --. -------.
\ un peligro
parte de las de-
I 'yor edad ,
de hr..clones.
I de maltiJt par ac{
t iene en e1 to=l
del riesgo
l ella hay que in
) as la poblaci6n "
10 que se obtiene
por 1a
ie denomina
I
; ocurri6 un de-i
1 area
Ie se reg istro en,
,go de que le su-I
=. Debido a que!
:i!o nferior a lat
lOv-. de modo.
I ita la interpre-!
de mortalidad
oe es I) .008 par
e.t. nunHuutdo't y
elto del h_cho, 1, ',
al ocurre e1 he-
en e1 denomina "'1
1 numerador. AS1, .
de la prostata 81
or que para e1
Imente sobre un}
nominador de la t"*
o del ana I
cion se estima al!
comienll.o del Ft::ridu 110 l ' l::lpl.'t:tiUlIt" t.adet let F0Llacioll ya <'J.uo<:
en eeta poblacion n() tigU:LclH pOl." d-jemplo, nino s que naceran duran
to 01 ano. .sf 1u VolJ1c,1cion qUti Ul:la. 1(;1. b6timuda al tinal del
no suc(jde 10 wu,.lr<ill:h .. , y", 4,uu no Gil )al.-uu",("'n pu ella. las qU4it h.n ttl.-
llecido y lOJ:j quu han t:::mlgrtluu en el cursu dol ana.
De aqul que es de UBU hdlJilU(ll como rl::,lJre:dentativa de 1a poblacion me
dia expuesta al l;"ie!:>go 10. estimaci6n a mitad del pel:"iodo, es decir, aT
30 de junio del ana en estudio.
Tipos de tasas
En, general puedt:n di::;linguil:se do s tipos pL"iucipales de tasas:
a. Tasas crudas 0 brutdS.
b. Tasas especificas
cuanao el daumuini'.\dul" f.i':jUli1 (:)1 .-("v,ct(f. dti U4 l'uuldcion habla de
tasas crudas pOl:que 110 caracterl.sticas como ectad, sexa,
etc. Es una medicion gl.-uesa de la fuerz:l de ocurrencia de un he c ho.
Cuando en el denominador se usa solo cierto .6ee.toJt. de fa pohfac..i.6n,
por ejemplo, la poblacion de 20 a 25 dilOS (tn" el numerador debe figu-
rar el hecho referido que ai'ecta a t:!ste grupo de edad) se habla
de taaas eept::c.:1f1cas. tatH.tS rt:finud.:1s y miden con ma-
yor exactitud e t ricsyo yue cono..:;:er, ya que en general los
riesgoa SOH diferentes segun las de las personas.
Por ejemplo, la ll)ortalidad es rnuy diferellte en alguH0s grupos de edad
y la tasa cruda as s610 una as(Ji:H::ie df::! las diferentes ta-
sas especifica::;. A vece s se h<.l.uld imlJropiamelltl.:: d e que una tasa es es
pecifica . 'fal": 5 el de l a tasd d8 mortalidad por un.a causa de=-
terminada., por r.:!jelHplo tu..)erc:ulol:iis. 5i en. el numerador figuran to-
das las defunciones por tuberculosis en el denominador debe estar to-
dd la poblacion y os por 10 tanto una t.asa c.f"uda por una c.au..6a espec..!
fica.
Las tasas que hQuitualmellte SI2; usan en Salud publica se" refieren a la
mortalidad, 1a rnorbilidad, la l etalidad y 1a fecundidad.
3.1. Tasa bruta de mortalidad
!:iu Jlumerador int.::luye la totalidad de las d(;:f wlc i ones de ambos
de las y por todas las causas, registradas a 10
ld.rgo d\;t un arll.) calendar io en Ul1 area decexminada . SU der.ominador es
Id lJobl"cion total de lIIislUd area estimada a u\itad de [H:riodo, cs
decir, dl )u d..: jUliio d<::l anu. 't'Lll OCU1"re CUll loddS las ta
sas de mOI:ta1idad, debido a que en 1a poblaci6n expuesta al riesgo de
morir solo algunos individuos han muerto en el termino del ana calen-
daria, el 12!S siempL' a mayor que el numt:::rador y, para obte-
Her cifl"dS ellteras es necesarj o amplificar el " cuociente entre de fun-
cionell Y IX)ulac.;161l Pt},r una c.:olll::lldute qua, el la btuta es
1.000
Tasa bruta de mortalidad ::;;
N tvtal de defWlciones en un ared y anu
Poblacion total del area a1 30 de junio de ese ano
x 1.000
Segall e.m6Ci
Tasa de mo!"talidad por causa =
Oefuncione:::; pOl.- una cau sa en un area y ano der.enuinados
Poblacion total al 3a/jun10 de ese ano' y Srea
" 100.000
El denominador c'ttt las por causa, general, es la polJlacion to
tal y par consiguiente SE: trata de .ta.6a.6 c.JlUdll.6 por una causa a grup;
de causas especificas.
La construcci6n de estas t.asas impli.ea separar el con junto de todas
35
."._--- - _. _,

W
i'
!
!
,
" .. -....
t
i
las muertes diversos subconjuntos atendiendo a la causa de muarte. DiJ
chaa muert88, 8i no hay otra &apacifioacion adlQional, incluyen 18. d.
funciones de cualquier edad y ambos sexos que han ocurrido por una mi!
rna causa 0 grupo de causas.
Debido a la necesidad de disponer de tasas par causas de muerte cuya
magnitud en la pablacJon puede ser muy pequefia y a fin de que la mai
nitud de las tasas de martalidad par las diferentes causas sea f'cil-
mente comparable,.la constante que en elIas se utiliza as 100.000.
TS8A de mortalidad materna -
HUertas debidas a complicaciones del embarazo, parto
o puerperia
Nacidos vivos en ese anc y area
x 1.000 (6
x 10.000).
Se denominan muertes maternas aquellas cuya causa esta
complicaciones del embaraz0, parto 0 puerperio y elIas
relacionada con
constituyen e1
numerador de lil teisa.
Su denominador podr1an' las mujeres et;ltre 15 , Y 49 afios pera el ries'
go especif ico que indica el numerador solo afecta a aque1.1as que en di
cho ano'han tenidQ un embarazo, por 10 tanto 10 adecuado ser1a c
locar .1 nG.mero d. embo.razada.. Como habitualmente no se dispone de
informacion fidedigna respecto a este data, se ha convenida interna -
cionalmente uti1izar como denorninador e1 nGmero de nacidos vivos
misma ana en que sucedieron las muertes del numerador.
La tasa de mo rtalidad materna se define como 1a relacion entre e1 nu-
mero de por causae relacionadas con las complicaciones
embarazo, parte 0 puerperia ocurridas en un ana y area dadas y el nu-
mero de nacidos vivos en el mismo ana y area. Se puede expresar pOI
1.000 6 por 10 . 000. I .
3.2. Tasas especHkas de OIortal1dad
S"911" 4"XO:
E1 riesga de marir difiere segun e1 sexa. Par ello es
niente medir por separado 1a rnortalidad de hombres y de mujeres.
Tasa Mortalidad Masculina =
Defunciones masculinas en un area y ano deter minados
- x 1.000
Poblac ion masculina al 30/VI Je ese ana y area
Tasa Mortalidad Femenina =
Defunciones femeninas en un area y ano determinados
Poblacion femenina a1 30/VI de ese ana y Srea
Igual qua 1e t a brute de mortalidad, ambae tasdS 8e
1.000.
x 1.000
amplitican pOI
,.
Debido a que sus denominadores son deferentes estas das tasas no se
j
,
pueden directarnente para reconstruir 1a tasa Lruta de
dad.
SI1.91111 I1.dad :
t
Por eso corr ien teJ-;' La mortalidad difiere marcadamente segUn 1a edad.
mente la medicien de 1a mortalidad requiere medir el riesgo de muertf
por edades. Al elaborar las tasas de mortalidad par edad puede lIe .',
garse a tal qrado de especificacien que los suboonjuntos de defuncio-
nes inc1uyan H610 edades simples, es decir, se elabore una tasa para
cada ana de edad. Sin embargo , 10 habitual es que se trabaje can gn
pas de edades, usandose frecuentemente grupos quinquenales -
bien grupos de mayor amplitud. S610 para las edades' mas jovenes, eD
que el riesgo de J'!K>rir cambia mas rapidarnente con la edad, est. just!
ficado construir tasas de mortalidad por edades s imples a aun in:
tervalos que sean menos amplios que 1 ana.
36
t
I
!
Tasa de
Dlllfuno
Pabl
Tadas la
tasa& se
sas la d
defuncio
TaSdS mo
Defunc
Poblac
Un caso
tuyen
siderabl
guientes
Es preci
los efec
cion de
ind1oado
lao
Tasa de J
Defunc
aBo ' de'
Tal como
sexo y e.
El numer,
nea de al
no ealen.
plido su
sa d&: mo:
por edad
poblacioJ
calendar
todologi,
der .
Ent re es'
se amite
tra edad
en l a s e:
tas que I
menores \
tendenc L
grupos d.
bles a Ii
preceden'
Es por e :
entre 1 0l
tuac i onet
venido i1
mortal i di
poblacioi
La tasa I
Tasa de I
Defunc
ana de '

a de muarte. Di-
incluyen las d!.l
'rido per una mi! /,
de muerte cuya
n de que la mas.
.llsas sea facil-
, es 100.000.
" 1. 000 (0
x 10.000).
relaciDnada con
constituyen el
tnos el r ie.! .
lue"llas que en di
lecuado seria c
) se dispone de
renido interna -
:ido5 vivos
l6n entre e1 nu-
)mplicac iones del
.I. dadas y e1 n(l.-
Ie por
es conve-l
ie mujeres.
I
! x 1.000
x JDO
amplifican porf
::.s tasas no set
uta de rna.tali -r
r eso corr iente-II
riesgo de muerte
edad puede lle -f
tas de defuncioJ
e una tasa parat
con gru'
nales c" edad 01
mas jovenes. an,
edad, est' just.:.'
es 0 aun p:lr in
"-- -_._------_._ ---_._--._--- - _._-- _._ ..
Tasa de mortalidad por edad
Defunciones de un grupo de edad en un area y fino
pOblacilSn de eSf! gl'Upo de edad a) 3D/VI de ese ano y !rea.
Tadas las tasdS de wortalidad por edad se amplifican por 1.000. Estas
tasas se pueden calcular separadamente para cada sexo. En tales ca-
sas 1a dab1e especificacion de sexo y edad debe hacerse tanto para las
defuncianes parfl 1a p.oblacion. Ejemplo:
Tasas de 20 - :24 afios ;;:;
mascu11nas dl.l 20-24 en un at:ea y ana determinados 1000
Poblacion masculina de 20-24 aoos al 30/VI para ese ana y area
x
Un caso especial dentro de las tasas de par edad 10 canst!
tuyen lilS lIluerles de los menores de un ano. E1 riesge de marir es con
mas alto en ei- primer ana de vida que en las edades sI
guientes, salvo las edades lOuy avanzadas.
Es precisamente en esta edad cuando la mor talidad es mas sensible a
los efectos del ambiente y 5i las tasa5 son altas una buena propor-
cion de estas defunc iones son evitables. ella esta medida es un
indicador usual del nivel de salud e inteJ:esa par ticularmente conocer
lao
Tasa de mortalidad infantil ;;:;
Defun.;::iones de niiios menores de 1 ano en un area y
ana daterm1nados
Nacidos vivos en ese ano y area
x 1.000
Tal como en 1a tasa bruta de mortalidad y las tasas de mortalidad par
sexo y edad, la constante que se utiliza en esta t(;lsa es 1.000.
El numerador de 1a tasa de mortalidad infantil inc]uye las defuncio -
nes de ambos Y 1-'or t odas las causas que ocun en dentro de un a-
no calendario y un area determinada en los ninos que aun no han
plido su pri.mer ana de vida. Dada 1a naturaleza de su numerador 1a
sa de ffiOl:talidad infantil tiene el {.;arac.;ter de una tasa de mortalidad
por edad. Pur 10 tanto, que au denominadorfuera 1a
poblacion de menores de 1 ano de edad, estimada a mitad del mismo ana
calendario a que se las muertes. Sin elflbargo, hay razones me
todo16gicas por las c uales !je hace necesario el usa de otro
dor.
Entre estas razones esta el hecho de que Ia poblacion menor de 1 ano
se omite en l os censos en una proparcion mayor que l a de cualquiera 0
tra cdctd, y por ello tiU UHH.:lnO, l'a..a:a UII ano l.:cll!5al y con mayor razon
t:m la::i estilnaciones para los ano:;; posteriores al cell so, son lllas inexa
tas que para los grupos de edades mayores. Per otra parte, loe ninos
de 1 aoo qUd t:Jxlsten t!n uoa. poblaci6n dupende del n1yei y 'las
de Id natdli.da d tm anos recientes. En cambia, 'en los
grupas de edade s mayores los efectivos de poblacion son menDS sensi -
bles it las modificaciones de la natalidad en los anos inmediatamente
precedentes.
Es por csto, que para estar a cubierto de las variaciones que existen
entre los paises respe{.;to a la cabalidad de l os censos y de las fluc-
tuaciones que puede experime:ntal.' el nivel de la natalidad, se ha con-
venido intel.-nac.: ioHttlmente en utilizar como de la t.asa de
mortalidad infantil 1a cifra de nacidos del ano, en lugar de 1a
poblacion estimada de menores de 1 ano.
La tasa de lIloJ.: talidad infcmtil f:ie subdivide -en dos componentes.
Tasa de mort a lidad neonatal
Defunc iones ninos menores de 28 ds ell un area y
ana determinddos
Nacidos vivos en ese ano y area
x 1.000
37

I

,{ '
" ..
. '
\,
l
Esta tasa mide 1a frecuencia de muertes que ocurren en
28 dias en un ana c- .31enda r io y en un area determinada
;
los menores de t. _
d 1 000
' concepcion el
nacidos vivos en e ,--,e mismo ana y area.
Tasa de mortalidad infant il tardia =
por ca a Md' --
; 3.3. e lC10'
j El estu(
Defunciones -o.e nifios de 2Bdsa 11 rna en un 'rea.
y ano determinados
1.000
Nacidas en ese ano y area
I .. luaqo, a difel
It manto bien de:
l ' rrir varias VI
La tasa de mort a lidad infantil tardia mide la frecuencia de muertes ;' .
que ocurren en el primer ana de vida a partir del 28 dia, en un ana
cal e ndario y area dada par 1.000 nac idos vivos en ese ana y area . .
Asi como entre l as muertes d e l p rimer a no es convelliente distinguir "
las que ocurren en las primeras 4 s e rnanas del resta de l as muertes
fantil , t.&mbHin 'I" u til analizar lieparadamCiintil las mUCilrtofi dlil la pri :
mera semana'de vida' d e las c orrespondientes a las 3 semanas s i guien':' :
teB. 51 88 reflertm t;)stOB IIUUVOB d(.l8 8ubconJuutu8 a 1a Inhuna c ifra de !
nacidos vivos del ana se obtienen dos nuevas tasas que sumadas
l en a la tasa de mOf="talidad neonatal. Ambas se expresan igua lmente :
por 1 .000. La tasa de mor t alidad de la primera semana se denomina ta
..6a de ma.1Ltaf .i.dad nculla.ta.f pILecuz y l a de 1a sequuda a CUd l " ta semalla to.
de taAdia.
en un area y
misma enfermel
de!:fl tener duri
En 10 que se 1
guir tres tiPl
1 . persQnas e!
Par e jemplo , I
dios' d1a,rreic(
a. 'perBona -en:
por' est.; moti'
rnie,nda que en
te .;i 'eual de (
En la medio iol
cuenc ia de l a
3.3,.a. Medic
.. : ' . . Sa di.
-T aAa de: mC-t<
Tasa de mortalidao neonatal precoz
Defunciones de menores de 7 dias
ana deterrninados.
Nacidos vivos en ese a no y area
x 1. 000
Esta tasa mide la frecuenc ia de muertes que ocurren en
mana de vida en un ana calenda rio y area dada par cada
I ' Se dehomina -U
un periodo de
te un periodo
1a primera se-
J
1. 000 nacidos .
tos que ocurrt
vivos del misma ana y area.
Tasa de mortalidad neonatal
Defunciones de ninas de 7
_ y ana determinados
tardia =
a 27 dras en un area
x 1.000
i. cluyen en el I
1. gistrado s duri
cion estimada
- Nacidos vivo.s en ese ana y area
Hide la frecuencia de muertes que ocurren entre la segunda y cuarta 5='
mana de vida en un ana calenda rio y area dados por cada 1.000 nacidos
vivos del ana y area.
Tasa de mortalidad fetal tardia (0 mor tinata lidad )
Defunciones fetales tanl1as ( 28 y + SelTlilll as de gestacioL1)
t
... en un area y anc' dete.r.minados x 1.000 f.
Nacidos vivos ese ana y 'rea .j
pueden am
nidad de tiem)
Tasa de incidl
Numero de Ci
PoblacioJ
La tasa de inl
el riesgo de I
vado.
- T lUa de pltev.
P JLe. va-f. en e.<a. :
tran en un ti,
o el 61 timo d.
segun-el momento de:]a gestae ion en que se produce la muerte del pro- f
dueto de la concepcion, las defunciones fetales se clasifican en pre-
coces (menes de 20 semana s d e gestae ion) i nterrnedias (20 a 27 sernanas)
y tardlas ' (28 y bias de gestacion). Las defunciones fetales
tardl.as correspond,;,! t..I. 10::; mort inatos y las precoces e interlnedias tiempo. La to
los abortos. to: sos que est'n
El registro de las. t'uHc ione s f etales tiene una omision importante .. 1> 016n estimada.
Esta omision afec t r I, dnc j pdlrnente a las defunciones fetales p reco _( de preva.
c es . l Numero de co
Para las de funcianl:!.: fe L<!l es tardias e n cambia , e1 regi stro pra porcio< p,
na una informacion, _is <..:ulllpleta, a Ullq ue s i empre subestima la magnitud. , La tasa pr,
r ea l del p roblema . , .j (it.'lLominador tambien son l o s nacido s vivo s par;: hIe a 1a lnfo
5610 10 que e :
tar que en el
ciaron antes
l as razone s , ell ]a tasa de mortalidad materna.
'rasa de mortalidad J' !c ina l a l ==
Oefunc iones fetalcti tdlClias + defunciones de nines menores
de 7 dfaa en un Ai'. .. .. _______ _
'
I cen en iii 8" 11"10
X 1. 000 I:t Tratandase de
Nacj ,g vi V()5 en ese ano y area
Es ta ta sd mide e1 ' .q . de mue rte que imp1i c a para e l producto de la!
la i ncidencia
3.3.h. Medic
Un as
36
n los meno res de
por cada 1.000
,00
:nc ia de muertes
d l.a, en un ana
di'm 'i area.
.tm le distinguir
Ie las muertes 1:1.
lIluertes de 1a pr i
It=md.HtlS aigulen-
la cifra de
s
lresan igualmente
1(1 f::ie denomina :til..
,"" "" .. '" I
lOa
!n la primera se- t
1::1 1.000 nae idos }
I
,000 Ii
y cuarta .
lda 1.000 nacidos
: aciP) f
_ -.0- x 1. 000
i lI1uerte del pro-
lasifican en pre-
(20 a 27 semanas)
f unciones fetales
e intermedias a
5ion impartante
preco
::1gi s tro pcaporc i.
5timil .1" magnitud :
vivos pori'
Ih L
I
me llores f
.. xl. 000
el produc to de la
concepcion el paso de la vida intrauterina a la vida ext r auterina.
3.3. Medicion de la 1II0rbilidad
El estudio de la morbilidad tiene serias dificultades. Desde
Iuego
l
a difereneia de la muerte que ocurre una s o la vez y en un mo-
menta bien definido y es un heeho permanente, la enfermedad puede ocu
rrir varias veces en la vida de un individuo, ya que se trata de una
enfermedad 0 de enfermedades distintas y par ultimo ellas pue-
den tener duracion variable.
En 10 que se refiere a 1a medicion de la enfermedad se {Jueden distin-
guir tra9 tipos de
1. pers9,nas 2. enfermedades, 3. e pisodios de enfermeda d.
Par ejemp10, si una persona tiene durante e1 aop 2 resfrios y 3
dics' f .se con tabil izar.;
at persona enferma; .b. 2 enfermedades; c . 5 episodios.
Par ' este motivQ e1 Comite de Expertos en Estadisticas de Salud reco-
miend.a que en las estadisticas de morbilidad se especifique claramen-
te cual de estos tres criterios se refieren los datos.
En la medicion de la morbi1idad interesa fundamentalrnente medir la fre
cuencia de la enfermedad en la poblacion, su du'raci6n y su qravedad.-
3.3 .. , Med1c16n de la frecuenc1a de la enferllledad
Se distinguen dos tipos: la incidencia y la prevalencia.
- T (J.4a de ,wudenw
Se denomina al numero de casos nuevos que se presentan en
un periodo de tiempo. Se refiere a enfermedades que comienzan duran-
te un periodo definido y la tasa mide la frecuencia de acontecimien-
tOg que oeurren durante el periodo. En 1a tasa de incidencia se in-
c luyen en el numerador los casa s nuevas (enfermedades 0 enfermos) re-
gistrados durante el periodo y el denominador se refiere a 1a pobla-
c16n estimada. en &1 punto media del veriodo. Las tasas ae incideneia
pueden ser pero taluhifn pueden referirse a cualquiera otra u-
nidad de tiempo.
Tasa de incidenc ia
Numero de casas nuevos en el perlodo 00 0
pob1aeion a mitad del periodo x 1 .00
La tasa de incideneia muestra 1a dinamica de 1a enfermedad y expresa
el riesgo de enfermar que tiene 1a poblacion durante el periodo obser
vade.
- de pJLevalenc-i.a
PILe.vafe.nc...Ul: es 81 numero de cascs (nuevos y antiguos) que se regis
tran en un tiempo 0 momenta dado, por ejemplo, .el primer dla de un mes
o el 61 timo dia de un ano 0 el promedio mario dentro de un perlodo de
tiempo. La tasa de prevalenc ia tiene como numera dor el numero de ca-
50S que estan presentes en ese momento y como denominador la pobla-
cion estimada para e1 mismo momenta.
Tasa de prevalencia =
Numero de casos existentes en un mOmento dado x 100.000
Poblacion en ese momento
La tasa de prevalencia es una medida relativa cuyo sentida es campara
ble a la informacion qUt:! proporcionao los eensos poblac ion y mide
s610 10 que existe 0 prevalece en ese momento. Es necesario hac er no
tar que en el numerador figuran todos los casas tanto los que se ini
cia ron autes del momenta de rnedicion como l o s casas nueva s que apare-
cen en ese momenta.
Tratonduuw aQ tillhu;madtldflilii cr6nil;;tUi ld prlivalencia .&;"tjfliijy ffilijor qUQ
lill incidenc ia la magnitud del problema en la comunidad.
3.3.b. Medicion de la gravedad de la enfermedad
Un aspecto de la morbilidad cuyo conacimie nto tiene gran iote
39
----- ........
I
. I
rh .. la quv.dad d. 1a .nhrm.dad. Ell. pu.d. m.diraa an tun d. la 11
de la incapacidad "que produce. Per ejemplo, una enfermadad menar 81 016n par ed' I'
aquella que no es causa de ausencia del trabajo. Eeto hace lola determ:
tener una escala de incapacidad para mad!r la severidad del cuadra. I .
demas la medicion tiene el problema. de que la gravedad depende no s& Bs 'sta una I
10 de.la sino que tambien de las caracterlsticas de los II . cion potene:
dividuos que la padecen. Par ejemplo, un resfr!o cornun puede ser poblacion ft :
tivo para qua una pereona quarde a.rna, mientr otro indiviauo oon vi. '1" .... de feo1! 1
resfrio de iguales condiciones continua desarrollando sus NacidoEl v:
des . !- ' . ;
par' estas el in dice de <;Invedad de una enfermedad que mO\\:-t ' en eae anel
se utiliza es la de letalidad, que establece la relacion entrl, Al tamar en
10. , fallecic!o. por una .nfarm.dad y lOB anfeJ:lnOB que eBa en, puesto al r;'
! zonas a com]1
'Tasa: de 'letalidad H" de. Oe.CI.
Numero de defuncione8 per una enfeX"medad dada x 100 t " \' Bsta talla
Numero de enfermos de esa enfermedad en cuenta nj
Hide la frecuencia con que se produce 1a muerte en una enfermedad. en su numer'
ta es 1a tasa que permite establecer el pronostico de las enfermedades.
3.3.c. Medicion de la duracion de la enfEmnedad Tasa de fecl
La duracion de 1a enfermedad es un date que interesa medir, er Nacides v:
tre otras razones/ porque 1a enfermedad de mayor duracion significa un area
yor costo. Puede ' hacerse esta medicion en forma de uu'promedio. POI" Poblacion
&jemplo, 60 &nfermos' de tifoidea estuvieron en cama un total de en eaa anI
dlas, la duracion de 1a enfermedad es entonces: Ejemplo: _Na,1
' 1.080 d' d'
Duracion = ---.-- 18 en prome LO

Para 1a medicion de la duracion es necesario definir previamente qJ I
se en'tiende per enferrnedad. En este case 1a duracion se refiere al Por 10 gen:
tiempo promedio de estada en cama de los enfermos. Otras pos
nes podrian t omar en cuenta, por ejemplo, e1 dla de , los primeros sin! decir, sa c
tom 0 .1 d1. en que ye hizo .1 eto; ,
E1" prom. tHo puede obtenera8 no 8610 en a 108 enfermoB (60 Ell." .
el e"jemplo anterio r) sino que puede obtenerse para' episodi os de enfer ,de las tas
medad,. Par ejemp1o: en una escuela se registraron los r esfrios de 101 tan de medi
alumnos y se tuvD , un total de 100 resfr:los en el ano . La durac ion tl blacion hacj
tal de los resfrios de 500 dias. La duracion media de cada pqrcion de I
dio fue, por 10 de 5 dias. Como se tra
3.4. Medicion de la fecundidad t 1 t
La medicien de 1a fecundidad hace a traves de diferentes t/ os eXOS I
pas de tasas que tratan de medir los nive1es del fenemeno en un area,
T Ma bJw.ta de "a.taUdad
Es una tasa simple' que relaciona los nacidos vivos registrados en w
area geografica durante un ana con la pOblaci6n total de esta area.
Tasa bruta de natalidad
_ Nacidos vivos en ' un area y ano determinados

I
- pob1ac ion total al 30/VI en ese ana y area x 1.000
Como incluye a 1a poblac ion total (de todas las edades y de ambo s se-:
X05) no puede interpretarse como una probabilidad porque en e1 denoR
nadcr hay poblacion que no esta expuesta al ri e sgo de tener un Ul.no
Expresa mas bien la frecuencia de los nacimientos per cada 1,000
tent-ea. ,
Las tasas de natalidad son practicamente las unicas medidas de fecun'
didad que es posible calcular para areas geograficas pequenas y pera
te estudiar las tendencias del fenomeno en un area determinada. '
Cuando se comparan areas diferentes hay que ser extremadament'e cuida
doso en la interpretacion porque puede haber di ferenc ias en la estru
u!dir en
enfermedad manor ea
,
E.ta hag. n.o
Ir ido.d del cuadra. 1
'edad depende no eo:
:erl.eticas de los in!
- d ...
comun pue e ear
:ro individuo con wf
mdo sus activida-.
, enferlOedad que
! l a relacion entre
iua padecen eiia.
]00
I una enfermedad. Es
lu latj enfermedaaes: I
Je interesa medir, en,
lurac ion signifi.Ca Rl!-
Ie un promedio. POI-.
'd un total de 1.08
1
lir previamente qul
I.e i6n se ref iere ai
Otras
le l os pr-imeros sin}
l os enfermos (60 e.:
1 epi.sodios de enfer
1 los resfrios de
ino. l. dur<.l cion tc'
IUcd.l:l:l de Gada
;s de diferentes tir
:enomeno en un
:i registrados en
de esta area.
,000
u
jades y de ambos se
porq"4e en
.J de tenee un Hino !
par cada 1.000 hab
3.S medidas de fec.:un,
;as pequenas y per
3. deteIll\inada .
tremadamente cuida ' ,
r encias en la estr
.. - -... - - _.- ... . ------- -- _ .. ----._ ... ----------_._ ._-------------,
tura de 1a poblac16n especlalmente en 10
ci6n por edad de 14 poblac16n femenin4 y
.01. dif.r.no1.. en 1.. t
que se refiere a 1a compos i-
esta dlferencia puede par a1
de n .. tal1dad.
,
Es esta una tasa mas especifica ya que' un denominador la pobla-
ai6n potencialmente expuesta a1 riesgo de tener, ' un nacido vivo: 1a
poblaci6n femenina en edad fertil.
Tasa de fecundidad general =
Nacidas vivos en un area y ano determinadas x 1.000
""' Poblacion femenina de 15 a 49 afios al 3D/VI . . -
en ase ana y area
Al tamar en cuenta salamente .a las mujeres
pu t.o &1 rieago lUi una tae. lnAB util para
zonas a comparaciones internacionales.
y en el grupo de edad ex-
hacer entre
T iUQ de 6 ecuncUdad pM edad
Esta tasa tiene un nuevo refinamientq y es mas especifica ya toma
en c uenta no solo e1 sexo, sino la composici6n pqr edad. En
en su numerador se anotan los nacimientos dernadres de un grupo de e-
dad de1;:.errp,inad.A y en e1 denominador 1a femen1na de eea edad
Tasa de fecWldidad par edad =
Nacidos vivoB de mujeres de un grupe de edad en
un area y ana determinados x
POb1aci6n femenina de ese grupo de edad al 30/VI l.OPQ, ..
en ese ana y area .
Ejemplo: Nacidos vivos de mujeres
area y ana determinados
poblac ion femenina de 15
ese ana y area
de 15 a 19 anas en un
x 1.000
a 19 anos al 3D/VI en
Par 10 general las tasas de fecundidad par edad se calculan . pora gru-
pes quinquenales de edades comprendidas entre l os 15 y los 49 anos, es
declr , se ca1culan 7 tasas de fecundidad par
O.tJtiU med.ida4 de 6eCWlcUdad
. Los estudios demograficos mas fines de la fecundidad utilizan ademas
de las tasas anteriores, las llamadas tasas de reproduce ion que
tan de medir a1 aporte futuro de 1a fecundidad al reemplazo de 1a po-
blac16n hacienda una en los nacimientas utilizando la pro- .
parclon de nacimientos femeninos. h
Como se trata de tasas usadas par especialistas remitimos al lector a
los texos de Demografia para ' su estudio.
41
I

;
I '
I
I
i
I '
I
. I
r ,
MED IDAS DE RESlllEN
t
' . La sumo algeb
" resp8oto a au
" . ".. ' . . . . ' En e1 ejemplc
Una de las caracterlstlcas de los fenomenos blOloglcos es su variabil
dad. Asi por ejemplo, el peso 0 la presion arterial varian de persona
persona y tambien varian para un mismo individuo en diferentes momentol
Sin embargo es posible determinar los valors. esperados de estas medidl
para distintos grupos y fijar limites a su variacion habitual cuando se
noce au conducta a distribucion.
Se sabe por ejemplo que los enfermo. de hipertitoidismo tienen en geni
ral un peso inferior a1 de 108 indlvlduo8 normal y que ' en alguna. enE.1
medades canales eeta aUllentada 10 preeion arterial; Por otra parte, $1 I
dice que e1 peso normal para un adulto de 170 cm de estatura es66,6 Kg,
no 8e e.pera que todo adulto de to taturo tango' e peBO aino que I
acepton variaciones entre 59.8 y 74.7 Kg.
La estodistica nos proporciona tecnicas que permiten describir 10 ubi
caclon de un grupo respecto. a u.na eacola de medicion y cuantificor 10 VI
riabilidad de los valores individuales mediante las medidas de posicion
de di8pera!On reap8ctivamente.
Medidas de posicion
'2.
Tienen por objeto la obtencion de un valor que resuma en 81 todas Ii
medicione . La mayoria de ellaa tratan de ubicar el centro d. 10 diatrih
cion. por 10 que tambiem reciben e1 nombre de medidoB de tendenc!a centrel
Menc ionaremos aqul a t promedio aritmetico. la mediana. los percentiles y l
mode.
Promedio 0 media ari Imelica
,
50
25
45
20
30
16
- 9
11
-14
- 4
o
Si f1 nume l
.. H f k nU1I1I
es:
Se' def ine como 1a suma de los valores de todas las observaciones divf',
dido por el numer o de observaciones Se representa por el x cuaJalculo
del prom
se reCiere a una muestra y por cuando se refiere a un universo.
5i los datos
pacemos e1 valor
'Cuentra. Por 10
eado ' intervalo.
Pura un grupo de observacioneB:
)( =
en que;
L
n
Xi
n
J
' on tenidas. Se
" 1mbolizaremos :
va de 1 a k s.
CorrespollC
l!mites reales.
, .dad 'eu grupes ,
que denota .".a de loa valor que aiquen anaa. Por conver
numero de obaervacion.. " i - t d" a .
valor de 10 variable x 'en 10 i eaima observaoion. El Bubindic.& no en {Q d al
va de 1 a n, por 10 tonto el valor de 10 pr illera observacion L..: ue cump . os
b 1 1 d
110S preo .... l..4l- 'l se I
sim 0 iza por Xl. e e 1a segunda. por x2 Y aSl de cluse
hasta x
n
Ejemp1o: Las edades de 5 enfermes son: SO. 25. 45. 20. 30.
e 1 promedio e8:
x = 50 + 25 + 45 + 20 + 30 - 170 = 34 aiioa
5 5
1.
!
l
Propiedades del promedio 0 media arilmelica
"-: 9tros cc
CEircana como su
as el em una
'l6I em. y una q
En este caso uri
iS4.5 Y su cent
En t re las pro,piedodes de " 10 media des tacaremOB dos:
42
,
.-----, .. .. .. .......

coda valor de una serie con
o
La _ .. _ ...... iueioae...!! de
. raapecto q ... -aia es c:ero: (Xi - x) =
En el ejeooplo aoterior:
icos es au v_ar.o"""lt,
var ian de pe

H
xi-
x
dos de .ata.
abi tual cuando
di,smo tienen en
lue . en algunas
lor otra parte.
,statura as 66,6
'acribir 1a
y tifioar la
,edi as de posicion
en si todas
entro de 1a distr
de tendenc,ia cen
108 percentiles y
B observaciones
2.
50 16
25
- 9
45 11
Esto S6 put:dtt demoslrar de 1u aiguiente manera:
20 -14
30 - 4
0
L: (x
-
x)
=
i
=
Si f 1 numeros tienen media xL'
f k l1umeros tienen media xk.
es:

Xi -
11 x
=
L
Xi -
,>! LXi
=
0
Ii
2 numeros tienen wedia x
2
#
entances la media de todos los numeros
r e1 X CUanR"
promedio en series agrupadas
10 universo,
Si los datos estan agrupados en una disllibucion de frecuencios no co ...
"c,comoo e1 valor de oqdu obattrvu(;ion, Bolo BUUt;IUOa en que intervalo se en-
Por 10 tqnto (Jura culcuhn el prolliedio liubra que determinar._
intervalo. un vulor que represente a todas Ius observaciones en el
, tenidas. Se elige. para este efecta e1 cent.ro a marco de clase quelo
tiwbolizaremos pOl' x j para indicar que es el centro de 10 clase j en que
va de 1 a k siendo k el nuruero de clases. a intervalos de la clasifica ...
,cion. Corresponde 01 punta media del intervalo y se calcu1a Promediando sus
reales. Supongamos por ejeruplo que teneruos una clasi(icacion por
en grl.l.IQIi qul'-lqueuu1es de anoB. Y 01 primel jntervalo es de 0 a 4
:Jue siguen filos. Par convene ion 1a edud se aproxima 01 valor inferior de wanera que un
., . nino tendra a anos basta e1 mallll':nto en que cUlllple 1 afio,tendra 1 ano hasta
El cumpla dos y aSI sllcesivarueJlte. Lo::.; Ilmites reolt':s del intervalo que
.lwera obaerVQClOn os seran entonces: 0,,1 inferior y 5 superior. Por 10 tanto e1
y a.! de cluse sera:
45, 20. 30.
= 12Q = 34 aiios
5
do.:
0+5
x'l :: = 2.5 a nos
2
I En atros casas es posible que 10 aproxirnacioll se hClga a 10 unidad mas
'Cercana COluO !:>uGede pOl: ejemplo a1 delenilinar estutunJ. Si 10 uBidad us ada
el CIII UI1Cl paujollu que lIlide H")i.4 Cill. un valor aproximado de
;161 CWo y ulla qUIiI 1I1itlu 161.8 CUI Ull valor de 162 01 haeer 10 aproximaci6n.
n este caso una clase de 160 a 164 eIO. tendril como l.imites reales: 159.5 y
.64.5 y su centro sera 162 CIll
43

f
J
1. Ordenar I",
2. Determinar
.. cion (n + J
El hecho de tomdr el centro del intervalo como valor para lal ohlerv:! Ubicar el
ciones del grupo ae bosa en el supuesto que los valore .. individuales el N de 0
distribuyen en forma aimetrica alrededor de este. de modo las subest! t cw
, 1 b " U obt 'd 1 en es e
maClones se compensan con as 80 reestlmaClones. na vez ,en1 0 e centr d' d t,
de coda clase estas S8 muitiplican por la frecuencia de observacionea en tEJ
claae correapondiente. 10 da 1a Buma 'de valoree de loa observacio emp.c .
nes en e1 intervalo. Si las frecuencias se simholizan por f j la suma en e S1 1a
ptimer intervalo aera: I. 45. 43. 4:
para obtener ,
f
1
x'1 en el segundo: fZx'Z etc, 'hitud;
I
' 43. 43. 4:
La
media de eata distribucion es: ..... 1(1 aediana 00
dio entre 10
flx\ + f
2
x'
2
+ .. fkx
k
= L fjx' j {. r.tl = (45 .
x
=
L f ,
)
Icalculo de la
t, Cuando la
Ejemplo:
f
too Una forma

los de Clases
bargo si se sl
! todas las obsj
fe' na
I, 5i por ej.
! les son 55 y
observacio
1
io 8ea, Ie cor
1" La ubicac
;' una determin
hervalos indi
l,dos por magni
:' tara ubicada
.frecuencias
t ra
1101>1 a 4:JO cas
'i:I'; {,na ' in te r
qvos del
Gramos de
proteiDa
por litro
40- 44
45
- 49
50- 54
55
- 59
60 -
64
65
- 69
Total
L fj
x =
lied i ana
Protelnas . totales del plasma en prematuros
normales de 15 dias de edad
=
=
Frecuencias Centro de
clase
f. x'
) j
2 42
6 47
12 52
13 57
5 62
2 67
40
L f',x' .
j )
2175
40
=
54.4 gramos.
.
:;
f .x .
) )
84
282
624
741
310
134
2.175
,
i
1,
I
,t',., ,
"
'; "
t
i'
Se define como el valor que deja igual nw...ro de observaciones de vaU", '
res iguales 0 por debajo de como valores iguales 0 superil
res por encima de e1. 108 valores de 1a variable estan ordenados a .
gun magpitud. La simbolizatemo8 por Md.
Para su oalculo se debe preceder de lasiguiente forma:
E
1
t. 10 'o"lo ....
[2. Determinar la posicion correspondiente a 10 mediana. as decir. 1a posi-
t cion (n + 1)/2. en que n repre_enta &1 numero de observaciones:
lor pa.ra ,la,_ ob_ervG,3. Ubicar el valor correspondiente a la (n+1)).2 ava observacion. Cuando
ores lndlvldua1es e1 N de observaciones es par no hay una ob_ervacion central 8ino dos.
nodo que ,las subesU en eate caso se adopta e1 criterio de deEnir la mediana como e1 prome-
ez a1 cent, dio de estas dOB observaciones centrales. .
e observaclones en e' 1
de las observaci . Jemp 0:
por f. 10 sumo' en Q. Si 10 'edad de 6 enfermos ea::
J '45. 43. 47. 52, 43, 55
uros
f .x .
J J
84
282
624
741
310
134
"
2.175
Fro obtener lamediana. debemos en primer lugar ardenar 10 serie segun mag-
nitud; ,
43. 43, 45, 47. 52, 55
la mediana ocupara e1 lugar {n + i)/2 = 7/2 = 3.5, es decir sera el prome_
:4io entre 10 tercera y cuarto
Md = {45 + 47)/2 = 46 an os
Calculo de la mediana en serie agrupada
Cuando 10 serie es muy largo. 10 parte mas ,laboriosa as a1 ordenamien ..
! to. Una forma de facilitor e1 calculo as agrupar 10 serie, 10 cual mocifico
; el procedimiento de colculo. Cuando los datos eston agrupados en intervo -
los de closes. 10 mediana no puede ser con exactitud. Sin em-
'jbOrgO si se supone que cada intervale as compartido en partes iguales por
que en el se se puede obtener una "bue-
no aproxlwaclon.
! 5i por ejemplo en una close de edad de 55 a 64 onos (cuyos limites rea-
lIes. son 55 y 65) se encuentran 270 observaciones. debemos suponer que a co-
'!" da observocion le pertenece un 270 avo del encha del intervQlo de 10 anos,
o sea. 1e cor responde un intervalo de O.OC7 onos.
1 La ubicacion del valor. de 10 mediana ya no correspondera en este caso a
I una determinada observacion sino que a un valer que deja un sara de los in-
! tervalos individuales par deboja y un 5ClYo par encima. cuendo estan ordena-
j dos par magnitud. Para n observaciones habra n intervalos y 10 mediana es
: tara ubicada en n/2. En la siguiente serie agrupada en la columna de
1' frecuencias acumuladas: Ij. 10 mediana estara en 1a clase ,55 a 64 en
, se encuentra n/2 - 975/2 - 487.5. Como en las edades lnferlores a 55 anos
i habia 430 casos acumulados deberemos Hegar hasta el punto 487,5 por medio
l de una interpolacion lineal determinando 81 va10r corr pondiente a 57.5/
avol del intervalo de 10 ana., entre S5 y 64.
I, Distribucion de 975 individuos segun
r edad. lugar X. fecha Y
E dad e 8
fj fj
15
- 24
40 40
25
- 34
67 107
I
l
,bservaciones de val{
es iguales 0
e es tan ordenados SI '

35 - 44
45
- 54
55
- 64
143 250
180 430
27Q 700
65
- 74
275 975
Tot a 1 975
\
orma:
45
Md = 55 + (487,5 - 10
270
= 55 + lZ..J.. 10 = 57.1
270
En general. la for,lUla de la Mediana sera:
l!:. - S) W
Md = L.inf.
fMiI
Donde:
t
k .. ,
; L. inf. = 1
i
,

n
p
S
t
= n
=
po
= s
a
W a
fp -- f
p
el ejemplo:
L. inf
n
S
= limite real inferior del intervalo que cont1ene la MedianI-
= numero total de observaciones i
:.: suma de frecuencias acumuladas hasta e1 intervale anteri a,
= 55 + \
W
01 que 10 mediana.
= omplitud del intervalo que contiene a 10 medidna
f
Md
- frecuencia de observaciones en e1 intervale que contiens G
10 p = 55 + f
67
decites y cuarlites
r
t Signif iea gl
Ademas de 10 mediana puede caicular forma similar otros. das inferior a 63,
res que unidos a ella dividen la serie en 4 partes iquales de 25% de 101 Para el cal
casos cada una y que se denominan cuartiles. En igual forma pueden
larse los deciles que dividen la serie en 10 partes iguales de cada unG
y los percentiles que la dividen en 100 partes iquales de 1% de los casolModo
t .
Calculos de percentiles' .. ".' .. Ellllodo de
or f recuencia.
En cada serie ordenada los percentiles mantieqen una posicion En una ?ist
As! por ejemplo. e1 PEircentil 59 divide 10 serie en dos partes: una lnte
contiene e1 5'9% de las las de valores menores, y 10 otra. elcuenclo. En ,un
41% restante. La mediana divide 10 serie en dos grupos, cada uno de loicorrespolldera a
cuales contiene e1 50% de las observaciones. De. eate modo tamblen se lora.
puede llamar percentil 50, 0 decil 5 0 cuartil 2. " En ulla dist
SUpOngase por otra parte. que es necesario saber que valor es sobrepaJtegorias tienen
. do no mas de 33% de las 'Veces; en otra, palabras eual as e1 valor del per,idefinicion. die
centil 67. En una serie simple. este valor cor responde 0 10 tos tienden a c
observacion. Donde p cor responde al percentil buscado.
(n + 1) ..1'.....
1m
En series agrupadas el intervalo que contiene a1 percentil hUBendo
Una distrib
Cuando el II
10 unico lIIed
identifico de 10 misma monera que 10 hacemos para 10 mediana. Se calculoMedidas de disp
n
100
P y se ubica en la columna de frecuencias acumuladaa en que Una medida
t
d&bidO a que no
ae encuentra eate valor. los fencmenos b
En 10 serie agrupada del ejemplo anterior esta observacion cae en e tanto una descI
intervalo 55 64 ya que el 67% de 975 es 653. Utilizando e1 mismo razona'l d -d d
- tid 1 d' 1- d ah '1' a me 1 a e pc
mlen 0 que en e cas 0 e a me l.ona ap lca a ora a percen tl. es se t1.ene'd' -
p
p
= L. in f + J", W
fp
p
46
----- _.----_._--.. _'------
, lsperSlon mene
t
dClrd

"
j
f,
t
......,........ .. "',, .. ,
.0 = 57.1
= limite real inferior del interva10 que contiene el percen-
til.
= numero total de observaciones
= percentil buscado
= suma de frecuencias acumuladas hasta el intervale anterior
a1 que contiene al percentil
::: amplitud del intervalo que contiene,al percentil
- frecuencia de observaciones en 10 clase del percentil
:Paro el ejemplo:
COl, ,Ina 1a Medianq .
_ 430]
10
1 intervalo anterior \
10 mediclna
rvolo que contiene
P = 55 +
67 270
P
67
= 55 + 8,3 = 63,3 QnOS
[ Significa que 67% de las personas de cliche 'grupo tienen una edad igual
oilar otros dos valo'fO InferIor 063,3 anos.
Jual,es 25% de los; Para el co1cu10 de cuartiles y daciles. se consideran los percentiles
forma pueden calc4 porrespondlentes.
,ales de lor, coda uQ
5 de 1% de los caso Modo
E1 modo de una serie de valores es aquel valor que se presenta con ma ..
yor frecuencia. Par ejemplo en 10 serie: 2. 4, 5, 5. 5. 7. 8 el modo es 5.
. En una distribucion de frecuencias can intervolos de closes iguales.
ma POSlClon pt"eClsa" d 1 1 ' "1" f
d rt a' una que llamaremoa inlervalo 0 close mo a 0 a categorlo que tiene 0 ma:x.lma re-
y 8
10
0
otra elcuencia. En un histograma sera f6cil visualizar esto close modal porque
"ja uno de '10 ,correspondero al intervalo frente 01 cuol el grofico l1ego a su mayor altu ..
e tambien se l ra. "
En una dis triLucion puede DeUfr if que no exista modo. si todas las co ..
ue valor es sohrepas tegorias tienen iguol frecuencia 0 puede haber varies modas si ampliamos 10
es el valor del perl,definiCion. diciendo que cor responde a un valor alrededor del cual los da-
a 10 -tos tiendell a concentrarse.
Una distribucion que tiene un solo' modo se llama unimodal.
ercentil buaoado
o
Cuando el nivel de de la variable astudiada es nominal e1 modo
/rs 10 unica rncdida dOe posicion que se pueqe determinar.
percentil huscndo . . ,
mediana. Se calcultedldaS de dispersion
ldas en que iDtervah-' Una medida de posicion no es suficiente para describir una distribucion
I
'debido a que no considera 10 variabilidad de los valores. caracterlstica de
, fenomenos bio1ogicos y"que ya ha sido menci"onoda anteriormente. Por 10
baervacion oae en e\l tanto una descr ipcion completa de una dlstr lbucion requlere que edemas de
ando e1. mismo medida de posicion se cuantifique 10 dispersion. Entre las medidas de
;>ercentl188 sa diapersion menciouClreruoB 10 amplilud. 108 pel"centiles y 10 desviacion stan-
:
47
Ampl i tud
5e define como 10 diferencia entre e1 valor maximo y e1 valor
L. tanza se calc
lai V idiendo por
minime
una serie.
82 : 82 =
Ejemplo: en 10 serie,2,
5, 6, 9, 10, 13 10 amplitud es: 13 - 2 = 11
i ,La c
Es una medida de fecil obtencion y comprension. Sin embargo por medlda la
solo de los dos va10res extremos tiene serias limitaciones. ASI por ejel
da

pIo, es posible que aparezca en una serie un valor muy bajo 0 muy alto, a una
que tendrla como consecuencia una amplitud grande que no reflejarfa 10 vet e y a as ? e.
daclera variabilidad de los valeres. Esto podria subsanarse eliminando va.mos por u 81. 01
lores extremos IllUY alejados, pero las reglas para hocer esta eliminacif'
serian de di f lei 1 f ormulacion y se pres tar ian a interpretaciones sub jeti vai'
Percenti I.es
I:
f
i.
Al estudior las medidas de posicion se definio el percentil. Es facf
imaginar que 10 distancia entre dos parcentiles deterOl.inado6 servinl par
comparar la variabilidad de diferentes series de valores. Par ejemplo. ito
10 diferencia entre los valores del percentil 95 y el percentil 5 es de !do
unidades IDra una serie y de 70 para otra sabremos que los valores de I.
segundo serie son mas variables. Una diferencio particular entre percent]
les es 10 llamada AMPLITUD INTERCUARTlLICA que se define como 10 diferenc\
entre e1 cuortil 3 (0 percelltil 75) y el cuartil 1 (0 percelllil 25). .
Cuando se I
La desviacj
01 promedio
hay poco di
Ci
Sin embargo no es este el uso mas importante de los percentiles COl
medidas de dispersion. Es en la determinacion de los Ilmites de variaci.+I--____________
habitual que los percentiles adquieren su maxima utilidad. ASl par ejel
pIa. si'se necesita saber cual as 10 temperatura que se puede acei
tar como normal antes de declarar que una personatiene fiebre es
hacer un estudio de -10 temperatura de un grupo de individuos normales. S-
en este grupo de wediciones detenuinamos 10 temperatura correspondiente a
percentil 99 por sabremos que temperaturas de esa magnitud 0 SU?
riores s610 se observan en un .1% de las p!'rsonas normales. 0 en otrol:l
4
8
10
bras aon raras en una persona normal. y es liei to entonees catalogar las 11
f iebre. El percen ti 1 que se usara de l.imi te en t re 10 que se vaya a consi
derar normal 0 habitual y 10 que se considerare anormal es arbitrario y ______ 1_7 ____
pandera.de se poco 0 raro. fr:cuente e
2
percentll 95 0 el 99 como hll\lte superlOr y el percentll 1 0 5 como hmil Xi
50
inferior. Cuando en una distribucion se ha usodo 10 mediana como
posicion se usaron los percentiles como medida de dispersion.
Desviacion standard . t
Para medir 10 dispersion de los valores de un grupo de datos en que ,.;"'" .l: Xi =.Ii
usode e1 promedio como medida de pas icion corresponde indicar como
rlan las observaciones con respecto oeste prolDeclio. Podria pensarse ql
n
10 sumo de las desviaciones de 10 media serio una medida adecuada perc J
hernos vista que esta sumo es siempre igual a cera. (Propiedod 1 de la me'
dia.) Estu dificu1tad se puede obviar 01 cuadrado cada difere_
cia. Tenemos entonce&:i(x ... )1.) 2. Pero este valor edemas de de pender j"
10 distoncio de los valore; con respecto a su media. depende del' numero d
observaciones realizadas. Esta se soluciona dividiendo For e1 numero d
observaciones 10 que :1105 do lIna medida 11amada varianza y que simbolizan Cuando ten
:engorrosa Y COl
mas por
(J 2 : u2 = L (Xi - IL) 2/N. Cuando se trata de una muestra 10 v('
48
, ..
" .
i
..
rionza se colcula con las diferencias cuadraticos de 10 media muestral x y
.4ividiendo por (n I), simbolizandose por: ;
y el valor minima . -
82 ; 82 = L (xi x) 2/ (n 1)
" 13 2 = 11 . .
" I La unidad de medida de esta expresion es el cuadrado de 10 unidod en que
elllbargo por depende-attl medido la variable (8i ejemplo trabajaaios con cm, 10 varionza
nes Asi por expresada en cm
2
). 5i obtenemos 10 raiz cuadrado de 10 varianza nos
.ob ". It J' queda una medida de 10 dispersion en 10 wisma unidad de medido de 10 varia ...
, OJ" 0 muy" 0, Ll ". 1 11 d""" d d 1 "b I"
fl
' 1 ! f.,l e y a esta expreslon a amafemos eSVlaClon stan ar y a Slm 0 lzare ...
]0 fe ejafla a ve. .. .
1
"" d . JIIos por U S1 cor responde a un un1 verso.
marse e lmlnan 0 v
cer esta
subjetivqs,
percentil. Es
ulinados servira pal'.
'es. Por ejernplo, (0
percentil 5 es de do
ue los valores de 1
:ular entre pe. rcentl'
ne como 10 di ferenc t
percentil 25).
los ,percentiles co,
limi tes de variaci'
idad. ASl por eje
rIct que se puede ace
ne fiebre es posib
a


J
i. v iduos normales.
correspondiente
S
,
I
i

esa magnitud 0 supe
les, 0 en otras (Xll
)fICf'''' catalogar las
qu vaya a cons
1 es arbitrario y d
:s frecuente usar
:il 1 6 5 como liml
ediona como medida
.;
r
ersion.
.-
,x
)0 de datos en que
nde indicar como ..
Podria penaarse q .
idu adeouada pero
)ropiedad 1 de 10 m,
adrado cada difereD\
=mas de de pender J B
lepende del numero
Cuando se trota de una muestra, se usara
La desviacion standard refleja la dispersion de los valores con respec-
01 promedio: es grande cuando hay mucha dispersion y es pequeno cuan-
hay poco dispersion.
CO:lculo de 10 desviacion standard en serie simple
Si 10 edod de 5 enfermos es 4.8,10.11.17
-
;) 2
x
Xi'"
x (x i .
'1
4
.
6 36
8
.
2 4
10 0 0
11 1 1
17 7 49
Xi
=
50 0
90 = L(Xi-;)2
L Xi
= 50 = 10
= --
n 5
= =
odo fOr el numero
y que simbol izare
Cuando tenemos muchos datos, esta manera de hacer los calculos es muy
y conviene usar otra formula
f una mueatra 1a v.
49
,
, I
t
{
,1
I
f
I
I
,
, '

(2x,)2
a Xi 2 ___ n_1_
n 1
Clilculo de la desviacion standard en sarie agrupada
Cuando tenemos una serie agrupada podemos hacer los calculos en
sin necesidad de conacer los valoree individuales.

2: 2
2:f.

-2
2:
f ,x' ,
2
( fj x j)
(x j - x)
J J
.
2: f' )
o bien s J s
2: f,
- 1 2: fj - 1
J
Eje mpio:
t

f;
de las
I
.
" , Ul\ 6riterio
ae ia variable.
modo de J
elfkeroposlble dar
'to en la elasifi
'".' ,En escala 0:


lei d"
61o!unp \II.
persi6ni. i
.: . Cuando las m
1 verdadero pre
o. que podro do
ivas de deseri
stand
'OJi' .tn' este: casb
alores.que dese

.j
d
.t
d
"
V

II
Gramos fCote.lna x' , L f x' , x' ,2 L x' ,2
,p
/-n
cuando as ash
aila
el-cenUles. Es
ado porcentaje
lias y nos dara
por litro
J
40 44
49
50 54
55 .
59
60 - 64
65
- 69
2: L - 1
J
42
47
52
57
62
67
4.730.625
119. 665 - 40-
= ------'''''--
39
1.399.375
= =
35,88
39
8 = 5.99
J J J
2 84 1.764
6 282 2.209
12 624 2.704
13 741 3.249
5 310 3.844
2 134 4.489
40 2.175
2.175
2
U9.665 - 40
= =
39
119.665 - 118.265.625
= =
J J
3.528
13.254
32.448
42.327
19.220
8.978
119.665

I,
f4
If,!
Para utiliza
n gr\lpo de date
is t r ibucion s i
abera ser s'ime t
ante por distri
ue entre el pre
alores de aprox
el' 95% de los ,
tcmdard y que I
ntre los limite
Il
:q



fard.
J
t, ,
I:
os calculos en ell


j-
.-
.2 f.
x' .2
J J J
764 3.528
209 13.254
.704 32.448
.249 42.327
.844 19.220
.489 8.978

119.665
=
25
=
Ii,.
leool6n de las medidas de poslol6n y dlspersi6n
Al tratar de describir un grupo de datos nos'encontrarnos con el proble-
UlQ de decidir cualea de las medidas deban usarse para caracterizar su dis ..
tribucion.
Un criteria para 10 eleccion de estes ruedidas sera e1 nivel de medicion
de 10 variable. Sabemos que en una escola nOUlinal solo se podro
nar a1 modo de la distribucion, as decir, 10 categori.a mas frecuente. y no
erG posible dar una medida de dispersion yo que no existe un orden implic!
to en 10 clasificacion.
En escala ordinal edemas del medo se podro' calcular 10 mediana y los
percentiles que sean de interes. En este tipo pe eacola evidentemente se
prefer ira 10 descripcion con mediona y percentiles yo que asi se 10gro no
,polQ una descripcion de 10 posicion del grupo sino que taUibiem de BU dis ..
persion.
, Cuando las mediciones se han hecho en escala de intervalos se presenta
el verdadero problema de e1eccion de las medidas. Dejaremos aparte a1 mo-
do. que podra dorse como informacion odicional y discutiremos las alterna.
tivas de describir una serie can mediana y percentiles 0 can promedio y
desviacion standard.
En e&te caso sera fiUY importante e1 tipo de distribucion que tengan los
valores que deseamos describir. Cuando hay distribucion nos es desconocida
a cuondo es osimetrica. can acumulacion de valores en uno de los extremos
de 10 distribucion. 10 indicado sera su descrippi6n a troves de mediana y
percentiles. Estos medidos nos aseguran cuulquier coso que un determi-
nada parcentaje de las obssrvaciones tiene val ores iguales a inferiares a
y nos doran una imagen facilmente comprensible de 10 distribucion.
Para utilizar el promedio y 10 desviacion standard en 10 descripcion de
\.In grupo de datos es neceaario que estos cump!an ciertos requisitos en eu
giatribucion s1 quut"emoa que estas medluos teugan sentldo. La distribuclon
debera ser simetrica y unlmodal y parecerse a 10 que conoceremos mas ade ...
lonte por distribucion normal. En una distribucion de este tipo sucedera
que entre el p-omedio mas menos una desviacion standard se encontraran los
va!ores de aproximadamente dos tercios de las observaciones, que
del 95% de los valores esta entre el promedio lIIas menos dos desviaciones
standard y que practicamente todas las observaciones quedan comprendidas
entre limites dodos por e1 promedio mas. menos tres desviaciones ston_


.'
51
f
I
I
!
\
t,
f
t
.",t ...
Un problema frecuente y mas especific=ente en I: ,, "
campo ffi&diao, as detQrminar &1 un individuQ 88tO aano Q anfarmo. 8i ea nOl
malo se aparta de 10 normalidad. Para llegar a tal decision gene raIment
se widen algunos caracteristicas del individuo y s1 los valores encontrado
son los habituales en personas sanas se Ie considera como tal, considera",
dolo como enfermo 0 anormal en caso contrario. As! por ejemplo. considera,
r.lamas normal que un adul to tuviera una presion arterial de 130 mm y anor
mal que tuviera una presion de 210 mm, porque es te ill timo valor es raro \\
encontrar en adultos.sanos. },
Para establecer los limites entre 10 habitual y 10 foro es necesari
conoeer 10 distribucion de 10 variable en estudio. en individuos normelel
1 gr6fico que se utiliza paro representer una distribucion de frecuen
cias de datos en esca10 de intervalos continua es e1 histograma. En est
grafico 10 frecuencia en cada categoria de 10 escala esta representada po
el area de 10 barra correspondiente, y e1 total a lCXJ'/o de las observacione
por 10 suma de las superficies de todas las barras.
1-'-3
-3
Supongamos que conocemos 10 distribucion de los volores de glucose sw ,
guinea de un qrupo de individuos sanos y que lerepresentarnos en Ull; de area
graruc. Ba.adoll en a.to dilltribucion pOllibl. fijar 108 limite. entre 10 Supongomos
que se' encuentra 10 mayoria de las personas sanas y fuera de los cuales que decid
encuentrcm muy pecos individuos. 1- Se sabe que
Existe una distrihucion de frecuencias teoricas 11alUada distrihuci(completa tiene I
normal. que puede considerarse como modelo adecuado ,para 10 distrihucion que t
un gran numero de variables en el campo biologico, en e1 sentido que si lsi es hobi t,ual
aumenta e1 numero de observaciones y se disminuye el tamano de los intervtdebemos conocer
los de clasificacion; e1 gr6fico se asemeja al de 10 distribucion normal. Para calcul,
distribucion que tiene las 'siguientes caracterl.Bticaa: :lor de la varia
14 Su grafico semeJa una campana simetrica cuyas colas se extienden hac{mal. Para evitl
e1 infinito tanto en direccion negativa como positive (as reducida. (
respecto 0.1 eje 4 .'. {\lsar estas tabu
2. El promedlo, la medlana y e1 modo de 1a d,str,buc,on tienen el estan dodos
valor.. ., . . . I<lat"d tengan est
3. La dIS tnbuclOn queda comp1etamen te deflnida por e1 promedlO y la debie normal stane
viacion standard. El prome4io nos informa sobre 10 posicion 0 Ubi
1
'
cion de 10 distribucion en el eje horizontal y 10 deaviacion atanda ,,'
rafleja 10 dispersion de los valores con respecto 01 promedio. '. Z::: .1L..:..H:
4. 1 area bajo 10 curva comprendida entre los valores de a
x fL - a y
fL
+ a es aproximadamente 0.683 6 68,3 %
fL - 20' Y
I"
+ 20' 0.954 6 95,4 %
fL-3O' Y fL +30'
cualesquiera searl los va lares de J.J- Y 0-
Aunque teoricamente 10 distribucion l1ega a - co y a + 00 10
t iea no se encuentrcm' volores a nias de 3 desviaciones standard del
52
En Ijl ptobl,
sanguinea e
,:;:. ,
.... '.
,

meal,o.
',', En le tabla,
..
"
especificamente en 'f
o enfermo 1 .a nor
decision generalmen
as valores encontra
como tal. considera
or ejemplo. consider
rial de 130 mm y ana'
1 t.; valor es raro t
, !.
10 raro es
individu08 normal
strlbuoion d. freeue
histograma. En 8S
esta representada p
de las observacion ..
K' DE MUESIRIS
w
3a
I
-3
alores de glucosa s .
,.elltamos en un hist "Cal cui 0 de areas
1'--2 a Jot-n' pt3 a
I
-1 -I o
los limites entre I '
[uera de los euales
Supongamos que frent e a una de t e rminacion qe glucosa e n 10 sangre ten-
gQJJK)S que decidi ,r 5i este valor eS normal 0 no,'
Se sabe que ' midiendo 10 gluCOSQ sanguinea. en mg por 100 ml de
11olAoda dlatribucl ' cOlllpleta t.ient! distribuc ion normal con promedio .83 y desviacion standard 4 .
ora 10 distribucion Supongomos que en un poci ente se encuentra un valor de 90. Para determinar
1 e1 sentido que si si es habitual tener un valor de e ste mognitud a superior, estando sana,
tomano de los interv debemos canacer 10 prababil i dad can que esto ocurre.
, distribucion Para ca1culor e1 area bajo 10 curVQ normal a partir d.e determino.do va -
lor de 10 variable x s erio necesario integI"or 10 funcion de densidad nor
las se extlenden hael mal. Para evitar este trabajo se han construido tablas de areaa de 10 nor-
sitiva (ea o8int6tl ' mal reducido. que tiene promedio 0 y desviacion standar'd 1: Para poder
uci
. ,usar estas tabulaciones es necesor io transformer 10 variable original en
tienan a1 que eston dados los datos de monero que Sli promedio y su desviacion stan ..
promedio y la d.
! 10 posicion 0 ubic
_a desviacion standa
01 promedio.
8a de
0.683 (, 68,3 %
0,954 (, 95,4 %
O. 973 - 6 9'h-fr--%-
".1(, ,/
dord tengan (istos ,val ares. Ealla variuultJ transformuda sa 11uIII0 vqria ..
hie normal stcmdord y s e simuolizara por z en que
z:.:.:
o
En e 1 problema que
coso sWlgulnea de 9).
nos preocupabo. habiamos encontrado
E1 valor de z correspondiente es:
z = .90 - 83
4
'"
-+ = 1.75
un valor de glu-
ya+oo
standard del
1
' quiere decir que 90 se encuentra a 1.75 desviaciones standard del
a pro media.
En 10 tabla. z aparece has ta con dos deciruales, indicandose los en teras
. y el primer decimal en 10 primera columna y el segundo decimal en 10 prime.
,fa fila, El centro de 10 tabla contiene los vol ores de la superficie bajo
53
III
t
f
I;

,
f
la curva. expresada en relacion a 1 desde el valor de z hasta infinito. t" 1 1 h
10 misma direccion. Es decir, para un z positivo, desde z hasta + CD Y p,riotr P1ara 0
. d d h ua y raro.
ra un z negatlVO. es e z asta ... 00. d 1
En nuestro ejemplo, en que z : + 1.75, e1 area cor responde a1 val d't al vee
anotado en 10 interseccion de 10 fila correspondiente a 1.7 Y 10 column
0.05 y es 0.0401. Esto significa que segun el modelo de la s El
normal que la probabilidad de encontror valores iguales a superiores Iitt r. 1 n e c
0.0401 a bien que hay un 4.01% de valores iguales a superiores a 90 mg poc arm narlamods
100 1 d ue correspon e
m. e samF
e
hfarior. Para
S1 defl.llieramos como raros, aquellos valores que ocurren menos de 5% \l" 1 d l'
las veces en este caso deberiamos declarar anormal 10 glicemia encontradQj VpQ or e z_ t
'
La b1
. d t . b b'1'd d . 1 tara encon I
to a permlte e erffilnar atros pro all a ee, por eJemp 0, 1a formula de
de encont,rar valor en d.terminado Inter:,a.lo de 1a varl.able x, para If
cual habra que tener presente que la superflcle total vale 1. i
Si par ejemplo q-uisieramos conocer la probabilidad de encontrar valor(' = K - jJ-
de glicemia entre 75 y 85mg, buscariamos z y su area para ambos valorel z -u--
=
75 83

z =
= -2
1 4 4
P1 = 0.0228
z2
=
85
-
83
=
2
=
0.5
-
4
4
En el grafico , las areas correspondientes se indican par 10 parte
breada.
15
I
-2
f = 83
= 1.6
1
15 "II
U
p ='. 83
I
e1 gr&fico Ip
s valores ,raro
, _ .' J
,
j
I'
-
1.0 que nos interesaba, sin embargo, era el area en
areua eXlnHntlS y rt:3stanc)olus Cl lu superficie lolal 1
bilidad buscado.
t,
blanco. Suruando I! \. Como se
encolllruUIOS 10 probfit oonsiderara l
1% etc. deper
0.0228
+ 0.3085
0.3313
1.=
:. ,.' ,.'
0.6915
41tlmo d

cion que se I
1. '. Lo.s requis
intervalo!! 00
De modo que 10 probabilidad de encontrarvalores entre 75 y 85 es de se
o 10 que es 10 mismo. esperCBllOS que el 69,15% de los individuos san os tenln los dlst.lnto:
glicemia entre 75 y:85. i?1D8nte con las
La tabla Bolucionar no solo problemas relativos a la probabiDBncia se
dad de encontrar valores de z superiores. inferiores 0 entre eate memento.
valor es de z sino que sirve tambien para encontrar los valores de z y
secuentemente los de x que delimitan areas preestoblecidas. Supongamos q
en e1 problema de 10 glicemia quisiercunos establecer limites inferior y 8'
, hasta "'rior para 10 habitual. En primer lugar habria que definir e1 criteria de
e z hasta ro Y p qbitual y raro. Supongamos que consideramos raro un hecho que ocurre 0610
n 5% de lao veceo. Aplicado eete a1 limite inferior de 1a gliee-
orresponde a1 1
010
ia
,
debemos encontrar e1 valor de z bajo e1 cual queda 'e1 5% del area de
a 1.7 Y.lo co distribuci6n. 0 en otras pa1abras que tiene 0.05 de oeu-
de 10 rir. En eat. C080 buacaremo. en 81 centro de la'tabla el valor 0,0500 y
les. a Buperlores e '.terminarlomo8 a que' z corresponde. La mas proximo a eate valor as 0.0505
)erlores a 90 mg P \18 corresponde a z .:. 1,64. Eate z tendra valor para e1 Ilmite
.nferior. Para el limite superior. rigiendo e1 mismo criteria, tendremos
urren de 5% n valor de z limite de + 1.64.
111cemla Para eneontrar los valores de x correspondiente s610 reeta despejar x
par eJemplo. ela formula de z:
var l.oble x. para \ .
ale 1.
de :ion t rar valor
ambos valore
,
j
x. f
In
z
sup
x.up
"
83
-
1.64
"
1.64
=
"
83 + 1.64
x - 83
- 1.64 "
4
(4) = 76.44
x
-
83
4
(4) = 89.56
n el grafico los valores habituales corresponden \11 area sombreada (9ClY.) y
:an por 10 parte iii pi valorea rarOB en peraonca normales, 01 area en' blanco (lm).
5
-l. 64
3
I
o
89.56
I
I. 64
x
z
Como se puede desprender del ejemplo. el limite que 5e fije para 10 que
considerara habitual y raro es arbitrario. Podria haberse dado un 2%.
1% etc. dependiendo del criteria del investigador.
lanco. Sumando 1.
ncontramos 10
Por ultimo debe quedar en claro que. por muy atractivo que cesulta aste
etodo para csiqner probabiliclades a un intervalo de valores 0 para deter
inar limite. de variaci6n habitual. esto 5610 tiene sentido cuando los da-
as con que se trabaja se conducen segun al modelo de 10 distribucion nar-
01. Los requisitos que deben cumplir son: que sea una variable en escala
75 Y 85 es de 0.69
dividuos sanos ten
e intervalo. oontinua, que lu distribuci6n sea unimodal y simetrlca. que
u histogram se asemeje a1 de 10 distribucion normal y que las frecuencias
n los distintos lntervalos de 10 variable estudiacla coincidan aproxima-
awente con las que se esperan par 10 distribucion normal. Esta coinci _
ivos 0 la prababif se puede evaluar con otros metodos estcdisticos que no se detailen
o entre determina n momento.
vulores de z y co
dos. Supongamos q
mite. inferior y
55
,
I
I
...... __ ._. __ .- .... -.-
PROBAB III DAD
Imbo,oKfa:
n
Un conceplo usado corrienlemenle en la vida diaria ,= num
. m
A
= num
de
Un caracter comun a 10. hecho. cuya frecuencia expreaQ en termi,", P(A) =
de probabilidad. e"s 1a incerticlumbre previa sobre 10 ocurrencia del hee;
en un caso particular. A pesce de ella, la necesidad de
decir e1 resultado para adoptar una declsIon. Por ejemplo, cada vez que}
P(A
hace un viaje en avian no 88 conOC8 con certeza .i ocurrira 0 no Un ace,
dente: hay una pequeno probabilidad de que "ste ocurra y; complementari .. . _
mente, una alta probabilidad de que no suceda. Tomar la decision de
el viaje supane predecir que no habra Un accidente en su curso, predicq .
que se baaa en la probabilidad antedicha. f LA PROBABIL

NUESTRAL
Por que interesa en medicina U TOTAL DE P
Aun con las tecnicas actuales, no es posible identificar y Pfuntos
od 1 f
'1 t 1 1 . d t . 1 . 1.enClQ or man
t os os aetores, mU Ip es y comp eJos. que e ermlnan a ocurrenClQ "E.pacio mu.
loa hecho. bio!oqico8. Con e}tn.lca y ante un enfer'ual uier resuj
nos vemos forzados a hacer un dlGgnostlCo y pronostLco probab1es, y a II 1 q . t
1
. p. 1 d 1 f ,. e con J un o.
mu ar un trotauuento. or eJemp o. uno e os aetores pronostlcoS en luaatral" ..
per.ona quemado. e8 la extension de 10 quemadura. La experiencia mue., En nu;stro
que euonde esta no excede al 2c::Po de 10 superficie corporal. falleeen 1CR,os al azar E
los enfermos; euendo 10 quemadura aleanza 10 mitad de toda 10 superfiYaris sin 6scc
corparel, la mortalidad llega a 95%. Ante una persona que tiene una qUI!!. ('1 -os). .
d d
. . - d ' 1' b >Os n n ca
ura e eseasa lrlomos que e p-onostlco es enlgno porque , . La definici
mas probable es que sobreviva; este pronostico no tiene seguridad la t
tal enfermo podria ser precisamente uno de los que mueren a pesar de .e
loa quemaduraa no 80n extenao.. El es cio m
Lo importante 88 que es po.ibis hacer predicciones probdb111sticas. -pa
base a la experiencia anteric.r. PRDICCIONS Que SON VALIDA S . con restri
ciones, PARA GRUPOS DE INDIVIDUOS. Por ejemplo: 10 tasa de mortalid,d I
neral en Cllile fluctua alrededor de 9'/0 y esto significa que de cada 1,(
chilenos van a mor,i r 9 en e1 plazo de un ana; esta prediccion se cumpli
con bastante exactitud sin que seamos capaces de predecir qUienes son 1
que viviran y quienes morireD.
Definicion y medicion de probabilidad
Ejemp1o: .. En un estudio hecho en e1 Hospital Calvo Mackenna sobre
cia de parasitos en ninos se encuentra:
22 casas de ascaris
178 casos sin ascaris
200 ninos estudiados
El modelo q.
ual probabilid
U eleccion I!S ,
, .
'9tese qae se c
[!''tcfa, la prol l
:, ....
S1 se eliqe a1 azar uno de estos
este infestado eate para.ito?
200 ninos tcual es 1.
,"- n - :
probabilidad ,'\': p (A) =
Adaptacl&n de enteroparaslta16giea en Hospital
801. Chile. Para.sit. X.V,II: 93-100. Oct.-die. 1962.
Calvo Nacke
n


, ' f .....
.I i
Qsleller. Rau .
l 96l
I
56
, .. .. . ____ . ___ ._t,
,,'II' .
mboloafa:
n = num.ra de ninas
de caSOB posibles = numero
probabilidad ss 8studia
=
de puntas en e1
= numefo d. ninos
numero de cas os
probabilidad de
e expresa en termi . PtA) =
ocurrencia del he
examinadoa = numero
espacio muestral.
con heeho A cuya
"favorables
lt

ocurrencia de A.
10 de P ntonces:
3mplo, cada vez que
curriro 0 no un ac :i
ra y complemen tar ,;'" ..
P(A) = 22/200 = 0.11 0 bien 11%
la decision de hoOf I" I C I on:
1 5\1 curso, predicc'"
LA PROBABILIDAD DE QUE UN HECIIO A ES LA RAlON
UNTOS NUESTRALES QUE COIIRESPONDEN A LA OCUHRENCIA DE A
TOTAL DE PUNTOS (CASaS POSIBLES).
ENTRE EL NUMERO DE
(CASOS fAVORABLES)
ltificor y cuantifi
ninan 10 ocurrencia
co y ante un enfer
probables. y Q f
res pronostlcos en
.Q exper iencia mues
poral. falleeen
de toda la superfi
a que tiene una que
) as benigno porque
ne aeguridad abaolu
mueren a pesar de
les probabi lis t ieos
VALIDAS, con restr'
tasa de mortalid,d
: lea que de cada 1.
)red; 88 cumpl
,dec quienea Bon
sabre free
es 1. prQbabi1idad
puntas que represent an todos los posibles resultados de una expe-
,iencia forman e1 espacio muestral.
"Espacio muestral de un experimento es un conjunto que
.ualquier cesultada del experimento cor responde exactamente a un elelllento
'l conjunto. Un elernento en e1 espacio muestral se designa como punta
.'hestral". "
En nuestro ejemplo e1 experimento consiste en elegit uno de los 200 ni-
08 01 azar. El casulteda del experimento puede ser de dos tipos: con as-
sin ascaris. E1 espccio muestral asta constituido por 200 elemen-
(ninos); Gada nino es un punto muestral.
La qat in1cion -de probabilidad que hamos <;lado as de caracter aplicado y
,"presento 10 frecuencia relative con que ocurre determinado hecho si e1
xperimento se repite indefinidamente. .
El espocio muestral puede representarse graficamente:
... '::
... <.: .
. . . ' .' . ..' . ., ...... : . . . .. .
. ". '.: ......... ' .. : :'. . .. . . '.' . " .. .
El modelo que se esta explicando se cacacterizQ porque se asigna una i-
ual probabilidad a todos los puntos: cualquier nino puede ser elegido y
eleccion es igualmente probable. En este prim
7
r esquema, 01 simple,
Otell8 que 86 conaidera un 8010 hecho; inte.tacion por ascaria. En conse-
la probabilidad de que A no aeontezca (no infestaeion) es:
(.
PIA) = = 1 - PIA) = 1 - 0.11 = 0.89
1
n n
Esto significa que las fI'obabilidades complemental"ias suman uno.cons ..
certeza.
spitQl CoJVQ Macken
j!o.t.Jlor, Tllomas: "Probability and Statistics", Addisoll .. Wesley.
pSI.
57
III
",
f
PIA) + ptA) = 1 .
I
" puede ve
, Q
d I b
. . f t d ' . 0,41 0,05::
Si en elA t10tal e 2(0 niiiosdno lU lera lnpe(sA)a:! aBC
PtA) = 0, a lnversa, Sl to as tuvleran aSCOrlS, -. n cons'f, (A B) 1
cuencia toda probabiLidad tendra un valor entre 0 y l: h 0 A B
es
(
ec os , ,
.
O:;;P:;;l si P ::: 0 hay imposibilidad de ocurrencia
r Si compara1,
r (AB) dif lare d,
si P 1 hay certeza de ascpris los
A veces 10 probabilidad puede ser determinada "a priori". Por ejemp1P(B) 'en: que en
en e1 lanzamiento de Ull dado tacias las caras tienen igual probabilidad Jlos 10 casos qUI
ocurrencia y podemos. e.sl ablecer de antemano todos los casos posibles y 10' Luego:
favorables. Par ejemplo, 10 probabilidad de obtener un seis es 1/6, porq.
los casos posibles en un lanzomien to son: 1 - 2 - 3 - 4 - 5 - 6, y el onie
caso favorable es 6. rCA 0 B) = P(AB
Ip ( A 0 B )
En muchas otras a:::asiones 10 probabilidad se determina "a posteriori'\'
en base a 10 frecuencia relativa observacla en experiencia previa. Por e:
jemplo.- en 1958 81 total de nacido8 vivos en OdIe fue de 250.247. De 1
11os, 127.432 fueron hombres y 122.815 fueron mujeres. De estos datos de
ducimos que la de que un nacido vivo sea hombre es de: 'Este es e1
127.432/250.247 = 0,5092 (50,92%)
Teorema de adicion de probabilidades
gue oeurra par
ilidades simples
.fP:le ambos oeur n
Petra nues t rc
u.
t
. P (A 0 B) '"
A (Denudo inter.aa la ocurrencio de Ul6. de un hecho. En e1 ejemp10 r
do an ter iormen te. se" inves t igo tamblen 10 axis tencia de at roO perosi to.
Gra fieamen t
ranera:
1emblia .. con los rest,1 tados siguien les:

Infestacien
Infestacien por lamblias
por ascaris
s1 no total
si 10 12 22
no 82 96 178
Total 92
_L
lO8
__
2CD
Originalmente ten.i.amos dos probabilidades:
que un nino elegido
ascaris [P(A) = 0,11] 0 que no los tuviera
Ambos probabi l.idades sutl!oban 1.
Vemos que 01 agregar Un dato mas a nuestro
una ser i"e de at fOS prohaL il iclades. DenolllinelDos
par A y til dti taller lombIiaa par B.
l!'Oi)
investigacion han
e1 hecho de tener
1
,1 i it
"1,
, .. ,
-
, .j
La certeza actual::: I, est6 constituida par la suma de las siguient
probll.bilidades: . f
P (AS) ;:; de tener ascaris y no tener lamblias = 12/200 ::: 0 ,
P (AB) ;:; probabilidad de leller lamblios y no tener ascaris:::: 82/200 = 0:( . Es posible {
P (AID ::: probabilidad de tener Jalliblios yascaris = 10/2eD = ... r. que fl? pue
P (AB) = probabiLidad de no tener lamblias ni ascaris = 9612CD = 0:1; eoremil de Adicj
58
Total
.

'1 ' ::
r '.
' j
;?, .
_.\,. , ' .."f,-,'.,"w .. "!.,., ..:.-................
l Se puede ver facilmente que la probabilidad un_nino elegido ten-
1
9a cualquiere 0 ambos porasitos es la suma,de P(AB) + P(AB) + P(AB) = 0,06
f d
' . + 0,41 + 0,05 = 0,52. Simbolizaremos esta situacion por PIA 0 B) en que "0"
n asta 0 con ascarIS . .. ,.. .' .
P(A) = 1 E plgnlflCa! ascarIS a lambllos 0 ambos. Esto es equl.valente Q declf que
, n conse (A Q B) es la probabilidad da que oeurra POR LO MENOS UNO de los
: A, B.
[encia _Si comparamos con las probabilidades simples origina1es. vemos que
f(AB) difiar. de PIA) en que en el numerador S0 he restado_a los 22 casas
co{} ascaris los 10 que ademas ten ian lamblias. A su vez peAB) difiere de
prl.Oll. . Por ejemplP(B) en que en e1 Q los 92 cas os con lamblias se les ho restado
igual probabilidad JOB 10 casos que ademas tenlon ascaris.
; casos posihles y 1 Luego;
un seis es 1/6 I porq'
4 ) - 6. Y el uni
(A 0 B) = P(AB) + P(AB) + P(AB) = @(A) - P(AB]
lp ( A 0 B ) = P(A) + P(B) - p(ABll
rmina a pas ter ior i", .
encia previa. Por e;
ue de 250.247. De.;
). De es tos datos de .
Este es el teorema de adieion de probabilidades: la probabilidad de
que ocurra por 10 menos uno de los hechos A a B es la suma de las probabi-
lidades simples de ocurrencia de cada uno de elIas menos 10 probabilidad de
'que ambos ocurran simultaneomente.
hombre es de:
, Para nuestro ejewplo:
P (A 0 B) = 221200' 92/200 - 101200 = 0.52
o. En e1 ejemplo us ,;
I de'otro' parasito. 1
Gr6ficarnente se puede representor e1 espucio muestral de 10 siguiente
onera:
Ai! AB AB AB
I
1
......
,/1
7j /

.'J.
, olfio alegido

umo de las siguien t, .. -.
stigacion han surgid:
8cho de tener ascar)' . . "
Iblias = 1212m = 0, . ,
;car is = 82/2m = , Es poslble que los dos hechos A y B sean MUTUAMENTE "YENTES. es de-
= 10/2m = 0 Clr, que no pueden aeontecer conjuntamente. En tal easo P(AB) = 0 y el
= 96/2m = Teoremq de Adieion se simplifiea a: .
1.
59
'II
I .
P (A a B) = PtA) + PCB) .i A. B mutuamente exeluyente8
Graficamente e1 e.pacio muestra1 serla:
If)
'I
. " ,
,.

J;, '
,
f

Dividiend
P(AIB)
Luego:
E.te reau
\ Este es E
! COIiPUESTA 0 C
.. Habriamoe
i punto de vis t
[v1omente se c
f: P(AB) = P
Este teorema se puecle a mas de dos hechoa. Per Indape
1963 notificaron 28.543 casoll de Sarampion en Chile, de 1011 cual!
13.768 Deurrieren en Santiago. 2.709 en Valparaiso y 2.186 en 008 IDa
Estos eventos son mutUQmente excluye ntes. La probabilidad de que un e110s no afec
de sarampion haya ocurr i do ep Santiago. Valparaiso 0 Concepcion es: En tal co
= 18,663/ 28.543 = 0,65 I' P(AIB) =
Teorema de Composicion de Probabilidades 10 c\lQl e
13.768/ 28.543 + 2. 709/28.543 + 2.186/28.543
Entendewos por probabilidad cOlDpuesta 0 eonjunta, 1a = f
que dos 0 ma. hech08 ocurran simultaneamente. En nuestro ejewplo seria .! LOS HCH
probabilidad de que un nino tuviera 01 mismo tie ropo ascaris y lamblias, ." Siendo PtA) D
to es, P(AB). l.alesde otro pI
Con e1 fin de dedueir una formula para P(AB) es neee"ario introducirf la ocun'encit
concepto de PROBABILIDAD CONDICIONAL. Esta es, 1a de que OCI: cluyentes. es
rra un hecho cuando se establece como concilclon que hoya CO. rem
rrida oteo hecho. En sImbolos se r e presenta por: P(AIB} = prohabilidad;: cuando = 10 (
' que ocurra A habiendo ocurrido previawente B. . If. En una 81
En nuestro ejemplo P(A/B) serla 10 probabilidad de eucontrar un D .:'- tritivo en r.
infestado por ascaris en c ircunstanc ias de haberse comprobado que port : Sa define
lawblias. El mue.tral de caeoa pOlllblea ae reduce entone a _ .
92 ninos Infestados por lcunblias y los casos favorables son 105 10 nii A = homb
que adicionalwente tienen ascaris: '
= muje
A
P(A/ B) ",--
= 10/ 92 = O.1087x(10.B7 %)
'.
81 el rei
60
It ' " I
"
;
,
. S
..
, i
"
.
"
Dividiendo numerador y denominador del termino derecho por n tenemoa:
P(AIB)
"AB/n P(AB)
= =
'"BIn P (B)
Luego:
&) = P(B) P(AIB) I
= = (0,46) (0,1087) =
= 0,05 (5 %)
Este resultedo es equivalente a 10/ 200 = 0,05
Eats 88 el rORNA DE NULTIPLICACIOH DE PROBABILI DADES 0 PROBABILIDAD
CONPUESTA 0 CON]VNTA .
Habriaao8 lleqado 01 alemo resultado apllcando eate teorema desde el
punlo de visla de 10 probabilidad condicional de lener lamblias cuando pre-
viamente se 1a existencia de ascaris: .
P(AB) = PtA) , P(B/A) = 221200 10/22 = (0,11) (0,4545) = 0,05 (5%)
has. Par ejemplo, "echos independientes
:hi I e . de los eual
2.186 en Concepci ' I Do. 0 .Cia hecho. aon cuand'o la ocurrencia de uno de
ilidad de que un c el108 no afecta lq probabiliQad de ocurrencia de, al 0 de los otros.
:oncepcion es: En tal C080, 8& claro que:
,63128.543 = 0,65
P(AIB) = P(A} y
can 10 cnal el teorema de
P (B/A) =, P(B)
composicion de prohahilidades sa transforma en
I P(AB) = PtA) '. PCB) a1 A y B son independientesl
LOS HECHOS INDEPEHDINTES lAMAS PUEDEN SEn MUTUANENTE EXCLUYNTES.
'. 10 probobilidad
dtro &Jewplo serio
icaris y. lowblios,
Siendo PIA) mayor que 0 y P(B) mayor que 0, su producto nunca podro ser O.
Desde otro punto de vista: 81 la ocurrencia de un hecho hiciera iUlposible
introducir 10 ocurrencia de otro hecho. COiDO sucede en aeontecilllientos wutuamente ex-
bnbi l idud que 0 ' cluyentel, datal hecho. logicamente no son independientes.
oc Comparemos ahara 10 que sucede cuando dos hechos son independientes y
lB) - probab111dad cuando no 10 son.
d8 encon t rar un n'
omprobado que port
reduce entonees a
:)1es son loa 10 n1 - ,
(10,87 %)
, "
, ,
', '
En una escuela se examino
tritivo en a1 aexo.
58 define:
A = hombre
A = mujer
Si e1 resultedo es:
1.500 alumnos estcblecer su estado nu-
B = deanutricion
B = ausencia de desnutricion
61

II
I
I
I
i '
(

N a1umnos
Hombres I.CID
Mujeres 500
Total 1.500
<Son A y B independientes?
P(B/A) = loo/1.CID = 0,10
Desnutridos
N
%
100 10
SO 10
150 10
I prDblema
,Con ci'lrta f
d,un del
cualn el he
pt ejemplo:
Be se1eccionan
PUE
"Seensaya una I
blaslfican en' I
Be inoculan 20
se rva en cada (
' i,'. Enioficies Blire
P (B) = 1&0/1.500 0_10 Luego A y B 80n indapendiente.
La probabilidad de que un nino elegido a 1 azar de esta escuela sea
bre y desnutrido sera por 10 tanto:
h n numero dado d;
om .. rimento con la
pn la droga has
Oenfetmofl debel
or que la an t ig'
P(AB) = P(A) , P(B) = (l.CID/1.5OO) (150/1.500) = 2/3 , l/10=2/30=0,!ll7
Sit en cambia. e1 resu1tade hubiera side e1 siguiente:
Deanutr ido.
f'jQ
alumnos
N2
%
Hombres 1.CID 50 5
Mujeres 500 50 10
Total 1.500 100 6,7
, e 15 por mera st
ptpblemas de
i, $j
! "'(!" ',' .' '\ .,' .
qui $1 los 'para L
<1; nebe haber
100 escolare,
2; En cada '8
" " do s, a me'nudo
t f,.u idea de hi
hlcticq los resu
heinaH.;as el m
'un tratamientc
muertej pod
stantes.
'

En este coso P(B/A) = 50/1.CID " 0,05 ,> Por, "lemplo,
P (B) = 100/1.500 = 0,067 Luego A y B no son inde_
pendientes, es decir, la desnutricion depende del sexo. ue sea positivo.
La probabilidad de que un niiio elegido sea hombre y desnutrido sera e.',
tonces:
P(AB) = P(AJ P(B/AJ = ,(1.=/1.500) (50/1.=) =
Es erraneo. en cambia:
50/1.500 = 0,033
P(AB) = P(A) P(B) " (l.CID/1.5OO) (100/1.500) = 2/45 = 0,044
En realidad sabemos que la situacion conjunta de ser hombre y desnut
do oeurre solo en 40 ninos de un total de 1,500, y su probabilidad es
11.500 = 0,033.
62
ensayo
liSl';;b/;hI:iia;;ld,f 0
:'1 d
10
del s
ta prot
el' segul
4'
o
o
o
endientes
es to escue la sea hom,
. 1/lCF2/3CFO.067
ute:
.s
%
5
LO
6.
B no son inde ..
dvsnutrido ro en
iCD = 0.033
= 0.044
hombre y
J probabilidad es 5
DISTRIBUCION BINOMIAL
I problema
Con cierto frecuencia en medicinu una lnvestigacicn -.:il J." oh ..
ancien de un determinodo numero de unidades de observacion. en coda una de
as cuoles el hecho en estudio puede expresarse en 5610 dos alternativas.
or ejemplo:
Se seleccionan 100 escolares a quienes se les una reaccion de tuber-
:gue put::de ser "positiva" 0 "negative" .
. Se ensaya llno nueva droga en 3q enfermos y los resultados individuales se
clasifican en "curacion" 0 "frucaso".
,. Sa inoculon 20 ratas con una substanciu presumiblemente toxico y se
servo en cada ani mol si "muere" 0 "sobrevive".'
Entonces surge 10 pregunta de cucil es la probabil1dad de que se observe
n ,numero dado de veces una de eslus alternativas. Por ejemplo. en el ex-
rimento con 10 nueva droga se observan 20 curociones (67% de curaciones);
on 10 droga haste ahora usada las cliraciones eran habitualmente sac; y en
o enfermos deberiamos esperat' IS curaciones. Si la nueva droga no es me ..
0[" que 10 antigua, (,cuon es que se registren 20 mejorias en vez
,6 15 por mera suerte en una experiencia con solo 30 enfermos?
Problemas de esta especie pueden" ser resueltos utilizando 10 distribu-
lon binp,icd, si se curnplen detenuinados requisitos.
pquisitos para utilizar la distribucion binomial
1. Debe haber' un numero Ii jo de "ensayos"
1m escalares, 30 enfermos. 20 rutas. etc.
2. En cada 'ensayo, los resultados posibles son necesariamente s610
dos, a menudo denolllinados "exilo" y
La idea de binomio indica justumente dos nombres. dos terminos. En 10
ractica los resultados posibles podriun ser mas' perc si se agrupan en dos
Iternulivas el modelo, es aplicable. POl' ejemplo. los resultados c1inicos
e un tratamiento podrien ser: Guracion. mejoria. estacionamiento. agrava ...
+00, pod,"iomos llamor "exilo" (] 106 dOB primeros y "fracaso" a los

3. La probabilidad de "exito" debe ser igual en todos los ensayos
Por ejemplo, 8i se sabe que el porcentaje de' ninos tuberculino _ posi ..
tivos en las escuelas primarias de Santiago es 30% y se taman 01 azar 10 de
110s. podemos suponer que 10 probabilidud 01 elegir coda nino es 0.3 de
pe ,sea positivo.
4. los ensayos ueben ser Inuepenulentes entre sf
Esto es, la ocun-encia de ulla alternativa en un ensayo no debe efectar
a probabilidad de ocurrenciu de ella ell ninguno de los otros ensayos. En
1 ejemplo de in droga ensaynda en 30 diferentes enfermos. la probabilidad
e curacion del segundo enfermo es igual haya 0 ilO curado e1 primer enfer ..
'
0
8i estu probabilidud fuera 0.70. entonces 10 probubilidod de que el
rimero y el segundo enfermo curen sera (0.70) (0.70) = 0.49.
IQIbQlogia
n ::: mime ro de ensayos. s itmdo n :;.. 1
p = probabilidad de .. exi to" en un ensoyo; 0 ...::: p < 1
q = 1 - p = probabi lidaJ de .. f rucaso" en un ensayo
x = numero de exi tos en n ensayos = 0,1. 2. . .......... n
63
r
"""
'_.
' I
':
"j
, "
I
I
I
Ii
I

I
! ,
1"\
I
I
Un ejemplo.
En 1a d1fter1a lar!ngea 1a leta1idad e. hab1tua1mente de 81
ligen dos de estos enfermos al azar. ,-Cual es la probabilidad de que
-de elIas muera y e1 otro sobreviva?
En este caso e1 numero de ensoyos es das enfermos. e1 curso de 10
fermedad puede terminar en sobrevida (8) 0 mUllrte (M), 8e han elegido
casos cualquiera a los cuales podemos atribuir una probabilidad "0
de sobrevivir iguo1. y 10 que suceda a1 primer enfermo no afecta 10
cion del segundo. Luego:
n - 2
p = probabilidad de sobrevivir = 0,90
q = probabilidad de morir = 0,10
x numero de exitos, este es, sobrevivientes
Se pide P(x = 1) = probubilidad de observar un sobreviviente.
El numero de muestra1es es 4, porque e1 primer enfermo
brevivir 0 morir (dos alternativas) y el segundo tarnbiem (dos alte
vas), 10 que da 2 x 2 :;:;: 4 resultados posihles. E1 eapae'io muestral as:
E
=
(SS. SM. MS. 1Vf,1)
Coda uno de estos puntos representa una probabilidad conjunta
sss
hechos independientes. que corresponde 01 producto de las
simples.
Por ejemplo:
P(SS) = P(S) PIS) = p.p
(0, 0Cl) (0, SO) = 0,81
De modo similar se obtiene:

Punto muestrul
SS
SM
MS
Numero de "exilos"
2
1
o
P r 0 b a b iIi dad

p2
-
(0. SO) (0. SO)
""
0.81
pq -
(0. SO) (0.10)
=
0,09
qp = (:).10) (0.9J) = 0.09
q2 = (0.10) (0.10) = 0.01
---
1.00
----"---------------

Se ha pediclo 10 probabilidad de obtener un sobreviviente. Aplicando
teorema de adicion de probabllidades (que hay a un sobreviviente. sea
primer enferlllo 0 e1. segundo). en hechos que son mutUQlIlente excluyentes,
obtiEine:
P(x = 1) = P(SMVMS) = P(SM) j P(M'3) = 2 pq = 2(0,09) = 0,18
Se ve de inmediato que. tratandose de 2 ensoyos. 10 probabilidod
ner 2. 1 60 exitos, ,se obtiene por los de expansion del b
(p + q) 2 = p2 + 2. pq + '12
S1 se huLieran elegido, en simi lares condiciones, 3 enfermos. (n ::
e1 esraeio muestral tendrio:
2 x 2 x 2 ::; 2
3
;:: -8 puntos, cuyas probabilidades son:
64
-El-hecho de
probabilidc
probab i lida,
to.
Hemos vis to
los
-un sob rev i vier
difetentes:
Es neeesari(
un punto mue
tintoa de n ,
de n e
p3
Pro b a b 1 1 1 dad e a
- (0.90)3 =0.729
=0.243
. =3 (0, 90) (0.10) 2=3 (0.009)
=0.027
=(0.10)3
=0.001
Tot a 1
Jidad eonjuntu de d,,\ Es decir, cuando n = 3. se obt ienen las probabilidades de 3. 2. 100
de las probabll1dad por la expansion del eubo del binomio:
0 ,81
0) (0,90) = 0,81
0) ''1,10) = 0,09
:11 '10,901
" 0,09
:J) (0. 10) = 0.01
---
"
(p + q) 3 = p3 + + 3pq 2 + q 3
caso general para n ensayos
,,-Cue l es 10 probabi lidad de obtener en gene tal x exi tos en n ensayos si
Q de exito es p? Designemos as ta probabilidad por:
PIx, n, p)
Si en n ensayos hay x ex itos. debe haber tambit?n (n -x) fracases . La
frobabilidad de obtener x exitos, puesto que se trato de hechos indepen-
rdientes. es p multiplicado x vecas por si mismo. es decir pX, De igual
Eodo , la probabilidad de obtener exaetamente (n - x) fracasos eS qn-x, De
; p"q (n-x) (1) .
..
,
.... ste modo. la probabilidad de obtener. EN CUALQUIER ORDEN. exac tamente x
_,X it os y (n .. x) f rocusos es:
El hecho de que el orden en que aparecen exitos y fracasos no altera
ivi en te. Aplieando e
r
sta probabilidad depende de que 1a independeficia impliea multiplieaeion de
:.ourevlv iente. sea e Oti probahilidade s simples, y e l orden de estos fce tares no altera el pro ..
1.00
Jluent e excluyentes. ueto.
Hemes vista que existen varies modos diferentes por los cuales pueden
,09) = 0,18
resentarse los x exi tas y los (n .. x) fracasas. Por ejemplo. dos muertes
un aobreviviente en a1 ejemplo antedicho_ puei:len presentarse de tres mo-
diferentes:
to probabilidad de te , 0.
<pans i on del binorui
3 enfermos. (n
m:
= Es necesario eompletar la formula (1). que espeeifiea la probabi1idad
3)de un punto muestral. con un coe ficient e que indique todos l os arreqlos
istintas de n ensoyas con x exitos . Este numero cor responde a las
aciones de n elementos de doa clas8&. de 108 cualss x 80n de un tipo y
65
,
,
I
",h: l'
," ! I'
l
<! .
,.
r'
:"./
. . ,
.'


(n - x) son de o tre; e ste coeficiente corresponde tambi en a las
nes de n elementos tornados de a x c oda ve z :
nl
=---
xl (n-x)!
nl es el aimbolo para n factorial que significa n(n-l) (n-2) ........ (n
Para el ejemplo anterior en que n = 3, x = 1. n - x = 2
=
3. 2 . 1
1 (2. l)
=
3
Por definicion 01 = 1. de modo que las mane res de optener 3 exit os en
3 ! 3 . 2. I
ensayos ;;;:
=
= =
I
3! O! (3. 2. 1) (1)
In) d ' .
Existen pues x puntas que correspon en a exactamente x eXltos
f orman el subconjunto de hecho. "favorables". Cada punto tiene 10 probabi
lidad indicada en (1) . La probabilidad total de x exitos en n en.ayoa
obtiene' por 10 sumo de es tas probabilidode s.
x = 0.1. 2, ... .. n (2)
Por ejemplo. en e 1 coso de los tres enfermos de difterla, 10 prob,abiil
dad de obtener un solo sobreviviente (exito) y por tanto dOB muerte.
CQ.o.) :
P(1.3. 0.90) = (;) (0.90)1 (0.10)2 = 3(0.90) (0.01) = 0.027
= p[
embargo
q = 0.5
=
. . e j e mplo
r 6 caras
'9flaJ.CJ on se ob
ida Aa . . es
recesivo a
Loa gra f icol
0,5. El aum
: estes v
Pera s '
En 10 serie de terminos obtenidos por el desarrollo del binomio (
el e xponente de p disminuye de x = n hasta x = O. 5i pes 10 probabi
de axito, los terminos .expresan ordenadamente las probabilidades de ob
n, nl. n-2, ....... 0 exitos. En "el ejemplo utilizado:
(ptq) 3 = p3 + 3 pZq + 3 P q2 + q3
reemplaz<mdo :
(0.90 + 0.10) 3 = (0.90) 3 + 3 (0. 90) 2 (0.10) t. 3 (0. 90) (0. !Or t (0,10)
Pr obabilidad
de ohtener x
s obre vivien-
t es
x = 3 x = 2
En general, ai p =. probabilidad de e xita:
66
x = 1 x = 0
:ambien a las combinaci (p+q) 0 = pO +
(0) ........ (0) pX q (n-x) + ..... qO
1 x
obabilidad 0
obtener exitos
0-1
exitos
x
exitos
o
exites
}.1) (n.2) ....... (n-n+ , El hecho de que (p + q) n ::::. 1. indica que sus termines corresponden a
= 2 probabilidades de todes los puntas muestrales. Estos puntas son 2
n
,
n x orqu. en cada enaayo. por definioion, exiaten doa alternativa.: 'xito 0
"ener 3 exi los en
xactamente x exitos q
1 punto tiene 10- prebab
exites en n ens ayes
n (2)
difteriu, 1a probabil
tanto dos muertes (fr
01) "0,027
ro1 __ del bioomio (p+q
Si p es la probabilid
.robabi1idades de obten
:ado:
1
x " 0
raCGSo.
E1 numero total de terminos. que es e1 numero total de resultados posi.
les del experimental es n + 1. Para cad a termino. los expanentes de p y
e q. que son x y (n-x), suman n. puesto que el total de ensayos se compone
010 de exitos y fracasos.
Los coeficientes son simetricos. porque:
01 01
=
x! (n-x)! (0 - x)! x!
Sin embargo, 10 distribucion de probabilidades no es simetrica. a menos
ue p "q = 0,5. Entooces:
pX qO-X = (O,5)x (O,5)0-x = (0,5)0
Par ejemp1o. si se lanzan a1 aire 6 monedes, es igualmente probable ob-
teoer 6 caras que obtener 6 sel10s, y esta probabi1idad es (0,5)6, E.ta
ond1cion se observa en algunos experimentos en genetica. Si se tiene un
ibrido Aa, es igua1mente probable que uo gameto reciba e1 gene dominante A
e1 recesivo a.
Los graficos que siguen muestran en (1) y (2) 10 simetria producida par
0,5. E1 aumeoto de 0 = 10 a 0 = 30 aumeota 1a amp1itud en el numero de
'xitos: estos varian entre 1 y 9 en el primer coso. entre 9 y 21 en el se-
undo. Pera 81 e1 numera de exltos se expresa como un porcentaje. se va
ue el aumento en el tamaho de 10 muestra reduce 10 variacion. Para n = 10
sta variacion es de 10 a 90%. es decir, 8OYo. para n = 30 varia entre 30 y
es decir, 40%. Esto eSt 51 hacewo5 una exper1encia con un mayor nume-
,,0 de enfermos f 108 resul todos porcen tuoles obtenidoB seran men os variables
or 10 influencia del azar.
En el grafico (3) se observa una di5trihucion muy asimetrica para p =
,2 Y n 10. Sin embargo, si n aumenta a 30. 10 distribucion "tiende a 10
imetda.
En general. puede decirse que 10 distribucion binomial puede conside-
arse simetrica 51:
op 5 y nq 5
E.ta propiadad tiene importancia porque permite utilizar la curva oor-
01 como una aproximacion del binomia, bajo determinadas
67
I
r
I
,
.. ,
I ,
,
' - ,
..
,
) .
!
.)
.. j
LI I
I
,
', 1
\<1.
I )
"
PROBABllIOAO
P
0,5 n
15
10
15
10 -
5
. I
0
0 I 1 3
4
5 6 1
3 I
PROBABILIOIO
30
-..... ' . - . ~ - - - - - - - - - - - . - - - - ..... , - ~ . - . - . - - , - -

2)
P lIOAO
10
15
10
15
10
5
I .
0
B 9 10 X 9 10
4 )
PROBIBlliOIO
30
68
11 cao 16" a u
p 0,5 n
..
30
111 1 13141 5 16 11 18 19 20 2 '
0
l '
o
10
20
30
40
50
60
70
80
90
100
_. "'--' " , .. ,.,." ... .
Cd'
Q,5 n 30
1 l
13 1,41 5 1617 1819 20 11
1,2 n 30
I I
4 5 6 7 8 9 ro II 12
I
rPIlcaCi6n a un experimento de muestreo
! En un trabajo practico se ha hecho un experimento que co06istio en ob.
;tener repetidas muestras aleatorias de 10 bol,itea de un saco que contiene
Ool1t08 y de laB cuales tienen determinado color. Supanemoa que
rapr nta 10 extracclon de mueatco8 aleatorias de 10 ninos. de una
!..Beuala donde se sabia que existia un 4CPo de nines tuberculino -positivQS
proposito era ver 5i e1 porcentaje de observado en cada mues-
1ra podia diferir por simple azar de 10 proporcion exi stente en 10 Escuela.
diferenc ia 8S importante porque en 10 prac tica e 1 problema consiste en
"stimac 10 proporcion desconocida que existe en un universo 0 poblaci6n.
solo en los resultados .de una mue stra. La distribuc ion obtenida en
P70 muestras se preaenta en la tabla adjunta.
Laa probabilldadea obtenlda. por el desarrollo del binomlo
, prsasntan en la tabla y ae que coinciden boatante bien con 108 reaul-
gelo. cla1 experi ... nto: .
I
I Positivos
I N %
., 0 0
1
2
10
20
3 30
4
5
6
7
8
1
9
. ,10
.;
40
50
60
70
80
ro
100
T e r m i n 0
del binomio
(0.6) 10
10(0.4)
(0.6)9
4510.4)2(0.6)8
120(0.4) 3(0.6)7
210(0.4)4(0.6)6
25 2 (0. 4)5 (0.6) 5
210 (0.4)6 (0.6) 4
120(0. 4)7 (0.6)3
45(0.4)8(0.6)2
10(0.4)9(0.6)
(0. 4) 10
Probabilidad en (%)
Binomi al Experimento
0.6 0.5
4.0 2.8
12.1 12.6
21.5 22,3
25.1 25.1
20.1 20.2
11.2 11.8
4.2 4.2
1.1 0 . 5
0 .2
-
0.0
-
. Sa observa que en e1 experioento e n 80lo 25.1% de las muestraa se obtu
wo 01 de po.itlvoe existentes en la Escuela.
51 hub1eramoa inducido a la Escuela los resultados de una de estas

en 1000 25.1% = de las veces habriamos llegada a una c on.

luaion erroneo .
, Eate error deriva del hecho mismo de usar una muestra (ERROR DE MUfS-
. neo) : desaparecerla si pudieramas examinar a toda e1 universo 0 poblacion.
De acuerdo 01 experimento. este error es freeuente e inevitable. Esto
ignifica que toda induccion cientifico tiene'cierto grado de incertidum_
.,
"
.(
69
I
,
[i
!
\
..
'.:1
, i
t .:
i !
! '
I
I, "
j ' d "
I
1' - - .
)
: -,
:.'- 1
i: '
!
' .
' '' -_-J
, .
''''I
La diatdbucion obtenlda as unimodal y cantrooa an el % exiatenta 8n
Escuela: de todos 108 resultados posible al mOs probable a8 la tasa vel.
dodara, .
La diatr ibucion es aproximadamente simetr ica, A lDedida que al porce( Se .define
taje de la muestra 8e distancia mas del 40% (e. decir. a medida que el estadistic
rror de mue.treo Qumenta), 10 frecuencia de las mus.tras ea menor. --:YQ,,,,,tado8 gbt .
la probabll1dad d. oo .. ter grand error baJa: maa probable Ooe 80n 10
taner una .ue.tra que coincida con 10 tosa existeote en 10 EBcuela 0 que docimasia d.
sea muy diferente de ella, astadis
Si las bolita. 8e han extraido una a una. reponiando la bolita
al aaco deliPues de cada ensayo para mantener constante p = 0.4. es Antes de e:
que esta es una distribucion binomial donde: ia de hip
n = 10 p = 0.4 q = 0.6
EN SUMA. 10 induco16n ba.ada en musatras ta expueata inevitalbl".",
a error de mueatreo. No obstante . diaponemos de una teoria 'de probabil
que permite a.timor eete error. 8i .e cumplen determinado8 8upuestol.
ejemplo. lcual es e1 riesgo de obtener una muestra que difiera en 3QVo 0
de la verdadera tasa existente en la Escuela en el experimento que se
liza? Estas muestras seran las que t engan O. 1. 7. 8. 9" 10 posit
Se Halla p,
Luego. la probabilidad de cometer este error es: la suma de las
dades individuales de los terminos de l binomio correspondientes:
0.6 + 4.0 + 4.2 + 1.1 + 0.2
=
1O.JJ>
La aplicocion de la teoria de 1a probabilidad a 10 induccion
mueatraa ea 10 que .e conoce como inferencia eatadiatica.
70
.),. ... .. - . ... ; .. .. __ . __
., ....
,n e1 % existente en
obab1e es 1a taaa vo!
INFERENCIA
,medida que .1 pore. Se define 10 inferencia estadistica como aquel10 pOite de 10 metodolo-
ir, a Inedida que e1 _ gia estadistica que, a troves de un razonamiento inductivo, extiende los
38 tres es menor. Es r asultado8 obtenidos en las mues tres a su wli verso de origen.
ia; es mas probable 01' Dos son ios objetivos de 10 inferencia: 10 estimacion de parametros y
en 10 Escuela 0 que la docimasia de hipotesis. esta ultima mas conocida como prueba de signifi"
coo ion estadisticu.
mdo 10 bolita extra!". Antes de explicar en que consisten 10 estimacion de parametros y 10 do ...
te p = 0.4. es eviclen pimusia de hipotesis conviene definir algunos tenninos.
Se llama PAH.4JoI'TflO a una rnedida que describe un universa. Cuando 10 me ...
dido correapondiente describe una UlUestra se 10 denomina ESTADISTICA., ,
, Supongamos por ejeUlplo que se Conoeell las de todos los Indl'"
:pUl. ; inevi toblemen V iduos de un universe. Si quisieramos una wedida que describa la posicion
teor-1.ode probabilid pentral de eate unive'rso calculariaruos el promedio de todas las estuturas,
linados 8upuestos. P '!Q cons tituiria e1 parametro I-ix. Si solo tuvieramos informacion _sohre
1e difiera en 3C6 0 .'las estaturas de una muestra extraida' de este universa, el promedia x cal ...
que. s,: an . \llqda en 10 muestra serio 10 estadistica correspondiente.
8, 90 10 Si par otra parte nos interesara 10 dispersion de los valores indivi-
sumo de las prohahll duales de las estaturas, calculariawos 10 desviacion standard, que para e1
:lpondientes:!' fliverso se simbolizara por ax y para 10 mueetra por tl
x
El procedimlento
10 induccion
tica .
calculo del parametro ax difiere en este caso del de la estadistica Sx
a que en esta ultima la suma de las desviaciones cuadraticas se divide por
(n ... 1) en vez de dividir por Neoma se hace en el
Aceptando estas definiciones -la STIMACION'DE PARAMTROS consiste en el
calculo de estaqisticas pora muestras. con al fin de obtaner informacion
,obre el valor de lOB parametres del universo. Esta in4uccion se basa en 10
,taorio de probabilidades y. s610 es posible cuando se canoce 10 'conducta 0
"distribucion muestral" de las estadisticas.
. CUande en una investigacion explicativa se verifica la veracidad de 10
'hip6tesis, los procedimientos estadisticos ewpleados en 10 prueha de Sig111--
ficacion ayuden a1 cientifico a tomar una decision respecto a 10 hipotesis
1anteada. .
La DOCIMASIA DE HIPOTESIS cODsiste en determiner 10 probabilidad de
pcurrencia del resultado obtenido en 10 investigacion. basandose en la dis.
wuestral de la estadistica utilizada para medir tal resultado.
istribuciones muestrales
Tanto para 10 estiwacion pcJcametros Como para 10 docimaala de hip6 ..
teal! &8 Jaltllciono 10 de conoear las distribuciones Uluestrales4
fstas adoptlln diferentes fonnus segun las estad.isticas invtwtigadas.
f'Jra tlDhlll,deJ' 10 que es dlatrtbuclon muestrul anallzoJ:remoB un ejem ...
10 cOllcreto.
Stpongamoa que disponelDos de un uni versu dt: f ichas que llevan cada una
l./.Q que cor responde a1 valor de una val'iable distribuida normalmente
on. fL:A. ;,,0 500 ya
x
.; 1m. S1 de este universe extraemas repetidas muestras
de t<".1I1aiio n = 2S (reponiendo Cnd(I ficha a1 univerdo antes de soca'r la pro ...
il.ll<l) y pura cada ruuestra Gu1culamos el pr0iUedio de los v-alores que opere ...
en tm 1<1/11 fichas. ocurriro que 10 JUoyorlu <Iii:' los prcJulildioa estaran carCQ
.1 J;" d.l univer.o. ft. dtocir de 500, Y pOGUti t:stOl'Q{l /II II l' alejQdos de este
alar. 5i 105 resultados se llevan " un grafico este histograruQ tendra el
'apecto de W1Q curvo normal. Por 10 tlluto podrl.amos describil esta distri ..
ucion con e1 y 1a desvi<lcioll standard de los proIGedios IUllestr(!.
liS. Veremos que en nuestro el pro,nedi" de los prom"dios estura
71
,
I ! ..
1
(
t

cereade sm y au de.viacien .tandard tendra un valor cereano a 20. fk En al pre,
A traves de la' teorla estadlstlca se puede demostrar que 81 se
todas las distintas muestras posibles de tamano n de un universo con!lx. Promedio:
lTx conocidos, los 'promedios de es tas mues tras se dis t r ibuyen normalment
con
prqmedio: J1.
x
= J1.
x
lTX
Y Error Standard: lTx = --"--
en e1 presente ejemplo
Promedio: J1. X = 500 . Y Error Standard: eriC 20
:' .' .

#JillI .:I'" inues
, d.
Uki -# ';:i f,';
'j', .
" Promedio:

iF ;
. ,. . .;
Supongamos oh9ra que e n vez de tener un universo de fichas con
en escola de intervalos continua tuvieramos un universo con una variable.: I
escala nominal, por eJ' emp10 un uni verso de boli tas en que e1 40%: de las i'
, . Promedio:
litas iueran azules y el 60%: grises. En este coso e1 parametro del uni r.
8. P = 0.4 10 pt9Porcion 0 taBQ de boli taa azulea. aiendo Q su complemenf .
1 - p, 10 proporeion de boli tas gr ises. . .
Al aaear repetidas mu".tras de tamafio n = 20 d te univer.o (re, L
niendo lao bolita. deapu8s de cada extraccion) 1a proporeion p de ,
Qzules de las muestras s e distribuica en forma aproximadamente normal 1
Promedio: J1. p' = P Y Error Standard: IT p
en e1 preaente ejemplo:
Promedi 0 : J1. p
=
0,4 Error Standard

IT P =V_O_'4 __ X_O_'_6
20
= O.
. 'ue ell la ' pra
'.' t!!IJI!t4Jolll!be'
1 -," ,
Nota: Es .aceptable describir esta distribucion cOIla normal siempre que" ./ -V< - ". ,
muestra tenga tamano suficiente para q'ue nP y nQ tengan valores iguale,;. _ Sx
superiores a 5. =, _,--.
Estos dos de de un nOB serviran para en3tl .., .. , .. .. v: :'
dec e1 procedlID18nto de 8&tl110010n d. para troe. Para comprender loa d -,,'
tribucionea mueatrales que .e ut'l11zan en 10 docimClala de hipoteaia
util considerar los siguientes casos: .';lrmal y 10 v
Supongamos que en vez de extraer cada vez una muestra de nuestro ,'.'- .
verso de fic hes, s eCQlDOS pares de muestras de 25 fichas cada una y que .1
tudiamos 10 diferencia entre los promedios de_estos pares. Si
a1 promedio de 1a primera muestra2el y x2 a1 promedio de la .
muestro. ocurre que 10 estadistica Xl - X2 Be distribuye normalmente
Promedio
Xi -x2
=
0 y Er ror St andard:
IT
2
IT_
'"
X x
Xl -"2
+
nl n2
72
" .. " .. .... ... . ...... ..... ... -----'-------... -... ---.... -... ..
cercano a 20.
En el presento ejomple:
trar que 8i se extr "'.
! un universo con
stribuyen normalmeD
Promedio: fl - - = 0
XlX2
y Error SluClJard:
D
- - 20
:5
de fichas con valo
'50 con una variable
=
10 .(XX) + 10. (XX)
28
25 25
Si igual procedimi e nto se siyue en e 1 univers o de holitas. ex trayendo
ures de muestras de tomono n =:: 20 10 dislribnc i on de dife rencias entre
.orcenlajes de fXlres de tendra una distribuc i on norma l con
Promedio:
" Jl:el ejeQlplo:
I que el 4m de las
parametro del unive . '.f
iendo Q su complemen ,-
, .
Promedie:
=0
y Error Standa,-d: d Pl P2
teat. universo (r.
roporcion p de boli
ximadamente normal
..
I
'" VO'4 x 0,6 +
20
0,4 x 0,6
= 0.16
20
Por los ejemplos plldielo quedar 10 impres i on que loda distri.
pucion muestral es una di s t rilluc i ou UOl" mol. 5to 110 es efec tivo. As! por
,jellplo 10 estadistica up para extraidas Gon r e posic i on tlene dis ...
t r ibucion binomial. Una d. la8 diM t ,-ibuciunes maa importcm to. en inferencia
1,4 x 0,6
= 0,1\ 10 distribucion t de Student. CUQndo se desconoce el ax de l univer.so, 10
oJ
,
'que en 10 practice es 10 8i tuac ion luas corrisnte. el error standard del
debe culculurli6 <.J partir de 1u deoviacion standard de 1u ll;Iuestra:
normal siempra qua I :'
Igon valoree iguale. ' ;

s aerviran para ent. i
s
x
=
En este caso ya no a s llcito trabajar con 1u distri b ucion
ra coaprender 108 dl
sia de hipotaais
, orlDal
y 10 variable no.' ma l s t cmdur d
x ... IL
",s tra de DUSS tro UI\
ons coda una y qua
pares, 5i 110.0.05
,romedio de 10 segun
uye normalmente con
rd:
a 2
x
a 2
x
z =
ipo 'lue 5e trabajora c on 10 variable t ..
a--
x
x - que ti ene una distribucion
s-
x
arecida a 10 normal pero Ull poc o mas Ulllr1iu. Lof:. valores de t de pe llde n del
! de 9rados de libertud. loti r.lt::: dottll"Luiuon u pca til" de l Humero usado
n el denominador para el ca1c u1o de s x ' So oLserva por e j emp l o que 01 per.
97 f 5 que an 10 curva non ual a uu valor de z ::; 1 96 e n
i;! < , ,
'!
73
I
r
I
la distribucion'de t para 24 grados de libertad corresponde a un t
2.064. Para n infinito 10 distribucion t es igual a 10 normal pero en
practica cuando el numero de observaciones as superior a 30 los valoree
z y t aon tan parecido8 que ae puede utilizar como aproximaclon la
bucion normal.
comunmenl
<:-CInEllste
18 alt",
provieno
tad,t.tt,
Aforlunadamente 10 mayoria de loa diotribucloneo muestrales
parecerse a la normal cuando el tamano de 1a muestra es grande.
fstimacion de parametros
Al estudiar las distribuciones muestrales se han elaborado
extraacion de mU8atraa d. univeraoa conocidoa. En Ia practioa
consiste en cambla, en obtener informacion sabre un universo dese a mas de
basandose en los resultados obtenidos en una sola muestra. En otras de cal
bras. se deseaestimar los parametros del universo a partir de las Donald.ral
tioaa mue.troles. realmente
Se vio en el ejemplo de 10 distribucion de promedios muestrales
maxima frecuencia de muestras este frente a1 parometIa del universal
que significa que fLx es el valor mas probable de obtener como
mU88trcl. Por 10 tanto 01 disponer de una sola muestra. 10 satad!.
sera la mejor estimacion de J-lx. Este praceso se llama Itestimacion
ya que se refiere a un punto en 10 escala de medicion. El mismo
to se puede aplicar a 10 estimacion de P a traves de 10 estadistica p. "
Es evidente que la estimacion puntual da una informacion inoomple,
porque no toma en considerocion 10 dispersion de La distribucion muest '
Al afirmor que 10 distribucion de los promedios muestroles, par
pIa. es normal se deduce que aproximadamente un 95% de
mU8atras aleatorics extrrfldas del universo no se alejari mas de 2 er
standa'rd del promedio !1-
x
del universo. A la inversa se puede decir
95% de las veces,que se obtiene una muestra del universo, su
no,queddt9 0 una distancia mayor que das errores standard del
muestral x. Existe por 10 tanto una probabilidad de 0.95 de incluir a
el intervalo cons.truido con J:' dos errores standard.
p = 0.95
En otros polabras tenemos confianza que de coda 100 predicciones
hagomos en esta forma, 95 de elIas incluiran el verdadero valor del ,
so y solo fracasaremos en 5. Este p"rocedimiento se llama "estimacion:
intervale' y se habla de intervdlos de cenfianza de 95%, de 99%. etc.
pendiendo de 10 ssquridad que 8e qUiera ,dar a la .atimacion.
Docimalia de hipritesis
La docimasia de hipotesis se reHere generalmente a 1a
dos 0 mas grupos sometidos a diferentes. Vimos que para el i
so de das grupos es cenocida 10 distribucion muestral de las diferenciaa
promedlos 0 de poroentojes de pares de muestras provenientes de un mit
universo y que ambos estan centrodas en O. Aplicando los conocimientoai;
bra distripucion normal se puede predeeir que en estas distribucione.' t
rara encontrar diferenoias muy alejadas de 0 cuando las muestras provii'
del mismo universp y que es posible adjudicar probabilidades a las
des de las diferencias haciendo uso de la variable z. E1 conocimiento!,
estos hechos ha dado lugar 01 procedimiento para docimar hipotesis 10 i
711

';("
orresponde a un t
la normal pero en
If a 30 los valoree
)foximaeion 10 dis
comunmente se eonoes como 10 prueba de significacion estadistica.
Con_iste en plalltear dos hip"tesis: la hip"tesis de nulidad Ho Y la hi
alternativa HI" En 10 hipotesis de nulidad se plantea que las mues ...
provienen del wismo univenw y por tunto conocemos 10 distribucion de
estadistica bajo este supuesto. En 10 hipOtesis se plantea
muestrales provienen de diferentes universos. Cuando 10 diferencio
grande. 8a tan grande que bajo el supu&slo de l.a hipotesiii de nulidad es ...
hecho e. poco probable, se rechuza 10 hipota_i. da nulidod y en camhio
ncepta 1a hipetesis alternativa.
La cali f ieaci"n de poco probable arbi t .-ac ia y poe cos tUDlbce se ce
e1abocado a una pcobabilidad de 5% 0 de 1%. Esto es 10 que se llama el Divel de
I practice u." ,qn.loficacion. Si para una diferencia entre dos grupos se encuentra que eSa
universo a mas de 2 errores standard de 0 sabew.os que eato ocurre 0 10 mas en al
leat En otros de los cas os en que se extraen muestros de Wl miSlno universo. Como esto
part. ... de las as consideramos improbable rachazawos asta procedencia comun y oceptamos
realmente provienen de universos diferentes. P,or eate motivo en las pu-
:lios muestrales que 1I cientificas aparece con frecuencia 10 anotaciOD al lade de una
co f1x del universo, Her.neia: nDiCerencia eetadisticamente signiflcativa, p < 0,05" a bien
)blenec como pc < 0,01" 10 que se ref ieee 01 pccceDtaje de 5% 0 1% habitual paca el ni-
tea. 1a es tOOis t qe signif icacion.
a "estimacion pun
0' E1 mismo
10 estadistica p.
nformacion incompl,
distribucion muest
per ej
de promed
lejari mas de 2 er
se puede decir
lvereo. su
standard del
),95 de inc1uir
),95
l 100 prediccioDes
adero valor del
llama "estimacion
95%, de 99%, etc.
imocion.
Ite a 10
Vim as que paca
1 de las diferEIDc1o.
de un
) los conocimiento8
tas nistribuciones
las tl'a.
ilidades a
z. E1 conoc,mien t
)cimar hipotelia 10
75

!:
'.
n
j.
-... .... -------.------.-----------r------
ESTIMACION DE LA TASA DEL UNIVERSO (P) BASADA EN LA TASA MUESTRAL (p)
[I problema
Con el propos ito de evaluar un programa de ateneion materno-infantil se
deBea eonocer la tasa de mortalidad neonatal de la poblaeion sometida a
.It. programa. Para el10 se tomb una mu tra d. nacldo8 vivos d ta
poblac16n y 8e regl$tro el N2 de defunciones ocurridas antes de los 29 dias
de vida. Estas fueron 16 10 que da una tasa de mortalidad neonatal de
Aunque este valor no as necesariamente igual a 10 tasa de mortalidad
tal de la poblaeion. 55 10 podemoB utilizar como una e5timaeion ella.
Eslimacion punlual
La distribuclon de las tasas (p) de muestras aleatoriaa extraidas de un
universo donde 1a taaa ea P. &8 apro,ximadamente una curva normal con:
promedio
error standard
=
p
a
p
Podemos decir, pues, que 10 tasa observada. 20%0, e8 una estimaci on de
10 desconocicla tosa de mortalidad neonatal de 10 poblacion sometida a este
programa materno-infantil. .
Estimac.i6n por
Considerando la freeuente disparidad entre la tasa muestro1 y 1a del
universo. parece mejor establecer un intervalo, para estimar 10 lasa de 10
pob1aci6n.
De acuerdo al teorema referido. repetidas muestras de tamano n = 800.
obtenidas aleatoriomente de u"n universo en e1 cual 10 tasa de mortalidad
neonatal es P. se distribuyen aproximadamente de acuerdo a una curva nor ...
lRal. con promedio y error standard yo indicadoso Debereruos esperar que e1
95% de las muestras, aproximadamente tengon tosas (p) comprendidas entre
los limites:
(P
2.5%
1. 96 0- )
P
y (P + 1. 96 a )
p
95% de
lasa de mues-
lras comprendidas
eS!os I imi les.
p

/
P + 1.96 up
La tasa d e Dlortaj1dod neonatal
dioll por 1000 naci dos vivos:
el NP de de menOTes de 28
76
Ln
l.l:1l [tlera de es
Est os limit
pacte de la ta,
pueden eatablec
(p 1. 96
Pues to que
mas de 1.96"0 e
universo (Pl" er
Por ella se ha
proxima pagina)
En 5 de cad
mas de 1.98 0 f
entre sus limPt
1m % - 95
p
IL (p)
Ifanti! se
ometida a
'B de esta
IS 28 diaB
11 de 20%.
lad necna ...
ella.
das de un
'on:
wcion de
:10 a este
y la del
Jsa de la
n
"
800.
,rtalidad
(rVa 11or-
iC que el
as entre
!S de 28
Lt; (.:dl\$eCuencia, solo 5'; df.! las rnue!'Jtras corresponder6n a tasas que es-
tU11 fuera de estes limites.
Estos limitee no son determinables, puesto que P 9S desconocido. S1 Be
pOi'te de 10 tasa de 10 muestra, que si es conocide .(en eete caso = 2CtYoo),
pueden establecerse los limites.:
(p y (p +
Puesto que 10 tasa de 10 muestra no diferira de 10 tasa del Universo en
mas de 1.9600 en 95% de Ius muestros, estes limites incluiran 10 tasa del
universo (P)' en 95 de cada 100 intervalos que construyamos de este modo.
Por ella se habla de INTERVALDS DE 95% DE CONfIANZA. (Ver esquema de 10
proxima pagina).
En 5 de cada 100 veces, 10 tasa de 10 muestra diferira del universo en
mas de y los que constrllyamos con este'p no incluiran
entre sus 11m tes Itt toso del un1verso. Este error acontecera en:
100 % .. 95 5%
95\
p
p
85 ,
d.
I"
intervalos de
p
confianza in
8
clui ran la
sa del univel
so.
I
I
I
! d.
I"
p .I
i ntervalos de
confianza no
incluyen P.
p'
77
,
!l
II
: I
."
i'
,
,.
Para eAtoe lrll il eR neC88itamo8 determinar el
error standard.
up = IjPnQ
Se ve que este valor no es determinable porque requiere el valor de p.
que es precisomente 10 taso de"conocida del universo. Nos vemos obligados
a estimarlo basados en 10 muestra y designaremoB e1 efror standard estimado
por fl
p
.
V
;O" 980 =
800
V
I9

Goo
=
800
24.5 = 4.95
5
El intervalo d. oonflan"o de 95% queda determlnado en t. eJemplo por
los siguientes limites:
p + 1. 96 s = 20 + 1.96(5) =
29.8 %,

30 %0
p
p - 1. 96 s = 20 - 1.96(5) '"
p .
10,2 %"
!.
10 %,
EN SUMA. basados en una exper iencia de 800 recJ.en podemos de-
cir con una c onfianza del 95%., que 10 tosa mortalidad neonatal en 1"0 po-
blacion oeneficiaria de este programa este comprendida entre 29,B%o
Seguridad y precision de la eslimacion
Hay dos elementos de interes practico en la eBtimacion de 10 toea del
universo. La SGURIDAD 0 CONrrANZA es 10 probabilidad de que sett correcto
un intervalo de conficrnza calculado con el metodo indicado, esto es, que
inciuya -entre sus limites a 10 tosa del universo; En este ejem.
plo. 10 seguridad es de 95%. La confianza del intervalo esta determinada
por el valor z que hayamos elegido. que en este caso ha sido 1.96.
Por otro parte. con esto confianzo qe 95% afirmamos que la taaa de 10
muestra no debe diferir de 10 toso del universo en maS de 1.96. En este
ejemplo. en mas de 1.96 (5) '" 9.8%,. Este valor mide la PRECISIO" de
10 estimacion. Diriamos que una eatimaaion de 10 v.rdadera ta.a d. morta-
lided n.onato1 d. 10 pohlac16n a programa'serla ma. precisa sr.
por ejempl o. pudieramos afirmar que 10 taso de 10 muestra no difiere de la
tasa del uni verso en mas de 5% .
La conFianza del intervalo puede aumentarse utilizando mayores valores
para z. Por ejemplo, para de conFianza de 99%,
z = + 2.58
z '" - 2.58
puesto que dentro de estos limites se encuentran aproximadame:n,te el 99% de
las muestras. El intervalo es ahora:
p + 2.58
2.58 p
s '" 20 + 2.58(5)
p
= 32,9 %0
s '" 20 - 2.58(5) '"
P
7.1
78
.!. 33%0
7%0
Hernos qanadc
que ahora:
en tan to que en
zs '" 1. :
p
El modo de g'
tar el tamano de
tasas varla inve:
gamos que 10 expE
Se ve que au.
eate error stand(
raiz cuadrado.
Los limites d
95 %
99 %
EN IIESUJrE". 1,
8on:
Confianza
95 %
Determinacion del
De todo es to t
decidir sobre el
objetlvos que se h
intervalo de conf j
masludo ampllo par
clones. Podria pI
taria. lCU61 serra
Supongamos que
mac ion de la verda
- Segur idad : i n te
- Precision: que
en m
.... .... -.. .... -----....
I
.. ---.. - ... ---.... - .... _____ """. ..... .",,..-,:u,, .. ,.
t erminer e1
valor de p.
lS obligados
Ird es tlmado
1.95 - 5
ejemplo por
podemos de-
II en fa po-
.2%.y 29.8%.
la taea del
eo cor recto
sto es, que
este ejem ...
deter . ,ada
16.
tasa de la
3. En este
de
a de morta_
)recisa sr,
fiere de la
res valores
el 99% de
Hemos ganado aSI seguridad. pero a costa de sacrificar precision. por.
que ahora:
zs = 2.58(5) = 12.9
p
en tanto que en los Ifmites de confianza de 95% era:
zs = 1.96(5) = 9.8
P
El modo de ganar precision sin perder seguridad (y viceversa) es aumen-
tar el tamano de la muestra. puesto que la magnitud del error standard de
tasas varia inversamente dondeo es e1 tamono de 10 muestra. Supan-
games que 10 experiencia se hubiera hecho con 3.200 nines:
20 x 980
3.200
= V12.6OO =\ I6.l =
3.200 V
2.47 :!:
2.5
Se ve que aumentar la muestra en 4 veces " (3.200/800) ha hecho reduelr
este error standard a la mitad (5/2.5) debido a que n se encuentra bajo la
rai.z cuadrado.
Los limites de confianza son ahora:
son:
(20 + 1.96(2.5)
,;
25
95 %
.
(20 - 1.96 (2.5) 15
(20 + 2.58(2.5)
..
26.45
;
26
99 %
(20 2.58(2.5)
=
13.55

14
EN ltESUJrEN, los tervalo de conf ianza para las si tuaciones es tudiadas
Confianza
95 %
99 %
n = am
10 - 30
7 - 33
n = 3.200
15 - 25
14 - 26
Determinacion del tamano necesario de 13 muestra
De todo esto resulta que es conveniente. al iniciar una investigacion.
decidir sobre e1 tomano que deberfa tener la muestra para satisfacer los
ohjetivos que se han determinado. Por ejemplo. podria considerarse que e1
intervalo de confianza que se ha calculado basado en BOO ninos. parece de-
maslado ampllo para reBolver sobre la exten.16n del programa Q otrdft pobla-
olon... Podria planearse entonce. hacer una segunda experiencia complemen-
taria. LCUal seria el numero de observaciones que deberiamos realizar?
Supongamos que se especifican las siguientes condiciones para 10 esti
macion de la verdadera tasa de mortalidad neonatal:
_ Seguridad: intervalo de confianza de 95%
- Precision". que la tasa de la m t d'f' d 1 t d 1
ues ra no e a asa e universe
en mas de 4%QI
79

I
,
i'
'.

:' i.'
El requisito de seguridad 0 confianza se cumple utilizando un valor d.
z tal que el 95% de las muestros esten incluidas entre (P - z U ) y
(P + z up)' este coso: p
z= 1.96=2
El requisite de precision se haclende
p-P=4 %.
Es necesario ademas tener alguna idea sobre el posible valor dp. 1u U1S0
de mortalidad neonatal que se trata de estimar <Pl. Basados en 10 expe.
riencia anterior. usorfomos 10 tasa observada = 20%0. como estlmacion de P.
Entonces:
p - P
z" ---
sp
980
=
siendo
4
2
=
2
20 x 980
:;: 22::: 4
n
n =
20 x 980
4
=
19.600
4
= 4.900
Una muestra de aproximadamente 5.000 ninos satisfaria los requisitos
establecidos.
80
_._ .... . _-". _, .. ....... - . . -----...
'---"--"" . ...... ,
I
LA PRUEBI I
Problema
En al proc
cia se trata f
caracterlstic(
trae de univeJ
cias. el proLl
dad de tales d
mueatreo pued!!!
rencias recies
bleme que resl
teorie de la pre
Requlal to
grupos que se
8i los grt
cion. en otro!
ellos es resp<
En general
han sido adjud
semejantes en {
nes de obse rvOf
do se t rata d,
do 101 ebeervOf
Exlaten Inu<
aleator ia de If
Uble "ntonee.
como Bea posib:
grupos en los I
estudio. Por
rio. podrio uU
programo y que
Bociales, econ,
con e1 per iede
tantea faetore.
016n.
Aun OBl., eE
iguales. Por,
droga A en la I
cion con lin gru
mas que s e obse
Si stl cedi81
que los del gru
be (1 1a mayor ,
t ratodos can el
en el mismo sen
Por el cont
as! el grupo tu'
ba de "ignif ieo
Conven c:,! 'onc:rl me
cUra acelon "9
lD valor de
,l y
de 10 Lusa
in 10 expe ..
acion de P.
requisi tos
LA PRUEBA DE SIGNIFICACION ESTADISTICA DE UIFERENCIAS ENTRE TASAS
EL METODO GENERAL SEGUIOO EN LA PRUEBA
Problema
En e1 proceso de investigar 1a veracidad de llna hipOtesis, con frecuen ..
cia se trata de comprobar s1 existen 0 no diferencias en alguna 0 algunas
caracteristicas de dos 0 mas grupos. Estos grupos son habitualmente mues-
tras de universes en estudio. Cuando 10 investigocion comprueba diferen ...
cias. e1 problema que resta es pronunciarse, per iqduccion. sobre 10 reali ...
dad de tales diferencias en los universos de origen. puesto que e1 error de
mU8streo puede producir dlferencios fl)ueatralee que no Gorreaponden a dire ..
renolas realea en 1aa poblaclones e unlversos orlginales. Este es el pro.
blema que resuelve 10 PRUEBA DE SIGNTrICACION ESTADIS1'ICA. usando de la
teoria de la probabilidad.
Requisito previo a 10 prueba de significacion es 10 similitud de los
grupos que se comparan.
Si los grupos difieren ademas del factor que es motivo de investiga-
cion, en otros atributos, es evidente que no podemos establecer cual de
ellos es responsable de la diferencia observada.
En general aceptamos 10 similit.ud de los grupos 8i los "tratamientos"
han sido adjudicodos aleatoriamente a las unirlades de observacion y si son
semejantes en ambos grupos las definiciones. metodos de medicion, condicio-
nes de observocion. etc. Estos requisitos son mas fociles de cumplir cuon-
do se trata de- un experimentol esto eSt cuando e1 .investigodor ha provoco-
do las observaciories.
Existen muchas si tuaciones practicas en que no es posible 10 asignacien
aleatorio de los tratamientos a las unidades de observacion. Solo es fae-
tible entonces buscar un grupo de control tan parecido al grupo "tratado"
como Beo poaible. En tal caso, Be requlere Investlgar 10 similitud de los
grupes en los atributos reglstrables y que sean at1ngentes 01 fenemeno en
estudio. Por ejemplo, 81 se deseo evaluar 10 acelen de un programo sanita-
ria. padria utilizaree una poblaci6n testlgo en 10 que no se desarrol1e tal
programa y que tenga similores caracteiisticas demograficas, sanitarian.
sociales. economicas. etc. 0 bien utilizar la misma comunidad. comparando
con el perfodo anterior al programa. siempre que todo indique que los res-
tantes footores q\le influyen en el nivel de salud no hayan tenido varia-
cion.
Aun osl. es posible que se encuentre que los grupos no son enterarnente
iguoles. Por ejemplo. supongamos que se investiga 10 aecion de una nueva
drogo A en 10 tosa de eurocian de una determinada enfermedod par compara-
cion con un grupe de control que recihe 10 droga convencional B. Suponga-
mos que se observa una mayor toea de eurocian con A que can B.
8i sucediero ooemas que los cases tratados con A fueran menos graves
que los del grupo de control, no podriomos precisar si 10 diferencia se de ...
be (1 10 mayor ClCcion del tratcrmiento A 0 01 caracter mas benigno de lOB
tratados con elf En este caso e1 factor que perturba e1 experlmento opera
en e1 rnismo sentido que el efecto que se intenta detector.
Por e1 contrario, si los casos tratados con A fueran mas graves y aun
aSI el grupo tuviera una tosa de curacion maS alta que el control, lcr prue-
ba de significaci6n. si se cumplen las condiciones que se establecen mas
"Convencionalmente se habla de '"Tratamie,tlto" para referirse q .los (actores
cura aecl&n S8 per comparac16n de grupos.
81
\
'I
i
(
" i,
"'; ;1
!.
t
' "

\.;\
<. i
::1


adelante. podria llevarnos a aceptar la meJor aeclon de A. Esto es po.ible
porque e1 factor que diferencia los grupos tiene una acolon inverso 01
efecto investigado. Naturalmente. el efeeto revelado por e1 experimento
eerla menor que el real.
Cuando es po sible individualizar los faetores que haeen que loa grupos
no sean similares
r
estes factores pueden ser neutralizados y restablecer
asi la eondieion de similitud. Por ejemplo. en el experimento que se eo-
menta podrfa B9f factible dividir los caROB aegun gravedud, y comparar laB
dos drogas en dos qrupos de graved ad semejante.
La prueba de significacion estadistica
I) Planteamiento de hipotesis
Toda prueba de significacion estadistica se plantea en terminos de una
disyuntiva entre dos hipotesis referentes a 0 los universos en estudio:
10 hip6tesis de nulidad y 10 hip6tesis alternative. Se enuncian en 10
gulente Corma general:
Hipotesis de nul idad (Ho)
Los grupos comparados no difieren en 10 caracteristica (parametro) es-
tudiado. Por 10 tanto, 10 'diferencia observada en 10 investigacion es con
secuencia del error de muestreo.
Hipiitesis alternativa (H,)
Los grupos difieren en 10 caracteristica (parametro estudiado. Por 10
tanto 10 diferencia observada es consecuencia de efectivas diferencias en
tre los universos de origen:
Ejemplo, Un investigador estudia 1a viru1encia de dos cepas microbianas
(A y B) por inoculacion 0 dos grupos de animales, registrando 10 toso de
letalidad (% de muertes) en 10s animales inoculados.
Sea:
P ,-,
A
toso de letalidad en universo de animales Inoculadoll con capa A.
P
B
'"
tasa de letalidad en universo de animales inoculados con cepo B.
Las hipotesis son las si.guientes:
Hipotesis de nul idad
La tasa de letalidad de animales inoculados es igual con amba8 cepas.
Esto equivale a negar una diferencia real de virulencia entre las dos ce
pas.
II P - P 0 bien P - P '" 0
O'A B A B
Hip6tesis alternativa
La letalidad de ani males inoculados con 10 capo A ee diotinto que 1a
letalidad induclda pC'r 10 cepa B. Esto es 10 mlsmo que aceptar que 10 vi
rulencia de las dos capas e, diferente.
o
E1 metodo para resolver esta disyuntiva de hipotesis es el siguiente.
5e aeepta por un momento que la hipotesis de nulidad es cierta. Es posible
entonces estimor 10 probahil-idad de obtener una diferencia de igual 0 mayor
82

-._----
magnitud qu
mueBtros 01
sis. 8i 10
5i la proba
yunti va que,
2) Hive
De aCHe
sino de pro:
Aadh<lM
babi I idad a,
na prebabi I
heche de qu
que oeu rro
siendo esta
El nive
entre otTOM
un nivel de
para" rechaz!
108 datoR Y
Podrfa I
este error,
cometer un E
zar una hip
posibles "8
Deei
No r
Rech
3) Deter
La regii
extremos qUE!
de que 10 mu
La local
de HI' 5i H
entonces se
diferencia.
E'jemplo:
la/2
El area
,s posible
Iversa 01
perimento
08 grupos
stablec .. r
ue se co-
'parar las
lOS de una
I es-tudio:
en 10 si-
letro) ell_
,
:m es con-
>. Por 10
:mcias en-
.crobianos
la tasa de
a A.
a B.
bas cepas.
as dos ce-
nta que 10
que la vi-
siguiente.
Es posible
,al 0 mayor
\
,
'.
magnitud que 10 observoda. puesto que se conoee 10 distribucion teorica de
muestras aleatorias obtenidos en las condiciones que establece la hip6te-
sis, Si la probabilidad es muy baja, rechazamOB 10 hipotesis de nulidad.
Si la probabilidod es mayor no rechazamo8 10 hipotesis de nulidad y 10 dis-
yuntiva queda sin resolver.
2) Hivel de signi ficacion
De acuerdo oeste razonamiento la decision que se tomo no es de certezo
sino de probabi.lidad; en consecuencia. esta sometida a error.
Aechozare mos 1.a hip6tesis de nutided si 10 pr,ueba da un valor cuya pro-
ba bilidud asociado de ocurrencia bajo H es igual 0 mellor que alguna peque-
no probahilidad simbolizada por u. que llamaremos nivel de significacion. El
hecho de que e1 volor sea poco probable, no quiere decir imposibilidad de
que ocurra par azar, luego, corremos un riesgo conocido de rechazar H
siendo esta verdadera. Este es e1 e rror t ipo I. que designamos como n. a
El nivel de significacion es fijado par e 1 investigador. considerando
entre otras factores. los consecue'ncias del e rror. Habitualmente se fija
un nive l de 5% ( a _ 0,05) 0 de 1% (ll._ 0.01). En todo coso, el criterio
para' rechazar la hip6teaiB nu1a debe establecerse previamente a1 examen de
los datos y no subordinaTse a los hal1azgos de .La investigacion.
Podria pensarae que e1 procedimlento mae segura es reduclr a un minima
8ste error, pero este requisito signiflcaria aumentar 10 probabilidad de
cometer un segundo tipo de error. designado que es e1 error de no recha-
zar una hip6tesis nula siendo esto falsa. El esquema de las situaciones
posibles es el siguiente:
Decision Realidad de hip6tesis de nulidad
Verdadera FalBO
No rechazar Ho Decision correct a Error f3
Rechazar Ho Error a correcta
J) Determinaci6n de la regi6n de rechazo de hip6tesis nula
La region de rechazo con_iate en un eonjunto de valoree poalbl tan
extremos que, cuando H
o
' es verdadera, es muy pequena la probabilidad
de que la muestra observada produzca un valor que este entre el10s.
La localizacion de la region de rechazo es afectada por 10 naturalezQ
de H
l
Si HI indica la direccion predicha de 10 diferencio. (HI: P
A
> PB)
entonces se requiere una prueba unilctteral. si no indica 10 direccion de 10
diferencia. (Hi: P
A
t Ps) entonces se requiere una prueba bilateral.
Ej emplo:
l0/2
Ho : P
A
= PH
Hi : P
A
" P
B
-l
(J/ 2
Ho: P" = PH
HI : P
A
> P
B
E1 area sombreada muestra 1a region de rechazo de Ho' Th ambos casos.
83

'I
, ", 11

1
"1 .

II '.'"
;f

J" .
I
'; .
,;1::.
, ,
,
,
, .
... .
,
i

La determinacion de 10 zona de de 10 hlpot h nula a. baaa
en 1e dlotrlbuoion t.6rloa d. 10 dlf.ronaia entre mueotra ia auai d.pend.
d. lae condiciones del experimento. E. diferente. por eJempio. Ii 101 di.
fereneia on entre proporeionel. promediol. eoefieientea de regreli6n.
etc ai las muestras son dependiente. 0 independientea: .1 Ie comparan dOl
o ma. grupos: .i 10 de.viaeion standard del universo eS conocida 0 descono.
cida, etc.
4. Interpretacion de los resultados de la prueba
Oiferencias estadfsticamente significativas:
Interpretacion correcta
5i la hipotesis nula fuera verdadera. es improbable. de aeuerdo al ni-
vel de significacion establecido
t
que se hubiera obtenido una diferencia
igucrl 0 mayor que 10 diferencia Por 10 tanto, aceptamos que ' se
origina en el efeeto de un factor difereneial entre los grupo
Interpretaclones Incorrectas
a) "Es imposible que de esto magnitud se produzcan por error de
muestreo.
b) La significacion estadistica prueba que el factor en estudio ha causado
la diferencia registrada:
01 ferencias estadfsticamente no signi ficativas:
Interpretacion correcta
De acuerdo al nivel de s'ignificacion que se ha preestableeido, no hay
suficiente evideneia para reehazar la posibilidad de que 10 diferencia ob.
servada se debo a error de muestreo. es decir. 10 posibilidad de que no
exista realmente en los universos en estudio.
Interpretaciones incorrectas
a) El experimento prueba que e1 factor en estudio no tiene ereeto diferen-
cial en los grupos.
A continuacion veremos algunos pruebos de significacion estadistica.
Prueha de significacion estadlstica de diferencias entre la tesa del uni-
(P) y la tasa de una muestra (p)
EI problema
La tasa de 1etaiidad de 11] Hebre tif:>idea antes del usa de 10 clorcnli ..
ceti na era de HJ!b (P.,). segun 10 muestra una larga experiencia hospitala-
ria. Los primE'ros 1& casos tratados con este antibi6tico revelan una Ie.
talidad de 2% (Pt) ,Puede aceptarse la dlferencia lOY. - 2% = 8% como una
evidencia del mejor .efecto del nuevo tratamiento?
previo de los datos 'disponlbles
Deberiamos estor ciertos que e1 grupo tratado can cldromicetina no di-
f i ere de 10 'experiencia hespitalaria anterior en ningun factor atingente a
10 letolidad. excepto en at heche de no haber recibido e1 antibiotico. Po ..
drlan ser factores de no eomparabilidad. entre otros, la menor gravedad de
84
108 cas os t.n
1a virulenclo
La simiJi
vidido en gru
lldad. Por,
los P!JE
las tasas de
cad a grupo.
Si los fa
r-d. exper
.t a df'! h abo, r' I"
que sera odmi
to a 10 mi tad
SnUsfed],
Fp.duc(' .La 1(' t

cion a portir
expuest.a 0] e
ClIIP linn 11'
posihle .imrJqi l
sualmel1te. "I'"
Clar if i.cor e" I
ha de signific
La prueba de
I. Form,,1
Hipotesis de n
La taAD dl
10J;;. iguol qlli'
It] c lOTom ice lj
En simbolc
H P ,-
o' t
Esto es p-
error de muest
Hipotesis aile
La tOS(1 df.
menor que 1.0 t-
En s.i.mbolo:
Hl : PI: <
Es to es erp
vas di f ere'lc io:
2. N I ve I I
Podemos elf
re deci r que f:
decl r. recllaz(
aceptor que .10
realmente no 1<
Si somos ' m
1%, par e j empl
1a bala
a1 depende
ai la8 di-
oeqredon.
mparan d08
o descono-
rdo al ni-
liferencia
nos C" " ' se
r error de
1Q causado
10. no hay
ob-
de que no
:> diferen ..
lstic'-...
I del uni-
lciororo i-
lospitala-
tn una 1" ..
; como una
ina no di-
:inqente a
tieo. Po-
:avedad de
I
:'
los casos tratados: diferencias entre criterios diognosticos 0 cmnbios en
10 virulenci a del germen.
La similitud de los grupos podria ser si e 1 JlHll f' rial es
vidido en grupos segun e1 factor ajeno 01 tratamienlo que Ctf l1{'L' 1 (I Ja leta ..
lided. Por ejemplo, si s e trata de 10 gravedad inlciill de lu I.":, nfermedad,
los casos pueden ser c lnsificados en leves. de medinnn grl'Jvednd y graves:
las tasas de letolidod para trat.adoa y con troles podr.ltJll flar comparadoll en
cado qr.upo.
Si los fac toTes que hacen clisimi les a los grupos no pueden ser detecta-
dos. el expe r.imen to no pue de 11egar a una cone I usian uti 1. Sa ve 10 Yen to ..
j a de haber 10 d iseiiCldo me j or : par e j emp.la. de f inienda un grupo de en fermos
que sera adln it ida en 10 expe r iencia y as ignondo oleo tor iamen te e1 t ratamien ..
to a 10 tnilad de elIas para dejar 1" otra mitod como grupo testigo.
Satisfechas estas condiciones, asegurar que 10 c 1oromicetino
reduce 10 letolirlad 0 Z'-6 en cuolqujer CQSO de {jehre trntaclo en
condiciones similares? La i de a de "cualquier casq" implieD una generalize ...
cion a partir de una muelStra de 100 COBOII. Sabemoa que toda mU9atra @lItd
expuesta a1 error de muestreo . aunque sea uno muestra aleatoria. Podrio
ser que una nueva experiencia mostrora una letalidad de 4% 0 de 1%. Aun es
posibl e imaginar que el antibi6tico no fuer a realmente efectivo y que, co ...
sualmente, hemos obtenido una muestra con una tasa excepcionalmente. bajo.
Clarificar es ta duda. en terminos de probabliidad. es e1 objeto de 10 prue-
ba de signiflcacion estadis tica. .
La prueba de significacion esladfsllca
1. formulacion de hipolesis
Hipolesi s de nul idad:
La tasa de letolidod de tifoideos tratadas con clorornicetino (P
t
) es
laC;. iguo1 que 10 tasa de letalidad de 10 fiebre tifoidea antAs del lISC de
10 (Pc)'
.En ,elmboloB:
Esto es equivolente a decir que 10 diferenclo abservada se debe 01
error de muestrea.
Hipolesis aiternat'iva
La toso de l e talidod de tifoideas tratados c-on c lor omi ce tino (P
t
) es
menor que In to sa de letlllidod de l os no tratados (Pc )'
En s;rnbolos:
Hl : P
t
< Pc 0 bien HI: P
t
- Pc < 0
E:;t:o os equivalente a decir que 10 dif e rencia observada traduce efecti-
vas di ferEmcias en las poblaciones ol"iginales.
2. Hivel de significacion
Pademos eleqir un nivel de signifieac ion de 5% (l = 0.05). Esto quie-
re decir que fijalilos en 5% e 1 riesgo de comet e r el primer t i po de error, es
deeir, rechazar 10 hipotesis nul a siendo e sto verdadera, en este coso,
aceptor que 10 cloromicetincr es mejor tratamiento que e1 antiguo. cuando
realmente no 10 es.
Si somos mas exigentes y trabajamos con un nivel de significacion de
1%, . por ejemplo, habremos reducido el primer tipo de error pero aumentado
85
I
' ' ;
I.
;. j
(,
i
el legundo Upo de error, que conlilte en declarar qua a1 nuevo tratamlento
no eR efectivo, "cuando en la realldad eR meJor que e1 antiguo.
3. Determlneclon de Ie zone de rechno de HQ
Aoeptamo. por un momento que Ho (P
t
= Pc = e. verdadera. En tal
caso podemos tomar 10& 100 tratados con cloromicetlna como una mu tra d,
un universo con tasa de letalidad para 10 fiebre tifoidea de 10V0.
Teorema
La distribucion de porcentajes (tasas) de muestras de tamafio n. extrai.
das de un universo con una tasa igual a P, es aproximadamente una normal
con!
promedio -= taMa d"l universe == P
error standard = a
p
= \/ donde Q = 1 P
En este ejemplo. de acuerdo con 10 hipotesis de nulidad:
P
=
tosa de 1etalidad de tifoideas, tratados o no con cloromicetina
=
1m:
(0.10)
Q
=
tosa de sobrevivencia de estes enfermos = SCF<; (0.90)
n
= tamano de 10 muestra ibo COSOS
Definidos el promedio y 10 desviacion standard de 10 curvo normal, es
posible utilizar la tabla de area de esta curva. Se trata de encontrar que
tosas muestrales. menoras que el promedio, difieren d. '.te en tal magnitud
que la probabllldad de obtener, par simple azar, esas tasas a una menor en
10 muestra. no exceda 5%.
Se requlere definir. pues. un area en e1 extremo Izquierdo de 10 dis ..
tribucion que equivale 0 5% del areo total bajo 10 curvo.
En 10 tabla 'correspondiente se observa que e1 area a la lzquier'dn de
z = -1.65 es igual a 0.05 (5%). De acuerdo con e1 nivel de significaci6n
preestablecido. esta sera de rchazo de 10 hipotesis nula.
l0'13 de

de Ho
-, "65
D
I
86
Por 10 tc
t ros datos
4. Reso I
S610 res!
de rechazo de
z =
p-
o
Sabre I a COliC
Esta Calle
rias limitaci
Desde llle
deo y recho7.o
mas un riesgo
es posible. cr
de muestreo.
dumhre y es s
similores, qUI
te juicio: es
de tal modo q
10 tifoidea.
La prueba
grupos son en
mente las con
t lene aplicoc
terminos de c
De 19l1al
las medici onE
pueden llevar
nlficacion no
Notese. p
droga en term
no modi f leata
(reduccion de
El juicio sob.
Prueba dOe" sig
tras.
Problema
En un con
de terreno en
sectores en ql
tes, a los cue
tores en que J
cilia de lOR 1
Log resul t
tratatlll.nto
'a, En tal
mueotra de
n. extraf ..
una normal
.tina =
normal, e.
contrar que
a1 magnitud
no menor en
de 10 dis-
I de
lcoc16n
a,
I
,
,
Por 10 tanto redwzaremos It sj el 7. que c alc HlamoA CJ partir de hues.
tre e datos es menor 0 i gual que _1.6 5 .
4. Resolviendo sobre la diferencia observada.
Solo resta ahora establecer si 10 diferenc ia observada cae en 10 zona
de rechazo de H cal c ulando el c orrespontiie nte z:
o
z
p-p
cr
p
2 - 10
3
=
-8
- 2.6
3
El zobs es menor 4ttP. ... 1,65 .por 10 tanto, de cicuerdo
obj e tivos p[ eestahlec idos . rechazamos 10 hipcSte sis nula .
Sobre la conclusl6n alcanzada
los criterios
(P
t
P =
, C
Esta conc lusion. Qunque obtenida por una me t odologia. tiene va-
rias limitaciones que deben tene rse s iempre pr esentee
Desde 111ego, 01 oceptor lin real efecto de 10 cloromicetino en 10 t Hoi-
deo y rechazar 10 hip6tesis que 10 diferencla observada s ea casual. corre ..
mas un rie sgo calculado de error. Basados solo en una experiencia de 100.
A8 posible. aunque sen poco probable. que 10 dlfel'encia fuera simple error
de muestreo. La induccion basada en 10 muestra no liene c aracter de certi-
dumbre y es s olo tm in i cio de probabilidmi. La repetlclon de exper l enclos
similares, que coinc idon similar c onclusio n. afia'1zaron coda vez mas es-
t e juicio: e s to 10 que ha sucedido en 10 practica con 10 claromicetino
de tal modo que no panemas ahara en duda 10 e fi caciade este tratamiento en
10 tifoideo .
La prueba de significacion t rabaja can e l supuesto impl.icito que ambos
grupos s on en teramen t e i guales. 5i e 1 grupo tes t no c umple rozonable-
mente las condiciones de similaridad con el grup9 tratodo. esta teoria no
tiene aplicacion. Por eso e1 di.ena del experimento y e1 estudio de loe
terminos de c omparacion son asuntos previos a la prueha de significaci6n.
'De igual modo, 108 e rrores de observacion,definiciones deticientes, rna ....
las medieiones. criterios no uniformes. sesgo de los observadores. etc.
pueden 11e vclr a una conc lusion e rronea, que 10 teor.ia de 10 prueba de sig ..
nificacion no evitar.
N6tese.por otra pa rte, que se juzga en este ejemplo e1 efecto de 10
droga en terminos' de r educe ion Je 10 letalidad. Pudiera se r que una droga
no modificatcr est a toso. PbCO sin embargo fuero efectiva en otros aspectos
(reducci on de l tiempo de enfermedad. menor frecuencia de secuelos. ,etc.).
El juicio sobre,la en consecuencia. depende del indicador usado.
Prueba d'e
o
sigllificacion estadisti ca rle dilerencia 'entre tasas de dos mues-
t r as.
Problema
En un coosultori o se deseohn estudiar e l impacto que tiene e1 trabajo
de terreno en e 1 es tado nutri.tivo de l iac t ant e. Con tal objetivo. en los
aeetares tl n que no hay programa de terreno, se tomb un a muestra de laetan ..
tes, a los cnales se califico su eslado nutritivo, 10 mi sma se hizo en sec-
tores en las auxiliares de enferrneria hacen visitas pe riodicas 01 darnl ..
ci1io de los 10ctantes .
Los r esultados fueron los siglJientes:
81
oj
I
i
II
\I
(' (!
.,

I
.l \
>' .'


:-",:,
Sectores
Con programa
Sin .programa
Tot 0 i
E.tado nutritivo de lactante. en .ectore.
con y sin programa de terreno
Estado Nutritivo
Eutr6fico.
De.nutrido.
N % N %
120 80.0 30 20.0
126 70.0 54 30.0
246 74.5 84 25.5
Total
N %
150 100.0
180 100.0
330 iOO.O
;,Es realmente mayor 10 tasa de desnutricion en los sectores sin progra-
ma?
Anal isis previo de los datos disponibles
Antes de prooeder a lopruebo d. oiQnificooicn tad tioo d.bt.ra
existir una razonable aeguridacl de que los sectores con y sin programa no
difieren en otros aspectos que pueden influir en e1 estado nutritivo del
lactonte. El hecho de existir tales dlferencias podria impedir .oear con-
c lusiones respecto 01 fact or trabajo de terreno que es e1 que n08 in,teresa
en es teo caso.
La prueba de signi licacion estadislica
I. Formulacion de hipotesis
Hlpotesis de nulidad
La tdsa de desnutricion en el universe de lactantes sin programa: PI'
es igual a 10 del universo de lactantes con programa: P .
Esto equivale a decir que 10 diferencia debe a1 error de
muestreo.
En simbolos:
Ho : PI '= P
2
Hlpotesis alternatlva
o bien:
In tasa de desnutricion real de los loctantes sin programa es mayor que
10 de los lactantes con programa.
Esto equivale a decir que 10 diferencia observada traduce diferencias
recles entre las poblaciones oriqinales.
En simbolos:
HI : PI > P
2
o bien
2. Hlvel de signilicacion
Podemos elegir un nivel de significacion de 5%. esto equivale a decir
que estamos aceptando un riesgo de un 5%. de rechazar 10 hipotesis nula
slendo esta verdadera.
88
, ,
-----,--
3. Deter
Suponien
PI = P2 = P
Teorerna
Al extral
renclas entt'l
Como una non
promedio
error st l
En eete ejem}
n
= numero
1
O
2
=
numero
p = tasa d.
CanUel.
co1're8f
De eata m

DefioidoB
tobia de area
en tre taaDa mt
bilidad de obi
cion Hjndo).
derecho de 10
En 10 tabla c
(Zcrit) es igt
tal
% "
100.0
100.0
IcY' 'J
8in progra-
'co dehiera
rograma no
ritivo del
BaCor con-
s in,teresa
)groma PI'
al error de
8 mayor que
Hferencias
Ie a dee!r
;tesis nula
..
_ .1 . "';"
3. Delerminaciin de la zona de rechazo de la hip61esis nula
Suponiendo que la hipotesis nula fuera verdadera tendriamos que,
PI = P
2
= P.
Teorema
Al extraer pares de muestras de un universe con porcentaje P. las dife-
reneias entre los porcentaje8 de las mueBtras Se aproximadamente
como una normal can :
promedio = 0
error standard =
En eete ejemp1o:
n
1
n
2
p
=
=
=
numero de lactantes en la muestra del sector sin programa =
150
numero de 1actantes en 1a muestro del sector con proqroma =
180
taea d. deanutricion en el universe de lactantes con 0 sin programa.
Cantidad desconocida y que habria que estimar. La mejor estimacion
corresponde a 10 tasa de desnutricion del total de ninDs estudiados.
x 100 = 25.5 %
De esta manera a PI-P2 queda estimado por:

= +
=
25.5 74.5
+
25.5 74.5
=
4.8
ISO 180
Definidos el promedio y la desviacion standard. es posible utilizar la
tabla de area de la euna normal. Se trata de encontrar que diferenc ias
entre tasas muestrales. mayo res que 0 tienen una magnitud tal que 1a proba-
bi1idad de obtenerlas por simple azar sea menor que 5% (nivel de signifiea-
cion fiJado). Se requiere determinar por 10 tanto un area en 81 extremo
darecho de 10 distribucion que equivale al 5% del area total bajo 1a curva.
En 1a tabla correspondiente se observa que el area a la derecha de 1.65
(Z "t) es igual a 5%.
en
89

,
I
\
,
. ,
" 1
'. i
\ 1
I.'.i'
I

"
',',1:;;,.1
1:; 'I'
'-1
iI,'
)'
I

Zona de Rechazo
"0
1,65 Z
Por 10 tanto para todo z '(observado) 1.65 rechazaremoo Ho'
4. Resolviendo sobre I a di lerencia observada
Necesitamos saber si 10 diferencia observada cae en 10 zona de rechazo,
,por 10 tanto, es nece.ario calcular el z (observado).
=
10
4.8
= 2,29
El Z b > Z it par 10 tanto se rechaza 1,0 hipoteds nula. La tdsa
de desnufrfcion e;rmaYor en lao sectores oin programa.
90
Las prueba
miten tornar de
10 menos una,
menudo nos en
mas de dos tas
Ejemplo. :
1. Comparar I
Sant 1090 .
2. Comparar e
3.
troles dp.
4. Estudiar s
fumat.
5, Estudiar s
Problemas
nificacion est
U 80 de 1a "db
Pi.alamo. a ac
Distribution
A. Caract ,
1. Es una
2. S610 t
las x I
3. Est" c
lib .. rt
4. El 6r ..
En ia figu l
nos val ore. de
8. Api i eae
Entre las 0
de 10 ."lud, po
B.lo Prueb
B.Z. Prueb
P r u eba de Asoc i
Esta prueba
nados anterior
(., Esttr pruebc
br. de "t ob J
, .
de rechazo.
ala. La tdsa
I
PRUEBA "X,2 (J I CUADRADO)
Las pruebas de significacion estadistica presentadas anteriormente per-
miten tamar decisiones sobre diferencias entre "dos" tosas, de las euoles a
10 menos una, es una tasa muestral, sin embargo en el campo de 10 salud. a
menudo nos enfrentdmos con problemas en los cuales es necesario comparar
mas de dos tasas.
Ejemplos:
1. Comparar porcentajes de desnutridos de las distlntas comunas del Gran
Santiago.
2. Comparar efectiviclad de varies tratamientos para una misma enfermedad.
1. Estudiar 8i 10 mortalidad neonatal es independiente del numere de con-
troles de la madre durante el embarazo.
4. Estudiar si hay asociacion entre muerte par, cancer pulmonar y habito de
fumat.
5. Estudiar si hay asociacion entre tipo de ulceras y ubicacion de elIas.
Problemas de estQ naturalezQ son resueltos mediante una prueba de sig-
nificacion estadistica denominada "Prueba Ji-cuadrado" y en 10 eual Be hace
U80 de la "distribucion Ji-cuadrado". cuyas caracteristicas principales.
senalanoB a con tinuacion:
Oistribucion 'X,2
A. Caracterlsticas
1. Es una distribueion asimetrlca
2. Solo toma valores poaiilvos y es asintotiea con respecto al eje de
las x posi ti vas (0 < < ro )
3. EstCi: caracterizada por un unieD ;'n" llamado "grados de
libertad"
4. El orea comprendida entre 10 curva y el eje de leis x eB 1 " lCXlY..
En la figura adjunta. aparecen grafico8 de esta distribuciori para algu-
nos valoree de "n".
K! dl muutru
n =
B. Api icaciones
Entre las aplicaciones mas frecuentes de esta distribucion. en el' orea
de la salud. podemos senalar:
B.l. Prueha de aoociacion
B.Z. Prueba de "bondad de ajuste"
Prueha de ASDciacion
Esta prueba, como se
nados anteriormente"
puede visualizer 0 troves de los ejemplos menclo.
permite 01 el1nleo 0 Investigador determinar s1
(., e.ta pru.ha
t
ta.hif" en 1a 1Jt.ratora con .1
br. 4. d. eontJagencJo-.
91
::
, '
;
'1 .
i,
I ,
j':'; .
I
i' :
" ; , il\' ,
;y,
:
.:
exlste a.oelaeion entre dos variables con eseala de medieion nominal u or.
dinal.
Estudlaremos 10 aplieaelon de esta prueba. a troves de 10 resolueion de
un problema.
Problelll8
Los datos que Be presentan a continuacion corresponden a un estudio
anat6mico de ulceraciones gastricos benignas y malignas realizadas entre
1940 y 1950 en el Boston City Hospital.
UBlCACICN T i
0 , d e
U 1 c era
I:E lA
Beni<:J1a ign a rotAL
lJI..CERA N!!
% N9. % Nil
"
Prepilorica 100 62.5 (!O 37.5 160 100
del Cuerpo 70 70.0 30 30.0 100 100
Cardial
30 75.0 10 25.0 40 100
1UI'AL 200 66.7 100 33.3 300 100
iSe podria decir que hay asociaclon entre la ubicacion de 10 ulcera y
e 1 tip<> de "s to?
Solucion
i) Planteamlenlo de
Hipotesis ilUla:
(Ho)
Simb61icamente. Ho
las hlpolesis
No hay a.oclacion entre ubicacion de 10
tipo de "sta. es decir. el porcentrije de
molignae es e1- lIiama ya sea la ublcacion
prepiloriCXJ en el cuerpo 0 cordial.
p =
prep
p =p
Cller car
ulcera y
u!ceras
de o;sta
Hipotasis alternativa
(Hi)
Hay aooelaelon entre ubleacl6n de 10 ulcera y
:tipo de "sta. as decir. el porcentaje de Hce-
ras malignas es dlferente en por 10 menos una
de las ubicaciones.
Simboiiccmente. Hl 1 p l p y/o
. prep cuer
pip y/o
prep . car
ii) Mivel de significacion: = 0.05 (arbitrario)
III) Esladfsllc8 8 ulillzar:
f e

en que
i-I
92
1
= fn
El
=(n
,
f
e = nur
nur
a) Calculo da
ULCERA
UBIClICICN 1
prep116r i- b
ca del m
cuerpo b
cordial m
b,
In'
JUrAL
2
'X, ob
= 3 . 2!
OOfA: Bajo la I
cacion de es ta,
m ismo para las I
en coda celda 1,
pectivamente. 1
por diferencia (
b) -x,2 c/fU co
E1 'X,2 cri tic
de la fila neal
lihertad (9'1.).
tlenen mul tlplic
f Has men os 1 (f
para esh
_)
2
1; ,c
't
2
c
lominal u or-
:,esolucion de
a un esttidio
izadas entre
JfAL
%
)
100
100
100
,
10 ulcera y
,

,.
.'
,
;.
I 10
, de
:10n
\
ulcera y
ulceras
de 8ata
10 ulcera y
taje de ulce-
Lo menos una
'/0

/ ,
,.,
0
1
= frecuencla ob.arvada en 10 caldo 1
E i = frecuendo esperada en 10 calcla 1
f c = numero de celdo se obtlene multipl1cando numero de fllao (f) por
numaro de columnaa (c). En este problema. fc .6
I) Celculo de 1L2 obsefvado
r---------,------ --,-.-------,------. .,-------,
ULCERA fRECUENCIA
-
(0. E. ) 2 (). _ E. ) 2
1 1 1 1
UBlCACHN TIro Observoda Esperada
O. E.
E,
1 1
1
prep1l6ri- benigno 100 101 .7 .6.7 44.9 0.42
co del maligne 60 53.3 6.7 44.9 0.84
cuerpo benigna 70 66.7 3.3 10.9 0.16
cordial maligna 30 33.3 -3.3 10.9 0.33
benigna 30 26.7 3.7 13.7 0.51
maligna 10 13.3 .3.1 13.7 1.03
JUrAL 300 300 0.0
X
3.29
.. 2 =
'" ob
3.29
NOTA: Bajo 10 hipOtesis nul a no hay asociacion entre tipo de ulcera y ubi-
cacion de eata, por 10 tanto a1 pomntaje de uleeraa maliqnaa, deb er e1
liame para las tree ubicaciones ( 33,l% Y 10 frecuencia esperada (E.)
en coda celda la obtenemos aplic 0 este porcentaje a 160. 100 y 40
pectivamente. La frecuencia esperada para las oenignas se pueden obtener
por diferencia 0 aplicando a las mismas frecuencias anteriores 66.7%.
b) 1L
2
c f i ti co
El 1,2 edtieo se observa en 10 tabla de 1.
2
(1-1804) ell la ' interseccion
de 10 fila n con 10 columna probabilidad. En que: -) n: son los grados de
libertad (g.I.). En una tabla de alociacion. 101 grados de 1ibertad oe ob-
tienen multip11cando el numero de columnas menos 1 (c 1) pOT el numero de
lil08 menos 1 If - 1).
I g.l
"
If - 1) . Ie -
1)
I
,
para este problema: g.1
"
(3
- 1)
(2
1)
g.1
:=
2
-)
probabi lidad : corresponde al nivel de significacion a
... 2 't' -2
crl lCO, .para n - y a " 0.05 es 5.991
.. 2 't' = 5 991
IV cn leo
93

I
i
!
i
I
i
,
I

':
i

.
r,'
r
i'

". '

Iv) Reglon , de Rechazo : R
La re
g
ion
2
de rechazo. R. esta const ituldo par todos 108 valoree de 1t
2
mayores que crl.tico.
de muestlBs
R =
{ 'X2
1,2
>
':f.v2
critioo
}
R =
{
1.J
'X.,2
> 5.991
}
'X 7.
t
R
oL
v) Conclusion
Como 'Xl b es menor que 'X,2 critico. concluimos que no hay evidencia para
rechazar 1& hlp6tesis nula. 'pora aflrmar que &1 tlpo de ulcera.
dependa de 10 ubicaci(,n de ella.
B.2. Prue.ba de bondad de ajuste
La prueba de bondcrd de ajuste. permite afirmar can un cierta nivel de
confianza. si lasdistribuciones de lOB universos de orlgenes de muestro8
en estudio. se "ajustan" ,a algun" distribucion de inten's tal como: normal
t. binomial. 9 : 3 : 3 : I; etc. a f i n de utili"or las propiedades de eB-
gq
tal clhtrlbJo
tener un numt!
en una generc
EJempl"l
1. Sa podri<
dl.trlbuc
es normal
coda que
norlllOlida
2. En genetJ
de origen
dos eston
Veremos c
resolucic
Problema
'Segun una
y ri zado8 ex t
zado .extremo.
iSi en un
suave y ' 20 DC
Mendel?
Solucion
i . Plant l
Hipot,
Hipot
i i. Hivel
iii. Es t ad
'X}

i
E.
=
fre
1
i
= fre
k = num
alores de 'YJ
ridencia parc::i
o de ulc;:'era,
rta nivel de
de muestras
'omo : normal
clades de es-
taa diltribucionas 0 como en ganetioa. conducir experimental de modo de ob-
tener un numero dado de fenotipol a predac1r la estructura de 10 poblacion
en una generaeion dada. .
EJemplol
1. Se pod ria realizar una prueba de bondad de ajuste para estudiar si la
distribucien de los pesos de hombres sanos de una esttitura determinada
es normal con peso promedio igual aMY desviacion standard Verifi -
cado que 10 diatribucion es normal, Be podrio establecer l!mitea de
normolidad para el peso.
2. En genetica es usual verificar 8i las distribuciones de 108 universos
de origenes de las muestras son mendelianos 0 si los resultados obteni-
dos estan de Qcuerdo a los modelos geneticos.
Veremos como se resueive un problema de bondad de ajuste. 10
resoInden de un problema del segundo tipo:
Problema
'Sequn una de 10. leyes de Mendel. e1 entre pollos normales
y rizados extremo. debeproducir en 10 segundo generacion (FZ) pollos : ri-
zado,extremo, rizado suave y normal en 10 proporcion I : 2 : 1.
en un cruzamiento, se obtuvo en F2 : 23 rizado extremo. 50 rizudo
suave y 20 normal. se pod rio decir que esta distribucion es 10 dada por
Mendel?
Solucion
i. Planteamiento de las hipotesis
HipoteaiB nula: La mueatra proviene de un univerBo. donde laB pro_
(Ho). babilidades de ocurrencia de los diversos fenbti-
pos es tan en 10 proporcion 1 : _2 : 1.
Hipotesis Alternativa: La muestra proviene de un universa, donde
las probabilidades de ocurrencia de los
(HI) diversos no est<i'n en 10_ pro-
porcion 1 : 2 : 1
ii. Hivel de significacion
iii. Estadistica a utilizar:
a = 0.01
k
=c (bi - Ei)2
en que:
i " 1 Ei
Ei = frecuencia esperada. segun tea ria. en 10 clase i
01
k
=
=
frecuencla obaervada en lo clase 1
numero de clases
95


C<ilculo de:
a) X,
2
observado
FmJrlFO O.
- E.
(0. - E.)2
1 1 1 1
i
Ei
.
.
Rlzado ex- 23 23.25 0.Cll25
tremo
Rizado 50 46.50 3.5 12.25
euave
Normal 20 23;25 .-3.25 10.56
IDl'AL 93 93 0.00
><
NorA:" La frecuencia esperada de cada fenotipo. se obtiene
tal observado. las proporciones. predicha por 10 teoria.
10 proporcion del. fenotipo : rizado extremo e. 1.
4
rizado suave es
4
normal es 1
4
(0. - E. j2
1 . 1
Ei
0.0027
0.1899
0.4543
0.6449
aplicando al to-
En este ejemplo
luego. las frecuencias esperadas. se obtienen multiplicando por cada
una de es tas propoiciones ..
b) t
2
cd tico
En general. en problemas de bondad de ajuste. en que no hay estimor
parametros. los grados de liberta:l eston dados por e1 numero de closes me-
nos uno.
g.! = k - 1 En este problem9 k = 3 y tanto g.l = 2.
. ,
EJ x,2 critico, se observo" en la tabla de 't
2
en 10 intereeccion de .la
r Ua n=2 con la columna a = 0 .01
. 'Y 2 ,. 9 210
IV cntlco = .
Iv) R'egion de R
La de rechazo esto constituida por todos los valoree de J3 mayo-
res .. que 'X. err ticos.
96
o.
v. Conclusion
Como X.
2
<
que la distr"lbu.
ObserV3ciones
1. La estructu
yor sea 10 (
yor sera e1
zar 10 hipa!
2. Tambien oe I
cerD 0 cere
ningUn vale
clases adyc
3.
ta resolver i
pacas . ?br j
correCClon
la mul tin om:
4. Siempre que
de que 1a 9'
las r recuen<
s. Para el calc
absolutas y
" - E. i 2
" 1
.0027
.1899
.454::'
.6449
cando al to-
late. ejemplo
lor coda
que estimar
! closes me-
ccion de lo
de 'X3 mayo-
I
N de muestrss
R = {X} I x.,
2
> 9.210}
-x.
2
ob 4 R
Y. Conclusion
Como x.,
2
0b < critico, concluimos que no hay evidencia para suponer.
que la distribucion de los fenotipos sea diferente de I : 2 : 1
Obse rvac i ones
1. La estructura de 10 estadi8tica, nos permits que mientros ma-
yor sea 10 dlferencia entre los valoree observados y los esperados. ma-
yor sera el valor del? y aumentara por tanto la probabilidad de recha-
zar la hip6tesis nula.
2. Tambien S6 puede observar, que 81 en alguna close e1 valor esperado es
cero 0 cercano acero, el valor d .. 12 tendera a 00. Se recomienda que
ningUn valor esperado sea menor que 5. y cuando esto suceda. juntar
closes adyacentes.
3. Como 'X,2 es una variable aleatoriC- continua. y 10 utilizando pa-
problemas de variable discrete, es nece80r10, para e1 caso
de pOCOS observaciones. usar una correccion de continuidad, denominada
"correccion de Yates" 0 bien utilizar 10 distribucion exacta, que sera
10 multinomial, 0 una prueha no parametrica.
4. Siempre que se utiliza alguna de las pruebas 12. debe tenerse cuidado
de que la suma"" de las frecuencias observadas, coincida con la suma de
las frecuencias esperadas.
s. Para el calculo del x.2 observado. 88 d.ebe trabajar con loa frecuenciaa
absolutas y no can los porcentaje
97
:'
,
I
I,
I
I,H I . '
' :f , I
11
.

... i i
. ' ;
.; , '
lit i

'.: !
, "
J
INTRODUCCION A LA TECNICA DE MUESTREO
Entre las'caracterlsticas importantes del hombre, figura su capacidad
para generalizar. En 1a busqueda de l conoc imiento de su media, pone en
practica inconcientemente este proceeo, aun cuando no 10 designe como tal
y 10 realiza desde e1 nivel mas elemental.
1\S1 par ejemplo, es posible formarse una Jdea buena 0 mala de una pe!,
sona al tratarla una sola ve z. Tambien 5e generaliza cuando 5e examina u
na pequena cantidad de sangre de una persona y se supone que toda su san:
gre tiene esa misma composi.cion.
Es diffcil comprenoer este procedimiento es arriesgado y a veces
peligroso, ya que puede cameter un gran error. Las unidades con que se
toma contacto son solo a veces muy pequena, del total 0 universo y
10 que se hace no es otra cosa que reconstruir una caracteristica del uni
verso en base a Ia formacion proporcionada por algunos representantes -;
los cuales constituyen muestra.
:;1 el universo ea r.:ua 1 ql1.i ar mUI!!Ist rl!l. prc"nt'c inn" el miflm() r!
y e1 procedlmiento de selecci6n careee de importaneia. Pero euan
de el universe es he terogenea como sucede en la mayoria d e los casas, eT
procedimiento mediante e1 cual se obtiene 1a muestra es decisi.vo y se ha-
ce necesario utilizar un.procedimiento que nos indique to
mar, como seleccionar1as de modo que 59 pueden obtener conclusiones val!:
das para el total. Dicho procedimiento es e1 que se desarrol1a a conti-
nuacion en forma muy general.
Definiciones
1. Unidad de Las unidades de analisis son las unidades para
cuales se de sea obtener informaci6n. Estas pueden ser personae,
hospitales, ciudades.
2. Poblacion 0 Universo: La poblacion 0 universo es e1 grupo completo
oe todas las unidades de anal isis cuyas caractertsticas 5e desea estu
diar. Los siguientes conjuntos podran constituir universos para
nos estudios.
Enfermos hospitalizados en e1 Hospital "EI Salvador" entre e1 10 y 15
de marzo de 1976 .
ocurrida8 en chile en e1 AAo 1975.
En 1a definici6n del universa, Be debe indicar la unidad de
dcnde se investiga (lugar) y cuando se investiga (tiempo) dejando cl!
rc:'lmente especifi c ado.estos aspec t os .
3. T)n .i. c1.-"!:d Huest reo: La unidad de muestreo es una unidad selecciona-
dd del m<lrcc de muesf;reo. Puede ser igua1 a 1a unidad de C'lnru.isis aun
que 11(' necesariamentJ.. Por ejemplo. para obtener i nformacion sobre
pe r.sonas, se uti) izar una lista completa de un censo y seleccio
nor una mlJestr". de l/? rsonas directamente. Sin embargo, t.ambHin FJe p
sel"?cc.lona.r , ' na de hoga res e incluir en la muestra 2l to-
das laB penmn<:',s los hogares seleccionados. La elecci6n de 1a \lfli
oad de muestx-ef) m;l..o; eficiente, es una de las consideraciones mas im-
portante en el de 1a muestra.
4. f.1arc o de muestr (!" : La totalidad de las unidades de muestreo, entre
las cuales se se \ u.:c i onara 1a muestra, se denominara marco de mues-
tree . El marco f'lW r],! ser un listado de personas, de viviendas oun ma
pa rlonde estan todas unidades de muestreo.
5 . Es un c onjnnto de llni dac1es de ana1isis extraidas del uni-
verso, con el fin (1 10.' conocer una 0 mas caracteristicas de el. Diremos
98
.
que una r
des de 1m
tra, 1a
TI POS DE ERR(
Sesgo de SelE
Se entier.
de las unidac
del universo
vel socioecon
muestra a pat
familiae de 1
que habrlan a
muestra.
Error de Hues
tJiferenci
mente sucede
archivo con 5
menino y los
tra de 50 fic
res y 20 de h
21 de hombres
bab1e de:
29
50 x
estll dife:
rlime1:ro (60\)
Aparerttemf
un grave incot
que cuando USt
error.
Procedimiento
Huestreo Aleal
Se ctenomir
des de entre "
n, tengan igua
En 1a pd.c
Las unidades E
va de "1" a UN
111" Y UN" a pa
miento que aBe
En el mues
mo !Ie
ma unidad en 1
tuida por "nit
La probabi
9i6n:
"f" 0::: !l
N
denominada fra
tra y ItN" e1 d
su capacidad
io, pone en
igne como tal
la de una pe!.
se examina u
toda su san=-
do y a veces
des con que se
o universo y
stica del uni
rese r ' .,tes ,
na el mismo re
a. Pera euan
as CBecs, e1
siva y se ha-
as unidades to
usiones vali:-
11a a conti-
nidadslI para
er perBonae ,
upo completo
: se desea estu
50S para alg.!!.
re el 10 y 15
de a) '. &119i9,
de janr'to c
d s e lecciona-
e a nalisis aun
acion sabre
s o y
tamblt;n Sf! p.:.1.
uestra a t .o-
i6n de la uni
ones mSs 1m=-
streo, entre
co de mues-
iendas 0 un rna
das del un i-
eel. Diremos
,
r
,.
que una muestra e8 representatlva del universo cuando todas las unida
des de muestreo tienen una probabilidad conocida de entrar en 1a muei
tra, 1a que debe eer diatinta de cero.
TIPOS DE ERRORES
Sesgo de Selecc16n:
Se entiende par tal a un error sistematico 0 dirigido en la selecci6n
de las unidades, con 10 eual se obtiene una informaci6n parcial re.peeta
del universo que se investiga. Por ejempl0, can e1 fin de conocer e1 ni-
vel socioeconomico los habitantes de una ciudad, se se1eccionara una
muestra a partir de la gu1a telefonica de la misma y se entrev.UrtarS a las
familias de las seleccionadas, se 8star1a cometiendo un sesgo, ya
que habrlan algunas familias que no tendrian posibilidad de entrar en la
muestra.
Error de Huestreo:
Diferencia entre 10 que informa 1a muestra (estimacionl y 10 que rea!
mente sueade en e1 universo As! par ejemplo, s1 tenemoe un
arch iva can 500 casos clinicos de los cuales 300,corresponden a1 sexo fe-
menina y los 200 restantes al sexo masculino y ai tomamos a1 azar una mue.!.
tra de 50 fichas es muy "poco probable" que obtengamos 30 fichas de muje-
res y 20 de hombres. Podemos obtener par ejempl9 29 fichas de mujeres y
21 de hombres-, 10 que indicara que en este kardex hay Wla proporcion pro-
bable de:
29
SO x 100 = 58\ de mujeres, cuando efectivamente hay 60t
Esta diferencia entre 1a 8atlmaoi6n dada per 1a mu tra (59') y .1
r'metro (60', as 10 que se denomlna error de
Aparentemente pareciera que 1a presencia del error de muestreo serta
un grave inconveniente para el usa de muestreo, pero esto no es as1, ya
que cuando usamoa muestras probabl11sticas podemos controlar eate tipo de
error.
Procedimiento de Selecci6n
Muestreo Aleatorio Simple:
Se c1enomina mue"treo aleatorio a un m8todo para eeleooionar "nlt unida
des de entre "N", de modo que cada una de las muestras posihles de tamano
n, tengan iqual posibilidad de ser seleccionadas.
En la practica una muestra a1eatoria es extratda unidad par unidad.
Las unidades en la pbblacion Bon previamente numeradas en forma correlati
va de "1" a "Nt!. A continuacion se extraen un" numeroa aleatorios entr;
"1" y UN" a partir de una tabla de nGmeros aleatorios, 0 can otro proced,!
miento que Asegure igual de ae1ecci6n para cads unidad.
En a1 mueetreo aleatorio simple, 0 mu treo aleatorio irr trlcto, co
mo se Ie denomina, no es permitida 1a dob1e inclusion de una mis=
rna unidad en 1a Beto elgnifica que la mu tra debe tar canst!
tuida por "n" unidades diferentes.
La probabilidad de ee1ecci6n en cada unidad dada por 1a expre-
allln.
"f" == n
N
denominada fracei6n de muestreo'J
tra y "Nil e1 del universo_
donde "n" representa el tamafio de ]a mue..!
99
I,:
I
j;;,
r .
I
1
1
,1
I ,
,
I
f
"!, i
. '. i ' -,_
.' i
I
I,! '


Seleccl0n
Es el procedimiento mas aplicado per su sencillez y r.apidez.
racterlst ica es la seleccion de unidades tomando una de cada k
siendo k el espaciamient,Q de mueetr.eo, dado par la expresitSn t
k =
h
Su ca-
unidad
dande
tra.
"Nil corresponde al tamaiio de la poblacion y "n" al tamafio de la mue!
El procedimiento consiste en tamar un nUmera en forma aleatoria den-
tro de las k primeras unidades. A esta primera unidad de muestreo selec-
cionada 1a denominaremos unidad de arranque. Para seleccionar las siguien
tes unidades que formaran 1a muestra, Be Ie Burna a la unidad de arranque
k, 2k, 3k, etc. hasta obtener e1 tamano de muestra deBeado.
Sea por ejemplo 1a s8t'ie 1, 2, 3, 4, 5, 6, 1, 8, 9, 10, 11, 1.2, que rl
presents a las dnce unidades de una poblaci6n determinada. Sup6ngase qu;
deseamo8 tamar mueatra de tamafio 4, ten.moB entona.. que e1 a.pao!a
miento de muestreo k es !qual a 3. Por 10 tanto, debemos eleqir un nGme=
ro en f o rma aleatoria entre 1 y ) '. Suponga'mos que el numero elegido sea
2, 1a muestra queda constituida par las unidades de muestree 2, 5, By 11.
Notese que para 1a segunda unidad de ana:lis is (5), se sumO a
1a unida d de arranque (2) el intervale de muestreo (3), procediendose en
forma analoga para todas las unidades seleccionadas.
Es c laro que a1 fijar e1 numero de arranque, e1 resto de las unidadeB
que inqresan a 1a quedan seleccionadaB en forma eimultSnea, as
mo eortellr un grupo completo. Lt5gicamente que s1 siempre se partiera de
9610 podr1an entrar en la muestra las unidades 2, 5, a, 11 y e1 resto
quedar1a con probabilidad "eerb
ll
de 8e1ecoi6n, en ouyo C890 serta una mue!
tra eesgada. De aqui que es necesario sortear 1s primers unidad en forma
aleatoria.
Las ventajas de este metoda radican como se dijo a1 Inleio en la rap!
dez y sencil1ez de su operatoria. No necesita numeracion de las unidade87
sino solamente un ordenami.ento f1sieo que permita a1 recuento. Puede pr!
senter al.gunas desventajas. Una de e118.9 se refter. a 1e. p08tbll
existencia de 01010s en 1& inform8.ci6n y conjugAndoee con ella la poe1b1-
Ildad de que k coincida can dlcho cicIo.
Un ejemplo claro 10 presentan las d!arreae infant!le.. Tienen un ci-
cIo anual con m&ximo de ver8.no y minima en invierno.
S1 para hacer un estudio en rel8.ci6n a diarreas infantiles, se nortel
ra un mes del ana y se hicleran observaciones cada 12 meBes, obtendrI
una informacion falsa aUn ' cuando e1 procedimiento estuviera bien emp1ea-
do,
t-:j'mplo: feb., fen., ............... . h:b.
t::Jl este caso se nV:r:rt ndrl8. un resumen 8610 de lOB indicGI!I elBvadoi .
Par eeta razon J.mp01: t .llnte averlgual. 1a posibillda..-l de ..... lCis
tE!:n,cia de y ", ' g,ue rle ser as!, Be puede recurrir a diverSOR F
mlen'tos
Entre ellos figt1ra el doble sorteo
utili"..ar 1. n(ul\er'DQ :," .-:;. a tor.ios entre 1 y
de muest.reo pa.J:a UTl(1 de elIoA 2k.
cedimientos tMS
Muestreo Estratificadu Simple
de n6mero8 de arranque, es
2k y utilizar como eapaciamiento
Rare. vez as neceaario ut.i.1.i.v.ar pr2
Muchas vecee ll\:g caract.e.t:i9tlc8a que !Ie estudian en una poblaci6n, va
rlan de muy distinta m:s.nera entre loe dlverl!lol!l indlviduo. 0 unidadee de !
nlilis1e, decir. r se t.:lene una poblaci6n lnUy heter09'nea
100
81 no t(
que nuestrn!
los verda del
Una manf
su1tadoB es
nes y muestl
blaciones ir
Los diet
muestreo qUE
les se Ie dE
Una vez
del nlimero d
fijacion), e
es tomar un
neo, pero su

este caso .!
mas sencillo
fio (N de un
afijaci6n pr
La estra
zones para 5
1. S1 Be de
aconse:'a
mente ta
2. Ventajas
ficacion
ner ofic.
cuesta pi
3. La estral
La idea I
en Bubpo)
eat 8Uq,
pae. Sf
rian poce
de cualq\
estrato.
Muestreo de (
Puede sue
aial
por ejemplo
miliaree 0 en
hospitales, c
51 nos in
1ftII!ramente com
dividuos, par
a todos 0 par
otras vee
de la poblaci
dronamientos,
do enseguida
rior;
Debido a1
z. SU oa-
k unidadea
o de 1a mues
teria den-
tree 8e1ec-
las
.e arranque
12, que re
pong' "que
e1 1..., ,rlacia
ir un nUma=-
legido sea
,5,Byll.
se sumO a
.iendose en '
as unidades
_anea, es
artiera de
y .,1 reato
ta una mU8.!
lad en forma
I en la rapi
18 wlidad -;
Puede pre
I 1a po.ibi.
1a poeibi-
.enen .., 01-
I , 88 sort
9'" obtendrI
den emplea-
3.aS elevados.
i dad de "xis
:sO::J r
es docir,
Ipaciamiento
utillzar
,blac i6n , va
ddades de !
s1 no tomamos en consideraci6n esta "heterogeneidad" es muy posible
que nuestras estimaciones a base de 14 mUestra difieran de
los verdaderoe valores en 1a poblaci6n.
Una manera de evitar la influenc ia de esta heterogeneldad en los re -
sultados es agrupar los individuos mas 0 menos semejantes en subpoblacio-
nes y rnuestrear cada una de las subpoblaciones como si se tratara de po-
blaeiones independientes.
Los distintos grupos formados se denornlnan estratos y al proceso de
muestreo que procede a agrupar los individuos en estos estratos especia-
lea se I e denomina estratificacion .
Una vez que se han fijado los estratos, se procede a 1a determinacion
del nGmero de individuos qu@ deben aeleccionarse de cada uno de ellos (a-
fijacion), existen diferentes formas de fijar estos tamafios, una de ella9
es tomar un tamafio de muestra mayor en aquel estrato que sea m!s heteroge
neo , pero sucede muchas veces que no se tiene una medida aceptahle de 1-;
variabl1idad de la caracteristica estudiada en los diversos estratos, en
eete easo 8i queremos una muestra del 10' de la pablaei6n por ejemplo, 10
mSe sencill0 ser!a tomar dentro de cads estrato tambien un 10% de su tama
fio (N de unidades quecontiene), a este tipo de afijaci6n sele
afijacion proporcional.
La estratificacion es una tecniea muy cornun.: Entre las princ.!pales ra
Eones para su usa se encuentran 188 siguientes:
1. Si se desean resultados para ciertas subpoblaciones de la pob1acion es
aconsejable considerar cada subpoblacion como una upob1aci6n
u
propia-
mente tal, y tamar una muestra independiente en cada una de ellas.
2 . Ventajas de tipo administrativo pueden aconsejar el usc de 1a estrat!
flcacian, por ejemplo, la institucion que realiza la encuesta puede te
ner oficinas regiona les, cada una de las cuales puede supervisar la en
cuesta para una parte de la poblacion. -
La estratificacion puede contribuir a disminuir el error de muestreo.
La idea b4eica e8 14 que ea pOBible dlvidir una poblaoi6n heterog'nea
en subpoblaciones, cada una de elIas homogenea en su interior . Esto
estS eugerido por e1 nombre de estrato, que impliea la diviai6n en ca
pall. Si cada eetrat.o es homo91neo en e1 sentido de que 1.&s medidae va
rtan poco de una unidad a otra, una estimacion precisa del
de cualquier estrato puede obtenerse en base a una p-equena muestra del
estrato.
Muestreo de Conglomerados
Puede suceder en 1a practi ca que las unidades de an'118i9 no se en-
aialadas, sino formando 9rupos 0 Tal eB e1 c aso
por ejemplo, de 108 habitant.es de una c1.udad que'. viven ya aea en gntpos t,!
ml1iares 0 en agrupaciones especiales como ser; residenciales, hote les,
hospitales, cSrceles, internados, etc.
Si nos interesa saber 10 que pasa con el individua, se puede p 41
meramente cane unidades de muestreo estos nGcleos 0 IIconglomerados" de ii!
dividuos, para enseguida t omar dentro de los conglomerados de la muestra
a todos 0 parte de los individuos que en ellos se encuentran.
Otras veces, por rezones de orden econ6mieo" se agrupan 108 individuos
de 1a poblaci6n en "oonglomerados" pec!al"., tale. como aon 4_ empa-
dronamientos, par ejemplo, a divisione s administrativas pequenas,
do enseguida.un proceso de seleccion, como e1 indicado en e1 parrafo
rior.
Debido al usc de "conq1omerados" como unidades (prim"rias) de mues-
101
I
., !

i
1"
I
i
t
" ,',

' I
I
j
h'
'I'"


A. Piii
- treo, e1 proceso de muestreo que hace usc de esta modalidad de 8grupac!iSn
de las unidades de analisis, recibe e1 Hombre de "nuU.tJt.ea de. c.ongiome/Ul-
dOJ,II.
Ventajas del usa del Muestrea:
Hay sels razones basir:as para e1 usa de muestreo:
Una muestra puede ahorrar dinero comparado con e1 costo de un censo.
Una muestra tjempo, cllando e1 hecho a estud!ar presenta varia-
clones relativamente rapidas a traves del este poco consume de
tiempo p.n obtener. loa d'ltos cobr.a espacial importancia puss permite
completar In de ellcs ante9 que se preeenten variaoiones
de importancia.
Una muestra penri..te cOIlcentrar la atencion en casos individuales, e1
tener que analizar un niimero reducido de individuos permite obtener rna
yor a elIas can todD e1 detalle que es necesario
de acuerdo a los Jbjeti"vos.
4. Una muestra permite e1 usc oe poco personal y espacio. En general bas
ta con un numero rp.OllG 100 ne nebldBmenta entrenadas y que pu.!
dan trnbnjar en un mAs 'que e1 que 5e necesitarta pa-
ra un trabajo de tipo censal.
5. Una muestxa permite obtener resultados de mejor calldad, e1 usa de P
co personal permite un mejor entrenamiento de elIas, junto a1 hecho de
que se rechace 1a variac ion can que puede presentarse por e1 observa-
dor mismo. Toaos estos hechos redundan en una mejor chlidad de los re
sultados.
6. Una muestra, muchas veces es la unica posibilidad ra2ionab1e de ahall ..
sis, en muchas oportunidades e1 eXR.men de lOB elementos que forman u-
na poblacion 0 t1ni'trer9o ex.tge AU destrucoi6n 0 inutil!zaci6n, como ee
e1 examen rutinarlo de leche embotel1ada, conservas, etc., por 10 tan
to, es absurdo todo el lote de producci6n para tener una in-
formacion respecto a sucalidad.
Desventajas del Muestrea:
A pesar de las ventajas' del muestreo muchas veces no 99
realizar una investigaGion a base de muestras. CaSDS de este
siguientes:
aconsejable
tipo son los
a. Cuando 5e necesitan ORtos para Bubdivisiones muy pequenas de la pobla
cion, se requieren muestras desproporcionadamente grandes,pues 1a pre
ci!=l:ion de ,ma mucst.ra dependp. frecuentemente del tamaiio de Ia muestra
y '_-,13 Ia frace ion de muestreo. En este caso de muestreo puede ser
casi '.an costoso como un censo completo.
h. Cu,ndo se requiere un inventario para cada uno de los elementos de la
poblacion, ejt.:'mplos de tlpo es 1a ficha _c11nica de hospital que
tienen que exjst.:l.r para todos los paeientes, no solo para un grupo de
ellos.
ApI icaciones de
En e1 campo sanitar:.i..o el muestren tiene multiples aplicaciones, que
son par ejemplo:
a. La obt.encion an inrnurv:I.-:.ion a las personas que vivan en el '-
rea de un centxo ,,1111:1 con e] objetQ de elaborar 0 transformar un
programa.
b. Probar Ia eficlencia OP. un metoda antes de aplicarlo a1 total de]a P:2.
blacion .
102
C. Determ
da, de
d. Evalua
19rupacion
ongiomeJra-
m censo.
Ita varia-
:onsumo de
permite
lriaciones
lales, e1
obtener rna
necesario
mer'at- bas
3 Y que pue
ltarla pa=-
usa de po
. hecho de
l observa-
de las re
: de
I forman u-
, como es
or 10 tan
r \lJ'\a _1n-
onsejable
son los
1a l.---_.Jla
le8 14 pri
a muestra
.uede ser
tos de la
. ital que
1 de
les, que
1m en e1 ,
formar Wl
,1 de la P
c. Determinar ne ces idade s de recur s os me dic os, asi stenciales, de vivien-
da, de saneamiento dentro del area del Centro de Salud.
d. Evalua r los resultados que e s ta dando un programa en e jecucion.
103
,
i
"I
I
' 1 >-
I
REGRESION LINEAL
EI problema
Se investiga 10 capacidad vital en 8 ninos d" diferentes edades, con
los siguien tes resuJ. todos:
.
f.dad (unos) Capucidad Vital
(x)
(y)
-----
4 0.79
5 0.93
6 1.15
7 1.29
8 1.47
1 1.71
lU 1.87
11 1.99
Los datos se caHlcter izan porque en coda unidad de observacion (nIno)
se hacen dos mediciones: edad (x) y capacidad vital (1'), Se dispone de B
pares de observaciones:
Nino

I
Xl
=
4
Yl
=
0.79
2
x2
=
5
Y2 "
0.93
etc.
En general. ,para 10 observacion i == 1,2, . ,n, en que n 8S a1 numero de
observaciones eJ par de mediciones es (xj: Vi)' Observ9se-que Id variable
x (edad) no as (Jlecrtor ia, porque los nlnos han side elegidos en ciertae
edades; es 10 variable independiente. La variable capacidad vital (y) eB
aleator ia y es la variuble dependiente . fundamentalmente se trata de con
testar las slguientes pregl1ntos:
1. 10 capaciddd vltal de la edad del nino? ;J)epende y de x?
2., :."'; 1u es afirmativQ9 i,CuCiI es la forma de esta dependencia. 0
bir-'ll l.05mo 5e y en funcion de x?
Este Urn de prohTpm(] es frecuente en medicina. Ejemplos: iCual es 10
curva pondered. de lm j) ina saho? ieomo varia la concentracion sanguinea de
un antibiotico d8SPU0S de adrninistracion oral? LQue relacion hay entre
el de i.ndividuos inmunizados en una poblacion y e1 numero de ca ..
sos de una enferruedad infecciosn? i>Cual es el valor predictivo que tiene
e1 exnmen de selp.cr.i(,n de Medicina respecto a las calificaciones del primer
ano de est\1dio(; .
La utUidad d" 1 ll,,,todo "" mul tiple. Si se construye un modelo con e1
peso de n UiOf; SCTrlOS mt- fl1ncion de 10 edad. sera posible saber cu6l ea e1
peso normal oe lln ,liflo pelro lmet pdod determinada, 10 que ayuda a1 diagoos",
tico. El usc del ex"metl de seJp.ccion llevo implicita 10 idea que ea capaz
de predeci r los resllJ todos de los estudios unlversi tarios. La expresion
mntematica de 1" "';Q1'iocion de dos variables facilita el resumen de muchas
1011
observQcior
cion y expr
lar hipotee
EI grafico
El pri
riable depE
en el de In
En eete
la edad. de.
con ciertas
men09 rectd,
EI modelo de
La ecuac
(1)
a = interce
b p"ndien
'1 n"llIbrl!'
todo. f.n r
Jo homhre.
dlll_ men!")!'!
medIa. est.
10 normolj,
odes, con
Lon (nino)
'pone de 8
numero de
a variable
tn cJ ':0.
tal (T/ e.
to de con-
Ie x?
mdencia. 0
'Cu61 .. 1a
:guinea de
hay entre
nero de co-
que tiene
del primer
'elo con el
ulil es el
1 diagnos-
e es capaz
expresion
de muchas
observaciones y su aplicaci6n. Por ultimo, precisar que existe una asocia-
cion y expresarlo cllcmtitativamente es muchas veces un paso previo a formu-
lar hipotesis sobre su causa.
EI grafico y su descripcion
El primer paso en este tipo de problema 'es haver un grafico con 10 va-
riable dependiente en el eje de 10. ordenodo. y 10 variable independiente
en e1 de las abscisQs.
capacidad
v; tal








En eete ejemplo. el grafico muestra que la capacidad vital aumenta con
la edad. desde 0.79 a los 4 an09 de edad hasta 1.99 a los 11 anos. Aunque
con ciertas irreqularidades. lOB puntos tienden a seguir una linea mas 0
menos recta. UsaremoB. pues. el mOdelo de regresion lineal,
EI modelo de regreslon lineal
La ecuaclon general de una linea recta as:
(1) y = a + bx Siendo
a = Intercepto = valor de y pnra x = 0
b pendiente cambio en y por unidad de cambio en x.
a &J noebre de derlva de Uoa de Jos prl.eras opJleaeiones del .e-
todo. en un estudlo de 10 relae16n entre 10 deJ padre y del hI.
Jo hombre. S9 encontro que los Jd}os de padres lI.uy altos eran. en proll._
dIo, J'lenos alto.'!!!, y que 105 hlJos de padre$ llIuy baJos alcanzaban. en
medio, estaturas mas 01 tos que sus padres. Esto es. hat regreslon a
10 normalldad en sucesivas
105
!
., I

'I: .. 'i .. '
. r:
, .
;
Ft-
, .
!
I


y
I
I
I
I
I
,
,
,
,
I
I
I
I
I
I
,
I

,
I
I
,
I
t
I
I
I
_. a + bx
x
tC6mo Be oplico este modelo en ,,1 campo multivorioble de 10 medicina?
9upuestos 0 condiciones. Be ""epta 01 aplicar lo? LC6mo se interpretan
los parametros de 10 ecuacion? .
51 hubleramo8 examinano un numero de ninos. no habriamo8 obtenido
para coda edad exact<lmente 1a capacldad detnminooaen .. 1 pequeno grupo de
e observaciones. Poe ejemplo . para 10 edad 5 anos (x == 5). habr!amo8 obte-
nido capacidodes vitales variableA aunque mas 0 menoa cercona. a y = 0.93.
Por ello, en e1. modelo se ocepta que existe una familia de poblacione8, ca-
do una determinada por un valor fijo y conocido de x. Coda una de e8tas
poblaciones tiene una distribucion normal. definida por un promedio y una
distribucion standard que designaremos:
I" v/x = promedio de los yalores de y para x dooo
u y/x =. desviaciob standard de 109 volores de y para x dena
En el ejemplo. esto .ignifica que paro 10 edod 5 afios (x = 5). el pro-
medio de las vitales es = 5. Y 10 dispersion para este va-
lor puede expresarse por ay/.x = 5. En un grafico tridimensional 10 repre-
sentacion es 10 siguiente:
106
De acuard
tribuciones s
(2)
a 0 promedio
ra edod 0
f3= cambio er.
ejemplo.
Finalment
ciOn standard
0-
y/x e.
En el eje
dual en 10 co
En 10 apl
mar la atenci
1. Se acepto
plo anoli
ano de ed
9ioo. per
tervo-los
pacidod v
vida hume
2. Si 10 cap
fica que
Por 10 to
x. Si Ie
taL pare
toncea a
y
nee de pr
rio. que
Es te car l
fuentes '1
bx
-
x
.edicina?
;erpretan
obtenido
grupo de
nos obte-
I = 0,93.
ones, -"I-
de e ..... _-'s
lia y una
f el pro-
este va-
10 repre-
1(1/1)
8 7 8 8 18 "
II dId
De acuerdo al modelo de regreslon lineal. los promedios de f)stos
tribuciones se disponen en una linea recta, cuya ec:uaci6n es:
(2) fly/x = a.
+ f3 x dande
a.:: promedio de y para x = 0 (en este ejemplo, capacidad vi tal 'ja ..
ra edad 0, es deelr, at nacimiento).
cambia en e1 prantedio de Y clIando x (Iumenta .in una unidad. (Ell " s t ,
ejemplo. aumento de la capacidcd vital pl'omedio pOl' ano de edad)
Finalmente. es necesario aceptor que, .para coda valor de x, 10 dat1v\IJ -
oion standard de 10 dletrlbuclon de y e8 10 miema. E8 deeir,
0-
y/x e8 constante para todo x
En el ejemplo presente. esta condicion dice que 10 variabilidad indivi .
dual en 10 capaeidad vital es para todas las edodes.
En la apHeaeLon de un modelo matemaUeode esta espeCie conviene .1.1., ..
mar 10 atencion sabre los siguientes hechos:
I 1. Se aeepta que el cambio de y es constante pOl' unidad de x; en el eje", .
plo cmalizado. que e1 aumento en 10 capacidad vital f:rS igu01 por cad":!
af\o d. edad oUillplldo. Esta.1 tUClc16n no ell habitual en el orea h1010
gica. perc e1 supuesto es <r:eptable muchas veces para determinadoli in
tervalos en e1 eje de las x. En e1 caso que -se discute. aunque 10 Cu'"
pacidad vi tal no fuera una funcian lineal de 10 edod a 10 largo de J.1
vida humano. podria serlo en las edodes consideradas.
2. Si 10 capacidad vital es variable en sujetos de igual edad. esto signi-
fica que esta determinada ADH'AS por otros faelores qu.e no sQn 10 edad.
Por 10 tanto, 0y/x expresa una variacion de y que es independiente de
x. Sl 10 edad tllera e1 unlcc factor que determinara la capacidad vi-
tal, para una edad deteminada habria una capacldad vital uniea. En-
tonce. = 0 y todo. 108 puntos correeponderlan exactamente a 10 li-
nea de promedios. La habitual en el ern,po biologieo es, por e1 eontra-
rio. que 10 variable y dependa no solo de x sino de multiples factores.
Eate coracter multifactoriul y los errores de medieion son las dos
fuentes que expliccm 10 variccion residual alrE!dedor de 10 linea de re-
107
..
'J
;1' '.,
; ~ ' !
;, p
, .
f '
:i i
,

gresi6"n. Tratandose de una muestra, Veremos maB adelante que e1 error
de muestreo es otra causa de esta dispersion.
Tocla 10 disdlsion anterior se refiere a los datos de 10 poblacion del
universe de ninos. Lo cierto es que solo disponemos de datos de una peque-
no muestra de B medicionee de 10 capacidad vital, una para cada edad entre
4 y 11 anos. "COmo podemos estimar los va10res desconocidos de a y de ~ ,
que definen 1a linea recta que expresa 10 capacidad vital como funcion li-
neal de 10 edad?
Aj us Ie de una I fnea recta por el metodo de los cuadrados mfnimos
Para referirnos a 10 recta ajustada a los datos disponibles (0 10 mues-
tra) usaremos 10 simbologfa:
Hay multiples lineas rectos que pueden ajustarse a los datos de este
ejemplo, as ,decir, multiplp.B valoref:! dp. a y de h. DefIJde luego, coda par de
puntos define ':Ina recta: 10 recta, por otra parte, pqede no pasar por los
puntos observados. El mejor ajuste se obtiene por e1 criterio de cuadrados
minimos! es 1a recta que hace minima 10 surna de las diferencias cuadraticos
entre cada volor de Yi y el valor predicho en Xi por 10 linea de regresion.
Es decir:
I (y. y.)2 minimo
1 1
En e1 grofieo siguiente se muestran cada una de estas diferencias como
un trazo vertical:
YI
1.00
1,80
1.80
Y
1.40
1. 1(1
1,00
0.80
0.60
0.40
0.10
108
1.5
..
10 II
E. te oj
cada conjun
tante. a y
/3. reapeoti
Los val
mos se obti
llamada. EC
pecto 0 a
Las ecu
no +
b
Esta ul
decir. por
y =
Para el
guiente:
x
11
1
61
Ie e1 error
.lacion del
una peque ..
edad entre
, a y de /3.
Funci6n 11-
(a la mues-
too Q ...... .:3.te
"ada par de
sar por los
e cucdrados
cuadraticas
. regreolon.
encial como
--Xi
.'.
Eate ajuBte de cuadrado. Minimo. tlene laB propiedade. de deflnir para
cada conjunto de puntos observados una linea unica y de hacer que 10. cons-
tante. a y b de la mueetra sean la mejor eetimacion de 10. parametros a y
~ , respectivamente.
Lo. va1ore. de a y b que .atiafocen 10. condiciones de cuodrodoa mini-
mOl ee obtlenen por 1a reloluclon 11mult6nea de las ecuaclon aiquientea,
llamadas ECUACIONES NORMALES Y que reBultan de la derivQcion parcial res-
pecto a 0 y b de 1a funcion.
Las ecuaciones normales son:
=
b =
a =
y
Esta ultima eCUaClon muestra que 1a recta pasa por e1 punto (x.y). es
j dO";o ~ ' :' " ' , ~ 100 doo "'''''''''''_0
0
_.,. "".
Para e1 ejemp10 de la capacidad vi tal. el ca1culo del ajuste"es e1 si-
guiente:
Xi
Yi xiYi xi
2
4 D.7S 3.16 16
5 0.93 4.86 25
6 1.15 6.90 36
7 1.29 9.03 49
8 1.47 11.76 64
9 1.71 15.39 81
10 1.87 18.70 100
11 1.99 2i.S9 121
60 11.20 91.48 492
109
J
,
J
d
" !
I '
1
"
j .,
) ,
I.'
i'
ij'!


n = 8
L X.Y i
91.48
=
. 1
2
Lx.
= 60 2: xi
492
1 =
2
60
2
L y.
= 11.20
(L x. )
= =
3.600
1 1
n L X.y. L x. ? y. 8 (91. 48)
- 60
(11. 20)
1 1 1 1
b= =
=
n L Xi
2
(Lx.) 2
8 (492) (60) 2
1
731, 84 672 59.84
=
=
- - --
=
0.18
3936 36CO 336
a
=
y bx - 11.20 (0.18) 60 =1.40
-
0.18 (7.5)
8 8
=
1.40 1.35
=
0.05
Y
1
= 0.05
+
0. 18 Xi
De acuerdo a esta funcion. por coda anD de &dad la capacidad vital Ie
incrementa en 0.18 unidades entre las edades de 4 y 11 anos. Extrapolando,
la capacidad vital media para el nacimIento seria 0.05. La ecuaci6n permi-
te predecir 10 capacidad vital promedio para cualquier valor de x. Por
ejemplo. para los 5 aDos y medio seria:'
y
5.5
=
O.OS
+
(0.18) 5.5
=
1.04
El resumen de 10 regresl on en dos constantes permite tamblen compara-
clones ent re grupos. Por ejemplo, 5i se estuviera estudiando 10 capaci dad
vital en funcion de 10 edad en tre grupos raciales. la' comparacion de inte r ..
ceptos permitiran 51 hay diferencies en 10 capacidad vital 01
nacimiento entre lOB diversoB grupos, y 10 camparacion de las constant es b
haria posible analizar si 10 raza tiene algun efecto en determinor un
rente incremento de 10 copacidod , vital per ano de edod.
La variabilidad alrededor de la linea de regresian
Hemo. dicho que la dispersion de puntos respecto a la linea de regre-
sion puede expresor que y "depende de otros factores edemas de x, que hay
errores en 10 medicion y que los datos de 10 mue stra difieren accidental-
mente de la verdadera dis tri bucion en 10 poblacion 0 universo de origen.
110
' Por a.ta. y ,
En 1a ap
de los va.
promedio
Los valO1
nea de regre:
DARD DF. I.A r"
n = numf=
ObaerveSf
descripcion (
Las difel
1. Las difel
promedio
coda x.,
2. Se divia,
es conver.
En el ej.
0.79
0.93
1.15
1. 29
1.47
1. 71
1.87
1.99
... :.--_ .. . _- . .... . .... . - . .. --.. .....
=
5)
,d vi tal ae
trapolando,
016n perml.
d. x Por
'--
In compara-
, capacidad
1 de inter ..
,d vital a1
.nstantes b
]r Un diCe-
: de regre-
x. que hoy
:cciden to 1.
de odgen.
I
Por estos y otros razones. intereso muchos veces medir eata variabilidad.
En 10 aplicaci6n del modelo lineal se ha aceptado que para cada valor
de los valores de y tienen una distribucion normal con
promedio
= Ily/x
desviacion standard
_ 0
- y/x
Los valoree de 11. I eon estJmoclos por lOB correspondientes Y i de 10 II.
nea de regresi 6n . estimar u
y
/
x
de modo s,imllar por e1 [RROR STAN ..
DARD DE LA ESTIMACI0N.
s
y/x

.----- y.) 2
1 1
n 2
n = numero de pares de observaciones.
Observese que 5 he tiene tIna estructura semejante a Sx utilizado en 10
descripcion de 10 vXrlabilidad de una serie de meqidas:
s
x
LaB diferenalas Bon las elguientea:
1. Las diferencios cuadraticas de coda valor observado no se refieren al
promedio fijo del grupo observado, sino a un promedio que varia para
cada x . . y que est a dado por la linea de regresion (Y.).
2. Se par (0 - 2) en vez de (n - 1). por razones teoricas que no
es cooveniente explicor aqui.
En e1 ejemp10 desarro11odo. e1 calcu10 de S I es el siguiente
y l<
J
1
Y
i
(Y. - Y. ) (y.
_ Y ) 2
1 1 1 1
0.79 0.77 + 0.02 0.CXD4
0.93 0.95 - 0.02 0.CW4
L1s 1.13 + 0.02 0.CW4
1.29 1.31 - 0.02
0.CW4
1.47 1.49 - 0.02 0.CW4
1. 71 1.G7 + 0.04 O.mlG
1.87 1.85 + 0.02 0.CXD4
1.99 2.03 - 0.04 O.mlG
111
I


s
y/x
= \ 0Y
i
- Y
i
) 2 =Vo.
OOS6
Y-n-2 6
112
=
0.0056
=
0.03
El analis
variahle:;. F
variables en '
vacion. POl
mide A 1 p e ~ : ; o
de la tempera
se cuen to e J
frutos.
Simbolizo
objetivo del,
res de "x" er.
estas unidade
si . hombres COl
server si a1 I
aumento; obse
dio de lOA fr
Presentacion
I) Tabla:
SegUn el I
a) IIna Ii
b) una ta
0) La li.ta .
lor de ca
Ejemplo:
Rel .
Fami 1 i
1
2
3
4
5
6
7
B
9
10
l.l
En este
Be idp.n t.i fj co
cuol de las f
llamar "x" a
las hermanas.
b) La tabla
r os en I e
cion que corr'
, .'- . ""
CORRElACllJI
El an61isis de correlacion estudia el de dos
variables. Para peder hacerlo es necesario medir simultaneamente las dos
variables en coda uno de los elementos de un conjunto de unidades de obser-
vacion. Por ejemp.lo, en cada individuo de un grupo de hombres odultos se
nide el peso y 10 estat. llrn, en coda enfermo de un grupo de pacientes mi ..
de 10 temperatura axilar y 10 presion sistolica. en cada arhol de un huerto
.se cuento e1 numero de (rutes Y He det.ermine e1 promedlo de tamano de las
'frutas.
Simbolizaremos por "x" a uno de las variables y por "yO a 10 otra. El
objetivo del estudio de 10 correlacion es determinar 8i 01 varier los valo-
res de "x' en determinado sentido en las unidades de observacion. "y" en
estos unidades aumenta. disminuye 0 mantiene i ,gnal . Ejemplos: observer
5i, hombres con mayor estaturn pescm mas que hombres con men or estat ..... a: ob-
servor si 01" haber mayor temperatura corppral. 10 presion sist61ica tamb1en
- aumenta: observar s1 a mayor numero de frutas en e1 arbol el tamano prome-
dib de la8 frutas disminuye.
Presentacion de los datos
1) Tabla:
SegUn e1 de observaciones puede -ser:
a) una 'lista
b) una tabla de datos agrupados
a) La lista consiste en colocar frente a coda unidod de observacion e1
lor de cac.l'c una d'; las variables medidas.
Ejemplo:
Relacion entre estatura de herman os y hermartas
Familia
1
2
3
4
5
6
7
8
9
10
11
Hermmlos
X
1.71
1.68
1.66
1.67
1.70
1.71
1.70
1. 73
1.72
1.65
1.66
Hermanae
y
1.69
1.64
1.65
1,63
1.65
1,62
1.65
1.64
1,66
1.59
1,62
En este ej emplo 10 unidad de observacion es 10 familia. Coda familia
se Identific6 arbitrariamente por un numero. En eate ca80 8S indlferente a
eual de las estaturos desiqnemos por "x" y a cual .'y". Deeidimos
. llamar "x" a las estaturas de los hermanos y Ilamar "y" a 10 estatura de
las hermanas.
bl La tabla de datos agrupados 0 tabla de correlacion dispone de casille-
ros en los cuales quedan ubi c adas las diferentes unidades de observa-
cion que corresponden a ellos. Este tipo de labIa permite 10 visualizacion
113
I
,
I
1&
Inmedlata de la r"lad6n exhtent" entre las varlable8 en eatudlo.
Ejernplo:
Con sumo de 2
(Centros de
closes y)
150
170
190
210
230
250
270
290
310
330
Total
Con sumo de 02(cc. por min.) y peso en 136
individuos nonnales
Peso corporal (Centro de clases xl
1---
-
35 45 5$ 65 75 85 95 105
1
1 1
3 3 1
1 23 9 1
1 13 23 4 2
3 13 6 1
2 11 1 1
4 1 4
1
1
1 6 43 52 24 8 1 1
Total
1
2
7
34
43
23
15
9
1
1
136
Se aprecia facilmente que a medidn que aumenta e1 peso de los indivi-
duos aurnenta tambi;;n"l consurno de
2
,

2) .
La manera mas sencilla de presentar y analizar.la relocian entre dos
variables es e1 grafieo de correlacion.
La tecnica para construir eate grofieo es 10 slguiente: en cada uno de
los ejes perpendiculares se coleca una de las variables estudiadas. La va
riable cmotada en e1 eje horizontal se denomina "x" y 10 del eje vertical
"y". La escala de variables 'en cdda eje flucbJO entre e1 valor minimo y el
maximo de 10 serie. sin necesidad de comenzar en O. Se proporcionaran las
escalas de manera que ambos ejes tenqan igual longitud.
Una: vez trazados los ejes y sus escalas se procede a inscribir cada
unidad observada, representandola por un punto en la interseccion de per.
pendiculares imagi nar ias levan tadas en los valores que Ie corresponden a1
ir'1;viduo para cada variable. 5e rogra asi 11n grafieo de puntos euya dis ..
f 1 'cIon nos inforrno sobre 1a existencia 0 no de correlacion. El grCifico
puede hacerse ry partir de una 1ista de los individuos. no de una tabla
de COI relacion.
Ej amplo:
En 19 alumnos de primer ano de una escuela 5e ha hecho un entudio de
corre1acion entre e1 test que mide e1 coeficiente intelectual (CI) y las
notas obtenida,s, P.T1 los examenes de primer ano. Los datos son los siguien-
tes:
CI
x
107
120
114
Examen
y
59
60
Examen
90
eo
70
80
50
40
30

20
70 80
En 10 tabla es
riables. el grafic
ilas notas son tambj
11 E1 9r6 fico de F
nen en una nube ell
l
puede ser positivcr
,rresponden valoree
.01 tos de y. Es ne,
I
idisminuyen.
La auseneia de
':cion circular. hori
I
i
... 14 ........... "' ...... " .... - "" .. "'*"Jl"" .. ......... ...... ......_ ..:.. . :, . ) . "-'_ ."-'-'-0,:.,., . " .... ::...., "_., ',.
I
indivi-
ntre do.
a uno de
La va_
vertical
limo y e1
oran las
blr _,Ja
de per-
,onden a1
:uya dis-
, grafico
ma tabla
,tudio de
:1) y las
siguien ...
Examen
90
80
70
80
50
40
30

20
70 80


90
77
136
111
140
97
117
126
92
90
110
123
110
103
96
133
102




100







110 120
26
80
66
66
SO
68
67
31
40
41
57
50
44
43
72
32


130


140 150
CI
En 10 tabla es muy diffeil ver 10 relacion que existe entre ambos va-
riables. e1 grafico en cambio, nOB muestra inmediatamente que a mayor CI
las notall son tambien mayores y viceversa. ,
E1 gr6fico de puntos nos revela correlacion cuando los puntos se dispo ...
nen en una nube eliptica y ohIieua con respecto a los eje's. La correlacion
puede ser positivQ 0 negativa. Es positiva cuando a valores bajos de x co-
rresponden valores bajos de y. y a valores altos de x corresponden valores
altos de y. Es negatlva s1 a1 aumentar los valores de x los valoree de y
disminuyen.
La ausencia de correlacion se manifiesta en el grafico por una disposi-
cion circular, horizontal 0 vertical de los puntos.
115
.;
II

I

ii
III
I
y
Laa imogene a de loa aituaciones descritas son:
correlacion
pullin
X
..
. .
. .
cOlreiacion
n'Katin
X
., .
. .
. .
. .
. .
. .
X X
. . .
. .
. ... .
U I n C I I d. CDr r I I c I Ii n
Contam08 lue,?
;en dOB cuadran tes
!a 10 que se encue
I Podemps resUll)
asociacion. En [
'de 10 medicma Biu
!guiente tabla:
i
Notas de
ex amen
-!
Altos
Boias
El grado de co rre lacion se revela en el qrafico por 10 mayor 0 menor
dispersion de los puntos alrededor del eje mayor de la elipse.
La correlacion perfecta se revelarte por una disposicion lineal de 108
puntas.
Cuando es dificil veT si existe correlacion. es una ayuda trazar per-
pendicularea a los ajas en 108 valora. correspondientee a loa medianae de
las variables. En el grafico del presente ejemplo. trazamos una linea ver-
tical que deje 9 puntos a su izquierda y 9 a Sll derecha con 10 que obtene-
mos 10 mediana del cr. luego trazamos una horizontal _que deje 9 puntes
orr iba y 9 abajo dando mediana de las notas de examen. En este coso
particular 10 aa y 10 lOa observacion ordenada segun CI eston ambos frente
01 valor HO y por 10 tanto 10 vertical pas oro por ambos puntos. Adjudiea-
remos dos mitades hacia la izquierda de 10 vertical y dos mitades hacia la
derecho.
Exama"



80
8





70
60


,

50


40
6


30




20
-.-
,
10 80 90 100 110
120 130 140 150
116
!
Total
Se observa 1.
:ambas mediciones
EI coaficlanta dE
Tan to el ana:
nas solo apl
'falta de correIa!
sis. Par el coO'
tamos alguna ,med
clente de correl
!RaQU lal tOI para
I. Para que el
, flO que:
ia) La correl act,
ib) aaa una (
I El primer re
18umible en una 1
i El rE "aita
I
'de corre. lc.. ... l.on F
Se va en esc
cad a valor de p<
,
lesbozo se per fee

. En general s
ble verificarlo
dos "no pqrametr
. ,
CIon
Calculo de r
:"0 formula p
l - - --. c . - ... - .' . . _ _ ...... . . , . _.". __ " .
-,1_., '''_
.,,, .,-.. -.--." .,... -,- '
Ia'h-' ""W,,,u"W...,..'V.I .. ... .... ..l'''''''''.... ..... .. , .. _ .....

.
.
.
.

.
.

.

x
c i 6 n
r 0 menor
,
Contamos luego los puntes en cada uno de los obtenidos. Si
!n dos cuadrantes diagonalmente 10 ccmtidad de puntos es superior
10 que se encuentra en el otro septido decimos que hay correlacion.
Podemps e1 resu1taclo del rn1alisis por medicmas en una tabla de
osociacion. En nuestro ejemplo definiremos los valores a uno u otro lado
de Ie mecliana simplemente como altos 0 bajos con 10 que' ohtencll-etnos 10 .i ..
guiente tabla:
He locicn en t re CI y notas de examen
------ --------_._._-_ . .
Notas de
ex amen
Altas
BaJas
Total
Nivel de CI
Bajo Alto
1 8
8 1
---_._---_.-
9 9
Tot a I
9
9
. -. ,-, -,--_._---_._._------_.---.- ----
18
al de los
Se observa 10 mayor frecuencia de inclivicluos en los casilleros en que
azar per- ambos mediciones coinciden 10 que nos revelo correlacion positivd.
dianas de
.inea ver ..
,e obtene-
9 puntos
"ete ca80
las frente
Adjudica-
I hacia la
EI coeficienle de correlacion Hr"
Tanto e1 analisis del grafico como e1 del trazaclo de las media-
nas son solo aproxlmados para medir e1 grado de correlaci6n. Cuando 10
(alta de correlacion es evidente no se justifica seguir adelante e1 on6:1i ...
sis. Por e1 contrario, si estos metodos sugieren una cprrelacion. necesi-
tamos alguna medida para apreciar su magnitud y esta medida es el coefi-
ciente de correlacion r.
ReQuisitos para el calculo de r.
Para que e1 coefioiente de correlacion sea una buena meclida'es necesa-
rio que: .
a) La correlaoi6n taorica sea una linearecla.
b) sea una diatribuci6n bivariable. normal.
El primer requisita se cumple coda vez que 1a nube de puntas fuera re-
sumible en una linea recta.
El requisito de ser normal bivariante. se puede exp1icar can la tabla
de correlacion para peso corporal y consumo de oxigeno en 10 pagina 2.
Sa ve en esa tabla que hay un esbozo de distribucion normal frente a
cada valor de peso y 10 mlBmo frente a cada ,valor de c:onsumo de 02' Eats
el!lbozo se per feccionClTla a medida que fuera aumentando el numero de obeer ..
vaciones.
En general se supone que estos requisi tos se cumplen ya que no es posi ..
hIe verificarlo. Si evidentemente no se cumplen. hay olros metodos llama-
dos "no parametricos" que pueden utilizarse para medir el grado de corre1a-
cion.
Calculo de r
,
formula para e1 ca1culo de res:
117
I
I
'1
I
,
'-.
I
,j
J
r
I

:j
".
j
,
,
1
<
1
,
.,:

de
r :::
1
El valor de r
k r se obtiene al
I
Parct obtener las cantidades necesarias necesitamos las columnas indica- 7
dos a contlnuaclon.
Para nuestro ejemplo: .
Xi
Yi xi Yi
x.2 y
i
2
1
L(X -
107 59 6.313 11.449 3.481 r =
V fi,(x
120 60 7.200 14.400 3.600
- x)
77 26 2.cx:Y2 5. 929 676
136 80 10.880 18.496 6.400
111 66 7.326 12.321 4.356
Ii
140 66 9.240 19.600 4.356
97 50 4.850 9.409 2.5(0
117 68 7.956 13.689 4.624
126 67 8.442 15.876 4.489
92 31 2. 852 8.464 961
00 40 3.600 8.100 1.600
110 41 4.510 12.100 1.681
123 57 7.011 15.129 3.249
110 50 5.500 12.100 2.500
103 44 4.532 10.609 1.936
!
96 43 4.128 9.216 1.849
L
En 10. cuadrar
133 72 9.576 17 .689 5.184
los cuadrantes
102 32 3.264 10.404 1.024
3el numerador sera
hayor. menor 0 ig'
1.900 952 109.182 224.980 54.466
H 0 O.
i La correlaci6n
De esta II'Onera:
I
- 1 ::: correIa
I
n
:::
18
L x.
2 :::
224.980
1
0= ausenci
1
I
+ 1 ::: correlc
L Xi
:::
1.900 L Yi
2
= 54.466
(L x.) 2
I. . . .-
L Yi
:::
952
:::
3.960.100 I gn I , Ie ac Ion
1 .I
L x.y.
:::
109.182
(2 y.) 2
:::
906.304 I
1 1 1
I Para poder de
rignifi c ativo. es
que:
18 (109)
-
(1.900) (952)
1 Ho: p': 0
r
::: au
Vfl.8 (224.980.98:) - (54.666)
-
J HI: p l' a ex
!
Donde p e. el
La di.tribuci[
r
::: 70.706
:::
0.869
trada en p ::: a y
81.444.42
r
:::
0.87
118
!
de r
El valor de r puede variar entre -1 y +1. Una vi sualizacion del valor
,e r se obtiene 01 analizar otro formula para r en pre sencia de un qr6:fico .
as i ndica- :
y.2
1
3. ""-'
3,0-... .J
676
6. 400
4.356
4.356
2.500
4.624
4.489
r
Signos de l os pr oduc tos (x-x) (y- y)
y
II I
( - ) +

(y-y 0
- x) (y - y)
=
V U:(X - ;)3 li(y -
y
III IV
( + )
( - )
(y_y) < O
x
(x-x) < 0
x
(x-x 0
En los cuadrantes I y III los productos (x _ x) (Y . - y ) Bon positivos.
961

1.681
3.249
2.500
1.936
1.849
5.184
1.024
In los cuadrante. II y IV 80n negatlvo.. Asi podemoe entender que la suma
tel numerador sera (+" (-) 00 aegun si el numero de s umandos es
menor 0 igual 01 de sumandos negativos. 10 que hara que r sea (+).
54.466
(-) 0 O.
La correlaci6n 8S mas estrecha mlentraa mas cercano a -1 0 a +1 este r.
--------'-' le est a monera:
24.980
54.466
60.100
:xl.304
-
1
0
+
1
=
=
=
correlacion inversa 0 negat i va perfecta,
ausenc ia abs oluta de correlacion
corre lac i on directa 0 positivQ pe rfe cta.
Ii gni Ii cacion
Para pade r determinar si e l valor de r encontrado es estadistic amen te
significativo, es necesario hac er una prueba de significacion e stadist ica
lue:
Ho :P 0 ausencia de correlacion
HI :p 1 0 existenc ia de corre1acion
Donde p e8 e1 coef iciente de correlacion poblacionaL
La distrlbucion muestral de r e! aproximodamente una curva normal cen
trada en p = 0 y con error standard.
es deci r
119
i
J

I
i
"
;'
!
,
!
i
\
\.
\

i-'r = a
Sr =
I
I
3 )
I
,'0.
I
E1 azar ne
mani fiesta
Con 10 cllal podemos Construl'r 1
a estadis tica
Conclusion
I
genl
rv,,-:-;
; 1 _ r2
que tiene una distribuci.on t de Student con n _ 2 grados de l.i.bertad.
Del. eieml'la unteIior tenema .. :
r '" 0.87
n = 18
en es te caso t =
0.87 Vl6
V 1- 0.87
2
= 7.059
!
La pr-:!senc.
automat j camen t
'tener o1"mpre J
l El hecho
\ ion Bean de t
er
,la corte laciot
'pale .. eB util
'V di.sti.ntoB I
pna!' que
'les dan
Can 16 grados de 1ibertad. Las tobIas de 10 t de Student muestran los
val ores para diferentes percentiles de la diotribuc16n. 'S1 a fuera
0.05 tratandose de una pr'ueba de siqnificaclon bilateral. debemo8 buscor ef
valor de t correspondiente 01 percentll 97,5 0 como aparece en 10 ta-
bla . para .975 10 que nos do t = 2.120. Para a" 0.01 buscaremos bajo 995
10 que do t = 2.921.
Interpretacion de la existencia de correlaclon
i
Una vez que hayamos concluido que existe correlacion .debf.!m08 hacer unOl
en terminoB del problema que analizamos.
Las siguientes' circunstanciae pueden provocar la correlacion entre' dos'
variables : 1
1) Una voriabJe causa de 10 otra. Por ejemplo: 10 correlacic5n entre
aumento de peso y cantidad de calodas ingeridas pueden se;- de <' ste ti- '
po.
2) Ambos son consecuencia de una tercera. Pbr ejemplo: 10 co.\
rrelacion entre mortalidad infcmtil y porcentaje de nHios matriculodos
ell In eRcuela difl:-nmtes paises tiene una correlacion inverso explicada
p.; t que ambos :-.:: on consecuencia de un hajo nivel de vi.da.
3) La r:ortf> 1 (lei ,':,,.., hn producido por uzor. Esto pueda suceoP,r scbre todo
cuanda pi : , ( r. t ' 1' " de ' ,\hservaciones as escaso.
lie 'Ia Rllsencia de correlaclon
1) No hay C('lTi !)], ".iQn p.ntre las variables
2) Hay corrf'lor.: i.6n pero esta encubierta por una variable que tiene corre
lcrci on o p ue!Jlo . Por ejemplo; 1<:1 ve1ocidoo desarrollada en una carrera
y e1 numero d.e por minuto deberion estar correlacionoooB direc
tamentR pc!ro es pORihle qllP. mas veloces sean atletas . que se vean men os I
afectados po r e l esfuel'7.o f lS1CO y por 10 tanto reaCClonen como egcaso '
aumento del numero df" pl.J 1 saciones.
120
.--_. - -_._----- -
J) El azar nos he presentado oquellos casos en que 10 correlacion no se
manifiesta. Esto puede suceder 3i el numero de observaciones es
I ,
Conclusion general
rtad.
uestran los
a fuera
'8 buscar ei
!8 en 10 ta-
OB bajo 995
La presencia a ausencia de oorrelacion entre dos variables no significa
lutomat!camente 1a exiatencia 0 no de una relacion cauaa-efecto. Debemoa
tftner siempre presente loa otras exp1ioaciones que hamos senalado.
El hecho de que las conclusiones que sacomos a partir de una correla-
,ion .ean de tipo inductivo no Ie re.ta importancia al metodo. Hay mucha.
situaciones en que el unico estudio posible. en una primera etopa es el de
La correlacion. Asi por ejemplo. en 10 investigacion de causes de enferme-
es util estudiar 10 correlacion entre 10 frecuencia de 10 enfermedad
y distintos factore.s arnbientales. Asl. S8 puede descu:brir importantes he-
chos que pueden comprobors8 posteriormente con procedimientoB experlmenta-
1es que dan mayor seguridad en la interpretacion.
IS hacer una;
In entre'dos
;
aci6ri- -entre,
de <'ste ti
.pio: In co-
!Iatr iculcidos
,a explicadd
10.
r sobre todo
tiene corre-!
una carrerai
nados direc. :

vean men os ;
como escoso
I
121
I
,
I
I
,
;
L
I
GRADDS
4,
OE
LI8ERTAO
(IS
(m
1 . IGB
D1STRIBUCION NORMAL (UNA COLA). IIROPORCION
2 . H2
DEL AREA QUE QUEDA A LA DERECHA DE LA ORDENADA MAS ALLA
3 . 137
DE Z = +(x - ,.)/,,'
4 .134
5 .132
Z 0.00 o.ot 0.02 0.03 0.04 0.05 0.06 0.07 0.08 0.09
6 . 131
0.0 0.5000 0.4960 0.4920 0.4880 0.4840 0.480\ 0.476\ 0.472\ 0.468\ 0.464\
7 . 130
0.1 0.4602 0.4483 0.4443 0.4404 0.4364 0.4325 0.4286 0.4247
8 . 130
0.2 0.4207 0.4168 0.4129 0.4090 0.4052 0.4013 0.3974 0.3936 0.3897 0.3859 9
. 12Q
0.3 0.3821 0.3783 0.3745 0.3707 0.3869 0.3832 0.3594 0.5557 0.3520 0.3483
10 129
0.4 0.3446 0.3409 0.3372 0.3336 0.3300 0.3264 0.3228 0.3192 $.3156 0.3121
11 . 129
0.5 0.3085 0.3050 0.3015 0.2981 0.2946 0.2912 0.2877 0.2843 0.2810 0.2776 12 . 128
0.6 0.2743 0.2709 0.2676 0.2643 0.2611 0.2546 0.25\4 0. 2483 0.245\
13 . 12R
0.7 0.2420 0.2389 0.2358 0.2327 0.2297 0.2266 0.2236 0.2206 0.2177 0.2148
14 128
0.8 0.2119 0.2090 0.2061 0.2033 0.2005 0.1 977 0. 1949 0.1922 0.1894 0. 1867
0.9 0. \841 0.\814 0.\ 788 0.\762 0.\ 736 0.1711 0.\685 0.\660 0.\635 0. \611 15 . 128
1.0 0.1587 0.1562 ' 0. \.539 0. \515 0.1492 0.1469 0.1446 0.1423 0.1401 0. 1379
16 .128
1.1 0. \357 0.1335 0. \3\4 0. \292 0. \271 0.1251 0.1230 0. \2\0 . 0.1190 O. \170
17 . 123
1.2 O. \15\ 0.1131 0. 11\2 0.1093 0. 1075 0. 1056 0.\038 0. 1020 0. 1003 0.0985 18 .127
1.3 0.0968 0.0951 0.0934 0.0918 0.090\ 0.0885 0.0869 0.0853 0.0838 0.0823
19 . 121
1'.4 0.0808 0.0793 0.0778 0.0764 0.0749 0.0735 0.0721 0.0708 0.0694
20 . 127
1.5 0.0668 0.0655 0.0643 0.0630 0.0618 0.0606 0.0594 0.0582 0.0571 0.0559 21 . 127
\.6 0.0548 0.0537 0.0526 0.0516 0.0505 0.0495 0.0485 0.0475 0.0465 0.0455
22 . 127
J.7 0.0446 0.0436 0.0427 0.0418 0.0409 0.040\ 0.0392 0.0384 0.0375 0.0367
1.8 0.0359 0.035\ 0.0344 0.0336 0.0329 0.0322 0.0314 0.0307 0.030\ 0.0294
23 . 127
1.9 0.0287 0.0281 0.0274 0.0268 0.0262 0.0256 0.0250 0.0244 0.0239 0.0233 24 . 127
2.0 0.0228 0.0217 0.0212 0.0207 0.0202 0.0197 0.0192 0.0188 0.0183
. 25
127
2. 1 0.0179 0.0174 0.0170 0.0166 0.0162 0.0158 0.0154 0.0\50 0.0146 0.0\43
26 127
2.2 0.0139 0.0136 0.0132 0.0129 0.0125 0.0122 0.0119 0.0116 0.0113 0.0110 27 . 127
2.3 0.0107 0.0104 0.0102 0.0099 0.0096 0.0094 0.0091 0.0089 0.0087 0.0084
28 . 127
2.4 0.0082 0.0080 0.0078 0.0075 0.0073 0.0071 0.0069 0.0068 0.0066 0.0064
29 . 127
2.5 0.0062 0.0060 0.0059 0.0057 0.0055 0.0054 0.0052 0.0051 0.0049 0.004n 30 . 127
2.6 0.0047 0.0045 O.OOH 0.0043 0.0041 0.0040 0.0039 0.0038 0.0037 0.0036
.,
126
2. 7 0.0035 0.003'1 0.0013 0.0032 0.0031 0.0030 0.0029 0.0028 0.0027 0.0026
2.8 0.0026 0.0024 0.0023 0.0023 0.0022 0.0021 0.0021 0.0020 0.00\9
.2.9 0.0019 0.0018 O.OOIR 0.0017 0.0016 0.0016 0.0015 0.0015 0.0014 0.0014
3.0 00\3 o.oon 0.0013 0.0012 0.0012 0.0012 0.0011 0.0011 0.00\0 0.0010
j
,1
I

:1
1
,_ . . .-_ .. -____ ._._._ L
i
)
L

-.---..
RCION
: ALL'
0.09
0,464\
0.4247
0.3859
0.3483
0.3121
0,2776
0:2451
0,2148
0,1867
0.161\
I 0,\379
) 0.1170
! 0.0985
I 0.0823
I 0.0681
I 0.0559
I 0.0455
I o.r
I
1 0.0233
I 0.0183
! 0.0143
! 0.0110
7 0.0084
0.0064
j 0.0048
7 0,0036
7 0.0026
0.0019
I 0.0014
0.0010
GRADOS
DE
LIBEATAo
(n)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
}6
17
18
19
20
21
22
23
24
25
26
27
28
29
30
DISTRIBUCIDN DE STUDENT (I)
l,u t.eo t,1II t. 10 t.n t,to ,I.. (.0 t... t,l1e (u I. .. , t ... u
.158 325.510.7271.001.38 1963086.3112731.863.7637
. H2 .289 .445 .617 .816 I. 06 I. 39 I. 89 2.92 .\.. 30 6.96 9.92 31. 6
.137 .277 .424 .58,1 .765 .9781.251.612.353:184.515.8412.9
.134 .271 .414 .569 .741 .941 1.19 1.53 2.13 2.783.754.608.61
.132 .267 .408 .559 .727 .9201.161.482.012.573.364.036.86
.131 .265 .40,1 .553 .718 .9061.131.441.942.453.143.71 5.96
.130 .263 .402 .519 .711 .8961,)2) ,42) .902.36 a.oo a.50 5,40
.130 .262 ,399 .516 .706 .8891.11 1.40 1.862.312.903.365.01
.129 .261 .398 .543 .703 .8831.101.381.832.262.1123.254.78
.129 .26(1.397 .5,12 .700 .8791.091.371.812,232.763.17 4.59
.129 .260 .396 .540 .697 .8761.09 1.36 1.802 20 2 72 3.11 4.4-1
.128 .259 .395 .539 .695 .8731.081.361.782.182683064.32
.128 .259 .391 .538 .691 .8701.081.351.772.162.653.014.22
.128 .258 393 .537 .692 .8681.081.341.762.142.622.984.14
.128 .258 .393 .536 .691 .8661.071.341.752.132.602.954.07
,128 .258 .392 .535 .690 .8651.071.341.752 '122.582,924.02
.128 .257 .392 .534 .689 .8631.071.331.742.11 2.572.903.96
.127' .257 .392 .534 .688 .8621.071.331.732.102.552.88 3.92
.127 .257 .391 .533 .688 .861 1.07 1.33 1. 732.092.54 2.863.88
.127 .257 .391 .533 .687 .8601.061.321.722.092.532.843.85
.127 .257 .391 .532 .686 .8591.061.321.722 .. 082.522.833.82
.127 .256 .390 .532 .686 .8581.061.321.722.072.51 2.823.79
.127 .256 .390 .532 .685 .8581.061.321.712.072.502.81 '3.77
.127 .256 .390 .531 .685 .8571.061.321.712.062.492.803.74
.127 .256 .390 .531 .684 .8561.061.321.712.,062,482,793.72
.127 .256 .390 .531 .684 .8561.061.321.71 2.b6 2.482.783.71
.127 .256 .389 .531 .684 .8551.061.31 1.702.052.472.773.69
.127 .256 .389 .530 .683 .8551.061.31 1.702.052.472.763.67
.127 .256 .389 .530 .683 .854 1.05 l.31 I. 70 2.M 2.46 2.763.66
.127 .256 .389 .530 .683 .854 \,05 1.31 1.702,042.462.753.65
.
. - - : - - ~ ..... ~ - ~ . - ~ - - - - - - . .
...
'"
....
A
i ,-
j '. I:.
--: 6'_:;J
2
X
2
;t
X a.
GRA De s
DISTRffiUCION DE x'.
DE
L I 9E i1 , .. i) a. ($)
-------
in) 99.5 99 9"., 95 90 75 50 25 10 5 2.5 I 05 0. 1 n
1 O.Dl6 0. 102 0.455 1.32 2.71 3.84 5.02 6.63 7.88 10.8 1
2 0.010 0.020 0051 0.103 0.211 0.575 1.39 2..77 4.61 5.99 7.38 9.2 1 10.6 13.8 2
3 . . 0.072 O.IJ5 0. 216 0.352 0.584 1.21 2.37 . 4. 11 . 6.25 7.81 9.35 11.3 12.8 lbT 3 .
~ 0.207 0.297 0.434 0.7 11 1.06 1.92 3.36 5.39 7. 78 9.49 11.1 13.3 14.9 18.5 4
5 0.412 0.554- 0.831 U5 1.61 2.67 4.35 6.63 9. 24 11.1 12.8 15.1 16. 7 20.5 5
6 0.676 0.872 1.24 1.64 2.20 3.45 5.35 7.84 10.6 12.6 14.4 16.8 18.5 22.5 6
i 0.989 1.24- 1.69 2.17 2.83 4.25 6.35 9.04 12.0 14.1 16.0' 18.5 20.3 24.3 7
8 1.34 1.65 2.1 8 2. 73 3.49 5.07 7.34 10.2 13.4 15.5 17:5 20.1 22.0 26.1 8
9 1.73 2.09 2.iO 3. 33 4. 17 5.90 8.34 11.4 14. 7 16.9 19.0 21.7 23. 6 27.9
!l
I
10 2. 16 2.56 3.25 3.94 4.87 6.74 9.34 12.5 16.0 18.3 ZO. 5 23.2 25.2 29.6 10
11 2.60 3.05 3.82 4.57 5.58 7.58 10.3 13.7 17.3 19.7 21.9 24.7 26.8 31.3 11
I
12 3.07 3.57 4.40 5.23 6.30 8.44 11.3 14.8 18.5 21.0 23.3 26. 2 28.3 32.9 12
13 357 4. 11 5.01 5.89 7.04 9.30 12.3 16.0 19.8 22.4 24.7 27.7 29.8 3+.5 13
I
14 4.07 4.66 5.63 6.57 7.79 10.2 13.3 17. 1 21.1 23.7 !!!i. 1 29. 1 31.3 36. 1 14
I
15 4.60 5.23 6.26 7.26 8.55 11.0 14.3 11.2 22.3 25.0 27.5 30. 6 32.8 37.2 15
16 5.14 . 5.81 6.91 7.96 9.31 11.9 15.3 1M 23.5 26.3 28.8 32.0 34.3 39.3 16
i
17 5.70 6.41 7.56 8.67 10.1 12.8 16.3 ZO.5 24.8 27.6 30.2 33. 4 35.7 40.8 17
18 6.26' 7.01 8.23 9.39 10.9 13.7 17.3 21.6 26.0 28.9 31.5 34.8 37.2 42.3 18
19 6.84 7.63 8.9 1 10. 1 11.7 14.6 18 ..3 22.7 27.2' 30.1 32.9 36.2 38.6 43.8 19
I
20 7.43 8.26 9.59 10.9 12.4 15.5 19.3 23.8 28.4 3 1.4 3+.2 37.6 40.0 45.3 20
21 8.03 8.90 10.3 U.6 13.2 16.3 20.3 24.9 29.6 32.7 35.5 38.9 41.4 46.8 21
. ,
22 8.64 9.54 11.0 12,3 14.0 17.2 21.3 !!!i.0 '30.8 33.9 36.8 40.3 42.8 43.3 22
I
I
23 9.26 10.2 11.7 13.1 I .... 18. 1 22.3 27.1 32.0 35.2 38.1 4 1.6 44. 2 49.7 23
24 9.89 10.9 1 =.4 13.8 1S.7 19.0 23.3 28.2 33.2 36.4 39.4 43.0 45.6 51.2 24
-; ~
I
25 10.5 l1.l 13. 1 14.6 16..5 19.9 24.3 29.3 34.4 37.7 40.6 44.3 46.9 12.6 25
26 11.2 12.2 13.8 15.4 17.3 20.8 25.3 30.+ 35.6 38.9 41.9 45.6 48.3 54. 1 26
27 . 11.8 1%.9 j 4.6 16.2 18.1 21. 7 26.3 31.5 36.7 40.1 43.2 47.0 49.6 SS.5 27
I
28 12.5 13.6 15.3 16.9 18.9 22.7 27.3 32.6 37.9 41.3 44.5 48.3 51.0 56.9 28
29 13.1 14.3 16.0 17.7 19.8 23.6 28.3 3S.7 39. 1 42.6 45. 7 49.6 52.3 58.3 29
30 13.8 15.0 16.8 18.5 ZO.6 24..5 29.3 34.8 40.3 43.8 47.0 50.9 53.7 59.7 30
---
--
. _-- .. _-- _ . ._ - -,-
~ -
.. "