Estadstica descriptiva de los datos en las distintas Especialidades Medicas Introduccin Existen diferentes razones por las cuales

los profesionales de la atencin primaria deben conocer los fundamentos de la epidemiologa y la estadstica como instrumentos del trabajo cotidiano. Entre dichas razones sealamos las siguientes: los trminos estadsticos y epidemiolgicos invaden la literatura mdica la medicina es cada vez m!s cuantitativa su conocimiento nos permitir! leer la bibliografa mdica con m!s capacidad crtica para detectar errores potenciales y falacias. "os ser! tambin #til para llegar a conclusiones correctas acerca de procedimientos para el diagnstico y del resultado de las pruebas. $u conocimiento nos permitir! a su vez valorar protocolos de estudio e informes remitidos para su publicacin y participar en definitiva en la investigacin mdica. %esulta imprescindible por lo tanto conocer los conceptos b!sicos de estadstica &ue nos faciliten la realizacin de estudios y conocer las posibilidades a desarrollar con ayuda de profesionales estadsticos para mejorar dicho an!lisis. En este trabajo se pretende dar a conocer algunas nociones estadsticas &ue nos ayudar!n a explorar y describir en un primer momento nuestros datos. Poblaciones y muestras 'uando se realiza un estudio de investigacin se pretende generalmente inferir o generalizar resultados de una muestra a una poblacin. $e estudia en particular a un reducido n#mero de individuos a los &ue tenemos acceso con la idea de poder generalizar los hallazgos a la poblacin de la cual esa muestra procede. Este proceso de inferencia se efect#a por medio de mtodos estadsticos basados en la probabilidad. (a poblacin representa el conjunto grande de individuos &ue deseamos estudiar y generalmente suele ser inaccesible. Es en definitiva un colectivo homogneo &ue re#ne unas caractersticas determinadas. (a muestra es el conjunto menor de individuos )subconjunto de la poblacin accesible y limitado sobre el &ue realizamos las mediciones o el experimento con la idea de obtener conclusiones generalizables a la poblacin *. El individuo es cada uno de los componentes de la poblacin y la muestra. (a muestra debe ser representativa de la poblacin y con ello &ueremos decir &ue cual&uier individuo de la poblacin en estudio debe haber tenido la misma probabilidad de ser elegido. (as razones para estudiar muestras en lugar de poblaciones son diversas y entre ellas podemos sealar: a. +horrar tiempo. Estudiar a menos individuos es evidente &ue lleva menos tiempo. b. 'omo consecuencia del punto anterior ahorraremos costes. c. Estudiar la totalidad de los pacientes o personas con una caracterstica determinada en muchas ocasiones puede ser una tarea inaccesible o imposible de realizar. d. +umentar la calidad del estudio. +l disponer de m!s tiempo y recursos las observaciones y mediciones realizadas a un reducido n#mero de individuos

pueden ser m!s exactas y plurales &ue si las tuvisemos &ue realizar a una poblacin. e. (a seleccin de muestras especficas nos permitir! reducir la heterogeneidad de una poblacin al indicar los criterios de inclusin y,o exclusin. Tipos de datos (o &ue estudiamos en cada individuo de la muestra son las variables )edad sexo peso talla tensin arterial sistlica etctera*. (os datos son los valores &ue toma la variable en cada caso. (o &ue vamos a realizar es medir es decir asignar valores a las variables incluidas en el estudio. -eberemos adem!s concretar la escala de medida &ue aplicaremos a cada variable. (a naturaleza de las observaciones ser! de gran importancia a la hora de elegir el mtodo estadstico m!s apropiado para abordar su an!lisis. 'on este fin clasificaremos las variables a grandes rasgos en dos tipos: variables cuantitativas o variables cualitativas. a. Variables cuantitativas. $on las variables &ue pueden medirse cuantificarse o expresarse numricamente. (as variables cuantitativas pueden ser de dos tipos: i) Variables cuantitativas continuas si admiten tomar cual&uier valor dentro de un rango numrico determinado )edad peso talla*. ii) Variables cuantitativas discretas si no admiten todos los valores intermedios en un rango. $uelen tomar solamente valores enteros )n#mero de hijos n#mero de partos n#mero de hermanos etc.*. b. Variables cualitativas. Este tipo de variables representan una cualidad o atributo &ue clasifica a cada caso en una de varias categoras. (a situacin m!s sencilla es a&uella en la &ue se clasifica cada caso en uno de dos grupos )hombre,mujer enfermo,sano fumador,no fumador*. $on datos dicotmicos o binarios. 'omo resulta obvio en muchas ocasiones este tipo de clasificacin no es suficiente y se re&uiere de un mayor n#mero de categoras )color de los ojos grupo sanguneo profesin etctera*. En el proceso de medicin de estas variables se pueden utilizar dos escalas: 1.- Escalas nominales: sta es una forma de observar o medir en la &ue los datos se ajustan por categoras &ue no mantienen una relacin de orden entre s )color de los ojos sexo profesin presencia o ausencia de un factor de riesgo o enfermedad etctera*. 2.- Escalas ordinales: en las escalas utilizadas existe un cierto orden o jerar&ua entre las categoras )grados de disnea estadiaje de un tumor etc.*. Estadstica descriptiva .na vez &ue se han recogido los valores &ue toman las variables de nuestro estudio )datos* procederemos al an!lisis descriptivo de los mismos. /ara variables categricas como el sexo o el estadiaje se &uiere conocer el n#mero de casos en cada una de las categoras reflejando habitualmente el porcentaje &ue representan del total y expres!ndolo en una tabla de frecuencias.

/ara variables numricas en las &ue puede haber un gran n#mero de valores observados distintos se ha de optar por un mtodo de an!lisis distinto respondiendo a las siguientes preguntas: a. 0+lrededor de &u valor se agrupan los datos1 b. $upuesto &ue se agrupan alrededor de un n#mero 0cmo lo hacen1 0muy concentrados1 0muy dispersos1 a. Medidas de tendencia central (as medidas de centralizacin vienen a responder a la primera pregunta. (a medida m!s evidente &ue podemos calcular para describir un conjunto de observaciones numricas es su valor medio. (a media no es m!s &ue la suma de todos los valores de una variable dividida entre el n#mero total de datos de los &ue se dispone. 'omo ejemplo consideremos 23 pacientes de edades 42 aos 54 26 67 83 82 89 83 :2 y ;3. (a media de edad de estos sujetos ser! de: <!s formalmente si denotamos por )=2 =4 ... =n* los n datos &ue tenemos recogidos de la variable en cuestin el valor medio vendr! dado por: >tra medida de tendencia central &ue se utiliza habitualmente es la mediana. Es la observacin e&uidistante de los extremos. La mediana del ejemplo anterior sera el valor &ue deja a la mitad de los datos por encima de dicho valor y a la otra mitad por debajo. $i ordenamos los datos de mayor a menor observamos la secuencia: 26 42 54 67 83 83 82 89 :2 ;3. 'omo &uiera &ue en este ejemplo el n#mero de observaciones es par )23 individuos* los dos valores &ue se encuentran en el medio son 83 y 83. $i realizamos el c!lculo de la media de estos dos valores nos dar! a su vez 83 &ue es el valor de la mediana. $i la media y la mediana son iguales la distribucin de la variable es simtrica. (a media es muy sensible a la variacin de las puntuaciones. $in embargo la mediana es menos sensible a dichos cambios. /or #ltimo otra medida de tendencia central no tan usual como las anteriores es la moda siendo ste el valor de la variable &ue presenta una mayor frecuencia. En el ejemplo anterior el valor &ue m!s se repite es 83 &ue es la moda. b. Medidas de dispersin ?al y como se adelantaba antes otro aspecto a tener en cuenta al describir datos continuos es la dispersin de los mismos. Existen distintas formas de cuantificar esa variabilidad. -e todas ellas la varian a )$4* de los datos es la m!s utilizada. Es la media de los cuadrados de las diferencias entre cada valor de la variable y la media aritmtica de la distribucin. Esta varianza muestral se obtiene como la suma de las de las diferencias de cuadrados y por tanto tiene como unidades de medida el cuadrado de las unidades de medida en &ue se mide la variable estudiada. En el ejemplo anterior la varianza sera: !" #2

(a desviacin tpica )$* es la raz cuadrada de la varianza. Expresa la dispersin de la distribucin y se expresa en las mismas unidades de medida de la variable. (a desviacin tpica es la medida de dispersin m!s utilizada en estadstica. +un&ue esta frmula de la desviacin tpica muestral es correcta en la pr!ctica la estadstica nos interesa para realizar inferencias poblacionales por lo &ue en el denominador se utiliza en lugar de n el valor n@2. /or tanto la medida &ue se utiliza es la cuasidesviacin tpica dada por: +un&ue en muchos contextos se utiliza el trmino de desviacin tpica para referirse a ambas expresiones. En los c!lculos del ejercicio previo la desviacin tpica muestral &ue tiene como denominador n el valor sera 43.8:;. + efectos de c!lculo lo haremos como n@2 y el resultado seria 42 :7. El haber cambiado el denominador de n por n@2 est! en relacin al hecho de &ue esta segunda frmula es una estimacin m!s precisa de la desviacin est$ndar verdadera de la poblacin y posee las propiedades &ue necesitamos para realizar inferencias a la poblacin. 'uando se &uieren sealar valores extremos en una distribucin de datos se suele utilizar la amplitud como medida de dispersin. (a amplitud es la diferencia entre el valor mayor y el menor de la distribucin. Por e%emplo utilizando los datos del ejemplo previo tendremos ;3@26 A86. 'omo medidas de variabilidad m!s importantes conviene destacar algunas caractersticas de la varianza y desviacin tpica: B $on ndices &ue describen la variabilidad o dispersin y por tanto cuando los datos est!n muy alejados de la media el numerador de sus frmulas ser! grande y la varianza y la desviacin tpica lo ser!n. B +l aumentar el tamao de la muestra disminuye la varianza y la desviacin tpica. /ara reducir a la mitad la desviacin tpica la muestra se tiene &ue multiplicar por 9. B 'uando todos los datos de la distribucin son iguales la varianza y la desviacin tpica son iguales a 3. B /ara su c!lculo se utilizan todos los datos de la distribucinC por tanto cual&uier cambio de valor ser! detectado. >tra medida &ue se suele utilizar es el coe&iciente de variacin )'D*. Es una medida de dispersin relativa de los datos y se calcula dividiendo la desviacin tpica muestral por la media y multiplicando el cociente por 233. $u utilidad estriba en &ue nos permite comparar la dispersin o variabilidad de dos o m!s grupos. +s por ejemplo si tenemos el peso de ' pacientes ):3 83 68 ;5 y :7 Eg* cuya media es de 87 8 Fg. y su desviacin tpica )s* A 23 99 y la ?+$ de los mismos )263 2:3 256 2;3 y 276 mmGg* cuya media es de 288 mmGg y su desviacin tpica de 42 5. (a pregunta sera: 0&u distribucin es m!s dispersa el peso o la tensin arterial1 $i comparamos las desviaciones tpicas observamos &ue la desviacin tpica de la tensin arterial es mucho mayorC sin embargo no podemos comparar dos variables &ue tienen escalas de medidas diferentes por lo &ue calculamos los coeficientes de variacin: 'D de la variable peso A 26H 'D de la variable ?+$ A 24.;H

+ la vista de los resultados observamos &ue la variable peso tiene mayor dispersin. 'uando los datos se distribuyen de forma simtrica )y ya hemos dicho &ue esto ocurre cuando los valores de su media y mediana est!n prximos* se usan para describir esa variable su media y desviacin tpica. En el caso de distribuciones asimtricas la mediana y la amplitud son medidas m!s adecuadas. En este caso se suelen utilizar adem!s los cuartiles y percentiles. (os cuartiles y percentiles no son medidas de tendencia central sino medidas de posicin. El percentil es el valor de la variable &ue indica el porcentaje de una distribucin &ue es igual o menor a esa cifra. +s por ejemplo el percentil ;3 es el valor de la variable &ue es igual o deja por debajo de s al ;3H del total de las puntuaciones. (os cuartiles son los valores de la variable &ue dejan por debajo de s el 46H 63H y el :6H del total de las puntuaciones y as tenemos por tanto el primer cuartil )I2* el segundo )I4* y el tercer cuartil )I5*. (epresentacin )r$&ica en el *n$lisis de +atos (a realizacin de los estudios clnico@epidemiolgicos implica finalmente emitir unos resultados cuantificables de dicho estudio o experimento. (a claridad de dicha presentacin es de vital importancia para la comprensin de los resultados y la interpretacin de los mismos. + la hora de representar los resultados de un an!lisis estadstico de un modo adecuado son varias las publicaciones &ue podemos consultar. +un&ue se aconseja &ue la presentacin de datos numricos se haga habitualmente por medio de tablas en ocasiones un diagrama o un gr!fico pueden ayudarnos a representar de un modo m!s eficiente nuestros datos. En esta monografa se abordar! la representacin gr!fica de los resultados de un estudio constatando su utilidad en el proceso de an!lisis estadstico y la presentacin de datos. $e describir!n los distintos tipos de gr!ficos &ue podemos utilizar y su correspondencia con las distintas etapas del proceso de an!lisis. *n$lisis descriptivo. 'uando se dispone de datos de una poblacin y antes de abordar an!lisis estadsticos m!s complejos un primer paso consiste en presentar esa informacin de forma &ue sta se pueda visualizar de una manera m!s sistem!tica y resumida. (os datos &ue nos interesan dependen en cada caso del tipo de variables &ue estemos manejando. Para variables categricas como el sexo estadio ?"< profesin etc. se &uiere conocer la frecuencia y el porcentaje del total de casos &ue JcaenJ en cada categora. .na forma muy sencilla de representar gr!ficamente estos resultados es mediante diagramas de barras o diagramas de sectores. En los )r$&icos de sectores tambin conocidos como diagramas de JtortasJ se divide un crculo en tantas porciones como clases tenga la variable de modo &ue a cada clase le corresponde un arco de crculo proporcional a su

frecuencia absoluta o relativa. .n ejemplo se muestra en la ,i)ura 1. 'omo se puede observar la informacin &ue se debe mostrar en cada sector hace referencia al n#mero de casos dentro de cada categora y al porcentaje del total &ue estos representan. $i el n#mero de categoras es excesivamente grande la imagen proporcionada por el gr!fico de sectores no es lo suficientemente clara y por lo tanto la situacin ideal es cuando hay alrededor de tres categoras. En este caso se pueden apreciar con claridad dichos subgrupos. ,i)ura 1. E%emplo de )r$&ico de sectores. +istribucin de una muestra de pacientes se)-n el .$bito de &umar.

(os dia)ramas de barras son similares a los gr!ficos de sectores. $e representan tantas barras como categoras tiene la variable de modo &ue la altura de cada una de ellas sea proporcional a la frecuencia o porcentaje de casos en cada clase ),i)ura 2*. Estos mismos gr!ficos pueden utilizarse tambin para describir variables numricas discretas &ue toman pocos valores )n#mero de hijos n#mero de recidivas etc.*. ,i)ura 2. E%emplo de )r$&ico de barras. Estadio T/M en el c$ncer )$strico.

/ara variables numricas continuas tales como la edad la tensin arterial o el ndice de masa corporal el tipo de gr!fico m!s utilizado es el .isto)rama. /ara construir un gr!fico de este tipo se divide el rango de valores de la variable en intervalos de igual amplitud representando sobre cada intervalo un rect!ngulo &ue tiene a este segmento como base. El criterio para calcular la altura de cada rect!ngulo es el de mantener la proporcionalidad entre las frecuencias absolutas )o relativas* de los datos en cada intervalo y el !rea de los rect!ngulos. 'omo ejemplo la Tabla I muestra la distribucin de frecuencias de la edad de 233 pacientes comprendida entre los 2; y 94 aos. $i se divide este rango en intervalos de dos aos el primer tramo est! comprendido entre los 2; y 27 aos entre los &ue se encuentra el 9,233A9H del total. /or lo tanto la primera barra tendr! altura proporcional a 9. /rocediendo as sucesivamente se construye el histograma &ue se muestra en la ,i)ura 0. .niendo los puntos medios del extremo superior de las barras del histograma se obtiene una imagen &ue se llama pol)ono de &recuencias. -icha figura pretende mostrar de la forma m!s simple en &u rangos se encuentra la mayor parte de los datos. .n ejemplo utilizando los datos anteriores se presenta en la ,i)ura 1. Tabla I. +istribucin de &recuencias de la edad en 122 pacientes. E+*+ 15 16 22 21 22 20 21 2' 28 27 25 26 02 01 02 00 01 0' 08 07 05 06 11 12 /3 +E P*4IE/TE! 1 0 1 7 ' 5 12 5 6 8 8 1 0 1 ' 0 2 0 1 2 0 1 1 1

,i)ura 0. E%emplo de un .isto)rama correspondiente a los datos de la Tabla I.

,i)ura 1. Pol)ono de &recuencias para los datos de la Tabla I.

>tro modo habitual y muy #til de resumir una variable de tipo numrico es utilizando el concepto de percentiles mediante dia)ramas de ca%as. (a ,i)ura ' muestra un gr!fico de cajas correspondiente a los datos de la ?abla K. (a caja central indica el rango en el &ue se concentra el 63H central de los datos. $us extremos son por lo tanto el 2er y 5er cuartil de la distribucin. (a lnea central en la caja es la mediana. -e este modo si la variable es simtrica dicha lnea se encontrar! en el centro de la caja. (os extremos de los JbigotesJ

&ue salen de la caja son los valores &ue delimitan el 76H central de los datos aun&ue en ocasiones coinciden con los valores extremos de la distribucin. $e suelen tambin representar a&uellas observaciones &ue caen fuera de este rango )outliers o valores extremos*. Esto resulta especialmente #til para comprobar gr!ficamente posibles errores en nuestros datos. En general los diagramas de cajas resultan m!s apropiados para representar variables que presenten una gran desviacin de la distribucin normal. 'omo se ver! m!s adelante resultan adem!s de gran ayuda cuando se dispone de datos en distintos grupos de sujetos. /or #ltimo y en lo &ue respecta a la descripcin de los datos suele ser necesario para posteriores an!lisis comprobar la normalidad de alguna de las variables numricas de las &ue se dispone. .n diagrama de cajas o un histograma son gr!ficos sencillos &ue permiten comprobar de un modo puramente visual la simetra y el JapuntamientoJ de la distribucin de una variable y por lo tanto valorar su desviacin de la normalidad. Existen otros mtodos gr!ficos especficos para este propsito como son los )r$&icos P-P o 9-9. En los primeros se confrontan las proporciones acumuladas de una variable con las de una distribucin normal. $i la variable seleccionada coincide con la distribucin de prueba los puntos se concentran en torno a una lnea recta. (os gr!ficos I@I se obtienen de modo an!logo esta vez representando los cuantiles de distribucin de la variable respecto a los cuantiles de la distribucin normal. En la ,i)ura 8 se muestra el gr!fico /@/ correspondientes a los datos de la ?abla K &ue sugiere al igual &ue el correspondiente histograma y el diagrama de cajas &ue la distribucin de la variable se aleja de la normalidad. ,i)ura '. E%emplo de un dia)rama de ca%a correspondiente a lo datos en la Tabla I.

,i)ura 8. :r$&ico P-P de normalidad para los datos de la Tabla I.

4omparacin de dos o m$s )rupos. 'uando se &uieren comparar las observaciones tomadas en dos o m!s grupos de individuos una vez m!s el mtodo estadstico a utilizar as como los gr!ficos apropiados para visualizar esa relacin dependen del tipo de variables &ue estemos manejando. 'uando se trabaja con dos variables cualitativas podemos seguir empleando gr!ficos de barras o de sectores. /odemos &uerer determinar por ejemplo si en una muestra dada la frecuencia de sujetos &ue padecen una enfermedad coronaria es m!s frecuente en a&uellos &ue tienen alg#n familiar con antecedentes cardiacos. + partir de dicha muestra podemos representar como se hace en la ,i)ura 7 dos grupos de barras: uno para los sujetos con antecedentes cardiacos familiares y otro para los &ue no tienen este tipo de antecedentes. En cada grupo se dibujan dos barras representando el porcentaje de pacientes &ue tienen o no alguna enfermedad coronaria. "o se debe olvidar &ue cuando los tamaos de las dos poblaciones son diferentes es conveniente utilizar las frecuencias relativas ya &ue en otro caso el gr!fico podra resultar engaoso.

,i)ura 7. +ia)rama de barras a)rupadas. (elacin entre la presencia de al)una en&ermedad coronaria y los antecedentes cardiacos &amiliares en una muestra.

/or otro lado la comparacin de variables continuas en dos o m!s grupos se realiza habitualmente en trminos de su valor medio por medio del test t de $tudent an!lisis de la varianza o mtodos no paramtricos e&uivalentes y as se ha de reflejar en el tipo de gr!fico utilizado. En este caso resulta muy #til un dia)rama de barras de error como en la ,i)ura 5. En l se compara el ndice de masa corporal en una muestra de hombres y mujeres. /ara cada grupo se representa su valor medio junto con su 76H intervalo de confianza. 'onviene recordar &ue el hecho de &ue dichos intervalos no se solapen no implica necesariamente &ue la diferencia entre ambos grupos pueda ser estadsticamente significativa pero s nos puede servir para valorar la magnitud de la misma. +s mismo para visualizar este tipo de asociaciones pueden utilizarse dos diagramas de cajas uno para cada grupo. Estos diagramas son especialmente #tiles a&u: no slo permiten ver si existe o no diferencia entre los grupos sino &ue adem!s nos permiten comprobar la normalidad y la variabilidad de cada una de las distribuciones. "o olvidemos &ue las hiptesis de normalidad y homocedasticidad son condiciones necesarias para aplicar algunos de los procedimientos de an!lisis paramtricos.

,i)ura 5. ;arras de error. Variacin en el ndice de masa corporal se)-n el se"o.

/or #ltimo sealar &ue tambin en esta situacin pueden utilizarse los ya conocidos gr!ficos de barras representando a&u como altura de cada barra el valor medio de la variable de inters. (os )r$&icos de lneas pueden resultar tambin especialmente interesantes sobre todo cuando interesa estudiar tendencias a lo largo del tiempo ),i)ura 6*. "o son m!s &ue una serie de puntos conectados entre s mediante rectas donde cada punto puede representar distintas cosas seg#n lo &ue nos interese en cada momento )el valor medio de una variable porcentaje de casos en una categora el valor m!ximo en cada grupo etc*. ,i)ura 6. :r$&ico de lneas. /-mero de pacientes trasplantados renales en el 4omple"o <ospitalario =>uan 4anale%o= durante el periodo 1651-1667.

(elacin entre dos variables num?ricas. 'uando lo &ue interesa es estudiar la relacin entre dos variables continuas el mtodo de an!lisis adecuado es el estudio de la correlacin. (os coeficientes de correlacin )/earson $pearman etc.* valoran hasta &u punto el valor de una de las variables aumenta o disminuye cuando crece el valor de la otra. 'uando se dispone de todos los datos un modo sencillo de comprobar gr!ficamente si existe una correlacin alta es mediante dia)ramas de dispersin donde se confronta en el eje horizontal el valor de una variable y en el eje vertical el valor de la otra. .n ejemplo sencillo de variables altamente correlacionados es la relacin entre el peso y la talla de un sujeto. /artiendo de una muestra arbitraria podemos construir el diagrama de dispersin de la ,i)ura 12. En l puede observarse claramente como existe una relacin directa entre ambas variables y valorar hasta &u punto dicha relacin puede modelizarse por la ecuacin de una recta. Este tipo de gr!ficos son por lo tanto especialmente #tiles en la etapa de seleccin de variables cuando se ajusta un modelo de regresin lineal. ,i)ura 12. +ia)rama de dispersin entre la talla y el peso de una muestra de individuos.

@tros )r$&icos. (os tipos de gr!ficos mostrados hasta a&u son los m!s sencillos &ue podemos manejar pero ofrecen grandes posibilidades para la representacin de datos y pueden ser utilizados en m#ltiples situaciones incluso para representar los resultados obtenidos por mtodos de an!lisis m!s complicados. /odemos utilizar por ejemplo dos diagramas de lneas superpuestos para visualizar los resultados de un an!lisis de la varianza con dos factores ) ,i)ura 11*. .n diagrama de dispersin es el mtodo adecuado para valorar el resultado de un modelo de regresin logstica ) ,i)ura 12*. Existen incluso algunos an!lisis concretos &ue est!n basados completamente en la representacin gr!fica. En particular la elaboracin de curvas %>' ) ,i)ura 10* y el c!lculo del !rea bajo

la curva constituyen el mtodo m!s apropiado para valorar la exactitud de una prueba diagnstica. Gemos visto por lo tanto como la importancia y utilidad &ue las representaciones gr!ficas pueden alcanzar en el proceso de an!lisis de datos. (a mayora de los textos estadsticos y epidemiolgicos hacen hincapi en los distintos tipos de gr!ficos &ue se pueden crear como una herramienta imprescindible en la presentacin de resultados y el proceso de an!lisis estadstico. "o obstante es difcil precisar cu!ndo es m!s apropiado utilizar un gr!fico &ue una tabla. <!s bien podremos considerarlos dos modos distintos pero complementarios de visualizar los mismos datos. (a creciente utilizacin de distintos programas inform!ticos hace especialmente sencillo la obtencin de las mismas. (a mayora de los pa&uetes estadsticos )$/$$ $?+?L%+/GK'$ $@/(.$ EL%E? ...* ofrecen grandes posibilidades en este sentido. +dem!s de los gr!ficos vistos es posible elaborar otros gr!ficos incluso tridimensionales permitiendo grandes cambios en su apariencia y facilidad de exportacin a otros programas para presentar finalmente los resultados del estudio. ,i)ura 11. +os dia)ramas de lneas superpuestos. Variacin en el peso medio de una muestra de reci?n nacidos se)-n el control )inecol)ico del embara o y el .$bito de &umar de la madre.

,i)ura 12. +ia)rama de dispersin Are)resin lo)stica). Probabilidad de padecer cirrosis .ep$ticaB se)-n un modelo de re)resin lo)stica a%ustando por el C de protrombina y el presentar o no .epatome)alia.

,i)ura 10. 4urva (@4 para el porcenta%e de protrombina en la prediccin de cirrosis.