Académique Documents
Professionnel Documents
Culture Documents
11.
Tabla 11.1. Fnrma (/(' !,re.'ien1acinn d(' I(},~ da In.\' d(' l(t.\"(t,~ hrltla.\" de itlCiJ('1Icitt.
COll d('IlOtllitladnr('.'i pC'r.'iml(/-1 iet"!'n
Ca!\()!\ a h MI
,, ' "',
Pers()na-ticmpo I T
ANALISIS DE DATOS CRUDOS '75
tiempo es la distribucin binominal
~---c (Shore (" lIl.. 197(1}. Un acontcci-
miento aleatorio que tiene solamente dos rcsultados posibles .,. e }'. que
ocurren con probabilidades lijas. se conoce como ensayo de Bernoulli.
Lanzar una moneda al aire es un ejemplo. Supongamos que la proh:lhili-
dad de uno de los dos resultados. digamos .,'. sea f1. La distrihucin
probabilstica del nmero total de .'(f que pucden ncurrir en N ensayos
de Bernoulli indcpendicntes con una p constantc se cnnoce como distri-
bucin binominal. Matem:ticamente. la prohahiJidad se expresa como
N!
Jondc
(~~) es
.\!(N 1!
1 expuesto.
Los IW t casos son. pues. considerados como ;\11 ensayos de Bernoulli
independientes y la distribucin de los casos expuestos sigue una distri-
bucin binominal bajo la hiptesis nula, con p = N l/T. La probabilidad
de los datos observados bajo la hiptesis nula puede escribirse como:
.i
Pr(nunlero de casos expuestos = (1) =
(\1
al
)( /V
i
~r ) ( IV( ) "
a ~r
-:I
Un valor exacto de p para el Fisher con una cola pucde obtenerse LI$i
.\, ,
{I -1\.1 /'If..T
% = ~--
---
IJ
IMI!\.I!\.CI
1
I
\! T~
L(')s \,al(')rcs de l pllCrlCIl tr(lIlSr('1rm:lrse cn \.;limes dc r) :! parlir <II.: I;I~
tahl(ls dc l(l distrihllcin normal eslJIJ~lr.
P(lra ej e.jempl('1 11.1. l(l prob(lbilidad OC I()s d;llns nhscr\.ados I)a.i<) 1;1 1
hiptesis nula puede calcularse as:
1
Pr(42 casos expueslos) = = O.O()4
Ejcmpl(} 11.1. C (l.\,(J.~ d(' ('{i1lc{'r d(' m(lm(l .1. f1(.rXml(I-(IIi(J.\ d(' (}hx(.rr{1('i(i,l f1{1r{1
1111~iere,\' C011 11Ihl'rcliI0.fi.\', l'."f1li(,.\'I{1.\, r{'f1('lid(lm('111(' {I m1iltif1I('.\' f1,I(lr(I.~('(If1i(lX d(.
rn.l.o.\, X.l" ml!i('rl',\' (,011 11Ih('r("lil(J,fi.\' 11(1 a\, (,.\"pli("\"la\ (B(Ji("(' .1' M(m,\'(m. 19ii)
Exposicin a la radiacil1
(
Si No Total
Cncer de mama
]
41 I5 56
Persona-ao5 28.010 19.017 47.027
~
ANALISISDEDATOSCRUDOS 177
~-- -
como primer sumando. dando un valor dc f' dc ().017 (cl \'alor real es
0.0174 y podria redondearse hasta 0.0018. si la suma se c()ntinuase en
algunos sumatldos milsl. Los valores de f' con dos colas pueden ()btencr-
se-simplemente doblando los correspondicntes \'alares dc > COI1 una.
Los nmeros del ejemplo son sulicientcmcnte grandes c()mo rara
emplear la aproximacin normal en la rl>rmula [11.11. lo que es un
clculo milS sencillo:
4
41 33.35 7.65
x -!
-, = 'V!I~
--
- = 2.08
I (5 ~. 010)(i 9.017)
3.67
~ (47.027)2
:J
\
::.:-~;~
,C1rrf1
;:' ...:
-~.
il Pr(a casos expuestos y h casos no-expuestos) =
':;--c-
N t
)( ' No
--.
Para calcular el valor de la expresin [11.3] para una tabla particular de
~'~.~:~
. 2 x 2. es necesario disponer de un estimado de !'. Por lo general. I' se
estima directamente ;1 partir de los datOs. I.'mple;1ndo la proporcii>n lotal
~:.~..:~(~..
:;c~
de enfermedad a partir de los mrgenes de la lahla. M IT. Sustituyendo
g p por 'vfl/T da
I =
I N 1
)( Vn'
, (I h J
(\.f,iT}'\t,(,\f,,/T)\tn [11.4]
:
,~;
;.:'
una prueba exacta basada en dos distribuciones binomiales independien-
tes, siempre que quede claro cmo se calculan las desviaciones respecto
I del estado nulo que son ms extremas que las observadas. Asumamos
que se observa una asociacin positiva entre exposicin y enfermedad.
Asumamos tambin que a y h son el nmero de casos expuestos y no-
expuestos realmente observados. Para otras posibles realizaciones de los
datos, en que el nmero de casos expuestos excediese a a. mientras el de
no-expuestos fuese h o menos. la desviacin total respecto de la condicin
~ nula es ms extrema que la que se observa realmente. De modo similar .
si el nmero de casos expuestos es a. pero el nmero de casos no-
c~~~
expuestos es menor que h. de nuevo la de.~viacin respecto al nulo sera :,~'t~:
I ms extrema que la realmente observada. Las posibilidades precedentes
son fciles de clasificar. pero. .qu pasaria si el nllmero de casos expues-
tos fuera a + I y el nmero de casos no-expuestos. h + l ? i.Qu pasara
con otras combinaciones como a + l y h + 2? Es dificil decir si estas
B posibilidades representan situaciones que se apartan del nulo en mayor ~:]j1it
medida que las observaciones reales. Para decidir definitivamente si una
desviacin es ms extrema, seria preciso evaluar una medida del erecto
~ para cada resultado hipottico de los datos y compararla con la medida
del efecto calculada a partir de las observaciones reales. Es interesante
recalcar que la decisin acerca de qu resultados ,conms extremos de-
~ pender de la medida del erecto que se emplee.
.Para ilustrar lo que decimos. consideremos el ejemplo 11.2. Los
datos observados indican una diferencia de riesgo estimada de 0.05.
D
:!il;:;;:::
i:~;.~~:);::~~~;:~:
:..:::.~:;.:;; .;:::'~:;.;:::
::.~~::.;.~;::':~,
~
\::;~::
.:.;;:\;.~~\~
::::::,:?:s;
:;1 ."
"-,"'
EPIDEMIOLOGIA MODERNA
180
1 I I I
I i ~ 10--
1 ,...
...I S: v. .". c
~
~
;
r-. : ~
c
.C Z
c
I
I
!
I .oc~
1
c'- rl
-! u I
~ ; .~ , 0
I::
~>1::.'
-I
~
-I
; ("; ,
i
~
"'
rJ
-I
I t- ---
---
]
...I --r-1
t.: I c..
..., I i u.;
., ,
~ I
.~ !
~ i I "'
.-.I - I -c
I
,
~
~ I -r;
"'"' I: ' c..
-\C' 1- ,.'.' :=:-
~ ~ i I >-: -
1- I ~
~ .E
t:..~ c o
::: .:: , .c I z .,. v, -.o
.I:: -I .-
c c '..1
.--c: u
.~ ... I I 0
.~
-c ..
~~ I c: I ~
~ > o ~
1 -."' I
-~ I
~ c I i ~
~ I \C -::- ~,
j
--I c.
~-!::. o< 1
..~ I,., ,
~"' --,
::: : :
:-~
--I
... I .I
1
~ ~ I .9 I
~~
...~
I ~
~ I
I:::: I ~ ~ V")V")c
~~
~
:: t:.. I I t,)
- C:ic.IVV)C>-: I
...::
-~
~~ I
c:
>
~
I z
o I
I
~
f
.
Ir, -'..1
C-,.., ! ...;.;
.-=
~
\,. ... 1
.o
~
c
I 0
:
"
I
"
v: '.
..
.-o
.~ -
c
-c:
...1'"'1 I v:
r,) 000
='
c..
I --r-1
I ,
.~ I
~ I I X
"' I u.;
C I t
~
Q
o
~ C(
- "' ~
- GJ .-,..
.-o ~
1- Q/) --
Q
"' c:
Q.
GJ ~GJGJGJ
.~ ;..
E
GJ ~~GJGJ
.~
~
I I/)
cu~ "'-
c
"'-
C': vcC':
"' c: . ~ ~
.o
.-tJ
u c:
1- .0 .0
C'; GJ N o,;
E~C';~
.=0~~
~ c "'
uZ UJ
~
~':
II'.
i~
~
~: ~~,~:;k~1~; =-
.:'~,.." ~
'c
'.'.'.~~
,':.."/'""",
..
~
;r:o~~~;"E~J;R~,~
.: --.,0,- .::.,~--:
t\\;\rf:ti;i:
;,:;;
~- -~,.J~;;-:;;;
:,..:;\;:::;:~'~
..:;; "
una razn tic ric~l!o dc 1.l1 \' una ra7:n Je \"cnl:lja dc I..:..:.. Las \"ari:lC.:i()-
nes l v 2 son ()tr(~~ dos posible~ resultados de los'd~ltos. prc~umicndo 1.1ue
se estn e~tudiClndo el mismo nmcro de su-jeto~ cxplle~tos ~' !1()-I.:XpUCS-
tos. Emplcando I:l metlida difercncia dc ril.:sgo p.1r.1 dctermin~lr !.lS
desviaciol1cs rcspcc!O dcl Ilulo. la v.lriaci()n 2. pcro no a~ la 1. si es una
desvi~lcin m:i$ c.xtrcma rc~pccto al nulo. El11plc:lndo 1.1 mc<.1id:t ra7()11
de riesgo. l1i la vari:tcin I ni 1.1 2 i() SOI1. P~lra la medida ralI1 dc
D l ventaj.1. lo son ambCl~.
C.1d.1 UI1.1 de l~lS difcrentes medidas Jcsignan ~1UI1 conjunto tlistil1to
B
; . de resultados como mils extremos. Esta ;Imhigcdad hacc problcl11.itico
L.
r
el empleo de dos distribuciones hinomiales indcrendientcs como mo<.1clo
para la comprobaci()11 dc hip()lcsis a r~lrtir tic una tah!.1 tic .:. x ~. Otro
:~Rd [ problema que ticne cl uso de 1.1Sdos bil1omiaJes cs cl gran nlJl11cro de
,1 rcsultados posiblcs. Por cjcmplo. si iV I = ;VII = .:.5. hay 676 resultados
,
,"
posibles para los 1.1:1!0$ [(N, + I) .( Nll + I )]. Para simplificar los
clculos. pue<.1e hacer~e un.1 asuncin rel:lcionad:t con :Imho~ prohlema~.
~~';
c', I La a~uncin para lo~ d~ltos dc set!uimiento () de rrevalencj:1 consislc en
que el l1mero total de ca~os re~llmel1tc ohser\'adoS sc 10m:1 como c()ns-
tante (M.lntel y 11ankc~'. 1971). P~lra d:I!()s dc C:1so-contr()l. las dos
I distribuciol1es hinomi.llc~ se rcficrcn no:1 I.IS series dc expuestos ~. 110-
ex puestos. si 110 ~I 1.1Sseries I.lc caso~ ~' con I rolcs ~' 1.1 corre~pond icn tc
asuncin C.:s1.1UCc.:1tirmcro !()I,II Jc SU,iel()S CXP\ICStOS I:S consl:lnlc. L()
que esenciall11cntc hacclt cst:t~ :Isunciones ~~ /ij.lr !0<.1()S!()S tot.\It:s m.lrgi-
n:1les de la t.1bla Je 2 x .:.; por lo t~lnIO. si la ccld.1 (I aument.1. la~ ccl<.1:1s
h y c deben c:1d.1 una disminuir en un.t canti<.1:It1 cquivalentc. y la ccl<.1a (I
aumentar en un.1 cantidad il!\lal. Una VCl m:1nteni<ios C()n~t.1ntc~ tOdoS
I los mrgenes. slo hay una v-:1riable ~1Ie:1!Oria a de~cribir: la \'ari.lcil)n en
cualquier celda de la I.lbla de 2 x 2 con m:irgenes !otales fij.ldos e$l:.
pues. concatenada con la vari.1cin concomital1te de cad.1 una de 1~ls
D otras casillas. H.1hitualmente. por tan!o. la cuestin ccntrCli \'icl1e :1 ser
simplemente la casilla a de la tabla. que e~ 1.1quc se tom:1 como \'.lri:1ble
aleatoria.
D La asuncin de que todo~ lo~ (otalc~ m:lrgin:1lL's dc una lahla de 2
x 2 estn fijados. puede ju$tificarse
para enfocar el problema (de la comprobacin
metodolgic.1mente como me<iiacit)n
dc hiptcsi~) direct.1mente
r~r
sobre la asociacin existente entre expo~icin ~' enfermedad. En jerga
H I
fi binomiales
parmetros.
independiente$
1.1$proporciones
requiere que se delerminen los valores de (1().\"
PI y po. en t.1nto quc el problema analtico il
puede reducirse a determinar el \'alor de UI1.1 medida nica. Tal mcdid:1
es la r.1Zn dc vent:lj:1. igual a PI ( 1 -1')/[!'11( I -PI )]. quc e~t:i por
~ completo detcrminada por el valor de la celd.\ a si los to!.lles marginale~
se toman como fijo~. Comprobar que se prnduce un alejamiento de 1.1
razn de ventaja re,<;pecto de la unidad es equi\'alcnte a comprohar un
alejamiento de 1'1 con respecto :1 1'0. ya que la condicin nula de PI = 1'11
~
es equivalente a una razn de ventaj.l de un.1 unidad. pero fijar los
n
~.I
u
'::~:~
:"'.~
;;t]~i~J:
ti~i~~-~
,,'~
.~1::
.~.i~i~~~:::;~;i~;::f;
;;J~1:;:;~:f..;~:;;:,.::;:;;;;:(.
i!!;,~~;
j~\t~;~\~~~~:rl:
I~t
.~
1 La probabilidad de seis casos expuestos seria 0.0028: para siete C~\SOS
expuestos. 0,0002 y para el resultado ms extremo. ocho casos expuestos.
0.000009. El valor total de p con una cola, calculado segiln el metodo de
Fisher. sera de 0.0748 + 0,0185 + 0.0028 + 0.0002 + 0.000009 = 0.096.
El valor medio de p con una cola sera 0,0374 + 0.0185 + 0,002R +
0,0002 + 0.000009 = 0.059. El valor medo de p con dos col:ls. t:lnto del
Fsher como de la media P, podra obtenerse dobl~lndo el valor de la p
D de una cola.
Para este ejemplo, el modelo hpergeometrico requiere el clculo de
slo cnco probabildades. De haber empleado el modelo de las dos
r~\ dstribuciones binomiales independentes. con 390 casos y 1.254 contro-
les como las dos seres independientes. huhiesen sido necesarios por el
contraro miles de clculos para dcterminar qu resultados eran iguales .-:-:.
:!;,
.'
t1 de extremos o ms. y luego habria que h~lber c~llculad('1 tambien la
,.
.. probabilidad de cad~l uno de estos resultados. La simplfic~ldor~l ~lsun-
cin de la distribucin hipergeometrica. que fija todos los totales margi-
;~';
~
-:-,
I nales. reduce enormemente
Lo razonable
la complcjidad
de I~l asuncin
de los clculos.
hipergeometrica. incluso para datos
"'~:~.
tales como los del ejemplo 11.3 en que las frecuencias de las cuatro
celdas son pequeas. se hace evidentc al comproh;r sus rcsultados con
I
~~
:::;:,;;:r~;~:i~;:~~ -~=:~.~;.:
..:~~:..;.,1;:,., ;.;~;, :":"
""i:';:t.::: ;;~:~;:;:;:
:~: :;,.,;
..::~~:.:::~:;
~~~J:. !;
~ .;,;:~:;:':;*,,:
:~(::~~;:;:.~ :~~:,i:~:;
~
[ 11.6]
~!-!..)( ~ ) r -1- + ~
, T T LN1 No
z = 7]
f]
1.1 Illlllipllltcii)11 algcbrai(.;a ue la ecuacii)11 .7] da una expresin casi
i(ll'lllic;I11;1 lIJ.6J:
a -N.Af.IT
.~]
J~~~
L" lllliL." dirL'rcncja elllrc ItiS dos r()rmul"s cs Iti T- 1 dc la cxprcsin del
JCII1111Iill;IJ()r dc la ccut,cil1 [11.()1. C.'ICsc rcL'mrlazt\ por Tel1 la [11.8].
(.I)m() 11il1~una dc It\s dos r)rmlllas cs .'rlict'ble a mel1os quc T sea
..Jl"'Jc cl rulllo .dc visla rr;<.:liL.() aml)as son jdcl1licas.
hllhicsc l'lllrlL';'dl) lilla rrllL'I);1 csl;,(lsliL.a asjlll(!lica para calcu-
ANALISIS DE DATOS CRUDOS 185
-~-
lar el valor de p con los datos del ejemplo 11.3, habramo~ obtenido,
'empleando la ecuacin [11.6],
..
lo que da un valor de P, con una cola, de 0,040. Como cabra esperar, el
vaJor de p resultante de la prueba asinttica es ms cercano al valor
exacto de la media p que al valor exacto del Fisher (vase Cap. 10),.pero
la aproximacin no es muy buena. Obsrvese que bajo el modelo hiper-
geomtrico slo hay nueve resultados posibles para la celda a; evidente-
mente, el nmero de resultados es demasiado pequeo para que la
aproximacin sea vlida. Una regla de andar por casa y que se emplea a
menudo consiste en que la prueba estadistica asinttica debe aplicarse
solamente cuando la expectativa nula ms pequea para cualquier celda
de la tabla de 2 x 2, basada en los totales marginales, sea mayor que 3.
No obstante, si hay alguna duda sobre lo adecuado de esta aproxima-
cin asinttica, lo mejor es evaluar exactamente el valor de P.
ESTIMACION PUNTUAL
{1 ,
IRD = '::\1-;- -~
IRR = a/NJ
a h-
I
RD=N:"--::
RR=~
h/No
Sll~I,\(.I()N DI INTI:RVAI.O
[ .91
No
mR= [ 10]
(I -)N.
Ii ~:cf~ll!
."C,-;,:~:::;:. .
..,
~
Fisher. podri~IJl C~III..'\lI~lrsc :1 p:lrlir tic I~I,'; I.:CU~IL'j(),1C,'; r ,1)~' .101 L'(\I11(1
:\
"l
slgUC:
~"
0.05 = -!J).~h k
1 I
k ,= . I
~ (,
().t)5 = \ ii I~'.
j, L..
... k:.2
u Si se clcul11 los limitc.'i L'11h:lse :11 \,:1I{)r L'X:ICt() ue. p UI.: liJ m~{li
cntonces 1,1SCcucj(')nc$ :1 res(')lver s()n:
P.
.~I,
( '5(' )
9
) !.lll ~
0.05 = ::;- -1!).'(' -k
.~-
.:-:.. k
..~- \ ,
.~: y . ." ,
,~
0.95 = , + l()~h k
t ~::.;:::.
~.;;;.."~':
Los lmites de confianza slJrcri()r c infcri()r ;ll ()() r()r I()() uclermill,ld()s
por las anteriores ccuacjones hasdas en 1:1 mcdia P. -'()Il !J = ().62h :. Ii
= 0.8205. corresp()ndiendo a lR.R = I.J4 :' mR = J.I().
.;~~i;"
::;:~;
DATOS DE IN('If)EN('IA ,\('tfMVL\DI\, Si los del1omil1:1dores SOI1 re- ':::~1;;i'.
cuentos en lug.1r de unidades persona-tiempo. un interv:llo de confi:lnz:l '..:~11~;::
,:;;\~,::
plra la diferencia de riesgo podra c.1Icu.lrse t~()ric:lmente .1 p:lrtir del .;.::~:
modelo dos-binomi(ll, El c~llculo. no obstante. implic:lria 1:1 delermil1a- ':;:-;:
cin reiterntiva de 1.1 problbilidad eXlcta de 1:1 cola h:l~ada en dos
binomiales independientes y. por tanto. no es r:icil de ~.iecutar,
Los lmites de confianzn para la medid:l de la r:lzn de riesgo e."tin
rI
t,
,- tambin sujetos a la misma dificultad de compllt:ICi()n. porque cl \';llor
de dicha medida depende del nllmero total de C:IS<)Sy requiere cl u~o dc
.:~~ii,
dos binomiales independientes, Si. por el contrario. sc ernrle.1 lit medida
de razn de ventaja para 11e$timacin. amho~ mi1rgel1e$ tIc 1.1tahla Je 2
x 2 pueden ser considerado$ fij.1dos y lo.'\ c:ilculo.'\ ~e sirnplilic:lri:ln
mucho. ya que la cit.1d1 medida de la raz{)n tIc vent:lja es independiente
del nmero total de ca$os. Corno la razn de ventitja e$ sol.lrnente una ,c::i.~~.:'i~;
D
,---c".-
~
:;;,::
...
l
Ni\,ci tic ;lnlicllcrp()~
Di.lrrca 7 12
9
a
2
No di.lrrca
TOlalc$ 16 14
n
I
!
,
para los lmites J~ la media ? La solucin dc las ecuacioncs que
anteceden puede consumir mllcho tiempo. ~'a que cada repeticin en el
,1
r'
;.:~~
~..," Los datos del cjemplo 11.4 describen los resultados p:lrci:llcs de un
~~:'; estudio de seguimiento. e\'aluando el riesgo de p:\decer diarrea en nios
sometidos ,\ I:\ctancia m,ltern:\ en BangJ:ldcsh durante un periodo de
once das. segn la detcrminaci()n de varios ttulos de ,Inticucrpos cn la
leche del pecho de sus madres. Un valor exacto dc ? dc 1:1hiptcsis nul~l
dc no :1sociacin. da ?II) = 0.02 p~lra el valor de ? de Fisher ~. ?iII =
0.01 para el valor de 1:\ medi~\ ? El estimado del riesgo rcl~ltivo ~I rar1ir
de estos datos. comp~1rando cl grupo expuesto :1 titulos ~lltos con cl
expuesto :1 ttulos bajos. e~ (7/16)/(12,!14) = 0.51. El de la razn de
ventaja dfiere notablemente de est,l cifr,l. dcbido ~I que los riesgo~ ~on
;.::.
muy ~lltos: el cit~ldo cstim~\d() de 1:1-razn de ventaj:1 es (7 x :?)/( I:. x 9) =
= 0,13. Se puede calcular un ntervalo de col1fi~\nza exacto p,\r,\ I~\ r,lZI1 de
ventaja empleando las frmulas [ 11.11 ] y [ 11.1 :.] p,\ra obtener los limi-
tes de Fisher. Los lmtes de confianza ~ll 90 por 100 son 0.0 17 y 0.75 1.
obtenidos por cl mtodo de solucin de ecuaciones de ensayo y error de
l,lS frmulas ~lntes citad,lS. Si. por el contrario. se dcse:\scn los lmites
exactos de I~I medi:\ ? podr,ln ohtenerse :\ p:lrtir de las ccuaciones
[11.13] y [11.14] y .~on 0.0:?5 y 0.608. Esto~ lmites ex~lctos de la razn Jc
ventaj:.\. sin emb,\rgo. no pueden ser empleados como lmites de confian-
,:jt~~::~::-
za de la razn de riesgo. puesto que con estos datos. la razn de \'entaja
~ es una pobre aproximacin para la razn de riesgo.
8
La eslimacin aproximada dcl illlcrvalo a partir dc Jato~ de ~cgl1imiclllo
brulos es direcla.
~ DATOS DE TASAS DE INCIDEN('IA (Pf:RS()N\-TIE/IIP(). Col1~iJercmo~
primero los dalos de tasas de incidencia con denominadores persona-
liempo. Se pueJen estimar do5 medidas dcl cfecto: diferencia de t:l~a~
u y razn de tasas. Como la medida de diferencia de tasas tiene \ll1a
o
~.
~--~---,-- ..'c~.,;,~-~
,.:,: ,
:.. -,'"
:;:;-,
:. :t~~\;;:;:
.:;: -.;.,
:.~.
.:;~.::~;i~:~j [:::;::;.:.;~ifu::~::i~[~~:~
~
ANAliSIS DE DATOS CRUDOS 193
/!-;!
~~Tb
De nuevo, empleando los datos del ejemplo 11.1, podemos estimar la
razn de tasas de incidencia como
41128.010aos
= 1,86
15/19.017 aos
:,645.jl/4i + 1/15] =
exp [III (1,86) i 3,0
Estos lrntes concuerdan bien con los lrniles exactos al 90 por 100 de la
media P, calculados anteriormcnle corno 1,1 y 3,1.
Una forma altcrnativa de haccrlo podra ser ernplcar la frmula
basada en el test
RR'I:1:ll1.)
en la cual X tiene un valor de 2,08 para los datos del ejemplo 11.1.
Utilizando Z = 1,645 para limites al 90 por 100, el abordaje basado en
dicho test da un intcrvalo desde 1,1 a 3,0. que igualmente est en
excelente concordancia con los limites exactos de la media P.
:;;;~::~;;:i;:;:;:;:~:":.i;~,:.
.:".~.'-:'~::...~,:~\:~~...
::";,:'
~.::.~i;
!;a!,i~. .:::
i'-
'-"j
De nuevo. los dos mtodos aproximados par~\ I~\ estimacin del iI1Icr\'~\lo
de confianza concuerdan bien.
Si la inferencia a partir de los datos de seguimicnto con dcnominado-
res de recuento tuviese que estar basada en la razn de ventaja. en vez de
en la razn de riesgos. entonces la frmula par~l la desviacin estnd:\r es
(Woolf. 1955)
:.
:;~;
;!~:
..!:f~7~
~
;,:"':...' ,.;..~,..,
~~f;~i~i\\~@
::.;;.:
R = tl(1
h('
Rcl t;~1:1
o exp {111(R ::tz SD[ln IR)]:
donde
In (R = In (3,24) = 75
,~!~. ~:
J
ANALISIS DE DATOS CRUDOS 97
Como era tic csrcr:tr. I.'St()S rcslllt:t(I()s CnI1CliCr(I:\ll ml.i()r C()11 I()s lmitcs
exactos de 1.\ mctii.\ > qlle cnl1 los lmilcs CX:tl"\OS tic I;is/tcr. L.\ :trro.xi-
m:\cin 11() cs rerrcct:\. rer() t:lmr()C() cs ticm:lsi:IJ() r()hrc. c()l1siJcr:\l1ti()
que dos dc I.\s cu.ltro ccldas tic 1.1 t:lhl:\ 2 x 2 r()SCCll rrccllcl1cias ()hscr-
v.\d.\s de s()I() cu.\tr(). El mct()Jo tic C()rl1ficlti J:I lIn il1tcr\,:\lo al ()O r()r
n tOO de t.t a 9.R. idcJltic() :tl ticl :thord:t-jc COI1 h:tsc CI1 c:1 tcst.
u
~
,'1 REFERENCIAS
Boicc. .J. D.. ;ln<.1 M()n"nn. I~. I~. IJrc:l!;1 (;:lnt:cr in \\,omcn :lflcr rl:rl::lII:(1 I1l1-
orosc()pic cx:lminllinn!; ()r tJ1c chcst. J. IV(lrl. (.clll(.I.r 111.\"1.1()7i:S9:~~.1-X.1~.
Br()wnlcc. K. 1\. .)'llli.\"li("(11 71,(.(lr.. (111(1,\I(.,h(I(IIII(II.'.. ill .\.("i(.I1("(.(m(I,:i,l.'i//(.I.rilll.'.
Ncw y ()rk: Wilcv. I ()(,5.
Cornlicld. J. 1\ ~t:lti~tit::11 pr()hlcm :lrisin~ rr()m rClrOSrI:L.ti\.c stlluil:s. 1,1.1. NI::-
man jcd.). Pr(II.(.{.(lil1l.'.\" "/,i/"(1 B(.r".(.".I. .)../I1"IIXill/I1. V()I. .J. IJl:rkl:lcy: Ilni\.cr.
sity of C:llir()rni:1 Prcss. I ()5(,. rr. I :l.5-14X.
Fishcr. R. 1\. TJIC I()!:!ic I)r inllt:li\,c inrcrl:ncc. .1. I~. .)'(iI. .\i/(... Sl:ril:s :\.
19~5:9R::1.9-54.
Gart. J. J. TJc comrari!;on < rr()r()rlion~: ;1 rc\.il:\v ()f "i~,1ifit::lllt:C II:Sls. \..(1'11i.
dcncc inlCrvuls unJ uujllslmcnlS for str:llilit::lli()n. I~{.r. 111,. .\i,ll. 111\1.
197J:39:I~H-I(,l}.
GJass. R. J.. Svcnncrholm. ..\. M.. .<;1()II. IJ. J.. CI ul. Pr()lcclinn ,I~aill!;t (;h(lll:ra in
brc:1Sl.rcd childrcn by antihi(ltics in brt'I~t milk. .V. EI1f,'I. .1. .\1(.(1.
1983:308: 1389.1392.
Mantcl. N.. and Hankcy. B. F. Pr(lgrammcd analysis ()r a ~ x;. contingcnt:y
table. ..f/11. .)/{11. 1971 :25:40-44.
RotJman. K. J.. and Roicc. J. D. E"i(I('/I1i(II(1.f,'i(" ..111l1l \"i.\" 11.ilh II Pr(I.f,'rl/ll/I1ll1hl{'
C{llc/(llIr(1r (2nd cd. ). Brooklinc. M \: Epidcmiolngy Rc$()lirccs 1nt:.. 19X;..
Rothm:1n. K. J.. Fyler. D. C.. Goldhlatt. \.. et ;11. Exogen()lis h()rmones and
other drug exposures ()r childrcn \vith congcnital hcart di~easc. ..//11. J.
E"i{ll'mi(ll. 1979: 109:433-439.
Shorc. R. E.. Pa~lcrnack. n. s.. and Curncn. ~1. (j. 1~l:lalin!:! illnllcnza 1."1'iuc-
mics I() childlloo<.1lc\lkcmia in tllm()r rcgi~tric~ \Vilhnllt ; <.Iclincd pnrUlali()n
~ basc: 1\ I:ritiqllc wilJ 5uggcsti()ns r()r improvc mcthod~. ..1/11.J. E"i(".,lli(ll.
1976: 103:527-535.
woolr. R. On cstimating lhc rcl:llion hct\vccn hl<.)(,d gr()lip an LliscI$C. ..1ll1/.
H/(11,. G('11(,t. 1955:19:251-253.
u
.
~... ~::x"~"'.:;.':'..;.
v ~.~.;;... ..
;~:
'I ,~ .f~