JORGE ERNESTO

OCHOA MONTES
MD. - MSP.
 TEMARIO

ESTADISTICA DESCRIPTIVA: *
• DISTRIBUCIONES DE FRECUENCIA *
• MEDIDAS DE TENDENCIA CENTRAL *
• MEDIDAS DE DISPERSION O VARIABILIDAD *
• PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD *
• PROBABILIDAD CONTINUA: LA DISTRIBUCION NORMAL *

ESTADISTICA ANALITICA O DE INFERENCIA : *

• PRUEBAS DE SIGNIFICANCIA ESTADISTICA *
• INFERENCIA DE PROPORCIONES *
• INFERENCIA DE PROMEDIOS *
• REGRESION LINEAL *
• MUESTREO *
 BIBLIOGRAFIA
1.- MALAGON-LONDOÑO / GALAN-MORERA, AUDITORIA EN SALUD,
EDITORIAL MEDICA PANAMERICANA, 2003
2.- CARVAJAL R, ESTADISTICA PARA ANALISIS
EPIDEMIOLOGICO, CENTRO EDITORIAL CATORSE, 2004
3.- SPIEGEL M, ESTADISTICA, McGraw-Hill, 3 EDICION 2002
4.- ALVAREZ HEREDIA FRANCISCO, CALIDAD Y AUDITORIA EN
SALUD, ECOR EDICIONES 2003
5.- FERRAN M., SPSS ANALISIS ESTADISTICO, OSBORNE
McGRAW-HILL, 2003
6.- BAILAR JOHN, MEDICAL USES OF STATISTICS, NEJM BOOKS, 2
EDITION , BOSTON, 1992
7.- MARTINEZ CIRO, ESTADISTICA Y MUESTREO, ECOE EDICIONES
, 2003
 CONSULTORIAS Y TUTORIAS

epidemiologia.teacher@gmail.com
ESTADISTICA:

La Estadistica se ocupa de los metodos cientificos para

recolectar, organizar, resumir, presentar y analizar
datos, así como de sacar conclusiones válidas y tomar
decisiones con base en este análisis.
La parte de la Estadistica que busca unicamente
describir y analizar un grupo determinado, sin sacar
inferencias acerca de un grupo más grande, se le conoce
como Estadistica Descriptiva.
En Salud hablamos de Bioestadistica o
BIOMETRIA.
Reloj atómico: La hora exacta del reloj
atómico

La hora se ajustará a la hora atómica cada 30 segundos.

Eventualmente por causa de un retraso en la transmisión de la señal de tiempo puede darse una
mínima inexactitud en el transcurso de la hora.

La visualización es óptima para MS Internet Explorer a partir de la Version 5.5

Si no recibes señal de la hora atómica o si la hora mostrada difiere
notablemente de la hora correcta, utiliza la visualización estática en la
parte superior de la página de Inicio de www.la-hora.org.

13:06:30
PRECISO PRECISO NO PRECISO
NO EXACTO EXACTO NO EXACTO
 MEDICION

VALOR MEDIDO = VALOR VERDADERO + ERROR DE MEDIDA

EXACTITUD: INDICA LA PROXIMIDAD DE UNA MEDIDA A SU

VALOR VERDADERO. TRATANDOSE DE UNA PRUEBA REFLEJA
SU CAPACIDAD DE IDENTIFICAR EL VALOR VERDADERO.

PRECISION: INDICA LA PROXIMIDAD ENTRE VARIAS

MEDIDAS OBTENIDAS DE IDENTICA MANERA. SE DICE DE LA
REPRODUCIBILIDAD CUANDO SE REPITE EN EL MISMO
INDIVIDUO.
 ESCALAS DE
MEDICION
TIPOS DE VARIABLES

• ESCALAS DE MEDICION

• VARIABLES DISCRETAS Y CONTINUAS

ESCALA DE
MEDICIONES
 B
ESCALA ORDINAL
EJEMPLO :
-NIVELES DE CIRUGIA
-APGAR

A
ESCALA NOMINAL
EJEMPLO : FUMAR
-GRUPOS SANGUINEOS
-SEXO
-ESTADO CIVIL

VARIABLES CATEGORICAS A + B
 D
ESCALA DE RAZON
EJEMPLOS :
-PESO
-TALLA, ETC

C
ESCALA DE INTERVALO
EJEMPLO :
-GRADOS DE TEMPERATURA EN GRADOS
CENTIGRADOS, CELSIUS, KELVIN,ETC

VARIABLES NUMERICAS C + D
 VARIABLE CONTINUA
ES LA QUE TIENE EL NUMERO INFINITO
DE VALORES POSIBLES EN CUALQUIER
INTERVALO.
EJEMPLO : 1,837 DE ESTATURA
Admite Fraccionamiento

VARIABLE DISCRETA
SOLO PUEDE TENER UN NUMERO FINITO
DE VALORES.
EJEMPLO : NUMERO DE HIJOS
No Admite fraccionamiento
¿ Que pesa más : una onza
de oro o una onza de
algodón?

Pistas. Sistema Troy versus

Averdupois
Misure di Pesi
Sistema Avoirdupoids
1 Libbra 16 once
1 Oncia (Once) 28,35 grammi
1 Libbra 0,4536 kilogrammi
1 Ton 1 Tonnellata (1000 kilogrammi)
1 Short Ton 907,2 kilogrammi
1 Long Ton 1.016,06 kilogrammi

6,35 kilogrammi (misura inglese per il

1 Sone
peso delle persone)

1 Kilogrammo 2,2046 libbre

1 Kilogrammo 35,274 once
1 Grammo 0,035 once
Sistema Troy
1 Oncia 31,104 grammi
1 Libbra 373,248 grammi
TIPOS DE DISTRIBUCION DE DATOS
 SERIE SIMPLE

PACIENTE COSTO EN MILES DE $

1 350

2 1.203

3 120

4 415

5 510
 SERIE DE FRECUENCIAS

HEMOGLOBINA F ( PACIENTE )

12.0 20
12.5 18

13.0 16

13.5 12

14.0 8

14.5 6

TOTAL 80
 SERIE AGRUPADA

PESO EN KILOS FRECUENCIA

50 - 59 8

60 - 69 10

70 - 79 16

80 - 89 12

90 - 99 8

TOTAL 54
DISPERSION

TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA

POSICION CENTRAL
 DEFINICION

SON AQUELLAS QUE SE UTILIZAN PARA RESUMIR

UNA DISTRIBUCION DE FRECUENCIAS.

LAS MAS UTILIZADAS SON :

PROMEDIO O MEDIA ARITMETICA ( X )

MEDIANA (Me)

MODA ( Mo )
 PROMEDIO O MEDIA

SE DEFINE COMO UN TOTAL DE OBSERVACIONES

DIVIDIDO POR EL NUMERO DE OBSERVACIONES
REALIZADAS. ES EL CENTRO DE GRAVEDAD DE
UNA DISTRIBUCION POR LO QUE SE DEJA
AFECTAR POR VALORES EXTREMOS.

EJEMPLO : 7, 32, 34, 37, 40 AÑOS, EL X ES 30 AÑOS

 MEDIANA ( Me )

ES UNA OBSERVACION TAL QUE LA MITAD DE LOS

DATOS ESTAN POR ENCIMA DE DICHO VALOR Y
LA OTRA MITAD POR DEBAJO, NO SE DEJA
AFECTAR POR LOS EXTREMOS, SIEMPRE PARTE
LA DISTRIBUCION EN DOS.
EJEMPLO : 4, 7, 5, 8, 12, 9, 5
50 % 50%
4, 5, 5 7 8, 9, 12
3 datos Mediana 3 datos
 MODA ( Mo )

ES EL DATO QUE MAS SE REPITE

“LO QUE ESTA DE MODA”

EJEMPLO : 2, 3, 4, 5, 5, 5, 6, 7, 8, 6. 6, 6,7, 8,

Mo = 6
 MEDIDAS DE VARIABILIDAD O
DISPERSION

LAS MEDIDAS DE TENDENCIA CENTRAL SON NECESARIAS

PERO NO SUFICIENTES PARA DESCRIBIR UNA DISTRIBUCIÓN
DE FRECUENCIAS. EL X DETERMINA EL CENTRO DE
GRAVEDAD, PERO NO INDICA NADA ACERCA DE CÓMO ESTAN
SITUADOS LOS DATOS RESPECTO AL CENTRO.
LAS MEDIDAS DE DISPERSION NOS DETERMINAN EL GRADO
DE VARIABILIDAD DE LOS DATOS, ELLAS SON :

• RANGO
• DESVIACION ESTANDAR
• VARIANZA
 RANGO

ES LA DIFERENCIA ENTRE EL DATO

MAYOR Y EL DATO MENOR.

EJEMPLO : Días de estancia

5.0, 5.8, 6.3, 6.8, 7.0, 7.5

El Rango = 7.5 – 5.0 = 2.5

 DESVIACION ESTANDAR

INDICA EN PROMEDIO COMO SE ALEJAN LOS DATOS

CON RESPECTO AL PROMEDIO ARITMETICO ( X ) .

A MAYOR VARIABILIDAD DE LOS DATOS, MAYOR

DESVIACION ESTANDAR.
 VARIANZA
LA VARIANZA DE UN CONJUNTO DE
DATOS SE DEFINE COMO LA
DESVIACIÓN ESTANDAR AL
CUADRADO.
EJEMPLO : Se tomaron las pulsaciones de 10 varones
estudiantes de medicina
Calcular X y D.S.

Estudiante Pulsaciones
1 59
2 72
3 58
4 65
5 77
6 83
7 72
8 77
9 62
10 62
TOTAL 687
EJEMPLO : Se tomaron los dias de hospitalización de
10 pacientes del Hospital Central.
Calcular X y D.S.

X 687
= --------- = ----------- = 68.7 ( Cálculo del Promedio )
X
n 10

( Xi - X ) 2 676.10
= = 8.67
DS = (n - 1) V 9
V

( Cálculo de la Desviación Estándar )

OTRAS
MEDIDAS DE
DISPERSION
 •COEFICIENTE DE VARIACION (CV%)
INDICA LA MAGNITUD RELATIVA DE LA DESVIACION
ESTANDAR CON RESPECTO AL PROMEDIO ARITMETICO

CV% = DS / X * 100

SE USA PARA COMPARAR DISTRIBUCIONES CON

DIFERENTE UNIDAD DE MEDIDA O CON IGUAL UNIDAD PERO
BAJO CONDICIONES DIFERENTES.
 ERROR ESTANDAR DEL PROMEDIO (EEX)
• INDICA EL GRADO DE PRECISION DEL PROMEDIO
MUESTRAL
• SE UTILIZA CUANDO SE HA TOMADO UNA
MUESTRA ALEATORIA.
• A MAYOR TAMAÑO DE MUESTRA, MENOR ERROR
ESTANDAR Y MAYOR PRECISION
•E. E. (X) = DS / RAIZ 2 DE N
 INTERVALO DE CONFIANZA DEL 95% PARA EL PROMEDIO
POBLACIONAL

• ES UN RANGO DE VALORES OBTENIDOS CON BASE EN EL

PROMEDIO Y SU ERROR ESTANDAR, DENTRO DEL CUAL SE ESPERA
ESTÉ INCLUIDO EL PROMEDIO POBLACIONAL, CON UNA
PROBABILIDAD A FAVOR DEL 95%.
• PARA N MAYOR DE 30 SE APLICAN PROPIEDADES DE LA CURVA
NORMAL (95%)
• IC(95%) = X + 1.96 (E-E X)
X – 1.96 (E-E X)
 MEDIDAS DE POSICION
• CUARTILES: DIVIDEN LA DISTRIBUCION
EN CUATRO PARTES IGUALES,
CONTENIENDO EL 25% DE LOS DATOS
• DECILES: LA DIVIDEN EN DIEZ PARTES
IGUALES, CONTENIENDO EL 10% DE LOS
DATOS
• PERCENTILES: LA DIVIDEN EN CIEN
PARTES IGUALES, CONTENIENDO EL 1%
 Medidas de Posición

Nominal

Ordinal

Intervalo
Razón
 ASIMETRIA
ES EL SESGO O LA DISTORSION DE LA SIMETRIA DE
UNA DISTRIBUCION
ASIMETRIA = X – MODA / DS
CURTOSIS
ES QUE TAN PUNTIAGUDA ES UNA DISTRIBUCION
COMPARADA CON LA CURVA NORMAL
COEFICIENTE MOMENTO DE CURTOSIS
LEPTOCURICA (+) PLATOCURICA (-)
MESOCURICA ( 0 )
MESOCURICA

LEPTOCURICA

PLATOCURICA
GESTION HOSPITALARIA : EN UN ESTUDIO DE DIAS – ESTANCIA
REALIZADO ENTRE DOS EPS´S SE OBTUVIERON LOS SIGUIENTES
RESULTADOS SEGÚN LUGAR DE ATENCION :

DIAS - ESTANCIA

EPS UNO EPS DOS

DATO MENOR 2 4
DATO MAYOR 80 92
X 6 8
Me 5 7
DS 8 9.1
CON BASE EN ESTOS HALLAZGOS SE PUEDE CONCLUIR QUE:

A. Para la EPS UNO la mayoría de los datos están por debajo del
promedio ?
Cierto Falso
B. Dos de cada cuatro pacientes en la EPS DOS, tuvieron hasta
8 dias de estancia?
Cierto Falso
C. En la EPS UNO, el dato menor se encuentra a S/2 con respecto
al X?
Cierto Falso
CON BASE EN ESTOS HALLAZGOS SE PUEDE CONCLUIR QUE:

A. Para la EPS UNO la mayoría de los datos están por debajo del
promedio ?
Cierto x Falso
B. Dos de cada cuatro pacientes en la EPS DOS, tuvieron hasta
8 dias de estancia?
Cierto Falso x
C. En la EPS UNO, el dato menor se encuentra a S/2 con respecto
al X?
Cierto X Falso
LA ENCUESTA MAS FAMOSA DEL MUNDO
LA PREGUNTA FUE: “…..POR FAVOR, DIGA HONESTAMENTE, QUE
OPINA DE LA ESCASEZ DE ALIMENTOS EN EL RESTO DEL MUNDO?...”

LOS RESULTADOS NO HAN PODIDO SER MAS DESALENTADORES, LA

ENCUESTA HA SIDO UN TOTAL FRACASO:
1.- LOS EUROPEOS NO ENTENDIERON QUE SIGNIFICABA “ESCASEZ”
2.- LOS AFRICANOS EN GENERAL NO SABÍAN QUE ERAN
“ALIMENTOS”
3.- LOS ARGENTINOS NO ENTIENDIERON QUE QUERÍA DECIR “….POR
FAVOR….”
4.- LOS GRINGOS, PREGUNTABAN QUE SIGNIFICA “….EL RESTO DEL
MUNDO……”
5.- LOS CUBANOS PEDÍAN QUE LES EXPLICARAN QUE SIGNIFICABA
“…… ..QUE OPINA?........”
6.- EN EL CONGRESO DE…….. HASTA HOY SE DEBATE SOBRE QUE
QUIERE DECIR “…….HONESTAMENTE………”
REPRESENTACION GRAFICA
DE LAS DISTRIBUCIONES
 SIMETRICA

EJEMPLO :
- La distribución de peso
de la población.
- Los niveles de ácido
úrico en la población

X X
Me
Mo
 ASIMETRICA POSITIVA
Y

EJEMPLO : Distribución
colombiana por grupos
de edad.

Mo Me X X
 ASIMETRICA NEGATIVA

EJEMPLO : Distribución de la
morbilidad por cáncer de
estomago

X Me Mo X
 CURVA EN U
Y

Mo X Mo X
Me

EJEMPLO : Distribución de la mortalidad general por grupos

de edad
 EJERCICIO
DISTRIBUCION
X Me Mo TIPO DE CURVA RELACION

A 5 5 5

B 7.2 8 9

C 2.8 2 1

D 5 5 1Y9

E 5 5 -
 RESPUESTAS
DISTRIBUCION
X Me Mo TIPO DE CURVA RELACION

A 5 5 5 CURVA NORMAL X = Me = Mo

B 7.2 8 9 ASIM. NEGATIVA X < Me < Mo

C 2.8 2 1 ASIM. POSITIVA X > Me > Mo

D 5 5 1Y9 CURVA EN U X = Me

E 5 5 - RECTA X = Me
 PROBABILIDADES
DISTRIBUCION NORMAL
Definición de probabilidad

Grado de incertidumbre asociado a la

ocurrencia de un evento. Este grado
es un valor entre 0 y 1 que además
puede ser expresado sobre base 100
 DISTRIBUCION NORMAL

ES UNA DISTRIBUCION CONTINUA DE PROBABILIDADES

MU Y SIGMA DEFINEN LA CURVA NORMAL.

TIENE FORMA ACAMPANADA

ES SIMETRICA

ES ASINTOTICA
DISTRIBUCION NORMAL
• EN SALUD MUCHAS DISTRIBUCIONES LA SIGUEN
EJEMPLO : COLESTEROL, TENSION ARTERIAL,PESO
TALLA,ETC

• EL AREA MAXIMA BAJO LA CURVA ES IGUAL A UNO (1 )

• SE PUEDE DETERMINAR EL AREA ENTRE DOS PUNTOS.

Moivre fue pionero en el desarrollo de la
geometría analítica y la teoría de probabilidad.
Es conocido además, por haber predicho su
propia muerte, pues notó que estaba durmiendo
15 minutos más cada noche y con esto, a
través de la progresión aritmética, calculó que
moriría el día que durmiera por 24 horas. Y así
fue como murió el 27 de noviembre de 1 754 en
Londres, Inglaterra.
 CURVA NORMAL ESTANDAR

ES UNA TABLA DE AREAS ( PROBABILIDADES) DE UNA CURVA

NORMAL CENTRADA EN CERO ( X = O ) Y DESVIACION ESTAN-
DAR IGUAL A 1 ( S = 1 )

xi  
z

Ejemplo : Asumiendo que los niveles de glucosa en diabé-
ticos siguen una curva normal con :
105 mg 9 mg
X = ----------- S = -----------
100 ml 100 ml
Calcular qué proporción de diabéticos tiene niveles por
encima de :
87 mg
---------- ?
100 ml

Respuesta:
X = 105 S = 9 X1 = 87
Z = (X1 – X)/DS = (87 – 105)/9 = -2.0
Z = -2. La probabilidad es 0.4773. Como se pide por encima
De 87 entonces 0.5 + 0.47 = 0.9773
La respuesta = 97.73% que es una alta probabilidad
 AREAS BAJO LA CURVA

EL AREA BAJO LA CURVA PERMITE CALCULAR

PROBABILIDADES. LA CURVA NORMAL
ABARCA LAS SIGUIENTES AREAS :

+/- 1S = 68.2
+/- 2S = 95.4
+/- 3S = 99.7
• Entre el promedio y
una desviación
estándar tenemos
siempre la misma
probabilidad: aprox.
68%

• Entre el promedio y
dos desviaciones
estándar aprox. 95%
Ejemplo :
La reacción de tuberculina o PPD detecta si el
individuo se ha infectado con el bacilo de Koch. Se inyec-
ta en la dermis una solución de tuberculina y se mide 48
horas después el diámetro de la zona indurada.
La reacción se clasifica en positiva o negativa.
Los resultados de una investigación sobre esta reacción
Son los siguientes :

DIAMETRO EN mm
PROMEDIO DESVIACION ESTANDAR
NO INFECTADAS 3.5 1.0
INFECTADAS 8.0 1.7
(a) Haga un gráfico de ambas distribuciones.

(b) Suponga que se establece la norma de llamar positiva a

toda reacción que tiene 5 mm ó más y negativas las que
tienen menos de 5 mm.
Cuál es el riesgo de clasificar como positivo a un
individuo que no esta afectado es decir, la frecuencia de
falsos positivos.

Respuesta :

Z = (5 – 3.5)/1.0 = 1.5
(Z) Es 1.5 = 0.4332
0.5 - 0 .4332 = 0 .066 que es igual a 6.6 falsos positivos
NO INFECTADOS
FALSOS
POSITIVOS

INFECTADOS

X = 3.5 5 X = 8.0
DS = 10. DS = 1.7
NO INFECTADOS
FALSOS
NEGATIVOS

INFECTADOS

X = 3.5 5 X = 8.0
DS = 10. DS = 1.7
(c) Con qué frecuencia se clasifican como negativos a indivi-
duos que realmente se han afectado.?
(Falsos negativos)

Respuesta :

Z = (5 – 8)/1.7 = - 1.76
(Z) es 1.76 = 0.4608
0.5 – 0.4608 = 0.039 en porcentaje 3.9%
Falsos negativos

En conclusion la norma no es aceptable .- Debe

procurarse que la proporción de falsos negativos sea
mínima.
 PRUEBAS DIAGNOSTICAS
TEOREMA DE BAYES
PROBABILIDAD CONDICIONADA
P ( A dado B)
EPIDEMIOLOGIA

EFECTO O ENFERMEDAD
+ -
PRUEBA + A B A+B
O
TEST - C D C+D

A+C B+D

CUADRO DE CUATRO CASILLAS

FALSOS POSITIVOS = B
FALSOS NEGATIVOS = C
SENSIBILIDAD = A/(A+C)
ESPECIFICIDAD = D/(B+D)
VALOR PREDICTIVO + = A/(A+B)
VALOR PREDICTIVO - = D/(C+D)
 ENFERMEDAD
Presente Ausente

+ A B
VPP
Prueba
C D VPN
-

S
E
 Enfermedad

Prueba
+ –
+ 50
Sensibilidad = 67% 10 40
–
Especificidad = 52%
VPP = 20%
50
VPN = 90% 5 45

15 85 100
TEOREMA DE BAYES
 Thomas Bayes nació en Londres, Inglaterra.
Su padre fue ministro presbiteriano.
Posiblemente De Moivre fue su maestro
particular, pues se sabe que por ese entonces
ejercía como profesor en Londres.

Bayes fue ordenado ministro presbiteriano y

muere en 1761. Sus restos descansan en el
cementerio londinense de Bunhill Fields. La
traducción de la inscripción en su tumba es:

"Reverendo Thomas Bayes.

Hijo de los conocidos Joshua y Ann
Bayes. 7 de abril de 1761. En
reconocimiento al importante trabajo que
realizó Thomas Bayes en probabilidad. Su
tumba fue restaurada en 1969 con
donativos de estadísticos de todo el
mundo".
 TEOREMA DE BAYES

P( E / + ) = ( P(+/E) x P(E)) /
(P(+/E) x P(E)) + (P(+/no E) x P(no E))
Ejemplo:

Glaucoma y Tonometría de Schiotz

Incidencia Glaucoma 4%

6.5 o + menos de 6.5

Glaucoma 75.4% 24.6%
Normal 18.7 81.3

P( E / + ) = (0.754x0.04) /
(0.754x0.04)+(0.187x0.96)

P(E/+)= 14 %
 EJEMPLO
EN SANOS EL LOGTGPS TIENE UN X=1.25 Y UNA DS = 0.12
EN ENFERMOS CON LESION HEPATOCELULAR EL X=1.55 Y LA
DS= 0.13.

EL PROPOSITO ES ENCONTRAR UNA NORMA PARA EL TAMIZAJE

DE LA SANGRE.
SE ESTABLECE COMO CRITERIO ACEPTAR LA SANGRE DEL 95.45
DE LOS DONANTES SANOS, CALCULE CUÁL SERÍA LA NORMA?
 RESPUESTAS
• SI EL CRITERIO ES ACEPTAR EL 95.45 DE LOS
SANOS, ENTONCES 100- 95.45= 4.55%

• 0.5 – 0.0455 = 0.4545

• 0.4545 EQUIVALE EN LA TABLA A 1.69

• LUEGO 1.69 = Xi –1.25 / 0.12 = 1.4528

LA NORMA ES 1.4528 QUE ME DÁ UNA

ESPECIFICIDAD DE 95.45%
PRACTICA CON SPSS : PARA UN GRUPO DE ESTUDIANTES DE
POSTGRADO DE BIOESTADISTICA CALCULE EL PROMEDIO,
LA MEDIANA, LA MODA , LA DESVIACIÓN ESTANDAR Y LA
VARIANZA .
EDAD PESO TALLA ICFES.
1 31 55 162 73
2 25 55 155 75
3 27 48 156 74
4 31 60 165 75
5 25 64 180 78
6 46 78 169 73
7 31 70 164 72
8 24 55 166 74
9 28 60 155 74
10 49 89 168 75
 Statistics

Edad del Pes o del Talla del Pruebas

Alumno alumno alumno de Es tado
N Valid 10 10 10 10
Mis sing 0 0 0 0
Mean 31,70 63,40 164,00 74,30
Median 29,50 60,00 164,50 74,00
Mode 31 55 155 74a
Std. Deviation 8,757 12,403 7,688 1,636
Variance 76,678 153,822 59,111 2,678
Skewness 1,425 1,068 ,708 1,111
Std. Error of Skewnes s ,687 ,687 ,687 ,687
Kurtos is ,843 ,718 ,887 2,414
Std. Error of Kurtos is 1,334 1,334 1,334 1,334
Range 25 41 25 6
Minimum 24 48 155 72
Maximum 49 89 180 78
Percentiles 10 24,10 48,70 155,00 72,10
20 25,00 55,00 155,20 73,00
30 25,60 55,00 157,80 73,30
40 27,40 57,00 162,80 74,00
50 29,50 60,00 164,50 74,00
60 31,00 62,40 165,60 74,60
70 31,00 68,20 167,40 75,00
80 43,00 76,40 168,80 75,00
90 48,70 87,90 178,90 77,70
a. Multiple modes exist. The s malles t value is s hown
INFERENCIA ESTADISTICA

PRUEBA DE HIPOTESIS
En que consiste la inferencia ?

Es un proceso de
generalización de
resultados
Muestra

Población
 LA INFERENCIA ESTADISTICA ES EL PROCESO POR EL CUAL
PUEDEN ESTABLECERSE CONCLUSIONES EN RELACION CON
UNA POBLACION A PARTIR DE LOS RESULTADOS OBSERVA-
DOS EN UNA MUESTRA.

CUANDO SE TRABAJA CON UNA MUESTRA Y SE OBTIENE UN

PROMEDIO, SE BUSCA COMPARAR ESTE PROMEDIO CON EL
PROMEDIO DEL UNIVERSO PARA CONCLUIR SI LAS DIFEREN-
CIAS EXISTENTES SON O NO DEBIDAS AL AZAR, ESTABLE –
CIENDO CONVENCIONALMENTE UN NIVEL DE SIGNIFICAN –
CIA LLAMADO ALFA ( a ). EL VALOR MAS UTILIZADO ES
0.05 Ó 5% Ó 1 EN 20
 PASOS DE LA SIGNIFICANCIA ESTADISTICA
1. SE ESTABLECE LA HIPOTESIS NULA (Ho)

2. SE ELIGE EL NIVEL DE SIGNIFICANCIA ALFA = 0.05

3. SE APLICA LA PRUEBA DE SIGNIFICANCIA ADECUADA

• DISCRETAS: CHI O FISHER
• CONTINUAS: Z O T TEST
• OBTENEMOS EL VALOR CALCULADO .

4. UTILIZANDO TABLAS ESPECIALES O EL COMPUTADOR

TENDREMOS OTRO VALOR QUE LLAMAREMOS VALOR
ESPERADO.

5. SE COMPARAN LOS VALORES CALCULADOS VERSUS

ESPERADO PARA PROCEDER A RECHAZAR O ACEPTAR
LA HIPOTESIS DE NULIDAD

6. SE DETERMINA P < 0.05 o P> 0.05

 ZONA DE RECHAZO

SI SON ESTADISTICAMENTE
SIGNIFICANTES

P menor 0.05
 ZONA DE ACEPTACION

NO SON ESTADISTICAMENTE
SIGNIFICANTES

P mayor 0.05
SE CONSIDERA NO SIGNIFICANTE UNA
PROBABILIDAD (AREA) MAYOR O IGUAL A
LA QUE DA EL NIVEL DE SIGNIFICANCIA
Y SE ANOTA ASI : P > 0.05.

CUANDO SE QUIERA DENOTAR EL

ESTADISTICAMENTE SIGNIFICANTE SERA
P < 0.05
 Identificación de hipótesis
• Hipótesis nula Ho • Hip. Alternativa H1
– La que contrastamos – Niega a H0

– Los datos pueden refutarla

– Los datos pueden mostrar evidencia a
favor
– No debería ser rechazada sin una – No debería ser aceptada sin una gran
buena razón. evidencia a favor.

H 0 : p  50% , , 
 , , 
 H1 : p  50%
 Significación: p

a
H0: =40
 Significación: p

No se rechaza
H0: =40

a
H0: =40

X  43
 Significación: p
Es la probabilidad que tendría una región crítica que comenzase exactamente en el valor
del estadístico obtenido de la muestra.
Es la probabilidad de tener una muestra que discrepe aún más que la nuestra de H0.
Es la probabilidad de que por puro azar obtengamos una muestra “más extraña” que la
obtenida.
p es conocido después de realizar el experimento aleatorio
El contraste es no significativo cuando p>a

P a

No se rechaza
H0: =40

P a

X  43
 Significación : p

Se rechaza H0: =40

Se acepta H1: >40

a

X  50
 Significación : p
El contraste es estadísticamente significativo cuando p< a
Es decir, si el resultado experimental discrepa más de “lo tolerado” a priori.

a P

Se rechaza H0: =40

Se acepta H1: >40

a P

X  50
INFERENCIA DE
PROPORCIONES
VARIABLES DISCRETAS

JI CUADRADO VERSUS
FISHER
 PRUEBAS DE SIGNIFICANCIA ESTADISTICA
EJERCICIO :
De un grupo de 20 pacientes hipertensos, se seleccionaron 10 al
Azar y se les adminstró una nueva droga ; a los otros 10 se les
administró placebo. Se encontró que 8 y 5 pacientes respectiva-
mente mejoraron, estadísticamente que se puede concluir ?
DROGA PLACEBO TOTAL

+ 8 5 13
MEJORIA
- 2 5 7

10 10 20
TOTAL
P 1 = 80 % P2 = 50 %
 PRUEBAS DE SIGNIFICANCIA ESTADISTICA
EJERCICIO : Continuación

No se puede utilizar la prueba X2 por que una de las frecuencias

esperadas es menor que 5.
La prueba exacta de Fisher se usa cuando una de las frecuencias
esperadas es menor que 5.

1. P1 = P2
2. Nivel de significancia = 0.05
3. Probabilidad exacta de Fisher = 0.1749
4. P = 0.17 > 0.05
5. Las diferencias no son estadisticamente significantes.
. Ejercicio:
Se investiga la asociación entre ingesta de anticonceptivos orales y
Tromboembolismo.-De 50 mujeres que utilizaron anticonceptivos 40
desarrollaron Tromboembolismo.- De 30 que nunca consumieron
pildoras 20 desarrollaron la enfermedad.- Se desea saber si las
diferencias son estadisticamente significantes?
Respuesta:
Trombo Sanas
Usaron 40 10 50
No usaron 20 10 30
60 20 80
Respuesta:
Uso X2 y dá 1.13 con una P=0.28.-
Cayó en la zona de aceptación
de la Ho, por lo tanto las
diferencias no son
estadisticamente significantes
TALLER DE SIGNIFICANCIA :
Caso uno:
Doll y Hill entrevistaron 649 pacientes con Cáncer de
Pulmón y un número exactamente igual sin Cáncer de
Pulmón.-
El número de fumadores en el primer grupo fue de 647
y en el segundo de 622.- Pruebe la hipótesis que el
cigarrillo está relacionado con el Cáncer de Pulmón?
Respuesta Caso Uno:
Cáncer Sanos
Fumadores 647 622 1269
No Fumadores 2 27 29
649 649 1298

• Aplico la Prueba exacta de Fisher y me dá

P = 0.0000064
• Se cae en zona de rechazo, luego el Cáncer está
asociado estadisticamente con el habito de fumar
cigarrillo.
Caso dos: Un Laboratorio farmaceútico
sostiene que el fármaco A tiene 90% de
efectividad en el alivio de una
enfermedad.- En una muestra de 200
pacientes 160 se aliviaron.- Las
diferencias son estadisticamente
significantes?
Respuesta Caso Dos:
• Ho 90% = 80%
• N de S = 0.05
• Aplico X2 y dá 4.10
• X2 Ns de 0.05 y 1 GL dá 3.841
• Las diferencias son
estadísticamente significantes.-
• Siendo el medicamento efectivo en el
80% de los casos, no tiene la efectividad
promovida por el laboratorio.
Ejemplo:
Se analiza el efecto de dos tratamientos
antibioticos para infecciones de orina.- Se
asignan aleatoriamente y se les aplica un
tratamiento distinto. Con el tratamiento A de 17
que lo recibieron, a 15 les desaparece la
infección.- Con el tratamiento B de 17 que lo
reciben 6 no tienen infección.- Determine si las
diferencias son Estadisticamente Significantes.
 DESAPARICION INFECCION
SI NO
TRATAMIENTO A 15 2
ANTIBIOTICO B 6 11
21 13
 Tabla de contingencia Tratamiento antibiótico *
Desaparición de la infección

Recuento
Des aparición de la
infección
Si No Total
Tratamiento A 15 2 17
antibiótico B 6 11 17
Total 21 13 34
 Pruebas de chi-cuadrado

Sig. asintótica Sig. exacta Sig. exacta

Valor gl (bilateral) (bilateral) (unilateral)
Chi-cuadrado de Pears on 10,088b 1 ,001
Corrección apor
7,971 1 ,005
continuidad
Razón de verosimilitud 10,844 1 ,001
Estadís tico exacto de
,004 ,002
Fisher
Asociación lineal por
9,791 1 ,002
lineal
N de casos válidos 34
a. Calculado s ólo para una tabla de 2x2.
b. 0 cas illas (,0%) tienen una frecuencia es perada inferior a 5. La frecuencia mínima es perada
es 6,50.
INFERENCIA DE PROMEDIOS
VARIABLES CONTINUAS

T DE STUDENT (GOSSETT)
Ejercicio :
Diez hospitales regionales presentan X = 68.7 de dias de
Estancia en ortopedia con un S = 8.67.
Según la bibliografía el promedio en ortopedia es de 72.
Los datos de estos 10 hospitales son compatibles con la
Literatura ?
1. U = X
2. N.S. 0 0.05
(X – u)
3. T = ------------ = - 1.20 GL = N – 1 = 9
S
----
Raiz
de n

4. “t” para GL = 9 con a = 0.05 t = 1.833 ( n<30 se usa t)

5. El valor calculado cae en el área de aceptación de la Ho
6. No hay diferencias estadisticas significantes P > 0.05
Ejercicio:
Se trata de 70 hombres con Artritis que
reciben Tratamiento Farmacológico , que
puede producir descenso de la
Hemoglobina.- Se analizan los datos de
Hemoglobina antes y después del
tratamiento Se debe calcular el promedio
de la Hemoglobina inicial (14.99) versus el
promedio de la Hemoglobina final
( 13.59).-.- Las diferencias son
estadísticamente significantes?
 Prueba de muestras relacionadas

Diferencias relacionadas
95% Intervalo de
confianza para la
Des viación Error típ. de diferencia
Media típ. la media Inferior Superior t gl Sig. (bilateral)
Par 1 Hemoglobina
inicial, (gr/100 ml)
1,39772 ,51701 ,06179 1,27444 1,52100 22,619 69 ,000
- Hemoglobina
final, (gr/100 ml)
 Distribuciones de probabilidad

 Chi cuadrado
 Exacta de Fisher
 Distribuciones de probabilidad

T-Student
VARIABLES DISCRETAS

40%

35%

30%

25%

20%

15%

10%

5%

0%
0 1 2 3
VARIBLES CONTINUAS
Análisis de regresión y
Correlación
 Objetivos del modelo

Predicción Establecer una

Modelación relación matemática
entre una variable
Relaciones de dependiente y una o
dependencia más variables
independientes
 Bases del Modelo
Variable dependiente (Y):
Es la variable que interesa modelar y se
supone existe alguna relación con las
variables del modelo
 Bases del Modelo
Variable independiente (X):
Es aquella variable que cambia o
varía libremente y en la cual la
variable Y no tiene impacto.
 Estimación de la recta
y y
y  a  bx

X X

Pendiente negativa (b<0) Pendiente positiva (b>0)

Asociación lineal entre “X” y “Y”

 Diagrama de dispersión PIB y CP

5000

4000
PIB real

3000

2000
1000

0
1000 1500 2000 2500

Consumo Privado
 Diagrama de dispersión PIB y CP
Ajuste lineal

5000

4000
PIB real

3000

2000
y = 1,6499x + 198,87
1000 R2 = 0,9921

0
1000 1500 2000 2500

Consumo Privado
 EL ANALISIS DE REGRESION INCLUYE :
EL ANALISIS DE REGRESION INCLUYE :

REALIZAR EL DIAGRAMA DE DISPERSION

CALCULO DE LA PENDIENTE (p) Y EL INTERCEPTO (i)

CALCULO DE LA ECUACION TEORICA y =(p) x + i

CALCULO DEL COEFICIENTE DE CORRELACION

COEFICIENTE DE CORRELACIÓN
PEARSON

R = 0 y 0.25 ESCASAS
R = 0.25 - 0.50 LEVE
R = 0.50 - 0.75 MODERADA
R > 0.75 BUENA
Ejercicio :
La relación existente entre la edad y la presión sistólica
dió los siguientes resultados:

EDAD ( X ) SISTOLICA ( Y )

20 80
30 95
40 108
50 119
60 126

X = 40 Y = 105.6

A.- Hacer la gráfica, calcular la ecuacion de la recta y el coeficiente de

correlación de Pearson
B.- Calcular la sistólica para 70, 80 y 90 años.
ECUACION DE LA RECTA: Y =
1.16 (X) + 59.2

Coeficiente de correlación de
Pearson = 0.9913
EDAD
SISTOLICA
70 140
80 152
90 164
100 175
 EDAD VERSUS SISTOLICA
SISTOLICA

150
100
Serie1
50
0
0 20 40 60 80
EDAD EN AÑOS
TALLER SOBRE REGRESION LINEAL:
Al realizar la calibración de un equipo de
Absorbancia, se anotan los siguientes
valores:
PLOMO ABSORBANCIA
1 0.33
2 0.55
3 0.96
4 1.21
5 1.47
• CALCULE LA ECUACIÓN DE LA RECTA

• CALCULE EL COEFICIENTE DE CORRELACION

PEARSON

• CALCULE LA ABSORBANCIA PARA LOS VALORES

DE PLOMO 6, 7, Y 8
 1,50

1,25
Absorbancia

1,00

0,75

0,50

0,25

1 2 3 4 5
Valores de plomo
 Resumen del modelo

R cuadrado Error típ. de la

Modelo R R cuadrado corregida estimación
1 ,996 a ,991 ,988 ,05020
a. Variables predictoras : (Constante), Valores de plomo
 Coeficientesa

Coeficientes
Coeficientes no estandarizad
estandarizados os
Modelo B Error típ. Beta t Sig.
1 (Cons tante) ,022 ,053 ,418 ,704
Valores de plomo ,294 ,016 ,996 18,520 ,000
a. Variable dependiente: Abs orbancia
MUESTREO
 MUESTREO
SELECCIÓN ALEATORIA

• REPRESENTATIVA
POBLACION
MUESTRA
ESTIMADOR •SIN SESGOS
• GARANTIA CIENTIFICA
DE CALIDAD
PARAMETRO

INFERIR : “generalizar los resultados a la

población de donde se extrajo la muestra”
POBLACIÓN OBJETIVO

FACTORES SELECTIVOS

POBLACIÓN FUENTE

FACTORES SELECTIVOS

MARCO MUESTRAL ( N )

MUESTRA ( n )
 N
MUESTRA POBLACION
n V M = V V + Error de medida
 P
x p
ESTIMADORES PARAMETROS

SISTEMATICO ALEATORIO
 OBSERVADOR • VARIABILIDAD DEL
 SUJETO ESTIMADOR EN EL
MUESTREO
 INSTRUMENTO
ERROR DE MUESTREO
ERROR NO DE MUESTREO
SESGO DE INFORMACION ERROR ESTANDAR
TEORIA DEL MUESTREO
DISEÑO y EJECUCION
 SELECCIÓN - TIPOS DE MUESTREO
POBLACION
MUESTRA

ESTIMADORES
PARAMETROS

MUESTREO

PROBABILISTICO NO PROBABILISTICO

PROBABILIDAD MAYOR ELEMENTOS DE LA POBLACION

QUE CERO DE SER CON PROBABILIDAD IGUAL A
CERO DE SER SELECCIONADOS
SELECCIONADO
 PLAN DE MUESTREO

1.DEFINIR, ACTUALIZAR y ENUMERAR

EL MARCO MUESTRAL
2. ESTIMAR EL TAMAÑO DE MUESTRA
3. UTILIZAR UN PROCEDIMIENTO DE
SELECCIÓN ALEATORIA PARA
OBTENER LA MUESTRA.
4.SUPERVISAR EL PROCEDIMIENTO
REALIZADO
 MUESTREO, TECNICA Y
TAMAÑO DE LA MUESTRA

EL MUESTREO ALEATORIO TIENE MUCHAS VENTAJAS,

ELIMINA LOS SESGOSQUE SE PUEDEN PRESENTAR AL

ESCOGER LAS UNIDADES CON FAVORITISMO, PERMI –

TE CALCULAR EL ERROR DE MUESTREO Y SOBRETODO

POR EL HECHO DE QUE CASI TODAS LAS TECNICAS ES –

TADISTICAS SE BASAN EN EL MUESTREO AL AZAR.

 Técnicas de muestreo
• Cuando elegimos individuo de una población de estudio
para formar muestras podemos encontrarnos en las
siguientes situaciones:
– Muestreos probabilistas
• Conocemos la probabilidad de que un individuo sea elegido para la
muestra.
• Interesantes para usar estadística matemática con ellos.
– Muestreos no probabilistas
• No se conoce la probabilidad.
• Son muestreos que seguramente esconden sesgos.
• En principio no se pueden extrapolar los resultados a la población.
– A pesar de ello una buena parte de los estudios que se publican usan esta
técnica. ¡Buff!
• En adelante vamos a tratar exclusivamente con muestreos
con la menor posibilidad de sesgo (probabilistas): aleatorio
simple, sistemático, estratificado y por grupos.
 Muestreo aleatorio simple (m.a.s.)
• Se eligen individuos de la población de estudio, de
manera que todos tienen la misma probabilidad de
aparecer, hasta alcanzar el tamaño muestral deseado.

• Se puede realizar partiendo de listas de individuos de la

población, y eligiendo individuos aleatoriamente con un
ordenador.

• Normalmente tiene un coste bastante alto su aplicación.

• En general, las técnicas de inferencia estadística

suponen que la muestra ha sido elegida usando m.a.s.,
aunque en realidad se use alguna de las que veremos a
continuación.
 Muestreo sistemático

• Se tiene una lista de los individuos de la población de

estudio. Si queremos una muestra de un tamaño dado,
elegimos individuos igualmente espaciados de la lista,
donde el primero ha sido elegido al azar.

• CUIDADO: Si en la lista existen periodicidades,

obtendremos una muestra sesgada.

– Un caso real: Se eligió una de cada cinco casas para un estudio

de salud pública en una ciudad donde las casas se distribuyen
en manzanas de cinco casas. Salieron con mucha frecuencia las
de las esquinas, que reciben más sol, están mejor ventiladas,…
 Muestreo estratificado

• Se aplica cuando sabemos que hay ciertos factores

(variables, subpoblaciones o estratos) que pueden influir
en el estudio y queremos asegurarnos de tener cierta
cantidad mínima de individuos de cada tipo:
– Hombres y mujeres,
– Jovenes, adultos y ancianos…

• Se realiza entonces una m.a.s. de los individuos de cada

uno de los estratos.

• Al extrapolar los resultados a la población hay que tener

en cuenta el tamaño relativo del estrato con respecto al
total de la población.
 Muestreo por grupos o conglomerados
• Se aplica cuando es difícil tener una lista de todos los individuos
que forman parte de la población de estudio, pero sin embargo
sabemos que se encuentran agrupados naturalmente en grupos.

• Se realiza eligiendo varios de esos grupos al azar, y ya elegidos

algunos podemos estudiar a todos los individuos de los grupos
elegidos o bien seguir aplicando dentro de ellos más muestreos por
grupos, por estratos, aleatorios simples,…

– Para conocer la opinión de los médicos del sistema nacional de salud,

podemos elegir a varias regiones de España, dentro de ellas varias
comarcas, y dentro de ellas varios centros de salud, y…

• Al igual que en el muestreo estratificado, al extrapolar los resultados

a la población hay que tener en cuenta el tamaño relativo de unos
grupos con respecto a otros.
– Regiones con diferente población pueden tener probabilidades
diferentes de ser elegidas, comarcas, hospitales grandes frente a
pequeños,…
 MUESTREO, TECNICA Y
TAMAÑO DE LA MUESTRA

PARA EL MUESTREO ALEATORIO ESTAN DISPONIBLES VARIOS

PROCEDIMIENTOS DE ACUERDO CON EL UNIVERSO Y LAS
UNIDADES OBJETO DE LA SELECCIÓN :
A. Muestreo aleatorio simple que se puede hacer en un solo paso median-
te una tabla de números aleatorios o el computador
B. Muestreo estratificado en el cual el universo se divide en subpoblaciones
o estratos y de cada uno se toma una muestra aleatoria
C. Muestreo por conglomerados
D. Muestreo por cuotas, muy utilizado en las encuestas de opinión
E. Muestreo aleatorio sistemático, muy util cuando las unidades están
ordenadas en secuencias, como las historias clínicas en un archivo
F. Muestreo polietápico que incluye varios pasos para seleccionar las
unidades finales de la muestra.
 EJERCICIO DE MUESTREO
• Deseo calcular el tamaño y la muestra
como tal, de una población de 10.000
mujeres que consumen anticonceptivos
orales.-
Se estudia una enfermedad que se llama
tromboembolismo pulmonar que ocurre
aproximadamente en el 4%.-
Acepto el margen de error del 5% y una
tolerancia del 10%.-
Escriba a cuantas mujeres debo entrevistar
y a cuales
 EJERCICIO DE MUESTREO

RESPUESTA :
De una población de 10.000 mujeres con una característica que vale el
4%, una tolerancia del 10 % y un margen de error del 5%, el tamaño de la
muestra sería de 15 mujeres que aleatoriamente corresponderían a los
siguientes números de historia clínica : 337, 559, 838, 2579 , 2659 , 3314
, 3448 , 3496 , 4250 , 4314 , 4696 , 6152 , 6343 , 7946, 9736.
VARIACION DEL TAMAÑO DE LA
MUESTRA SEGÚN LOS PARAMETROS
PLANTEADOS

% características Tolerancia margen de error tamaño

4 10 5 15

4 5 5 59

4 1 5 1286
La clínica SALUDNET, está conformada por
un edificio de cuatro pisos, construido en
los años 80, con 100 camas a su
disposición.-
Ofrece los servicios de Cirugía, Medicina
Interna, Pediatría y Gineco-obstetricia.-
El área de urgencias esta en regular estado.-
La ambulancia no tiene motor.- La relación
entre el personal administrativo y
asistencial es de 3 a 1. –
LOS SIGUIENTES SON LOS ESTADOS
FINANCIEROS EN MILLONES DE PESOS EN
LOS ÚLTIMOS CINCO AÑOS :
AÑOS INGRESOS GASTOS NOMINA DEFICIT
1998 2037 918 1437 ?
1999 2045 1020 1958 ?
2000 2151 1040 2012 ?
2001 2230 1196 2720 ?
2002 2720 1327 2850 ?
2003 ?
2004 ?
2005 ?
2006 ?
2007 ?
Pregunta # 1 ¿ Invertiría 1000 millones de su
patrimonio en esta Clínica?

Pregunta # 2 ¿ Aceptaría Gerenciar esta

Clínica.- Bajo qué condiciones?
 DEFICIT
ACUMULA
No AÑOS INGRESOS GASTOS NOMINA DEFICIT DO
1 1998 2037 918 1437 -318 -318
2 1999 2045 1020 1958 -933 -1251
3 2000 2151 1040 2012 -901 -2152
4 2001 2230 1196 2720 -1686 -3838
5 2002 2720 1327 2850 -1457 -5295
6 2003 2701 1398 3271 -1968 -7263
7 2004 2857 1497 3630 -2271 -9534
8 2005 3012 1597 3989 -2574 -12108
9 2006 3167 1696 4348 -2877 -14985
10 2007 3322 1796 4707 -3180 -18165

PENDIEN COEFICIEN INTERCEP

TE TE TO

Ingresos 155,1 0,870324 1771,3

Gastos 99,4 0,9753116 802

Nómina 358,8 0,9697743 1119

Déficit -303,1 0,8971328 -149,7

 ESTADO FINANCIERO CLINICA SALUDNET AÑOS
1998-2007

6000
5000
4000
3000
2000
1000
0
-1000 1 2 3 4 5 6 7 8 9 10
-2000
-3000
-4000

No AÑOS INGRESOS GASTOS NOMINA DEFICIT

 ANÁLISIS:
La inversión de 1000 millones de pesos no alcanza a cubrir el déficit que aumenta
progresivamente debido principalmente al aumento exagerado de la nomina, la poca
variabilidad en cuanto a los ingresos y el aumento en gastos, por lo tanto no
invertiríamos.
Aunque existen alternativas de tipo administrativo para disminuir los gastos en nomina y
aumentar los ingresos, como por ejemplo una reestructuración de personal invirtiendo la
relación existente entre el personal administrativo y el asistencial , la remodelación en
infraestructura, la creación de nuevos servicios y especialidades, etc, no aceptaríamos
gerenciar esta institución.
ESTADISTICA
NO PARAMETRICA
 ESTADISTICAS NO PARAMETRICAS

1 .- PRUEBA DE KOLMOGOROV-SMIRNOV PARA

UNA MUESTRA.

2 .- PRUEBA DE WILCOXON PARA DOS MUESTRAS

RELACIONADAS
3.- PRUEBA DE MANN-WHITNEY PARA DOS MUESTRAS
INDEPENDIENTES

4 .- PRUEBA DE COCHRAN PARA N MUESTRAS

.
RELACIONADAS

5. - PRUEBA DE KRUSKAL-WALLIS PARA N MUESTRAS

INDEPENDIENTES

6.- TALLER SOBRE E. NO PARAMETRICAS

BIBLIOGRAFIA BIBLIOGRAFIA
1.- COLTON T., ESTADISTICA EN MEDICINA,SALVAT
2.- CARVAJAL R, ESTADISTICA PARA ANALISIS EPIDEMIOLOGICO,
CENTRO EDITORIAL CATORSE
3.- SIEGEL SIDNEY, ESTADISTICA NO PARAMETRICA, EDITORIAL
TRILLAS, MEXICO
4.-RUIZ ET AL, INVESTIGACION CLINICA: EPIDEMIOLOGIA CLINICA
APLICADA, CENTRO EDITORIAL JAVERIANO
5.- FERRAN M., SPSS ANALISIS ESTADISTICO,OSBORNE McGRAW-HILL
6.- RIEGELMAN RICHARD ET AL, STUDING A STUDY AND TESTING A
TEST, SECOND EDITION LITTLE BROWN AND COMPANY
PRUEBAS NO PARAMETRICAS
son aquellas cuyo modelo no
especifica las condiciones de los
parámetros de la Población de la que se
sacó la Muestra..- Se aplican a datos de
una escala ordinal y nominal.- La
mayoría son Probabilidades Exactas.-
Se utilizan en Muestras Pequeñas y
usan Rangos o Puntajes.
Las No Parametricas no cumplen con el
T.L.C.
“..No importa la forma de la distribución
de frecuencias de la población de donde
se tomen las muestras, la distribución
de todos los PROMEDIOS
MUESTRALES siguen la forma de una
DISTRIBUCION NORMAL
COMO SE USAN ?

UNA MUESTRA = PRUEBA DE KOLMOGOROV-SMIRNOV

DOS MUESTRAS RELACIONADAS = PRUEBA DE WILCOXON

DOS MUESTRAS INDEPENDIENTES = MANN- WHITNEY

N MUESTRAS RELACIONADAS = PRUEBA DE COCHRAN

N MUESTRAS INDEPENDIENTES = KRUSKAL - WALLIS

En una observación sicológica se le pidió a 10
hombres de raza negra, que seleccionaran una foto
de ellos, donde se variaba el tono de la piel, desde
1 muy oscuro hasta 5 más claro. Los resultados se
muestran a continuación:
Tono de las Fotos
1 2 3 4 5
Escogencia 0 1 0 5 4
PRUEBA DE KOLMOGOROV-SMIRNOV PARA UNA MUESTRA:

N = 10
PROMEDIO = 4.20
DESVIACION ESTANDAR = 0.919
Z DE KOLMOGOROV-SMIRNOV = 0.992
VALOR DE P (BILATERAL) = 0.278

APLICO EL ALGORITMO: 1.- Ho

2.- ALFA = 0.05
CONOZCO EL RESULTADO DE LA P 0.278 QUE ES MAYOR QUE 0.05,
POR LO TANTO ACEPTO LA Ho.- No puedo asegurar que los sujetos de
color prefieran la fotos de tonos más claros.
DOS MUESTRAS RELACIONADAS – PRUEBA DE WILCOXON:
Un psicólogo infantil quiere comprobar si la asistencia a un
Jardín Infantil mejora la percepción social de los niños.- Tomó
parejas de gemelos, uno iba al Jardín y el otro se quedaba en
la casa, a continuación se muestran los resultados:
Puntaje Jardín Puntaje Casa
Pareja a 82 63
b 69 42
c 73 74
d 43 37
e 58 51
f 56 43
g 76 80
h 65 82
DOS MUESTRAS RELACIONADAS – PRUEBA
DE WILCOXON:

Ocho parejas y un alfa de 0.05.- Observo que

el valor de P (bilateral) es de 0.208 y esta es
mayor que 0.05, por lo tanto acepto la
Hipótesis de Nulidad y digo que no hay
diferencias entre el Jardín y la Casa respecto a
la Socialización.
DOS MUESTRAS INDEPENDIENTES –PRUEBA DE MANN-WHITNEY:
Comparo dos tratamientos uno habitual y el otro agregando un Fármaco y valoro
el Índice Cardiaco, obtengo los siguientes resultados:
tto habitual Tto habitual + Fármaco
104 118
123 114
123 129
122 112
111 120
102 134
106 128
117 107
121 101
102 103
108 103
117
PRUEBA DE MANN-WHITNEY:

Tratamiento habitual N= 12

Tratamiento Habitual más Fármaco N = 11

Total = 23

Valor de P (bilateral) = 0.712 que es mayor que 0.05, por lo

tanto acepto la Hipótesis de Nulidad.- No puedo asegurar que
el Fármaco mejore el Pronóstico del Paciente.
N MUESTRAS RELACIONADAS – PRUEBA DE COCHRAN:
En el tratamiento de la Ulcera, estoy comparando dos
tratamientos frente a Placebo, obtengo los siguientes
resultados:

no mejoran si mejoran
Fármaco A 21 29
Fármaco B 24 26
Placebo 35 15
PRUEBA DE COCHRAN – N
MUESTRAS RELACIONADAS:

Utilizo SPSS y obtengo que con un N

= 50 la Q de Cochran vale 9.314 y el
valor de p es de 0.009 que es menor
que 0.05, por lo tanto rechazo la
Hipótesis de Nulidad y aseguro que el
fármaco A tiene ventajas sobre
Placebo.
PRUEBA DE N MUESTRAS INDEPENDIENTES KRUSKAL-
WALLIS:

En 101 pacientes quiero comparar el tipo de Shock y el valor

de IC, para determinar cuál es el de mejor pronóstico, obtengo
los siguientes datos:
25 hipovolémicos
35 cardiogenicos
29 distributivos
12 obstructivos para un total de 101 casos, comparo en todos
ellos el valor del Indice Cardíaco.
Prueba de Kruskal- Wallis N muestras
independientes:

Con un N = 101 cotejando el Índice

cardíaco con el tipo de Shock
encuentro una P de 0.001 que es menor
de 0.05 , por lo tanto se rechaza la
Hipótesis de Nulidad y considero que el
Shock Cardiogénico que tiene un rango
promedio de 66.37 es el mejor
Pronóstico.
TALLER SOBRE PRUEBAS NO PARAMETRICAS:

Se evalúa la eficacia de un Fármaco en 12 pacientes.- Para tal efecto se mide el Colesterol

al inicio del tratamiento y luego al final .- A continuación se dan los datos:
Colesterol inicial Colesterol Final
1 2.41 0.66
2 5.19 3.55
3 3.83 5.05
4 2.22 1.90
5 4.71 2.91
6 2.68 4.69
7 3.44 1.83
8 2.60 1.35
9 2.80 2.34
10 3.27 3.00
11 3.78 5.21
12 2.26 1.55
Respuesta al taller:

Aplico la Prueba de Wilcoxon para Dos

muestras relacionadas.-

Manejo 12 pacientes y contrasto el

Colesterol al inicio versus el Colesterol al
final, me dá un valor de P de 0.239 que es
mayor que 0.05, por lo tanto acepto la
Hipótesis de Nulidad.