Está en la página 1de 736

1.1 INTRODUCCION 1.

4 MUESTREOALEATORIOSIMPLE
1.2 ALGUNOSCONCEPTOSBAsICOS 1.5 COMPUTADORASYANIDSIS
BIOESTADiSTICO
1.3 MEDIDASYESCALAS DE
MEDICION 1.6 RESUMEN
1.1 INTRODUCCION
Confrecuenciase recuerdaelhechodequese vive enlaedaddelainformacion,
asique,oportunamente,estelibroesacercadeinformacion:comose obtiene,
comoseanalizaycomoseinterpreta.Alainformacionquetrataestelibrose Ie
llamadatos,loscualesestandisponiblesenformadeniimeros.
Losobjetivosdeestelibrosondos: 1) ensefiaralestudiantea organizary
resumirdatos; 2)ensefiarlecomotomardecisionesrespedoa ungranvolumen
dedatosalexaminarsolounapequefiapartedeellos. Losconceptosymetodos
necesariosparalograrelprimerobjetivose presentanbajoeltitulodeestadistica
descnptiva, yelsegundoobjetivose logramedianteelestudiode10 quese conace
comoestadistica inforencial. Enestecapitulose estudialaestadisticadescriptiva.
Delcapitulo2al5seestudianlost6picosqueconformanlabasedelainferencia
estadistica,yenelrestodellibroseexponelaestadisticainferenciaL
Puestoque.estelibroestadisefiadoparapersonasquesepreparanpara
iniciar0 queyacursanunacarreraenelareadecienciasdelasalud,elmaterialy
losejerciciosreflejanlosproblema:syactividadesquetalespersonas
probablementeencontraranenlapracticadesutrabajo.
1
2 CAPITULO 1 INTRODUCCION A LA BIOESTADISTICA
1.2 ALGUNOS CONCEPTOS BAsICOS
AI igual que en todos los campos del aprendizaje, la estadistica tiene su propio
vocabulario. AIgunas de las expresiones frecuehtes en el estudio de la estadfstica
son nuevas para quienes no han tenido relaci6n previa con el tema. Otros terminos,
aunque parecen familiares, probablemente tienen significados especializados que
difieren del significado asociado por costumbre a dichos t'erminos. Los siguientes
terminos se utilizan extensamente en todo ellibro.
Datos Los datos son la materia prima de la estadfstica. Para este prop6sito se
puede definir a los datos como numeros. Las dos clases de numeros que se utilizan
en estadfstica son numeros que resultan de la toma --en el sentido literal del termi-
no- de medidas, y aquellos que resultan del proceso de conteo. Por ejemplo, cuando
una enfermera pesa al paciente 0 Ie toma 1a temperatura, se obtiene 1a medida que
consiste en una cantidad, por ejemp10 150 libras 0 100 grados Farenheit. Un tipo
bastante diferente de numeros se obtiene cuando el administrador de un hospital
cuenta el numero de pacientes, quiza 20, dados de alta en un dfa. Cada uno de los
tres numeros es un dato (datum) y los tres juntos son datos.
Estadlstica En la seccion anterior esta imp1icito el significado de la estadfstica.
Pero, para ser mas precisos, se puede decir que la estadistica es la disciplina que se
ocupa de 1) la recoleccion, organizacion, resumen y analisis de datos, y 2) la obtenci6n de
inferencias a partir de un volumen de datos cuando se examina solo una parte de estos.
Las personas que realizan estas actividades estadfsticas deben estar prepara-
das para interpretar y comunuar los resultados a los demas, tal como 10 demande la
situaci6n. En terminos sencillos, se puede decir que los datos son numeros, que los
numeros contienen informacion y que el prop6sito de la estadistica es investigar y
evaluar 1a naturaleza y el significado de esa informacion.
Fuente de datos EI desempeflo de actividades estadfsticas obedece a la necesi-
dad de responder a diversas preguntas. Por ejemplo, los medicos probablemente
quieran encontrar respuestas a preguntas con respettoa la utilidad relativa de pro-
cedimientos de tratamiento alternativos. Losadministradores posiblemente quie-
ran responder a preguntas respecto a areas de interescomo el espfritu de equipo de
los empleados 0 el uso de las instalaciones. Cuando se determina que el enfoque
adecuado para buscar una respuesta a la pregunta requiere del uso de la estadistica,
se comienza a investigar datos apropiados que sirvan como la materia prima en la
investigacion. Estos datos norrnalmente esrnn disponibles de una 0 mas fuentes
como las siguientes: .
1. Registros rutinarios. Es diffcil imaginar algun tipo de organizaci6n que
no lleve registros de 1aoperacion diaria de sus actividades. Mientras que los
registtosclinicos de un hospital, por ejemplo, contienen una inmensa canti-
dad de informaci6nacerca de los pacientes, los registros contables de la
instituci6n contienen datos en abundancia sobre las actividades financieras
del hospital. Cuando surge la necesidad de tener datos, se debe buscar prime-
ro en los registros que se llevan rutinariamente.
3 1.2 ALGUNOS CONCEPTOS BAsICOS
2. Encuesta. 8i los datos necesarios para contestar una pregunta no estan
disponibles a partir de los registros almacenados de manera rutinaria, la
fuente 16gica puede ser una encuesta. Por ejemplo, suponga que el admi-
nistrador de una cHnica desea obtener informacion respecto a Ia forma de
transporte que utiliza el paciente para visitar la cHnica. 8i Ia forma de admi-
sion no contiene una pregunta ace rca del transporte, es posible llevar a
cabo una encuesta entre los pacientes para obtener esta informacion.
3. Experimentacion. Frecuentemente, los datos necesarios para responder una
pregunta estan disponibles solo como resultado de la experimentacion. Tal
vez una enfermera quiere saber que estrategia es mejor para maximizar el
seguimiento de las indicaciones medicas por parte del paciente. La enferme-
ra podria conducir un experimento en el que se prueben diferentes estrate-
gias para motivar el cumplimiento del tratamiento en distintos pacientes. La
evaluacion subsecuente de las respuestas a las diversas estrategias puede ca-
pacitar a Ia enfermera para decidir cual es mas efectiva.
4. Fuentes externas. Los datos necesarios para responder a una pregunta pue-
den ya existir como informes publicados, bancos de datos disponibles 0 en la
literatura de investigacion. En otras palabras, uno se puede encontrar con
que alguien mas ya planteo la misma pregunta y que la respuesta que obtuvo
puede aplicarse a la situacion presente.
Bioestadistlca Las herramientas de Ia estadistica se utilizan en muchos cam-
pos: negocios,ensefianza, psicologia, agricultura y economia, por mencionar algu-
nos cuantos. Cuando los datos que se analizan proceden de las ciencias biologicas 0
medicas, se utiliza el termino bioestadistica para diferenciar esta aplicacion particu-
lar de las herramientas y conceptos de la estadfstica general. Dicha aplicacion es la
que se estudia en este libra.
Variable Una caracteristica se clasifica como variable si, tal como se observa, se
encuentra que esta toma diferentes valores en diferentes personas, lugares 0 cosas.
Esto se hace por la simple razon de que la caracterfstica no es la misma cuando se
observa en diferentes sujetos. Algunos ejemplos de variables son: presion sanguf-
nea diastolica, frecuencia cardiaca, estaturas de varones adultos, peso de ninos en
edad preescoIar, y la edad de los pacientes que consultan a un dentista.
Variable cumditativa Una variable cuantitativa es aquella que puede medirse en
la forma usual. 8e pueden obtener mediciones de la estatura de los varones adultos, del
peso de los ninos en edad preescolar, y de la edad de los pacientes que consultan a un
dentista. Estos son ejemplos de variables cuantitativas. Las mediciones hechas sobre va-
riables cuantitativas conllevan informaci6n respecto a cantidad.
Variable cualitatlva Algunas caracteristicas no pueden ser medidas como la
estatura, el peso y la edad. Muchas de ellas solo se pueden clasificar, por ejemplo,
cuando a una persona enferma se Ie da un diagnostico medico 0 cuando se deter-
mina que alguien pertenece a un grupo etnico dado, 0 bien, cuando se dice que
una persona, Iugar 0 cosa poseen 0 no alguna caracteristica de interes. En tales-
4 CAPITULO 1 INTRODUCCION A LA BIOESTADISTICA
casos, la medicion consiste en una clasificacion. Y las variables a las que uno se refiere
se Haman variables cualitativas. Las mediciones hechas sobre este tipo de variables
cdntienen informacion respecto a los atributos.
Aunque en el caso de las variables cualitativas las mediciones no se llevan a cabo
en el sentido usual de la palabra, se puede contar el numero de personas, lugares 0
cosas pertenecientes a varias categorfas. EI administrador de un hospital, por ejem-
plo, puede contar el n6.mero de pacientes internados en un dfa, con base en cada uno
de los diagnosticos de admision. Estos conteos 0 jrecuencias, como se denominan, son
el numero que se maneja cuando el analisis involucra variables cualitativas.
Variable alealoria Siempre que se determina la estatura, el peso 0 la edad de
un individuo, el resultado frecuentemente se denomina valor de la variable respec-
tiva. Cuando los valores se originan como resultado de factores aleatorios (al azar),
que no pueden predecirse con exactitud y anticipacion, la variable se llama variable
aleatoria. Un ejemplo de variable aleatoria es la estatura de los adultos; cuando
nacen los ninos no es posible predecir con exactitud la estatura que tendran en su
edad adulta; la estatura que alcanza un adulto es el resultado de muchos factores
geneticos y ambientales. Los val ores resultantes de los procedimientos de medicion
se denominan observaciones 0 medidas.
Variable alealoria discreta Las variables pueden caracterizarse aun mas
como discretas 0 continuos. Puesto que la definicion rigurosamente matematica de
las variables discreta y continua va mas aHa del limite de este libro, en su lugar se
presentan definiciones menos formales y un ejemplo de ~ una.
Una variable discreta se caracteriza por separaciones 0 interrupciones en la escala de
valores que puede tomar. Estas separaciones 0 interrupciones indican la ausencia de
valores entre los valores especfficos que puede asumir la variable. Algunos ejemplos
ilustran el punto. EI numero de admisiones diarias en un hospital general es una
variable aleatoria discreta, puesto que el numero de admisiones por dia debe repre-
sentarse con numeros enteros tales como 0, 1,203. EI numero de admisiones en
un dfa determinado no puede ser 1.5, 2.997 0 3.333. EI n6.mero de caries, amalga-
mas 0 perdida de dientes por nino en una escuela primaria es otro ejemplo de una
variable discreta.
Variable alealoria continua Una variable aleatoria continua no posee las sepa-
raciones 0 interrupciones tipicas de una variable a/eatoria discreta. Una variable aleatoria
continua puede tomar cualquier valor dentro de un intervalo espedficado de valo-
res asumidos poria variable. Entre los ejemplos de variables continuas se hallan las
diversas mediciones que pueden hacerse en individuos tales como su estatura, peso
y diametro craneano. Sin importar cuan cerca esten las estaturas de dos personas,
teoricamente siempre es posible encontrar otra persona cuya estatura se encuentre
entre las dos estaturas de referenda.
Ahora bien, debido a las limitaciones de los instrumentos de medicion disponi-
bles, las observaciones sobre variables que son inherentemente continuas se registran
como si fueran discretas. La estatura, por ejemplo, normalmente se redondea hacia el
cuarto, media 0 pulgada completa mas cercanos, mientras que si se cuenta con el ins-
trumento de medicion adecuado, esa medida puede hacerse tan precisa como se desee.
1.3 MEDIDAS Y ESCALAS DE MEDICION 5
Poblacion Habitualmente se considera a una poblacion como una coleccion
de entidades, por 10 general personas. Sin embargo, una poblacion 0 coleccion de
entidades puede estar compuesta de animales, maquinas, plantas 0 celulas. Para
los propositos de este libro, una poblaci6n de entidades se define como la colecci6n mas
grande de entidades de interes en un momento particular. Si se toma la medida de
alguna variable para cada una de las entidades en una poblacion, se obtiene una
poblacion de valores para esa variable. Por 10 tanto, una poblaci6n de valores se
puede definir como la mayor colecci6n de valores para una variable aleatoria, los cuales
son de interes en un momento particular. Por ejemplo, si se tiene interes en conocer el
peso de todos los niiios inscritos en el sistema de educacion primaria del estado,
la poblacion esta formada por todos esos pesos. Si se tiene interes solo en el peso
de los estudiantes inscritos en el primer grado, se tiene una poblacion diferente,
compuesta por los pesos de los estudiantes de primer grado. Por 10 tanto, las
poblaciones se determinan 0 definen con base en el campo de interes. Las pobla-
ciones pueden ser finitas 0 infinitas. Si una poblacion de valores consiste en un
numero fijo de esos valores, se dice que la poblacion es finita. Si, por otra parte,
una poblacion consiste en una sucesion interminable de valores, entonces es una
poblacion infinita.
Muestra Una muestra puede definirse simple mente como una parte de una po-
blaci6n. Suponga que una poblacion se compone de los pesos de todos los niiios
inscritos en el sistema de educacion primaria del estado, y se escoge para el analisis
solo una fraccion de los niiios; entonces se tiene unicamente una parte de la pobla-
cion, es decir, se tiene una muestra.
1.3 MEDIDAS YESCALAS
DEMEDICION
En la seccion anterior se utilizo varias veces la palabra medici6n en su sentido usual
y, con seguridad, ellector ha comprendido claramente el significado deseado. Sin
embargo, la palabra medici6n puede tener una defininicion mas cientifica. De he-
cho, existe una gran cantidad de obras dedicadas al tema de mediciOn. Una parte
de estas obras se ocupa tambien de la naturaleza 'de los numeros que resultan de las
medici ones. Expertos en el tema de mediciones, hablan de escalas de medicion que
dan como resultado la categorizacion de mediciones de acuerdo con su naturaleza.
En este apartado se define la medici6n y las cuatro escalas de medici6n resultantes.
El estudio del tema con mas detalle, se encuentra en las obras de Stevens (1, 2).
MediciOn Se define como la asignaci6n de numeros a objetos 0 eventos de acuerdo
con un conjunto de reglas. Las diversas escalas de medicion son consecuencia de
que la medici6n puede llevarse a cabo seglin diferentes conjuntos de reglas.
Escala nominal La escala de medici6n mas baja es la escala nominal. Como su
nombre 10 indica, consiste en designar 0 "nombrar" las obserVaciones 0 clasificarlas
en varias categorias mutuamente excluyentes y colectivamente exhaustivas. La prac-
tic a de utilizar numeros para distinguir entre diversos diagn6sticos medicos consti-
6 CAPITULO 1 INTRODUCCION A LA BIOESTADisTICA
tuye una medicion sobre una escala nominal. Otros ejemplos incluyen dicotomfas
. como masculino-femenino, sano-enfermo, menor de 65 aiios de edad-mayor de 65
aiios de edad en adelante, nifio-adulto y casado-soltero.
Escala ordinal Siempre que las observaciones no solo difieran de categoria a
categoria, sino que ademas puedan clasificarse por grados de acuerdo con alglin
criterio, se dice que se miden sobre una escala ordinal. Los padentes convalescien-
tes pueden c1asificarse como sin mejoria, mejorados y bastante mejorados. Las per-
sonas pueden clasificarse de acuerdo con su estado sodoeconomico como de clase
baja, de clase media 0 clase alta. La inteligencia de los niiios puede estar por enci-
ma del promedio, promedio 0 por debajo del promedio. En cada uno de estos
ejemplos, todos los miembros de cualquiera de las categorias se consideran iguales,
pero los miembros de una categoria se consideran inferiores, peores 0 menores que
los de otra que, a su vez, guard a una relacion similar con otra categorfa. Por ejem-
plo, un paciente bastante mejorado esta en mejor estado de salud que uno clasifica-
do como mejorado, mientras que un paciente que ha mejorado esta en mejor
condicion que uno sin mejoria. Por 10 general, es imposible inferir que la diferencia
entre los miembros de una de las categorias y la categoria inmediata adyacente
sea igual ala diferenda entre los miembros de esa categoria y los miembros de la
categorfa adyacente a ella. El grade de mejoria entre los sin mejoria y los mejora-
dos quiza no sea el mismo que el :que existe entre los mejorados y los bastante
mejorados. La implicacion es que si se hiciera una division mas fina, que produje-
ra mas categorfas, estas podrfan tambien ordenarse de manera semejante. La
funcion de los numeros asignados a datos ordinales es la de ordenar (0 asignar una
categoria seglin el rango) las observaciones desde las mas bajas hasta las mas altas;
de aqui el termino ordinal.
Escala de intervalos La escala de intervalos es una escala masespecializada
que la nominal 0 la ordinal en el sentido de que, con esta escala, no soloes posible
ordenar las mediciones, sino que tambien se conoce la distancia entre dos medicio-
nes cualesquiera. Por ejemplo, se sabe que la diferencia entre una medida de 20 y
una medida de 30 es igual a la diferencia entre lasmedidas de,30 y 40. La capaci-
dad para hacer esto implica el uso de una distancia unitaria y un punto cero, los
cuales son arbitrarios. El punto cero seleccionado no es necesariamente un cero
verdadero en el sentido de que no indica una ausencia total de la cantidad que se
esta midiendo. Quiza el mejor ejemplo de una escala de intervalos es la forma en
que generalmente se mide la temperatura (grados Fahrenheit 0 Celsius). La uni-
dad de medidon es el grado, y el punto de comparadon es el que se selecciona
arbitrariamente como "cero grados", el cual no implica una ausencia de calor. La
escala de intervalos, a diferencia de las escalas nominal y ordinal, es una escala
realmente cuantitativa.
Escala de razones El nivel mas alto de medicion es la escala de razones. Esta
escala se caracteriza por el hecho de que puede determinarse tanto la igualdad de
las razones como la de los intervalos. Y para esta escala es fundamental un punto
cero verdadero. La medicion de rasgos tan familiares como altura, peso y longitud,
hacen uso de este tipo de escala.
1.4 MUESTREO ALEATORIO SIMPLE 7
1.4 l\'IUESTREO ALFATOmO SIMPLE
Tal como se sefialo can anterioridad, uno de los prapositos de este libra es ensefiar
los conceptos de inferencia estadfstica, la cual puede ser definida como sigue:
DEFINICION
La inferencia estadistica es el procedillliento por llledio
del cual se llegaa una conclusion acerca de una
poblacion con base en los resultados que se obtienen de
una llluestra extraida de esa poblacion.
Existen muchas clases de muestras que pueden obtenerse de una poblaci6n.
Sin embargo, no se puede utilizar cualquier tipo de muestra como base para hacer
inferencias validas acerca de la poblacion. En general, para realizar una inferencia
valida acerca de una poblacion se necesita un muestreo de la poblacion fundamen-
tado cientfficamente. Tambien existen muchas c1ases de muestras cientificas que
pueden obtenerse de una poblacion. La mas sencilla es la muestra aleatoria sim-
ple. En esta secci6n se define la muestra aleatoria simple y se explica como obtener-
la de la poblacion.
Si se utiliza la letra N para designar el tamafio de una poblacion finita, y la
letran para designar el tamafio de la muestra, es posible definir una muestra aleatoria
simple como: .
DEFINICION
Si se extrae una muestra de tamaiio n de una poblaci6n de
talllano N, de lllanera que cada llluestra posible de tamano
n tenga la lllisllla probabilidad de ser seleccionada, la
llluestra se llallla muestra aleatoria simple.
El sistema de seleccion de muestras que satisface la definicion anterior se llama
muestreo aleatorio simple.
Mas adelante se demuestra el pracedimiento del muestreo aleatorio simple,
pero antes se considera la cuesti6n de si se muestrea con reemplazo a sin reemplazo.
Cuando se utiliza un muestreo con reemplazo, cada elemento de la poblacion esta
disponible para cada seleccion. Par ejempl0, como parte de un estudio de duracion
de la estancia, se selecciona una muestra de una poblacion de pacientes que alguna vez
fueran internados en el hospital. Suponga que el muestreo comprende la seleccion de
una muestra de expedientes, tornados del archivo del departamento de registra medi-
co, de los pacientes dados de alta. En el muestreo con reemplazo se selecciona un
expediente para incluirlo en la muestra, se registra la duracion de la estancia y se de-
vuelve el expediente al archivo. AI devolver el expediente a la "poblacion" este puede
ser seleccionado de nuevo, en cuyo caso, el tiempo de estancia se registrara una vez
mas. En un muestreo sin reemplazo, el expediente extrafdo no se regresa al archivo
despues de registrar el data que se investiga, sino que se separa hasta extraer toda la
8 CAPiTULO I INTRODUCCION A LA BIOESTADiSTICA
muestra. Con este procedimiento, un expediente debe aparecer solo una vez en
la muestra. En la practica, por 10 general, un muestreo siempre se hace sin reempla-
zoo La importancia y significado de esto se explica mas adelante; por ahora, es nece-
sario estudiar la manera en que se selecciona una muestra aleatoria simple. Para
asegurar una seleccion totalmente aleatoria, se debe seguir algful procedimiento ob-
jetivo, pues se intenta evitar el uso dejuicios subjetivos para decidir que elementos de
la poblacion constituyen una muestra aleatoria. En el siguiente ejemplo se muestra
un metodo para elegir una muestra aleatoria simple a partir de una poblacion.
EJEMPLO 1.4.1
Clasen et al. (A-I) estudiaron la oxidacion de esparteina y mefenitoina en un
grupo de individuos residentes en Groenlandia. Se representaron dos poblaciones
en su estudio: habitantes del este y del oeste de Groenlandia. Los investigadores se
interesaron en comparar los dos grupos con respecto a las variables de interes.
La tabla 1.4.1 muestra las edades de 169 individuos del oeste de Groenlandia.
Para propositos ilustrativos, considere que estos individuos forman una poblacion
de tamafio N = 169 de la que se quiere obtener una muestra aleatoria simple de
tamafio 10.
TABlA 1.4.1 Edades de 169 individuos que participan en un
estudio de oxidacion de esp81'teina y mefenitoina
Individuo num. Edad Individuo nUm. Edad Individuo num. Edad
1 27 57 29 113 45
2 27 58 26 114 28
3 42 59 52 115 42
4 23 60 20 116 40
5 37 61 37 117 26
6 47 62 27 118 29
7 30 63 63 119 48
8 27 64 44 120 53
9 47 65 22 121 27
10 41 66 44 122 38
11 19 67 45 123 53
12 52 68 40 124 33
13 48 69 48 125 24
14 48 70 36 126 25
15 32 71 51 127 43
16 35 72 31 128 39
17 22 '73 28 129 40
18 23 74 44 130 22
19 37 75 63 131 25
20 33 76 30 132 21
21 26 77 21 133 26
(Continua)
1.4 MUESTREO ALEATORIO SIMPLE 9
TABlA 1.4.1 (Continuaci6n)
Individuo num. Edad Individuo num. Edad Individuo num. Edad
22 22 78 50 134 41
23 48 79 30 135 47
24 43 80 31 136 30
25 34 81 30 137 42
26 28 82 24 138 33
27 23 83 26 139 31
28 61 84 56 140 29
29 24 85 31 141 37
30 29 86 26 142 40
31 32 87 23 143 31
32 38 88 18 144 26
33 62 89 38 145 30
34 25 90 53 146 27
35 34 91 40 147 26
36 46 92 23 148 36
37 24 93 24 149 24
38 45 94 18 150 50
39 26 95 49 151 31
40 29 96 49 152 42
41 48 97 39 153 34
42 34 98 32 154 27
43 41 99 25 155 28
44 53 100 32 156 31
45 30 101 23 157 40
46 27 102 47 158 28
47 22 103 34 159 29
48 27 104 26 160 29
49 38 105 46 161 24
50 26 106 21 162 28
51 27 107 19 163 22
52 30 108 37 164 50
53 32 109 36 165 30
54 43 110 24 166 38
55 29 III 51 167 28
56 24 112 30 168 23
169 39
FUENTE: Reproducido can autorizaci6n de Kim BI1i'isen, M. D.
10 CAPITULO 1 INTRODUCCION A LA BIOESTADISTICA
Solucion: Una forma de seleccionar lUla muestra aleatoria simple es utilizar una
tabla de nfuneros aleatorios como la tabla A, que se. muestra en el apendi-
ceo EI primer paso es localizar un punto de partida aleatorio en la tabla.
Esto se puede hacer de varias formas: una de ellas es quitar la vista de la
pagina mientras se toca esta con la punta del lapiz. EI punto de partida
aleatorio es el dfgito mas cercano allugar donde apunte ellapiz. Suponga
que el punta de partida aleatorio, obtenido mediante el procedimiento
descrito, se encuentra en la intersecci6n del rengl6n 21 y la columna 28.
El dfgito en ese PlUlto es 5. Puestd que se tienen unicamente 169 valores
para elegir, s610 se puede utilizar nfuneros aleatorios dell a1169. Resulta
conveniente seleccionar numeros de tres dfgitos, de manera que solamen-
te pueda elegirse entre los numeros del 001 a1169. El primer numero de
tres dfgitos para el punto de partida aleatorio es 532, un numero que no
se puede utilizar. AI recorrer la tabla hacia abajo, aparecen los numeros
196,372,654,928 Yfinal mente el137, que es un numero que sf se puede
utilizar. La edad del sujeto que tiene ellugar 137 de la tabla 1.4.1 es 42, y
este constituye el primer valor de la muestra. Se procede a registrar el
numero aleatorio y la edad correspondiente en la tabla 1.4.2. Los nume-
ros aleatorios se registran para ver cuales fueron seleccionados. Puesto
que se trata de una muestra sin reemplazos, no se incluye dos veces un
mismo valor. AI continuar con este procedimiento se obtienen los nueve
numeros aleatorios restantes junto con sus edades respectivas, tal como se
muestra en la tabla 1.4.2. Observe que, cuando se llega al final de la co-
lumna, simplemente se avanzo tres digitos hasta el 028 y se continu6 ha-
cia arriba de la columna. Tambien se pudo haber comenzado desde la
parte de arriba de dicha columna con el numero 369.
De esta forma se obtiene la muestra aleatoria simple de tamano 10
a partir de la poblacion de tamano 169. En todo estudio futuro, siempre
que se utilice el termino de muestra aleatoria simple, se entendera que
dicha muestra se obtiene de esta forma 0 de una equivalente.
TABlA 1.4.2 Muestrade10edadesextralda
delasedadesdelatablat.4.t
Numero Numerodeindividuo
aleatorio delamuestra Edad
137 1 42
114 2 28
155 3 28
028 4 61
085 5 31
018 6 23
164 7 50
042 8 34
053 9 32
108 10 37

11 1.5 COMPUTADORAS Y BIOESTADISTICO
EJERCICIOS
1.4.1 Utilice latabla de numerus aleatorios para seleccionar un nuevo punto aleatorio de partida,
y extraiga otra muestra aleatoria simple de tamafto 10 apartir de la tabla 104.1. Registre las
edades de losindividuos de la nueva muestra. Guarde sus datos para uso futuro. es la
variable de interes en este ejercicio? escala de medici6n se utiliz6 para obtener las
mediciones?
1.4.2 Ebja otra muestra aleatoria simple de tamafio lOa partir dela poblaci6n representada en
la iabla 104.1. Compare a los sujetos de esta muestra con los de las muestras obtenidas en el
ejerCicio 1.4. L (Existen individuos que aparezcan en ambas muestras? Compa-
re las edades de los individuos en las dos inuestras. edades de la primera muestra
se duplicaron en la segunda?
1.5 COMPUTADORAS Y
ANAuSIS BIOESTADiSTICO
La difusi6n relativamente reciente del uso de la computadora ha tenido un gran
imp acto, particularmente en el anal isis bioestadistico y, en general, en la investiga-
ci6n de ciencias de la salud. La necesidad de efectuar un gran numero de calculos
aritmeticos como parte del analisis estadistico de los datos solo vive en el recuerdo
de aquellos investigadores y profesionales cuyas carreras son anteriores a la llama-
da "revolucion de las computadoras". Las computadoras pueden ejecutar calculos
mas rapidos y mucho mis predsos de 10 que puede un tecnico humano. El uso de
las computadoras hace posible que los investigadores dediquen mas tiempo a me-
jorar la cali dad de los datos originales y a la interpretacion de resultados.
El predominio actual de las computadoras y la disponibilidad de gran canti-
dad de programas de software para estadfstica han revoludonado aun mas el calcu-
10 estadistico. EI estudiante interesado en los paquetes de software estadistico
encontrara fiUY utiles las revistas como The American Statistician, publicacion tri-
mestral del American Statistical Association (Asodadon Estadistica de Estados Uni-
dos de Norteamerica), donde regularmente aparecen las resefias y promoci6n de
dichos paquetes.
Muchas de las computadoras actualmente en el mercado estan equipadas
con capacidad para generar numeros aleatorios. Los investigadores pueden utili-
zar las computadoras para generar los numeros aleatorios que necesiten, como
alternativa al uso de tablas impresas de numeros aleatorios. En realidad, los nu-
meros "aleatorios" generados por muchas computadoras son realmente numeros
pseudoaleatorios porque son el resultado de una formula determinfstica. Sin em-
bargo, Fishman (3) asegura que los numeros parecen ser satisfactorios para mu-
chos prop6sitos practicos.
La utilidad de la computadora en las ciencias de la salud no se limita al
analisis estadistico. El estudiante interesado en aprender mas acerca del uso de la
computadora en ciendas de la salud encontrara utiles los libros de Hersh (4), Johns
(5), Miller et al. (6), y Saba y McCormick (7). Aquellos que quieran obtener mayor
12 CAPITULO 1 INTRODUCCION A LA BIOESTADISTICA
beneficio de la Internet probablemente quieran consultar los libros Physician's Guide
to the Internet (8) y Computers in Nursing's Nurses' Guide to the Internet (9). Los avances
actuales en el empleo de la computadora en los campos de biologfa, medicina y
otros se publican en algunas revistas dedicadas al tema, como: Computers in Biology
and Medicine, Computers and Biomedical Research, International Journal ofBio-Medical
Computing, Computer Methods and Programs in Biomedicine, Computer Applications in the
Biosciences y Computers in Nursing.
En este libro se utili zan salidas impresas de computadora para ejemplificar el
uso de computadoras en el analisis bioestadfstico; los paquetes de software estadis-
tico como MINITAB, SPSS Y SAS, para computadoras personales obedecen al mis-
mo proposito. Seutilizo MINITAB para Windows en los ejemplos que muestran el
uso de MINITAB. Despues de ingresar los datos para la aplicacion, MINITAB ini-
cia con una barra de menu como la siguiente:
tile i t Manip Qale 5.tat Graph i t o r Window Help
Para cada ejemplo que se utiliz6 para ilustrar MINITAB se muestra el procedi-
miento de Windows (identificado como "Caja de dialogo") y los comandos corres-
pondientes (con el membrete "Comandos de la sesion") que tambien pueden teclearse.
1.6 RESllMEN
En este capitulo se presentan los conceptos basicos de estadfstica. Se define a la
estadistica como un area que se dedica a la recolecci6n y descripcion de datos, as!
como a la elaboracion de inferencias estadfsticas. Se define la inferencia estadfsti-
ca como el procedimiento por medio del cual se obtienen conclusiones acerca de
una poblacion con base en la informacion contenida en la muestra extraida de esa
poblacion. Se estudia que el tipo basico de muestreo para hacer inferencias validas
es el muestreo aleatorio simple. Se describe como milizar las tablas de numeros
aleatorios para obtener muestras aleatorias simples de una poblacion.
Se presentan las definiciones de algunos terminos basicos, como variable y
muestra, que se usan en el estudio de la estadistica. Tambien se habla acerca de la
medicion y se definen cuatro escalas de medicion: nominal, ordinal, de intervalos y
de razones:
Por ultimo, se menciona la importancia de las computadoras en el desarrollo
de las actividades propias de la estadistica.
PREGUNTAS YEJERCICIOS DE REPASO
1. Explique que significa estadfstica descriptiva.
2. Explique que significa estadistica inferenciaL
13
BIBLIOGRAFlA
3. Defina:
a) Estadistica b) Bioestadfstica
c) Variable d) Variablecuantitativa
e) Variablecualitativa f) Variablealeatoria
g) Poblaci6n h) Poblaci6nfinita
i) Poblaci6ninfinita j) Muestra
k) Variablediscreta 1) Variablecontinua
m)Muestraaleatoriasimple n) Muestreoconreemplazo
0) Mliestreosinreemplazo
4. Definalapalabramedici6n.
5. Enumere,describaycomparelascuatroescalasdemedici6n.
6. Paracadaunadelassiguientesvariablesindiquesi soncuantitativas0 cualitativas,yespeci-
fiquelaescalademedicionqueseutilizocuandosetomaronlasmedicionesencadaunade
las siguientes:
a) Posicionsocialdelosmiembrosdeestaclaseenrelacionconlosdemas.
b)Diagnosticosdeadmisi6ndepacientesadmitidosenclinicasdesalildmental.
c) Pesodelosbebesnacidosenunhospitalenunano.
d)Sexodelosbebesnacidosenunhospitalenunano.
e) Rangodemovilidaddelaarticulaci6ndelcododeestudiantesinscritosenunprograma
deestudiosdecienciasdelasalud.
f) Temperaturaaxilardebebesconundiadenacidosenel hospital.
7. Paracadaunadelas siguientessituaciones,respondalosincisosa-e:
a) (Cmileslamuestradelestudio?
b)(Cualeslapoblaci6n?
c) lCua!eslavariabledeinteres?
d) (CUantasmedicionessehicieronparaca1cularlosresultadosinformados?
e) (Queescalademedici6nseutilizo?
Situaci6nA. Unestudio de300hogaresenunpequeno pueblo sureno revel6 que 20 por
cientotieneal menosunhijoenedadescolar.
Situaci6nB. Unestudio de250 pacientesadmitidosenunhospitalduranteelanopasado
revel6que, enpromedio,lospacientesvivena 22.5kilometrosdelhospital.
BffiUOGRAFiA
Bibliografiademetodologia
1. S. S. Stevens,"OntheTheoryof Scalesof Measurement".Science. 103,677-680.
2. S. S. Stevens, "Mathematics, Measurement and Psychophysics", in S. S. Stevens (editor).
Handbook ofExperimental Psychology, Wiley. NewYork.
14 CAPITULO 1 INTRODUCCION A LA BIOESTADISTICA
3. George S. Fishman, Concepts and Methods in Discrete Event Digital Simulation, Wiley, New York.
4. William R. Hersh, Information Retrieval: A Health Care Perspective, Springer, New York.
5. Merida L. Johns, Information Management for Health Proftssions, Delmar Publishers, Albany,
NY.
6. MarvinJ. Miller, Kenric W. Hammond y Matthew G. Hile (editores), Mental Health Computing,
Springer, New York.
7. Virginia K. Saba y Kathleen A. McCormick, Essentials of Computers for Nurses, McGraw-Hill,
New York.
8. Lee Hancock, Physicians' Guide to the Internet, Lippincott-Raven, Philadelphia.
9. Leslie H. Nicoll y Teena H. Ouellette, Computers in Nursing's Nurses' Guide to the Intemet,
Lippincott, Philadelphia .
. Bibliografia de aplicaciones
A-I. Knud Clasen, Laila Madsen, Kim Brylsen, Kurt Albylge, Susan Misfeldt y Lars F. Gram,
"Sparteine and Mephenytoin Oxidation: Genetic Polymorphisms in East and West Greenland",
Clinical Pharmacology & Therapeutics, 49,624-631.
2.1 INTRODUCCION 2.4 ESTADISllCADESCRIPTIV A:
MEDIDASDETENDENCIACENTRAL
2.2 ARREGLO ORDENADO
2.5 ESTADISllCADESCRIPTIVA:
2.3 DATOSAGRUPADOS Y MEDIDAS DEDISPERSION
DISTRIBUCION DE
FRECUENCIAS 2.6 RESUMEN
2.t JNTRODUCCION
En el capitulo 1 se establecio que la toma de medici ones y el proceso de con teo
producen numeros que contienen informacion. El objetivo de la gente que aplica
herramientas estadisticas a esos numeros es determinar la naturaleza de esa
informacion. Esta tare a es mucho mas facil si los numeros estan organizados y
resumidos. Cuando se hacen las mediciones sobre entidades de una poblaci6n 0
. muestra, los valores resultantes estan disponibles para el investigador 0
estadfstico como una masa de datos desorganizados. Las mediciones que no han
sido organizadas, procesadas 0 manejadas de alguna otra forma se les llama datos
crudos (materia prima). A menos que el numero de observaciones sea
extremadamente pequeno, es improbable que esos datos crudos proporcionen
suficiente informaci6n hasta que sean puestos en alglin orden.
En este capitulo se ensenan algunas tecnicas para organizar y procesar datos de
tal manera que sea mas facil determinar que informacion contienen. Lo mas actual
en procesamiento de datos es el calculo de un numero individual que de alguna
manera incluye informaci6n importante acerca de los datos que sirvieron para
calcularlo. A estos numeros individuales utilizados para describir datos se les llama
medidas descriptivas. Despues de estudiar este capitulo el estudiante podra calcular
algunas medidas descriptivas tanto para poblaciones como para muestras de datos.
EI proposito de este capitulo es desarrollar en el estudiante habilidades
para poder manejar la informacion numerica que se encuentre como profesional
en ciencias de la salud. Entre mejor capacitado este para manejar tal informacion,
tendra una mejor idea del ambiente y de las fuerzas que generan la informacion.
15
16 CAPITULO 2 ESTADISTICA DESCRIPTIV A
2.2 ARREGLOOBDENADO
EI primer paso para organizar datos es preparar un arreglo ordenado. Un arreglo
ordenado es una lista de valores de un grupo (sea poblacion 0 muestra) en orden de
magnitud de menor a mayor valor. Se recomienda el uso de la computadora si el
numero de mediciones a ordenar es bastante grande.
Un arreglo ordenado permite determinar con rapidez los valores de las medi-
ciones mas pequefias, de las mas grandes, y otros aspectos acerca de los datos arre-
glados que pudieran necesitarse en caso de urgencia. A continuaci6n se muestra la
construcci6n de un arreglo ordenado con los datos que se estudiaron en el ejemplo
1.4.1.
EJEMPL92.2.1
La tabla 1.4.1. contiene una lista de las edades de los individuos que participaron
en el estudio de residentes de Groenlandia, estudiados en el ejemplo 104.1. Como
puede apreciarse, esta tabla desordenada requiere de mucha investigaci6n para
determinar informacion basica como la edad de los individuos mas j6venes hasta
los mas viejos.
Soludon: La tabla 2.2.1 presenta los datos de la tabla 1.4.1 en forma de arreglo
ordenado. AI referirse a la tabla 2.2.1 es posible determinar rapidamen-
te la edaddel individuo mas joven (18) y la edad del mas viejo (63).
Tambien es posible identificar con facilidad que casi tres cuartas partes
de los individuos tienen menos de 40 afios de edad.
Anii1isisporcompldadom Cuando se requieren cilculos adicionales y organiza-
cion de un conjunto de datos en forma manual, el trabajo se facilita mediante un arre-
glo ordenado. Si los datos son analizados por computadora, esto no es aconsejable
TABIA2.2.1 Arregloordenadodelasedadesde losindividuosdela
tabla1.4.1
18 18 19 19 20 21 21 21 22 22 22 22 22
22 23 23 23 23 23 23 23 24 24 24 24 24
24 24 24 24 25 25 25 25 26 26 26 26
26 .
26 26 26 26 26 26 27 27 27 27 27 27 27
27 27 27 28 28 28 28 28 28 28 29 29 29
29 29 29 29 29 30 30 30 30 30 30 30 30
30 30 31 31 31 31 31 31 31 32 32 32 32
32 33 33 33 34 34 34 34 34 35 36 36 36
37 37 37 37 37 38 38 38 38 38 39 39 39
40 40 40 40 40 40 41 41 41 42 42 42 42
43 43 43 44 44 44 45 45 45 46 46 47 47
47 47 48 48 48 48 48 48 49 49 50 50 50
51 51 .52 52 53 53 53 53 56 . 61 62 63 63
\
17 2.3 DATOS AGRUPADOS Y DISTRIBUCION DE FRECUENCIAS
Dialogbox:
Manip .. Sort Session command:
II Sort
~ i 0 Qescending
l====i0 Dgscending
}====i0 D&.5c"Qding
o Descendin!
~ ~ ~ l;,;l.l@iIL:1
MTB > Sort Cl C2;
SUBC> By Cl.
FIGURA 2.2.1 Caja de diaIogo para e1 ejemplo 2.2.1.
para preparar un arreglo ordenado, a menos que se necesite para prop6sitos de refe-
rencia 0 para otro uso. Lacomputadora no necesita que el usuario haga un arreglo
ordenado antes de meter los datos para construir la distribuci6n de frecuencias y
para hacer otros amllisis.
Si desea un arreglo ordenado, muchos paquetes de software para computado-
ni contienen rutinas para construirlo. Por ejemplo, suponga que se usa el MINITAB
Yque las edades de la tabla 104.1 estan en la columna 1. El comando SORT C 1 C2
dasifica las edades y las pone en la columna 2, como 10muestra la tabla 2.2.1. Si se
utilizael paquete MINITAB para Windows, y los datos se colocan en la columna
1, el proceso es como sigue: con el mouse haga die en Manip, luego en Sort,
escriba c1 en la caja etiquetada como "Sort column[s]", escriba c2 en la caja eti-
quetada como "Store sorted column[s] in" (para tener los datos dasificados en
c2), y escriba c1 en la caja etiquetada "Sort by column". Si desea ordenar en
forma descendente haga dic en "Descending". Si no se selecciona esa opci6n en
este punto, el resultado es una clasificaci6n en orden ascendente. Finalmente, haga
dic en OK. Lacaja de dialogo para el ejemplo 2.2.1 se muestra en la figura 2.2.1.
2.3 DATOSAGRUPADOS YDISTRIBUCION
DE FRECUENCIAS
Aunque un conjunto de observaciones puede hacerse mas comprensible y mas sig-
nificativo por medio de un arregloordenado, es mas util el resumen que se obtiene
mediante la agrupaci6n de datos. Antes de la era de las computadoras, uno de los
principales objetivos de agrupar grandes conjuntos de datos era el de facilitar el
calculo de varias medidas descriptivas, como porcentajes y promedios. Debido a
18 CAPiTULO 2 ESTADiSTICA DESCRIPTIV A
. que las computadoras pueden ejecutar esos calrulos a partir de grandes conjuntos
sin agrupacion previa, actualmente el proposito principal de agrupar los datos es el
de resumir la informacion. Se debe tener en mente que los datos contienen infor-
macion y que el resumen es una forma sencilla para determinar su naturaleza.
Para agruparun conjunto de observaciones se debe seleccionar un conjunto
de intervalos contiguos que no se traslapen, para que cada valor en el conjunto de
observaciones pueda ser puesto en uno y solo uno de los intervalos. Estos intervalos
normalmente se identifican como intervalos de clase.
Una de las primeras consideradones ruando se agrupan datos es la de ruantos
intervalos se deben incluir. Resulta inadecuado incluir pocos intervalos, porque se
perderia informacion. Por otro lado, si se utilizan muchos intervalos, el objetivo de
resumir no se consigue. La mejor guia en este caso, asi como para la toma de otras
dedsiones sobre la agrupadon de datos, es el conocimiento de los datos. Puede ser
que los intervalos de clase queden determinados por los precedentes, como en el
caso de las tabulaciones anuales, en las que los intervalos de clase de los afios anteriores
se conservan para propositos comparativos. Una regIa empfrica que habitualmente se
sigue establece que deben ser.entre seis y 15 intervalos. Si hay menos de seis intervalos,
los datos se han resumido en exceso y la informaci6n que contienen se habra perdido.
Si hay mas de 15 intervalos, los datos no fueron resumidos 10 suficiente.
Quienes deseen gufas mas espedficas para decidir cuantos intervalos de clase
son necesarios, pueden utilizar la f6rmula propuesta por Sturges (1). Esta formula
se enuncia k = 1 + 3.322(loglO n), donde k es el numero de intervalos de clase y n es
el numero de valores en el conjunto de datos en observaci6n. La respuesta que se
obtiene con la regla de Sturges no es definitiva, sino que se debe considerar unica-
mente como gufa. El numero de intervalos de clase especificado par esta regIa
debera incrementarseo disminuirse por conveniencia y para lograr una presenta-
cion mas clara.
Por ejemplo, suponga que una muestra tiene 275 observaciones para agrupar.
Ellogaritmo base 10 de 275 es 2.4393. Con la aplicacion de la formula de Sturges
se obtiene k = 1 + 3.322(2.4393)::::: 9. En la practica, otras consideraciones pueden
sugerir el uso de 8 0 menos, 0 quiza 10 0 mas intervalos de clase.
Otra preguntaque se debe responder se refiere a la amplitud del intervalo de
clase. Los interval os de clase generalmente deben ser de la misma amplitud, aun-
que algunas veces esto es imposible. La amplitud se determina dividiendo el rango
entre k, que es el numero de intervalos de clase. Simbolicamente, la amplitud de los
intervalos de clase esta dada por:
R
w (2.3.1)
k
donde R (el rango) es la diferencia entre la observacion mas pequefia y la mas
grande dentro del conjunto de datos. Por 10 general, con este procedimiento se
obtiene una amplitud que no es conveniente usar, y de nuevo se debe utilizar el
sentido comun para elegir la amplitud (normalmente cercana a la que se obtiene
con la ecuacion 2.3.1) que sea mas conveniente.
19 2.3 DATOS AGRUPADOS YDISTRIBUCIONDEFRECUENCIAS
Existenotras reglas empiricasque sondegranayudaparaarmarintervalos
declaseutiles.Cuandolanaturalezadelosdatosloshaceadecuados,laamplitudde
los intervalosdeclasede5 0 10 unidadesyamplitudesmultiplosde 10tienden a
hacerqueelresumenseamascomprensible.Cuandoseutilizanestasamplitudeses
unabuenapracticatenerellimiteinferiordecadaextremadeintervaloen0 0 5.
Generalmentelos intervalosdeclasese almacenandemenora mayor: es decir; el
primerintervalodeclasecontienelas medicionesmaspequenasyelultimointer-
valocontienelas medicionesmas grandes. Cuandoseaeste elcaso, ellimiteinfe-
rior del primer intervalo de clase debe ser menor 0 igual que la medici6n mas
pequenaenelconjuntodedatos,yellimitesuperiordelultimf)intervalodeclase
debesermayor0 igualquelamedici6nmas grande.
Aunquemuchos paquetesdesoftwareparamicrocomputadoracontienenru-
tinas paraconstruirintervalos de clase, frecuentemente requieren que el usuario
registrelaamplituddelintervaloyel numerodeintervalosdeseados.Acontinua-
ci6nse utilizan las 169edades incluidas enlatabla 1.4.1 y arregladas enlatabla
2.2.1 parailustrarlaconstrucci6ndeladistribuci6ndefrecuencias.
EJEMPLO 2.3.t
Sequieresabercuantosintervalosdeclasesetienenenladistribuci6ndefrecuen-
ciasdedatosytambiense quieresaberquetanampliosdebenserlosintervalos.
Solucion: Paratenerunaideadelnumerodeintervalosautilizar, laaplicaci6nde
laregIadeSturgesindica:
k =1+ 3.322(log169)
= 1+ 3.322(2.227886705)
"" 8
Ahora, aldividirelrangoentre8 paradarseunaideadelaampli-
tuddelosintervalosdeclase, seobtiene:
R =63-18= 45 =5.625
k 8 8
Es evidentequeunintervalodeclaseconunaamplitudde50 10 es
mas convenienteysignificativoparaellector. Supongaquesedecideque
sea 10. Ahoraes posibleconstruirlos intervalos. Puesto que elvalor mas
pequenoenla tabla 2.2.1 es 18 yel mayores 63', entonces los intervalos
iniciancon 10Yterminancon69.Seobtienenlossiguientesintervalos:
10-19
20-29
30-39
40-49
50-59
60-69
20 CAPiTULO 2 ESTADiSTICA DESCRIPTIV A
Puede observarse que hay 6 de esos intervalos, es dedr, dos menos
que el numero de intervalos calculados con la regIa de Sturges .
. AIgunas veces resulta util referirse al centro Hamado punta media
del intervalo de clase, el cual se determina sumando los limites extre-
mosdel intervalo de clase y dividiendo entre Por ejemplo, el punto
medio del intervalo de clase 10-19 es (10 + 19)/2= 14.5.
Cuando se agrupan datos manualmente, determinar el numero de valores
que caen dentro de cada intervalo de clase es solo un problema de busqueda en el
arreglo ordenadoy conteo del numero de observadones que caen en los distintos
intervalos. Si se aplica esto al ejemplo anterior, se obtiene la tabla 2.3.1.
Una tabla de este tipo se canoce como distribucwn de frecuencias. En ella se
muestra como se distribuyen los valores dentro de los intervalos de clase espedfica-
dos. AI consll,ltarla, es posible determinar la frecuenda de ocurrencia de los valores
dentro de cualquiera de los intervalos.
Frecuencias relaiivas En ocasiones, puede ser de utilidad conocer la pro-
pordon, en lugar del nlimero, de valores que caen dentro de un intervalo de clase
en particular. Esta informacion se obtiene dividiendo el numero de valores en un
intervalo de clase particular entre el numero total de valores. Si en el ejemplo ante-
rior se pretende conocer la proporci6n de valores entre 30 y 39, inclusive, se divide
47 entre 169, para obtener .2781. Esto indica que 47 de 169, 0 0.2781 de
los valores caen entre 30 y 39. AI multiplicar .2781 por roo se obtiene el porcen-
taje de valores entre 30 y 39. Con 10 anterior se puede decir que el 27.81 por
ciento de los individuos tienen entre 30 y 39 alios de edad. Finalmente, a la pro-
pordon de valores que caen dentro de un intervalo de clase se Ie conoce como la
frecuencia relativa de acurrencias en ese intervalo.
TABlA 2.3.1 Distribuci6n
de frecuencias de las
edades de los 169
individuos incluidos en la
talJla 1.4.1 y2.2.1
Intervalos de clase Frecuencias
10-19 4
20-29 66
30-39 47
40-49 36
50-59 12
60-69 4
Total 169
21 2.3 DATOS AGRUPADOSYDISTRIBUCION DE FRECUENCIAS
TABlA 2.3.2 Distribuciones de: frecuencia, frecuencia acumulada,
frecuencia relativa y frecuencia relativa acumulada de las edades de
los sujetos descritos en el ejemplo 1.4.1
Frecuencia
Intervalos de Frecuencia Frecuencia relativa
clase Frecuencia acumulada relativa acumulada
10-19 4 4 .0237 .0237
20-29 66 70 .3905 .4142
30-39 47 117 .2781 .6923
40-49 36 153 .2130 .9053
50-59 12 165 .0710 .9763
60-69 4 169 .0237 1.0000
Total 169 1.0000
Para determinar la frecuencia de valores que caen dentro de dos 0 mas in-
tervalos de clase, se obtiene la suma del numero de valores que caen dentro de los
intervalos de clase correspondientes. Analogamente, si se pretende conocer la
frecuencia relativa de ocurrencia de valores que caen dentro de dos 0 mas interva-
los de clase, entonces, se suman las frecuencias relativas respectivas. Se pueden
sumar, 0 acumular, las frecuencias y las frecuencias relativas para facilitar la obten-
cion de informacion ace rca de las frecuencias 0 frecuencias relativas de valores
dentro de dos 0 mas intervalos de clase contiguos. La tabla 2.3.2 muestra los
datos de la tabla 2.3.1 con las frecuencias acumuladas, frecuencias relativas y frecuen-
cias relativas acumuladas.
Si el interes esta centrado en la frecuencia relativa de los valores que caen
entre 30 y 59, entonces se utiliza la columna de las frecuencias relativas acumuladas
de la tabla 2.3.2 y se resta .4142 de .9763 para obtener .5621.
Se puede utilizar elpaquete de software estadfstico MINITAB para obtener
una tabla comparable con Ja tabla 2.3.2. MINITAB genero los valores de la tabla
con las frecuencias relativas y frecuencias relativas acumuladas expresados en por-
centajes. EI procedimiento incluye asignar codigos a los intervalos de clase y meter
la informacion a traves del teclado. Cuando se asignan los codigos 0, 1, 2, 3, 4 Y 5,
respectivamente, a las seis clases de intervalos, se debeteclear el siguiente comando:
MTB> Code (10: 19)0 (20:29) 1 (30:39)2 (40:49)3 (50:59)4 (60:69)5 c1 c2
La caja de dialogo, los comandos de la sesion y la salida se muestran en la
figura 2.3.1.
E1 histograma Es posible presentar una distribucion de frecuencias (0
una distribucion de frecuencias relativas) graficamente en forma de histograma, que
es un tipo especial de grafica de barras.
22 CAPITULO 2 ESTADISTICA DESCRIPTIVA
Caja de dialogo: Comandos de la sesi6n:
MTB> C2i
Stat >-- Tables >-- Tally SUBC> Countsi
SUBC> CumCountsi
Teclear C2 en Variables. Verifique Counts, SUBC> Percents;
Percents, Cumulative Counts y SUBC> CumPercents.
Cumulative percents en Display. Clic OK
Resultados:
Resumen estadlstico para variables discretas
C2 Count CumCnt Percent CumPct
0 4 4 2.37 2.37
1 66 70 39.05 41.42
2 47 117 27.81 69.23
3 36 153 21.30 90.53
4 12 165 7.10 97.63
5 4 169 2.37 100.00
N 169
FIGURA 2.3.1 Distribuci6n de frecuencia, frecuencias acumuladas, porcentajes y porcentajes
acumulados de las edades de los individuos descritos en el ejemplo 1.4.1, tal como 10 construy6
el paquete MINITAB.
Para construir un histograma, los valores de la variable respectiva se ponen
sabre el eje horizontal, y las frecuencias (0 frecuencias relativas, si as! se quiere) de
ocurrencia, en el eje vertical. Sobre cada intervalo de clase, arriba del eje hori-
zontal, se levanta una barra rectangular, 0 celda, como algunas veces se Ie nom-
bra, hasta que intercepte con la frecuencia respectiva. Las barras del histograma
deben ser adyacentes, y es necesario tomar en cuenta los lfmites correctos de los
intervalos de clase para evitar la separacion de barras en la grafica.
El nivel de precision que se observa en los datos obtenidos y que tienen medi-
ciones o r e una escala continua indica algUn orden de redondeo. El orden de redon-
dec refleja la preferencia personal del informante 0 las limitaciones de los instrumentos
de medicion empleados. Cuando una distribucion de frecuencia se construye a par-
tir de los datos, los Hmites de los intervalos de clase frecuentemente reflejan el grado
de precision de los daws originales. Esto mismo se ha efectuado en el ejemplo. Sin
embargo, se sabe que algunos de los valores que caen dentro del segundo intervalo
de clase, por ejemplo, probablemente seran un poco menores que 20 mientras que
23 2.3 DATOSAGRUPADOS YDISTRIBUCIONDEFRECUENCIAS
70
TABlA2.3.3 Datosdela
iabla2.3.t quemuestralos
60
IImitesCOl'l"ectosdelos
intervalosdeclase
50
Intervalosdeclase Frecuencias ::l
40
'0
c:
Q)
:::J
Q) 9.5-19.5 4
t,)
30
u:
19.5-29.5 66
20
29.5-39.5 47
39.5-49.5 36
10
49.5-59.5 12
59.5-69.5 4
Total 169
otrosseranunpocomayoresque29,cuandolamedici6nesprecisa.AI considerarla
continuidadimplfcitadelavariable,ysuponiendoquelosdatosfueranredondeados
alenteropositivoinferiormaspr6ximo,entonceses16gicosuponerque 19.5y 29.5
sonloslimitescorrectosparaestesegundointervalo.Loslimitescorrectosparacada
intervalodeclasesetomancomosemuestraenlatabla2.3.3.
Siseelaboraunagraficautilizandoestoslfmitesdeintervalosdeclasecomola
base de los rectangulos, no habra separacionesentrelas barras, y se obtendra el
histogramaquese muestraenlafigura2.3.2.Seutiliz6elpaqueteMINITABpara
elaborarel histograma. Se almacenaronlos datosenlacolumna 1yseIe nombr6
"Edad". El procedimientose muestraenlafigura 2.3.3. EI mensaje 14.5:64:5110
indicaqueelprimerpuntomedioes 14.5,queelultimopuntomedioes64.5yque
losintervalosestanigualmenteespaciadosenincrementosde10unidades.Secon-
sider6unespaciodelimitadoporelejehorizontaly ellfmiteexteriorformadopor
lasbarrasenlafigura 2.3.2.
14.5 24.5 34.5 44.5 54.5 64.5
Edad
FIGURA2.3.2 Histogramadelasedadesde
169individuosapartirdelatabla2.3.1.
Caja de dialogo: Comandos de la sesi6n:
Graph ,.. Histogram
TeclearEdad enX.
MTB> Histogram 'Edad';
SUBC> MidPoint 14.5:64.5/10;
SUBC> Bar.
ClicOptions.ElegirMidPoint.Teclear
14.5:64.5/l0enMidPoint/cutPointpositions:
ClicOK dosveces.
FIGURA2.3.3 Cajadediilogoy comandosdelasesi6ndeMINITABparaelaborarel
histogramaapartirdelosdatosdelejemplo1.4.1.
24 CAPITULO 2 ESTADISTICA DESCRIPTIVA
AI espacio entre los limites del histograma se Ie conoce como area del
histograma. A cada observacion se Ie asigna una unidad de esta area. Puesto que se
tienen 169 observaciones, el histograma tiene en total 169 unidades. Cada harra
contiene cierta proporcion del area total, de acuerdo con la frecuencia. La segunda
barra, por ejemplo, contiene 66/169 del area. Esto, como ya se estudi6, es la fre-
cuencia de ocurrencia de los valores entre 19.5 y 29.5. A partir de esto se observa
que las subareas del histograma definidas por las barras corresponden a las fre-
cuencias de ocurrencia de valores entre los lfmites de las areas de la escala horizon-
tal. El porcentaje de una subarea particular del area total del histograma es igual a
la frecuencia relativa de ocurrencia de los val ores entre los puntos correspondientes
sobre el eje horizontal.
El polfgono de jrecuencia Una distribuci6n de frecuencia tambien puede
ser representada graficamente por medio de un poligono de frecuencia, que es una
dase especial de grafica lineal. Para dibujar este poHgono, primero se hace una
marca arriba del punto medio de cada intervalo de clase, representado sobre el ~ j
horizontal de la grafica, como se muestra en la figura 2.3.2. La altura con respecto
del eje horizontal de una marca dada corresponde ala frecuencia del intervalo de
c1ase. AI unir las marcas mediante lineas rectas se obtiene el poligono de frecuen-
cia. La figura 2.3.4 muestra el polfgono de frecuencia para los datos de edades de la
tabla 2.2.1.
Observe que el poligono cae sobre el eje horizontal en los extremos en los
puntos que corresponderian a los puntos medios en caso de haber una celda adi-
donal en cada extremo del histograma correspondiente. Esto permite que el area
total sea delimitada. El area total bajo el poligono de frecuencia es igual al area bajo
70 70
60 60
'" '5
50 ro
'5
50
c:
<Il
:::l
(J
e?
u..
40
30
20
c:
<Il
:::l
(J
e?
u..
40
30
20
10 10
0 0
14.5 24.5 34.5 44.5 54.5 64.5 14.5 24.5 34.544.5 54.5 64.5
Edad Edad
FIGURA 2.3.4 Pollgono de frecuencia para las FIGURA 2.3.5 Histograma y poligono de fre-
edades de 169 individuos incluidas en la tabla cuencia para las edades de 169 individuos inclui-
2.2.1. das en la tabla 2.2.1.
25 2.3 DATOS AGRUPADOS Y DlSTRIBUCION DE FRECUENCIAS
el histograma. La figura 2.3.5 muestra el poligono de frecuencia de la figura 2.3.4
sobrepuesta al histograma de la figura 2.3.2. Esta figura permite observar la rela-
cion entre las dos formas graficas para un mismo conjunto de datos.
Desplkgues de lalla yhajas atro sistema grafico muy util para representar
conjuntos de datos cuantitativos es el despliegue de tallo y hojas. Un despliegue de
este tipo presenta una gran similitud con el histograma y tiene el mismo proposito.
Un despliegue construido correctamente, al igual que un histograma, proporciona
informacion respecto al rango del conjunto de datos, muestra la ubicacion de la
mayor concentracion de mediciones y revela la presencia 0 ausencia de simetrfa.
Una ventaja del despliegue de tallo y hojas sobre el histograma es que conserva la
informacion contenida en las mediciones individuales. Tal informacion se pierde
cuando las mediciones son asignadas a los intervalos de clase del histograma. Como
se vera mas adelante otra ventaja adicional del despliegue es que puede construirse
durante el proceso de marcaje, de tal forma que se elimina el paso intermedio (la
preparacion de un arreglo ordenado).
Para construir un despliegue se divide cada medicion en dos, la primera parte
se llama tallo y la segunda, hojas. EI tallo se forma con uno 0 mas digitos iniciales de la
medicion, y las hojas se forman con uno 0 mas de los digitos restantes. Todos los
numeros divididos se muestran en un solo despliegue; los tallos forman una columna
ordenada de menor a mayor. En la columna de tallos se incluyen todos aquellos que
se encuentren dentro del rango de los datos, aun cuando una medicion con ese tallo
no este en el conjunto de datos. Los renglones del despliegue contienen las hojas
ordenadas en una lista a la derecha de sus respectivos tallos. Cuando las hojas se
forman con mas de un digito, todos los digitos despues del primero se pueden bo-
rrar. Los decimales, cuando ocurren en los datos originales, se omiten en el desplie-
gue. Los tallos se separan de sus hojas mediante una linea vertical. Asi, se observa que
un despliegue tambien es un arreglo ordenado de los datos.
Los despliegues de tallo y hojas son mas eficientes en conjuntos de datos rela-
tivamente pequeiios. Como una norma, no es aconsejable utilizarlos en informes
anuales 0 en otros medios de difusion para el publico en general. Son una ayuda
basica para que investigadores y tomadores de decisiones comprendan la natura-
leza de sus datos. Los histogramas son mas adecuados para las publicaciones de
circulacion externa. EI siguiente ejemplo ilustra la construccion del despliegue
de tallo y hojas.
FJEMPLO 2.3.2
Utilice los datos de edades de la tabla 2.2.1 para construir un despliegue de tallo y
hojas.
Soindon: Puesto que todas las mediciones son numeros de dos dfgitos, se tienen
tallos y hojas de un digito cada uno. Por ejemplo, la medicion 18 tiene
un tallo de 1 y una hoja de 8. La figuni 2.3.6 muestra el despliegue de
tallo y hojas para los datos.
26 CAPITULO2 ESTADISTICADESCRIPTIVA
Tallo Hoja
1 8899
2 011122222233333334444444445555666666666667777777777888888899999999
3
4 000000111222233344455566777788888899
5 000112233336
6 1233
FIGURA 2.3.6 Despliegue de tallo yhojas paralas edades de 169 individuos incluidas en la tabla
2.2.1 (unidaddetallo = I,unidaddehoja= I).
EI paquetedesoftwareestadisticoMINITAB se puedeutilizarpara
elaborarel despliegue detallo yhojas. Conlos datos enla columna 1,
Hamada"Edad",elpaqueteproduceypresentaunasalidacomolaquese
muestraenlafigura2.3.7.Elsubcomandoincrementespecificaladistancia
desdeelprimertallohastaelsiguiente.Losnumerosenlascolumnasdel
extremaizquierdodelafigura 2.3.7 proporcionaninformacionrespecto
alnumerodeobservaciones (hojas) enunalineadaday porencimade
ella, 0 elnumerodeobservacionesenesalineay enladeabajo.
Cajadedialogo: Comandosdelasesi6n:
MTB > Stem-and-Leaf 'Edad'i
.Graph>- Graphs>- Histogram>- SUBC> Increment 10.
Stem-and-Leaf
TedearEdadenVariables. Tedear10enIncrement. Clic
OK.
Resultados:
Oespliegueenmodocaracterdetalloy hojas
Stem-and-Leaf of 'Edad' N= 169
Leaf Unit = 1.0
4 1 8899
70 2 01112222223333333444444444555566666666666777777777788888889999999+
(47) 3 00000000001111111222223334444456667777788888999
.52 4
0000001112222333A4455566777788888899
16 5 000112233336
4 6 1233
FIGURA 2.3.7 Desplieguedetalloyhojaspreparadoporel paqueteMINITAB apartir
delos datosdelas edadesincluidasenlatabla2.2.1.
EJERCICIOS 27
Porejemplo,el numero70sobrelasegundalineaindicaquehay
70observaciones(uhojas)enesalineayenladearriba.EI numero52
enlacuartalinea(contandodesdearriba)dicequehay52observacio-
nes enesalineay en todas las deabajo. El numeroentre parentesis
dice que hay 47 observaciones enesalInea. Los parentesis indican la
lineaquecontienelaobservaci6ncentralsielnumerototaldeobserva-
cionesesimpar, 0 lasdosobservacionescentralessi elnumerototalde
observacionesespar.
EIsigna+ alfinaldelasegundalineadelafigura2.3.7indicaque
lafrecuencia paraesalinea(el grupodeedadesde 20a 29) excede la
capacidaddelalfnea,yqueexistealmenosunahojaadicionalquenose
muestra.Enestecaso,lafrecuenciaparael grupodeedadesde20-29es
de66. Enlalineahays6lo65hojas,as!queel signo + indicaqueexiste
unahojamas, un9, quenose muestra.
Unamaneraparanoexcederlacapacidaddelalineaestenermaslineas.Esto
sepuedehaceracortandoladistanciaentrelaslfneas,esdecir,reduciendolaampli-
tuddelos intervalosdec1ase. Paraesteejemplo, se puedeutilizarunintervalode
dasesconamplitud5, as! queladistanciaentrelas lfneasesde5. Lafigura 2.3.8
muestra el resultado producidoporel paquete MINI1AB para el despliegue de
talloyhojas.
Stem-and-Leaf of 'Edad' N 169
Leaf Unit 1.0
4 1 8899
30 2 01112222223333333444444444
70 2 5555666666666667777777777888888899999999
(30) 3 000000000011111112222233344444
69 3 56667777788888999
52 4 0000001112222333444
33 4 55566777788888899
16 5 00011223333
5 5 6
4 6 1233
FIGURA 2.3.8 Desplieguedetalloy hojaspreparadoporelpaqueteMINITAB a partir
delosdatosdelasedadesincluidasenlatabla2.2.1,conintervalosdeclasedeamplitud=5.
EjERCICIOS
2.3.1 Enunestudiodelaactividadproliferativadelcancerdeseno,VeroneseyGambacorta(A-1)
utilizaronlosmetodosinmunohistoquimicoydeanticuerposmonoclonalKi-67. Losinvesti-
gadoresobtuvierontejido tumoralde203pacientesconcarcinomadepecho.Lospacientes
28 CAPiTULO 2 ESTADISTICA DESCRIPTIV A
tenfan entre 26 y 82 aftos de edad. La siguiente tabla muestra los valores de !{i-67 (expresa-
dos en porcentajes) para esos pacientes.
10.12 10.80 10:54 27.30 8.38
10.15 5.48 23.50 32.60 42.70
19.30 16.40 4.40 26.80 16.60
33.00 11.65 26.30 1.73 35.90
9.63 9.31 7.40 9.35 14.78
~ 1 4 2 25.11 12.60 17.96 41.12
28.30 19.50 15.92 19.40 7.19
4.65 73.00 17.84 10.90 2.74
21.09 11.95 33.30 .. 4.53 19.40
1.00 27.00 9.03 51.20 6.40
13.72 32.90 9.80 2.43 2.00
8.77 9.40 35.40 51.70 43.50
3.00 4.70 14.00 15.00 3.60
4.09 9.20 6.20 5.00 15.00
17.60 50.00 10.00 20.00 30.00
5.22 5.00 15.00 25.00 10.00
12.70 30.00 10.00 15.00 20.00
7.39 4.00 25.00 20.00 30.00
21.36 49.85 29.70 19.95 5.00
11.36 24.89 29.55 10.00 38:90
8.12 28.85 19.80 4.99 6.00
3.14 5.00 44.20 30.00 9.88
4.33 9.20 4.87 10.00 29.10
5.07 2.00 3.00 2.00 2.96
8.10 4.84 9.79 5.00 9.50
4.23 10.00 19.83 20.00 4.77
13.11 75.00 20.00 5.00 4.55
4.07 14.79 8.99 3.97 30.00
6.07 15.00 40.00 18.79 13.76
45.82 4.32 5.69 1.42 18.57
5.58 12.82 4.50 4.41 1.88
5.00 10.00 4.12 14.24 9.11
9.69 8.37 6.20 2.07 3.12
4.14 2.03 2.69 3.69 5.42
4.59 10.00 6.27 6.37 13.78
27.55 9.83 6.55 8.21 3.42
3.51 9.10 11.20 6.88 7.53
8.58 5.00 29.50 9.60 6.03
14.70 5.60 28.10 5.48 7.00
6.72 3.32 13.52 5.70 17.80
13.10 9.75 7.37
FUENTE: Utilizado con autorizaci6n de Silvio M. Veronese, Ph. D.
EJERCICIOS 29
a) Construyaconlosdatos:
Unadistribuci6ndefrecuencias
Unadistribuci6ndefrecuenciasrelativas
Unadistribuci6ndefrecuenciasacumuladas
Unadistribuci6ndefrecuenciasrelativasacumuladas
Unhistograma
Unpoligonodefrecuencia
b) porcentajedelas medicioneses menorque 10?
c) proporci6ndeindividuostienemedicionesmayores0 igualesque20?
d) porcentajedemedicionesestaentre20y49,inclusive?
e) medicionessonmayoresque39?
t) proporci6ndelas medicioneses menorque 100 mayorque69?
g)Alguienseleccionaaleatoriamenteunamedici6ndeesteconjuntodedatosyIe pideque
adivineelvalor. seriasurespuesta? que?
b)Ladistribuci6ndefrecuenciasysushistogramaspuedenserdescritasdevarias maneras
segUnsuforma. Porejemplo, puedesersimetrica(lamitadizquierdaesalmenosaproxima-
damenteigualalamitaddeladerecha),coninclinaci6nalaizquierda(lasfrecuencias tien-
denaincrementarseconforme-Iasmedicionesseiilcrementanentamano),coninclinaci6na
laderecha(lasfrecuenciastiendenadecrecerconformelasmedicionesdisminuyenentama-
no),0 enformadeU(lasfrecuenciasson-altasencadaextremaycortasenelcentro).
sedescribeestadistribuci6n?
2.3.2 Jarjouret al. (A-2) realizaronunestudioenelquesemidieronlosnivelesdehistaminadel
fluido delavadobronquialveolar(BAL, siglaseningles)enindividuosconrinitisalergica,
individuosconasmayvoluntariosnormales.Unadelasmedicionesobtenidaseslaprotei-
na total Olg/ml) en muestras de BAL. Los siguientes son los resultados de 61 muestras
analizadas:
76.33 57.73 74.78 100.36 73.50
77.63 88.78 77.40 51.16 62.20
149.49 86.24 57.90 72.10 67.20
54.38 54.07 91.47 62.32 44.73
55.47 95.06 71.50 73.53 57.68
51.70 114.79 61.70 47.23
78.15 53.07 106.00 35.90
85.40 72.30 61.10 72.20
41.98 59.36 63.96 66.60
69.91 59.20 54.41 59.76
128.40 67.10 83.82 95.33
88.17 109.30 79.55
58.50 82.60 153.56
84.70 62.80 70.17
44.40 61.90 55.05
FUENTE: Utilizadoconautorizaci6ndeNizarN.]arjour,M. D.
30 CAPITULO2 ESTADISTICADESCRIPTIVA
a) Construyaconlosdatos:
Unadistribuci6ndefrecuencias
Unadistribuci6ndefrecuenciasrelativas
Unadistribuci6ndefrecuencias acumuladas
Unadistribuci6ndefrecuenciasrelativasacumuladas
Unhistograma
Unpolfgonodefrecuencia
b) porcentajedemedicionesestaentre55y 114,inclusive?
c) medicionessonmenoresque95?
d) proporci6ndelasmedicionesesmayor0 igualque75?
e) porcentajedemedicioneses menorque55 0 mayorque 114.99?
f) Remitase al ejercicio 2.3.1 inciso h paradescribirladistribuci6ndeproteinatotal enlas
muestrasdeBALenterminosdesimetriae inclinaci6n.
2.3.3 Elliset al. (A-3)realizaronunestudioparainvestigarlascaracteristicasdeuni6ndela imipramina
a las plaquetas enpacientes maniacos y compararlos resultados con datos equivalentes de
personas sanasypacientesdepresivos.Comopartedelestudio,losinvestigadores obtuvieron
los valoresmaximosdeuni6nalamoleculareceptora(B rna)enestosindividuos.Lossiguientes
valoressonde57inqividuosestudiadosquefuerondiagnosticadoscondepresi6nunipolar.
1074 392 286 179
372 475 511 530
473 319 147 446
797 301 476 328
385 556 416 348
769 300 528 773
797 339 419 697
485 488 328 520
334 1114 1220 341
670 761 438 604
510 571 238 420
299 306 867 397
333 80 1657
303 607 790
768 1017 479
FUENTE: Utilizadoconautorizaci6ndePeterE. Ellis.
a) Construyaconlos datos:
Unadistribuci6ndefrecuencias
Unadistribuci6ndefrecuencias relativas
Unadistribuci6ndefrecuenciasacumuladas
Unadistribuci6ndefrecuencias relativasacumuladas
Unhistograma
Unpolfgonodefrecuencia
b) porcentajedemedicionesesmenorque500?
c) porcentajedemedicionesestaentre500y999,inclusive?
EJERCICIOS 31
d) ~ u e porcentajedemedicionesesmayorque749?
e) Describa estos datos con respecto a la simetria e incIinaci6n tal como se estudi6 enel
ejercicio2.3.1,incisoh.
f) C:Cuantas delas medicionessonmenoresque 1000?
2.3.4 EIobjetivodeunestudiodeHerrmanet at. (A-4)eradeterminarlaprevalenciadedes6rdenes
mentalesseverosenunamuestrarepresentativadeconvictosdetres centrosdereadaptaci6n
social'enMelboume,Australia.LostresgruposdeconvictossecIasificaroncomo:aquellosque
estuvierondeacuerdoenserentrevistados,aquellosquerehusaronserentrevistadosyaquellos
queestuvierondeacuerdoensustituiraaquellosqueserehusaronaparticipar.Ademasde
evaluarlaprevalenciadedes6rdenesmentalesentrelosindividuos,losinvestigadoresob-
tuvieron informaci6ndel tiempodesentenciaytiempodeconfinamientoal momentodel
estudio.Lossiguientesdatossoneltiempominimodesentencia(endfas)paracadaindivi-
duoquerehus6laentrevista.
18 4380 0 360
4955 720 1095 727
2190 730 365 1275
450 455 180 344
3650 0 2340 2555
2920 540 360 545
270 545 180 90
1000 0 2005 60
270 150 717 540
180 1825 3710 90
910 2920 180 660
90 270 2555 365
253 284 4015 3100
450 330 2885 1050
360 0 730 90
1460 1000 3160 450
1095 1460 910 1200
635 360 360 120
1953 0 466 1460
844 120 2920 409
360 1095 240 910
570 330 4745 0
951 540 88 1125
540 730 545
450 90
450 1670
730
FUENTE: Utilizado conautorizacion deHelen
Herrman, M. D.
a) Construyaconlos datos:
Una distribuci6n de frecuencias relativas
Unadistribuci6ndefrecuencias acumuladas
Unadistribuci6ndefrecuenciasrelativas Unhistograma
Unadistribuci6ndefrecuencias acmnuladas Unpoligonodefrecuencia
32 CAPITULO 2 ESTADISTICA DESCRIPTIV A
b) Describa estos datos con respecto a la simetria e inclinad6n tal como se estudi6 en el
ejercido 2.3.1, indso h.
c) ~ P o r que se cree que los datos esuin inclinados de esa manera?
d) ~ C m o podrian utilizar los investigadores esta informacion en estudios posteriores?
e) (Cmintas mediciones son mayores que 729?
f) (Que porcentaje de mediciones es menor que 1460?
2.3.5 La siguiente tabla muestra e1 numero de horas de sueno de 45 pacientes de un hospital como
consecuencia de la administracion de derto anestesico.
7 10 12 4 8 7 3 8 5
12 11 3 8 1 1 13 10 4
4 5 5 8 7 7 3 2 3
8 13 1 7 17 3 4 5 5
3 1 17 10 4 7 7 11 8
a) Construya a partir de estos datos:
Una distribuci6n de frecuencias Un histograma
Una distribuci6n de frecuendas relativas Un poHgono de frecuencia
b) Describa estos datos con respecto a la simetria e inclinaci6n tal como se estudi6 en el
ejercicio 2.3.1, inciso h.
2.3.6 Los siguientes datos corresponden al numero de ninos que nacieron durante un ano, en 60
hospitales comunitarios:
30 55 27 45 56 48 45 49 32 57 47 56
37 55 52 34 54 42 32 59 35 46 24 57
32 26 40 28 53 54 29 42 42 54 53 59
39 56 59 58 49 53 30 53 21 34 28 50
52 57 43 46 54 31 22 31 24 24 57 29
a) Construya a partir de estos datos:
Una distribuci6n de frecuencias
Una distribuci6n de frecuencias relativas
Un histograma
Un poligono de frecuenda
b) Describa estos datos con respecto a la simetria e inclinaci6n tal como se estudi6 en el
ejercicio 2.3.1, inciso h.
2.3.7 En un estudio acerca de los niveles de resistenda fisica de estudiantes varones de reciente
ingreso a la universidad, se registraron las siguientes puntuaciones con base en algunas ruti-
nas de ejercicios.
254 281 192 260 212 179 225 179 181 149
182 210 235 239 258 166 159 223 186 190
180 188 135 233 220 204 219 211 245 151
198 190 151 157 204 238 205 229 191 200
222 187 134 193 264 312 214 227 190 212
165 194 206 193 218 198 241 149 164 225
265 222 264 249 175 205 252 210 178 159
220 201 203 172 234 198 173 187 189 237
272 195 227 230 168 232 217 249 196 223
232 191 175 236 152 258 155 215 197 210
(ContinUa)
EJERCICIOS 33
214 278 252 283 205 184 172 228 193 130
218 213 172 159 203 212 117 197 206 198
169 187 204 180 261 236 217 205 212 218
191 124 199 235 139 231 116 182 243 217
251 206 173 236 215 228 183 204 186 134
188 195 240 163 208
a) Construyaapartirdeestosdatos:
Unadistribuci6ndefrecuencias
Unadistribuci6ndefrecuencias relativas
Unpoligonodefrecuencia
Unhistograma
b) Describaestos datos con respecto a la simetrfae inclinaci6n tal como se estudi6 enel
ejercicio2.3.1,incisoh.
2.3.8 Las edadesindicadasa continuaci6ncorrespondena 30pacientesatendidosenlasalade
urgenciasdeunhospitalunviernesporlanocbe.Construyaundesplieguedetalloyhojas
con esos datos. Describir estos datosconrespecto a la slmetrfa e inclinaci6n tal como se
estudi6enelejercicio2.3.1, incisoh.
. 35 32 21 43 39 60
36 12 54 45 37 53
45 23. 64 10 34 22
36 45 55 44 55 46
22 38 35 56 45 57
2.3.9 Lossiguientesdatoscorrespondenaloscobrosrealizadosa25pacientesenlasaladeurgen-
ciasdedoshospitalesurbanos.Construyaundesplieguedetalloyhojasparacadaconjunto
dedatos. ':Que sugierelacomparaci6ndelosdosdesplieguesrespectoalosdoshospitales?
Describa los dos con juntos de datos con respecto a la simetrfa e inclinaci6n tal como se
estudi6enelejercicio2.3.1. incisoh.
HospitalA
249.10 202.50 222.20 214.40 205.90
214.30 195.10 213.30 225.50 191.40
201.20 239.80 245.70 213.00 238.80
171.10 222.00 212.50 201.70 184.90
248.30 209.70 233.90 229.80 217.90
Hospital B
199.50 184.00 173.20 186.00 214.10
125.50 143.50 190.40 152.00 165.70
154.70 145.30 154.60 190.30 135.40
167.70 203.40 186.70 155.30 195.90
168.90 166.70 178.60 150.20 212.40
34 CAPITULO 2 ESTADISTICA DESCRIPTIV A
2.3.10 Para este ejercicio es necesario utilizar los datos del ejemplo 1.4.1 desplegados en la
tabla 1.4.1.
a) Construya intervalos de clase con amp1itud 5 para:
Una distribuci6n de frecuencias
Una distribuci6n de frecuencias relativas
Una distribuci6n de frecuencias acumuladas
Una distribuci6n de frecuencias relativas acumuladas
Un histograma
Un poHgono de frecuencia
b) Describa estos datos con respecto a la simetrfa e inclinaci6n tal como se estudi6 en el
ejercicio 2.3.1, incisoh.
2.3.11 Los objetivos de una investigaci6n realizada por Skjelbo et ai. (A-5)fueron examinar: a) la
relaci6n entre el metabolismo de La cloroguanida y la eficacia de la profilaxis contra la mala-
ria;o) el metabolismo de la mefenitoina y su relaci6n con el metabolismo de la cloroguanida
entre habitantes de Tanzania. A partir de la informacion proporcionada por las muestras de
orina de 216 individuos, los investigadores calcularon el porcentaje de inmutabilidad de S-
mefenitofna hacia R-mefenitoina (porcentaje SIR). Los resultados son los siguientes:
0.0269 0.0400 0.0550 0.0550 0.0650 0.0670 0.0700 0.0720
0.0760 0.0850 0.0870 0.0870 0.0880 0.0900 0.0900 0.0990
0.0990 0.0990 0.0990 0.0990 0.0990 0.0990 0.0990 0.0990
0.0990 0;0990 0.0990 0.0990 0.0990 0.0990 0.0990 0.0990
0.0990 0.0990 0.0990 0.0990 0.0990 0.0990 0.0990 0.0990
0.0990 0.0990 0.0990 0.0990 0.0990 0.1000 0.1020 0.1040
0.1050 0.1050 0.1080 0.1080 0.1090 0.1090 0.1090 0.1160
0.1190 0.1200 0.1230 0.1240 0.1340 0.1340 0.1370 0.1390
0.1460 0.1480 0.1490 0.1490 0.1500 0.1500 0.1500 0.1540
0.1550 . 0.1570 0.1600 .0.1650 0.1650 0.1670 0.1670 0.1677
0.1690 0.1710 0.1720 0.1740 0.1780 0.1780 0.1790 0.1790
0.1810 0.1880 0.1890 0.1890 0.1920 0.1950 0.1970 0.2010
0.2070 0.2100
0.2100 .
0.2140 0.2150 0.2160 0.2260 0.2290
0.2390 0.2400 0.2420 0.2430 0.2450 0.2450 0.2460 0.2460
0.2470 0.2540 0.2570 0.. 2600 0.2620 0.2650 0.2650 0.2680
0.2710 0.2800 0.2800
,
0.2870 0.2880 0.2940 0.2970 0.2980
0.2990 0.3000 0.3070 0.3100 0.3110 0.3140 0.3190 0.3210
0.3400 0.3440 0.3480 0.3490 0.3520 0.3,530 0.3570 0.3630
0.3630 0.3660 0.3830 0.3900 0.3960 0.3990 0.4080 0.4080
0.4090 0.4090 0.4100 0.4160 0.4210 0.4260 0.4290 0.4290
0.4300 0.4360 0.4370 0.4390 0.4410 0.4410 0.4430 0.4540
0.4680 0.4810 0.4870 0.4910 0.4980 0.5030 0.5060 0.5220
0.5340 0.5340 0.5460 0.5480 0.5480 0.5490 0.5550 0.5920
0.5930 0.6010 0.6240 0.6280 0.6380 0.6600 0.6720 0.6820
0.6870 0.6900 0.6910 0.6940 ().7040 0.7120 0.7200 0.7280
0.7860 0.7950 0.8040 0.8200 0.8350 0.8770 0.9090 0.9520
0.9530 0.9830 0.9890 l.()120 l.0260 l.0320 1.0620 1.1600
FUENTE: Utilizado con autorizaci6n de Erik Skjelbo, M. D.
EJERCICIOS 35
a) Construyaconlosdatoslas siguientesdistribuciones: frecuencia,frecuenciarelativa, fre-
cuencia acumulada y frecuencia relativa acunmlada; asi como las siguientes graficas:
histograma,poligonodefrecuenciaydespliegltedetalloyhojas. .
b) Describa estos datos con respecto a la simetria e inclinacion tal como se estudio enel
ejercicio2.3.1, incisoh. .
c)Losinvestigadoresdefinieroncomometabolizantesdebajorendimientodemefenitoinaa
cualquierindividuoconunporcentajemefenitofnaSIR mayora.9. yqueporcenta-
jedeindividuossonmetabolizantesdebajorendimiento?
d) yque porcentaje de individuos tienenporcentajesmenores que. 7, entre .3 y
.6999,inclusive,ymayoresque.4999?
2.3.12 Schmidtet al. (A-6) efectuaron unestudio para investigarsi la autotransfusi6n de sangre
extraidadelmediastinopodiareducirel numerodepacientesquenecesitabatransfusiones
desangrehomologayreducirlacantidaddesangrehom61ogatransfundidautilizandocrite-
riosdetransfusionfijos. La siguientetablamuestralasestaturasencentimetrosde109indi-
viduosdeloscuales97 sonvarones.
1.720 1.710 1.700 1.655 1.800 1.700
1.730 1.700 1:820 1.810 1.720 1.800
1.800 1.800 1.790 1.820 1.800 1.650
1.680 1.730 1.820 1.720 1.710 1.850
1.760 1.780 1.760 1.820 1.840 1.690
1.770 1.920 1.690 1.690 1.780 1.720
1.750 1.710 1.690 1.520 1.805 1.780
1.820 1.790 1.760 1.830 1.760 1.800
1.700 1.760 1.750 1.630 1.760 1.770
1.840 1.690 1.640 1.760 1.850 1.820
1.760 1.700 1.720 1.780 1.630 1.650
1.660 1.880 1.740 1.900 1.830
1.600 1.800 1.670 1.780 1.800
1.750 1.610 1.840 1.740 1.750
1.960 1.760 1.730 1.730 1.810
1.810 1.775 1.710 1.730 1.740
1.790 1.880 1.730 1.560 1.820
1.780 1.630 1.640 1.600 1.800
1.800 1.780 1.840 1.830
1.770 1.690 1.800 1.620
FUENTE: Utilizadoconautorizaci6ndeHenrikSchmidt, M. D.
a) Construyaconlosdatoslassiguientesdistribuciones: frecuencia, frecuenciarelativa,fre-
cuencia acumulada y frecuencia relativa acumulada; as! como las siguientes grMicas:
histograma,poligonodefrecuenciaydesplieguede!;alloyhojas.
b) Describa estos datos conrespecto a la simetria e inclinacion tal como se estudio enel
ejercicio2.3.1, incisoh. .
c) sepuedeexplicarlaformadedistribuciondeestosdatos?
d) tanaltossonel6.42porcientodeindividuosmasaltos?
e) tanaltossonell0.09porcientodeindividuosdemenorestatura?
36 CAPITULO 2 ESTADISTICA DESCRIPTIV A
2.4 ESTADiSTICADESCRIPTIVA:
MEDIDAS DE TENDENCIA CENTRAL
Aunque las distribuciones de frecuencia sirven a prop6sitos muy titiles, existen
muchas situaciones en que se requieren otros tip6s de resumen de datos. Lo que se
necesita, en muchos casos, es la: posibilidad de condensar datos por medio de un
s610 ntimero llamado medida descriptiva. Las medidas descriptivas pueden calcularse
a partir de los datos de unamuestra 0 de una poblaci6n. Para distinguirlas entre sf
se tienen las siguientes definiciones:
DEFINICIONES
1. Una Inedida descriptiva calculada a partir de los datos
de una m1,lestra se llaIna estadistica.
2. Una Inedida descriptiva calculada a partir de los datos
de una poblacion se llaIna parametro.
Algunos tipos de medidas descriptivas se pueden calcular a partir de un con-
junto de datos. Sin embargo, este capitulo se limita al estudio de las medidas de
tendencia central y de las medidas de dispersion. Las medidas de tendencia central se
consideran en esta secci6n, y las medidas de dispersi6n, en la siguiente.
Encada una de las medidas de tendenda central, de las que se discuten s6lo
tres, tinicamente un valor delconjunto de datos se considera como el representati-
vo del todo. Las medidas de tendencia central conllevan informaci6n respecto al
valor promedio de un conjunto de valores. Tal como se vera, la palabra promedio se
puede definir en diversas formas.
Las tres m e d i d ~ de tendencia central de uso mas frecuente son: la media, la
moda y la mediana.
La media aritmetica La medida de tendencia central mas conocida es la me-
dia aritmetica. Esta es la medida descriptiva que la mayona de las personas tienen
en mente cuando se habla de "promedio". EI adjetivo aritmetica distingue a esta
media de otras que se puedan calcular. Puesto que no se estudian otras medias en
este libro, no debe ser causa de confusi6n si al referirse a la media aritmetica s610 se
dice media. La media se obtiene sumando todos los valores en una poblaci6n 0
muestra y dividiendo entre el ntimero de valores sumados.
FJEMPLO 2.4.1
Obtenga la edad media de la poblaci6n de los 169 individuos registrados en la
tabla 1.4.1.
Soluci6n: Se procede de la siguiente forma:
27+27++23+39
edad media =--------
169
5797
169
34.302

Los tres puntos en el numerador representan valores que no se muestran para
economizar espacio.
2.3 ESTADisTICADESCRIPTIVA:MEDIDAS DETENDENCIACENTRAL 37
Formula general para la media Es conveniente generalizar el procedi-
mientoparaobtenerlamediay, ademas,representarloennotaci6ndeforma mas
compacta.SeiniciapordesignaralavariablealeatoriaconlaletramayiisculaX. En
este X representaa lavariable aleatoriade edad. Los valores espedficos
paraunavariablealeatoriaserepresentanconlaletraminusculax. Parareferirseal
primero,al segundo,altercervalor,y asfsucesivamente,seafiadeunsubfndiceala
x. Porejemplo,apartirdelatabla1.4.1 setiene:
Xl =27, x;1 =27, ..., =39 X
l69
Engeneral,unvalorcomunparalavariable aleatoriasedesignaconXi' yelvalor
finalenunapoblaci6nfinitadevalores,conx
N
' dondeN esel numerodevaloresen
lapoblacion. Porultimo, seutilizalaletragriegaIl parasimbolizarlamediadela
poblacion.Ahorasepuedeescribirlaformulageneralparalamediadeunapobla-
ci6nfinitacomosigue:
N
LXi
(2.4.1)

N
El simbolo:2.:1significa que todos losvalores paralavariable se sumandesde el
primerohastaelultiIJ1.o. AesteslmboloL seIeconocecomosigna de sumataria, yse
utilizaextensamenteenestelibro. Cuandoporelcontextoseaobviocualessonlos
valoresquesesuman,lossimbolosdearribay deabajodelsignoL se omiten.
La media de la muesira Cuandose calculalaIl1ediapara unamuestra de
valores,el procedimientoreciendescritorequierealgunasmodificacionesenlanota-
cion.Seutiliza'3c paraidentificaralamediadelamuestra,yn paraindicarelnumero
devaloresenlamuestra.For10 tanto,lamediadelamuestraseexpresacomosigue:
(2.4.2)
n
EJEMPLO 2.4.2
.Enel capitulo1seobtuvounamuestraaleatoriasimplede10individuosapartirde
lapoblacionmostradaenlatabla1.4.1.Ahoracorrespondecalcularlaedadmedia
delos 10individuosenlainuestra. .
Soludon: Lasedades(veaselatabla1.4.2)delos10individuosdelamuestrason:
XI =42,x =28,x =28,x 61,x
s
31,x
6
=23,x
7
=50,xs =34,x
g
= 32,
2 3 4
x
10
= 37.AIsustituirlosdatosdelamuestraenlaecuaci6n2.4.2seobtiene:
n
:2.Xi 42+28+...+37366
=-=36.6
n 10 10

38 CAPITULO 2 ESTADISTICA DESCRIPTIV A
Propiedades de ta media La media aritmetica tiene ciertas prapiedades,
algunas deseables y otras no tanto. Algunas de estas propiedades son las siguientes:
1. Es unica. Para un conjunto de datos existeuna y s610 una media aritmetica.
2. Simplicidad. EI calculo y comprension de lamedia aritmetica son sencillos.
3. Puesto que todos y cada uno de los valores en d conjunto de datos entran en
el dtlculo de la media, esta es afectada por cada valor. Por 10 tanto, los valores
extremos influyen sobre la media y, en algunos casos, pueden distorsionarla
tanto que llega a ser indeseable como medida de tendencia central.
A contipuacion se muestra un ejemplo de como los valores extremos pueden
afectar la media. Considere la siguiente situacion: cinco medicos que trabajan en
cierta area son llamadosa declarar sus cobras por realizar cierto procedimiento.
Suponga que se reporta 10 siguiente: $75, $75,$80, $80 Y $280. EI cobra medio
para los cinco medicos es de $118, un valor que no es muy representativo del con-
junto de datos. El unico valor atlpico del con junto tuvo el efecto de inflar la media.
La mediana La mediana de un conjunto finito de val ores es aquel valor que
divide al con junto en dos partes iguales, de forma que el numero de valores mayo-
res 0 iguales a la mediana es igual al numera devalores menores 0 iguales a esta. Si
el numero de valores es impar, la mediana es el valor medio 0 central siempre y
cuando todas las variables sean arregladas eri orden de magnitud. Cuando el nu-
mera de valores en e!: conjunto es pat, no existe un valor medio unico, sino que
existen dos valores medios. En tal caso, la mediana corresponde a la media de esos
dos valores centrales, cuando todos los valores son arreglados en orden de magni-
tud. Es decir, la mediana del conjuntode datos .es la (n+ 1) 12-esima observacion,
cuando las observaciones han sido ordenadas. Por ejemplo, si se tienen 11 observa-
cjones, la mediana es la (11 + 1) 12 6-esima observadon ordenada. Si se tienen
12 observaCiones, la mediana es la (12+ 1)/2=6.5-esima observacion ordenada yes
el valor que esta entre la sexta y septima observaci6n ordenada.
EJEMPLO 2.4.3
Encuentre la mediana de los datos contenidos en la tabla 2.2.1.
Soluci6n: En la tabla, los valores ya estan ordenados, de modo que s610 se requiere
encontrar losqos valores medios.El valor medio es el (n+ 1)/2 =(169+ 1)1
2 170/2 85-esimo. Contando desde el mas pequeno hasta el 85-
esimo valor se observa que corresponde al 31. Por 10 tanto, la edad me-
diana de los 169 individuos es de 31 anos.
FJEMPLO 2.4.4
Obtenga ahora la edad mediana para los ind}viduos de la muestra descrita en el
ejemplo 2.4.2.
39 2.5 ESTADisTICADESCRIPTIVA:MEDIDAS DEDISPERSION
Soluci6n: Al arreglarlas 10 edadesenordendemagnituddesdeel valormaspe-
quefiohastael masgrandeseobtiene23,28,28,31,32,34,37,42,50,
61. Puestoquesetratadeunnumeroimpardevalores,noexistesoloun
valorcentral.Sinembargo,losdosvaloresdelcentroson32y34,asfque
lamedianaes (32 + 34)/2 = 33.
_ Propiedades de la mediana Entre las propiedades de la mediana se en-
cuentranlas siguientes:
1. Es unica.Aligualqueenelcaso delamedia, existesolamenteunamediana
p r ~ u n conjuntodedatos.
2.Simplicidad.Es muysencillocalcularla.
3. Losvaloresextremosnotienenefectosimportantessobrelamediana,10 que
sfocurreconlamedia.
La moda La moda de unconjunto.devalores es aquel valor que ocurre con
mayorfrecuencia. Si todoslosvaloressondiferentes, nohaymoda. Porotraparte,
unconjuntodevalorespuedetenermasdeunamoda.
FJEMPLO2.4.5
Encuentrelaedadmodaldelosindividuoscuyasedadessepresentanenlatabla2.2.1.
Soluci6n: Elconteodelas edadesenlatabla2.2.1 revelaquelaedad26ocurre
conmasfrecuencia (11veces).Lamodaparaestapoblaci6ndeedades
esde26.
Parailustrarunconjuntodevaloresquetienemasdeunamoda,considereun
laboratoriocondiezempleadoscuyasedadesson:20, 21,20,20,34,22,24,27,27
Y27. Se puededecirqueestosdatostienendosmodas 20y27. Unamuestraque
consista enlos valores 10, 21, 33, 53 Y54 no tiene moda,puestoque todos los
valoressondiferentes.
La modase puedeutilizarparadescribirdatoscualitativos. Porejemplo, su-
pongaquelos pacientesdeunacHnicadesaludmentalduranteunafiodadoreci-
bieron uno de los siguientes diagnosticos: retardo mental, sfndrome cerebral
organico,psicosis,neurosisytrastornosdepersonalidad.Eldiagh6sticoqueocurre
conmayorfrecuenciaenelgrupodepacientessedenominarfadiagnosticomodal.
2.5 ESTADISllCADESCRIP11VA:
MEDIDA.." DEDISPERSION
G dispersion deunconjuntodeobservacionesserefierealavariedadquemuestran
estas. Unamedidadedispersionconllevainformacionrespectoalacantidadtotal
devariabilidadpresenteenel conjuntodedatos. Si todos losvaloressoniguales,
nohay dispersion, perosinotodossoniguales, entoncesexistedispersi6nenlos
datos. Lamagnituddeladispersiones pequefiacuandolosvalores, aunquedife-
rentes, soncercanos entre sf. Lafigura 2.5.1 muestralos pollgonosdefrecuencia
40 CAPiTULO 2 ESTADiSTICA DESCRIPTIVA
PobIaci6n A
,
...
".
........
~ Poblacl6n B
,
"
,
,
)1
FIGUBA2.5.t Dos distribuciones de frecuencias con igual
media pero diferente magnitud de dispersi6n.
para dos poblaciones que tienen medias iguales, pero diferente magnitud de varia-
bilidad. La poblacion B, mas variable que la poblaeion A, es mas dispersa. Si los
valores estan ampliamente esparcidos, la dispersion es mayor. Otros ti!:rminos sino-
nimos de dispersion son: variaciOn, expansion y dispersion.
El mngo0 inlervalo devariacion Una forma de medir la vanacion en un
eonjunto de valores es ealculando el rango. Este es la difereneia entre el valor mas pe-
quenoy el mas grande enun eonjumo de observaciones. Si se representa el rango como
R, el valor mayor como xL' Y el valor menor como x
s
' el rango se ealcula como sigue:
(2.5.1)
EJEMPLO2.5.1
Caleule el rango de las edades de los individuos de la muestra estudiada en el
ejemplo 2.4.2.
Soluci6n: Puesto queel individuo mas joven en la muestra tiene 23 anos y el mas
viejo tiene 61, el rango calculado es:
R = 61- 23 .38

La utilidad de rango es limitada. EI hecho de que toma en consider;acion solo dos
valores hace que sea una medida pobre de dispersion. Su ventaja principal es la
simplicidad de su caleulo. .
La variancia Cuando los valores de un conjunto de observaciones se eneuen-
tran ubicados cerca de su media,la dispersion es menor que cuando estan esparcidos.
En consecuencia, sepuede pensar intuitivamente que es posible medir la disper-
sion en funcion del esparcimiento de los valores alrededor de su media. Esta medi-
41 2.5 ESTADISTICA DESCRIPTIVA: MEDIDAS DE DISPERSION
cion se efectlia mediante 10 que se conoce como variancia. Por ejemplo, para calcu-
lar la variancia de una muestra de valores, se resta la media de cada uno de los
valores individuales, las diferencias se elevan al cuadrado y despues se suman entre
sf. Esta suma de desviaciones elevadas al cuadrado de los valores con respecto a la
media se divide entre el tamafio de la muestra, menos 1, para obtener la variancia
de la muestra. Si se asigna la letra S2 para simbolizar la varian cia de la muestra, el
procedimiento descrito se expresa como sigue:
9 i=l
(2.5.2)
s-=..:..,.:----
n-l
FJEMPl,O 2.5.2
. Calcule la varianda de las edades de los individuos estudiadas en el ejemplo 2.4.2.
Soluci6n:.
(42 -36.6)2 +(28 -36.6)2 +... +(37 36.6)2
9
1196.399997
= ---,.,--;---
132.933333

9
Grados de libertad La razon de dividir entre n - 1, en lugar de entre n, como
hubiera de esperarse, es una consideracion teorica conocida comogradas de libertad.
En el calculo de la variancia, se puede decir que hay n - 1 gradas de libertad. El
razonamiento es como sigue: la suma de lasdesviaciones de los valores individuales
con respecto a su media es igual acero, hecho que puede demostrarse. Si se cono-
cen los valores de n 1 de las desviaciones a partir de la media, entonces se conoce
el n-esimo valor, ya que queda determinado automaticamente debido a la restric-
cion de que todos los valores de n se sumen a cero. Desde un punto de vista practi-
co, dividir las diferencias al cuadrado entre n 1en lugar de entre n resulta necesario
por razones del usa de la variancia de la muestra en los procedimientos de inferen-
cia que se estudian posteriormente. Elconcepto de grados de libertad se tratara de
nuevo mas adelante. Los estudiantes interesados en profundizar en este aspecto
pueden consultar el articulo de Walker (2).
Cuando se calcula la varian cia a partir de una poblacion finita de N valores, se
sigue el procedimiento recien descrito, excepto que se resta Jl de cada x y se divide
entre N en lugar de N-l. Si se asigna el sfmbolo (52 para la variancia de una pobla-
cion finita, la formula es la siguiente:
(2.5.3)
N
DesviaclOn estdndar La variancia representa unidades al cuadrado, por 10
que no es una medida adecuada de dispersioilsi se pretende expresar este concep-
to enlerminos de las unidades originales. Para obtener la medida de dispersion en
unidades originales, simplemente se obtiene la rafz cuadrada de la variancia. El
42 CAPITULO 2 ESTADISTICA DESCRIPTIVA
resultado se llama desviaci6n estandar. En general, la desviacion estandar de una
muestra se obtiene mediante la siguiente formula:
(2.5.4)
s
n-l
La desviacion estandar de una poblacion finita se obtiene con la raiz cuadrada
de la cantidad resuitante de la ecuacion 2.5.3.
El coeftciente de variacion La desviacion estandar es util como medida de
variacion en un determinado conjunto de datos. Sin embargo, cuando se quiere
comparar la dispersion de dos conjuntos de datos, la comparacion de las dos
desviaciones estandar puede dar un resultado equivocado. Esto puede ocurrir si
las dos variables involucradas tienen medidas en diferentes unidades. Por ejem-
plo: se pretende conocer, para una poblacion dada, si los niveles de colesterol en
el suero, medidos en miligramos por cada 100 mI, son mas variados que el peso
del cuerpo, medido en libras 0 kilogramos. .
Ademas, aunque se utilice la misma unidad de medici on, las dos medias pue-
den diferir bastante. Si la desviaci6n estandar de los pesos de los ninos de primer
grado de primaria son comparadas contra la desviaci6n estandar de los pesos de
los estudiantes de preparatoria de reciente ingreso, se encontrani que esta ultima
es numericamente mayor que la anterior, debido a que los pesos mismos son mayo-
res y no porque la dispersion sea mayor.
Lo que se necesitaensituaciones como esta es una medida de variancia rela-
tiva en lugar de una de variancia absoluta. Tal medida la constituye el coeficiente de
variaci6n, el cual expresa la desviacion estandar como un porcentaje de la media. La
formula es como sigue:
. s
c.v. = -= (100) (2.5.5)
x
Se aprecia entonces que, como la media y las desviacionesestandar se expre-
san en la misma unidad de medici6n, la unidad de medici6n se cancela al calcular
el coeficiente de variaci6n. Entonces se obtiene una medida independiente de la
unidad de medici6n.
FJEMPLO 2.5.3
Los siguientes resultados corresponden ados muestras formadas por varones:
Muestra 1 Muestra 2
Edad 25 anos 11 afios
Peso medio 145libras 80 libras
Desviacion estandar 10libras 10 libras
El prop6sito es saber ~ u a tiene mayor variabilidad, los pesos de individuos de 25
anos 0 los de 11 afios.
43 2.5 ESTADISTICADESCRIPTIVA:MEDIDAS DE DISPERSI6N
Solucion: Unacomparaciondelasdesviacionesestandarpuedeconduciralacon-
clusi6nde.quelasdos muestrastienenigualvariabilidad.Sinembargo,
si secakulanloscoeficientesdevariacion,seobtieneparalossujetosde
25.aiiosdeedad:
C.V.
145
yparalosde11 anosdeedad:
10
C.V.== -(100)=12.5
80
Si se comparanestosresultados,laimpresi6nrecibidaesdiferente.
EIcoeficientedevariaci6ntambienesutH paracompararlosresultadosobte-
nidospordiferentespersonasqueefectuaninvestigacionesqueinvolucranlamis-
rnavariable.Debidoaqueelcoeficientedevariaci6nesindependientedelaescala
demedici6n,constituyeunaestadisticautilparacompararlavariabilidaddedos0
. variablesmedidasenescalasdiferentes.Porejemplo,podrfautilizarseel coefi-
cienledevariaci6nparacompararlavariabilidaddelospesosdeunamuestrade
individuoscuyosp!,=sosseexpresanenlibrasylavariabilidaddelos pesosdeotra
muestra,expresadosenkilogramos.
Analisispor computadnra Lospaquetesdesoftwareparacomputadorapro-
porcionanunavariedaddeposibilidadesparaelGilculodelasmedidasdescripti-
vas. En la figura 2.5.2 se muestra una impresi6n de las medidas descriptivas
disponiblesenelpaqueteMINITAB. Losdatossonlasedadescorrespondientesal
ejemplo2.4.2.Conlosdatosdelacolumna1,elprocedimientoMINITABsemues-
traenlafigura2.5.3.
EnlassalidasimpresasQlyQ3sonelprimerytercercuartil,respectivamen-
teo Estasmedidassedescribenmasadelanteenestecapitulo.
TRMEANsignificamedia arreglada. Lamediaarregladaseutilizaalgunasve-
cesenlugardelamediaaritmetica,comomedidaderendenciacentral.Secalcula
despuesdequealgunosvaloresextremossonexcluidos.Por10 tanto,lamediaarre-
gladanotieneladesventajadeserinfluenciadaindebidamenteporlosvaloresex-
tremoscomoenelcasodelamediaaritmetica. EI terminoSEMEANsignificaenw
estdndar de La media. Estamedida,aligualquelamediaarreglada, seestudiaracon
detalleenuncapitulopr6ximo.Lafigura2.5.4muestra,paralosmismosdatos,la
salidaimpresadeSAS queseobtienealutilizarlainstrucci6nPROCMEANS.
N
10
MEAN
36.60
MEDIAN
33.00
TRMEAN
35.25
STDEV
11.53
SEMEAN
3.65
MIN
23.00
MAX
61.00 28.00
Q3
44.00
FIGURA 2.5.2 Laimpresi6ndemedidasdescriptivascalculadasapartirdelamuestrade
edadesdelejemplo2.4.2con elpaquetedesoftwareestadisticoMINITAB.
44 CAPITULO 2 ESTADISTICA DESCRIPTIV A
Caja de dialogo: Comandos de lei sesi6n:
Stat >- Basic Statistics >- Descriptive Statistics MTB > Describe C1
Teclear Cl en Variables. Elegir Tabular form bajo
Display options. Clic OK.
FIGURA 2.5.3 EI procedimiento del paquete MINITAB para calcular las medidas des-
criptivas a partir de los datos del ejemplo 2.4.2.
Perce",iles y cuartiles La media y la mediana son casos especiales de la
familia de panimetros conocidos como parametros de localizaci6n. Estas medidas des-
criptivasse Haman parametros delocalizacion porque pueden utilizarse para desig-
nar ciertas posiciones sobre eleje horizontal cuando se elabora una grMica de la
distribucion de una variable. En ese senti do, los parametros de localizacion "ubi-
can" la distribucion sobre el eje horizontaL Por ejemplo, una distribucion con una
mediana de 100 se localiza a la derecha de una distribution con una mediana de
50, en la grafica de las dos distributiones. Otros parametros de localization son los
percentiles y cuartiles. Se puede definir un percentil como sigue:
DEFINICION
Dado un conjunto de n observaciones Xl' X
2
, , X
n
, el
p-esu,:..o percentil P es el valor de X, tal que p por ciento 0
menos de lasobservaciones son menores que P y (100 - p)
por ciento 0 menos de las observaciones son mayores que P.
Los subindices en P sirven para distinguir un percentil de otro. El decimo
percentiI, por ejemplo, se designa como P
IO
, el septuagesimo se expresa como P
70
,
y aSl sucesivamente. El percentil quincuagesimo es la mediana, y se designa como
' EI vigesimo quinto percentil suele representar el primer cuartil, y se expresa P
so
como Qj' AI qUincuagesimo percentil (la mediana) se Ie conoce como segundo cuartil
o cuartil medio, denotado por Q2' y al septuagesimo quinto percentil se Ie llama tercer
cuartil, Qs.
VARIABLE N MEAN STANDARD MINIMUM MAXIMUM
DEVIATION VALUE VALUE
EDADES 10 36.6QOOOOOO 11.52967187. 23.00000000 61.00000000
STD ERROR SUM VARIANCE C.V.
OF MEAN
3.64600238 366.00.000000 132.93333333 31. 502
FIGURA 2.5.4 Salida impresa de las medidasdescriptivas c.alculadas a partir de la mues-
tra de edades del ejemplo 2.4.2, con el paquete SAS.
45 2.5 ESTADtSTICADESCRIPTIVA: MEDIDAS DEDISPERSION
Cuandosepretendeencontrarloscuartilesparaelconjuntodedatos,seuti-
lizanlas siguientesformulas:
n+l ,. b ., d d
---eSlma0 servaClonor ena a
4
2(n+l) n+l. .
Q2 = =-- -eSlmaobservaClonordenada
4 2
~ -esimaobservaci6nordenada
4
Alnplituddel intercuarlil Talcomosehavisto,elrangoproporcionaunamedi-
danopiocesada(cruda)delavariabilidadpresenteenunconjuntodedatos. Lades-
venl:!jadelaamplitudeselhechodequeestasecalculaapartirdedosvalores,elmas
grandeyelmaspequeno.Unamedidasimilarquereflejala variabilidadentreel50por
cientocentraldelasobservacionesenelcon juntodedatosesla amplitud del intercuartil.
DEFINICI6N
LaalIlpliQ.tddelintercuartil(IQR)esladiferenciaentre
elterceroy elcuartocuartil,esdecir:
(2.5.6)
UnIQRgrande indica Uila magnitud mayordevariabilidad entreel50porciento
centraldelasobservacionesrelevantes,yunIQRpequenoindicaunamagnitudpeque-
nadevariabilidadentrelasobservacionesrelevantes.Puestoqueestasexpresionesson
bastantevagas,esmasinformativalacomparaci6ndelaamplituddelintercuartilcon
lamagnitud del conjuntodedatos completo. Se puede hacerla comparacionfor-
mandolarazondelIQRconrespectoalaamplitud(R) ymultiplicandopor100. Es
decjrr100(IQR/R) indicaqueelporcentajedeIQResdetodalaamplitud.
Groftea de caja con valQres exirelUos (box and whisker) Undisposi-
tivo visual muyutilparacomunicarlainformacioncontenidaenunconjuntode
datos es lagrafica de caja con valores extremos (algunasveces Hamada s610 boxplot).
Paralaconstrucci6ndeestagraficaseusanloscuartilesdeunconjuntodedatos,y
sesiguenloscincopasosquesemencionana continuacion:
I: Representaralavariabledeinteressobreelejedelasx.
2. Dibujar sobre el eje horizontal uncuadro, de tal forma que el extremo iz-
quierdoestealineadocanelprimercuartilQJ' yel extremoderechodelcua-
droquedealineadocanel tercercuartilQ'
s
3. Dividir el cuadro en dos partes con unalinea vertical que se alinee con la
medianaQ2'
4. Dibujarunalineahorizontaldesdeel extremoizquierdodelcuadrohastaelpunto
endondequedealineadacanlamedici6nmaspequenaenelconjuntodedatos.
5. Dibujarotralineahorizontal desde el extremoderecho delcuadro hasta el
puntodondesealineaconlamedicionmasgrandeenelconjuntodedatos.
46 CAPITULO 2 ESTADISTICA DESCRIPTIVA
Diameu-os(cm)desarcomaspurosextirpadosdelpecho
de20mujeres
.:J
,.,
1.2 2.1 2.5 2.5 3.0 3.8 4.0 4.2 4.5 5.0
5.0 5.0 5.0 6.0 6.5 7.0 8.0 9.5 13.0
FUENTE: William C. Pitts, Virginia A Rojas, Michael]. Gaffey, Robert V. Rouse, Jose Esteban,
Henry F. Frierson, Richard L. Kempson y Lawrence M. Weiss, "Carcinomas with Metaplasia
and Sarcomas of the Breast", AmericanJournal of Clinical Pathology, 95, 623-632.
El examen de la grafica para un conjunto de datos revela informacion respec-
to a la magnitud de la dispersion, localizacion de la concentracion y simetria de los
datos.
El siguiente ejemplo ilustra la construccion de la grMica de caja con valores
extremos.
FJEMPLO 2.5.4
En una revista medica de publicacion periodica, Pitts et al. (A-7) asegura que "los
carcinomas con metaplasia y sarcomas producidos dentro del seno son dificiles de
diagnosticar ydasificar con precision debido a susvariados patrones histologicos y
a su rareza". En un intento por estudiar mas detalles de las caracterfsticas biologi-
cas, los autores investigaron una serie de sarcomas puros y carcinomas que exhibfan
metaplasia. La tabla 2.5.1 contiene ordenados en centfmetros los diametros de los
neoplasmas extirpados del pecho de 20 individuos con sarcomas puros.
Soluci6n: Lamedicion mas pequena y 1a mas grande son.5 y 13.0, respectivamen-
te. El primer cuartil es QI = (20 + 1) / 4 5.25-esima medicion, la cual
es 2.5 + (.25)(3.0 2.5) = 2.625. La mediana es Q
2
= (20 + 1) / 2 =
1O.5-esima medicion igua1 a 4.5 + (.5)(5.0 -4.5) 4.75. E1 tercer cuarti1
es Q3 = 3(20 + 1) / 4 = 15.75-esima medicion iguala 6.0 + (.75)(6.5-
6.0) = 6.375. La amp1itud del intercuartil es IQR = 6.375 - 2.625 =
3.75. La amplitud es 12.5, yel IQR es 100(3.75/12.5) == 30 porciento de
la amplitud. La caja de valores extremos resultante se muestra en la figu-
ra 2.5.5. ..
AI examinar la figura 2.5.5 se observa- que 50 por ciento de las mediciones estan
entre 2.6 y 6.4, los valores aproximados del primero y tercer cuartil, respectivamente.
La barra vertical dentro de la caja muestra que la mediana esta cerca de 4.75.
o 2 3 4 5 6 7 8 9 10 11 12 13 14
Diametro (em)
FIGUR-\.2.5.5 Caja de valores extremos del ejemplo 2.5.4.
47 2.5 ESTADiSTICA DESCRIPTIVA: MEDIDAS DE DISPERSION
14
12
0 10
E
:;;l
a;
B
."
0
.",
E'"
6

4
2
0
*
I
FIGURA 2.5.6 Caja. de val ores extremos elaborada
con el paquete MINITAB a partir de la tabla 2.5.1.
La linea mayor a la derecha indica que la distribuci6n de diametros esta inclinada
hacia la derecha.
Muchos paquetes de software estadistico tienen.la capacidad para construir
gr:Hicas de caja con valores extremos. La figura 2.5.6 muestra una, construida con
MINITAB a partir de los datos de la tabla 2.5.1. Se colotan los datos en la columna
1, se renombra la variable con "Tumsize" (tamanodel tumor), y se procede como
se muestra en lafigura 2.5.7. EI asterisco en la figura 2.5.6 sirve para alertar que
hay un valor inusualmente mayor que los demas, Hamada outlier (valor muy alejado),
el cualcorresponde al melanoma de 13 em de diametro. La linea superior en la
figura 2.5.6 se detiene en 9.5, y el valor mas grande no se considera que sea un
valor muyalejado. La figura 2.5.6 ejemplifica que la caja de valores extremos pue-
de desplegarse tanto vertical como horizontalmente.
En el paquete SAS se utiliza la instrucci6n PROC UNIVARIATE para obtener
la grafica de valores extremos. Esta instrucci6n tambien produce otras medidas des-
criptivas y desplegados, que incluyen graficas de tallo y hojas, medias, variancias y
cuartiles. .
Andlisis exploratorio de datos La grafica de caja con va10res extremos, aSI
como la de tallo y hojas, son ejemplos de 10 que se conc:lCe como tecnicas de analisis
de exploraci6n de datos. Estas tecnicas, populares debido al resultado del trabajo de
Tukey (3), permiten que el investigador examine datos de manera que estos revelen
tendencias y relaciones, identifiquen caracteristicas fmicas del con junto de datos y
faciliten su descripci6n y resumen.
Caja de dialogo: Comandos de la sesi6n:
Stat> EDA > Boxplot MTB > Boxplot
Teclear Tumsize en Y. 'Tumsize';
En Data Display 1, seleccionar IQRange Box. sose > BOXi
En Data Display 2, seleccionar Outlier Symbol. sose > Symbol;
Clic OK. sose > outlier.
FIGURA 2.5.7 El procedimiento del paquete MINITAB paraproducir la figura 2.5.6.
48 CAPITULO2 ESTADISTICADESCRIPTIV A
EJERCICIOS
Calculeparacadaunodeloscon juntosdedatosdelossiguientesejercicios,a)lamedia,b)la
mediana,c)lamoda,d)laamplitud,e)lavarianza,f) la desviaci6nestandar,g)elcoeficiente
devariacionyh) la amplitud del intercuartil. Cadacon juntode datos debe considerarse
comounamuestra.Paralosejerciciosqueseconsidereadecuado,prepareunagnificadecaja
convaloresextremosy estudielautilidadqueproporcionaestedispositivo para'comprender
lanaturalezadelosdatos.Seleccioneparacadaejerciciolamedidadetendenciacentralque
puedaserlamasapropiadaparadescribirlos datos.Establezcalosrazonamientosquejusti-
ficancadaelecci6n.
2.5.1 Treintapacientesconlimitacionescr6nicasseverasderespiraci6nsonsujetosdeestudiopor
partedeFernandezet al. (A-8), parainvestigarlaeficaciadeltramientoparamejorarelinter-
cambiodegases. Los siguientesvaloresrepresentanlasuperficiecorporaldelospacientes:
.2.10 1.74 1.68 1.83 1.57 1.71 1.73
l.65 1.74 1.57 2.76 1.90 1.77
FUENTE: EnriqueFernandez,PaltielWeiner,EphraimMeltzer,MaryM. Lutz,David
B.BadishyReubenM.Cherniack,"SustainedImprovementinGasExchangeAfter
NegativePressureVentilationfor8HoursperDayon2SuccessiveDaysinChronic
AirflowLimitation",American Review ofRespiratory Disease, 144,390-394,
2.5.2 LosestudiosdeDosmanetal. (A
c
9)permitenconcluirquelaaspiraci6ndeairefrIOincrementa
la reactividad bronquial al inhalar histamina en pacientes asmaticos. Se estudiaron siete
pacientesasmaricosconedadesentre19y33alios.Losvaloresdelineadebase(enlitrospor
minuto)delvolumenespiratorioforzadpdelosindividuosdelamuestrasonlossiguientes:
3.94 1.47 2.06 2.36 3.74 3.43 3.78
FUENTE:J.A. Dosman,W. C. HodgsonyD.W. Cockcroft,"EffectofColdAironthe
BronchialResponsetoInhaledHistamineinPatientswithAsthma",American Review
ofRespiratory Disease, 144,45-50. .
2.5.3 A17 internadosenlosAberdeenTeachingHospitals,enEscocia,entrelosafiosde
1980 Ymediados de 1988 se les diagnostic6 absceso hepatico pi6geno. Nueve pacientes
,murieron.EnunarticulodelarevistaAgeand Ageing, Sridharanet al. (A-10)afirmaronque
"laelevadamortalidadporabscesohepaticopiogenosedebe;almenosenparte,alafaltade
sospechaclinica". Las'edadesdelosindividuosestudiadossonlassiguientes:
63 72 62 69 .71 84 81 .78 61 76 84 67 86
69 64 87 76
FUENTE: G.V Sridharan, S. P. WilkinsonyW. R. Primrose, "PyogenicLiverAbscessinthe
Elderly",Age and Ageing, 19,199-203.CortesfadeOxfordUniversity Press.
2.5.4 Arinamiet al. (A-II)analizaronlasrespuestasauditivasdeltallocerebralenunamuestrade
12 varonesconretardomentalafectados porelsll1drome defragilidad delcromosomaX.
LosvaloresdeIQparacadaindividuosonlos
17 22 17 18 17 19 34 26 14 33 21 29
FUENTE: TadaoArinami, Miki Sato, Susumu Nakajimae Ikuko Kondo, "Auditory
Brain-stemResponsesintheFragileXSyndrome",AmericanJournal ofHuman Genetics,
43;46-51. Copyright"delaAmericanSocietyofHumanGenetics.Todoslos dere-
chosreservados.-Publicaci6ndelaUniversidaddeChicago.
49 2.6 RESUMEN
2.5.5 EnunarticulodelarevistaAmerican Journal of Obstetrics and Gynecology, el doctorGiancarlo
Mari(A-12) describiosu estudiodelaformadeondasdelavelocidaddeflujo arterialsan-
guineoenlaregionpelvicayenlasextremidadesinferioresdefetosconcrecimientoretarda-
do.Enestearticuloafirmoquelosdatospreliminaressugierenque"elindicedepulsaciones
delaarteriafemoralnosepuedeutilizarcomoindicadordeconsecuenciasfetalesadversas,
en tanto que el flujo ausente 0 retrogrado de la arteria umbilical parece que esta mas
correlacionado conlas consecuenciasfetales adversas". Los siguientesvalores representan
las edadesgestacionales(ensemanas)de20fetos concrecimientoretardadoestudiados:
24 26 27 28 28 28 29 30 30 31 32
32 33 33 34 34 35 35 35 36
FUENTE: GiancarloMari,"ArterialBloodFlowVelocityWaveformsofthePelvisand
Lower Extremities in Normal and GrowthCRetarded Fetuses",American Journal of
Obstetrics and Gynecology, 165, 143-15l.
2.5.6 ElobjetivodelestudiodeKuhnzet al. (A-13)esanalizarciertosparametrosfarmacocineticos
basicos enmujeres tratadas conanticonceptivos trifasicos de ingestionoral. Los pesos (en
kilogramos)delas 10mujeresqueparticiparonenelestudioson:
62 53 57 55 69 64 60 59 60 60
FUENTE: Wilhelm Kuhnz, Durda Sostarek, Christiane Gansau, Tom Louton y
Mariane Mahler, "Singleand MultipleAdministrationofa NewTriphasic Oral
Contraceptive to Women: Pharmacokinetics ofEthinyl Estradiol and Free and
TotalTestosteroneLevelsinSerum",American Journal ofObstetrics and Gynecology,
165,596-602.
2.5.7 Verelejercicio2.3.1.
2.5.8 Verelejercicio2.3.2.
2.5.9 Verelejercicio2.3.3.
2.5.10 Verelejercicio2.3.4.
2.5.11 Verelejercicio2.3.5.
2.5.12 Verelejercicio2.3.6.
2.5.13 Verelejercicio2.3.7.
2.5.14 SteinyUhde(A-14)examinaronelestadodinamicodelejetiroideo-hipotalamico-pituitario
entrastornosdepanicomedianteelestudiodelasrespuestasneuroendocrinasalprotirelinen
unamuestradepacientescon trastornosde panicoyunamuestradecontroles normales.
Entrelosdatosrecolectadosenestosindividuosse encontraronpuntuacionesdecomporta-
mientocomolasmedidasporlaescaladeansiedaddeZung(ZAS, siglaseninglesdeZung
AnxietyScale).LossiguientesvaloresrepresentanlaspuntuacionesdeZAS delos 26indivi-
duoscondiagnosticodetrastornosdepanico.
53 59 45 36 69 51 51 38 40 41 46 45 53 41 46
45 60 43 41 38 40 35 31 38 36 35
FUENTE: Utilizadoconautorizaci6ndeThomasW Uhde,M. D.
Construyaunagraficadevaloresextremosconestosdatos.
2.6 RESUNIEN
Eneste capitulo se examinanvarios procedimientos estadfsticos descriptivosque
incluyen organizaci6n de datos pormedio de arreglo ordenado, distribuci6nde
frecuencias, distribuci6ndefrecuencias relativas, histogramasy poHgonosdefre-
50 CAPITULO 2 ESTADISTICADESCRIPTIV A
cuencia. Se describen los conceptos de tendenciacentraly variaci6n, y juntocon
elloslasmedidasmasgenerales:media,mediana,moda,amplitud,varianciay des-
viaci6nestandar.Sepresentaelanalisisexploratoriodedatosmediantegraficasde
valoresextremosy desplieguedetalloy hojas.
Sedestacalaimportanciaquetieneel empleodelacomputadoracomo he-
rramientaparacalcularlasmedidasdescriptivasy elaborarvariasdistribucionesa
partirdegrandesconjuntosdedatos.
PREGUNTAS YFJERCICIOS DE REPASO
1. Definalossiguientesconceptos:
a) Desplieguedetalloyhojas b)Graficadevaloresextremos
c) Percentil d)Cuartil
e) Panlmetrodelocalizaci6n 1) Analisisexploratoriodedatos
g) Arregloordenado h)Distribuci6ndefrecuencias
i) Distribuci6ndefrecuencias relativas j) Estadistica
k) Pan'imetro 1) Poligonodefrecuencia
m)Umitescorrectosdeintervalosdeclase n)Histograma
2. Definaycomparelascaracteristicasdelamedia,lamedianaylamoda.
3. sonlasventajasylimitacionesdelaamplitudcomomedidadedispersi6n?
4. Expliqueporquese utilizan 1paracalcularlavariancia.
5. es elprop6sitodelcoeficientedevariaci6n?
6. es elprop6sitodelaregiadeSturges?
7. otronombrerecibeelquincuagesimopercentil(cuartilcentral0 segundo)?
8. Describa, desdesupropiocampodeestudio,unapoblaci6ndedatosdondepodriaser(Itil
conocerlatendenciacentralyladispersion.Obtengalosvaloresreales0 realistasapartirde
esapoblaci6nycalculelamedia,mediana,moda,varianciay desviaci6nestandar.
9. Recolecteunconjuntodedatosreales0 realistas,ensucampodeestudioparaconstruiruna
distribuci6n defrecuencias, unadistribucion defrecuencias relativas, unhistogramay un
polfgonodefrecuencia.
10. Calcu1ela media,mediana,moda,varianciaydesviacionestandarparalosdatosdelejercicio9.
11. Localice unarticulo deunarevista de su campo de estudio enel que se hayancalculado
medidasdetendenciacentralydispersion.
12. Enelejercicio2.5.14seutilizanlaspuntuacionesdelaescaladeansiedaddeZung(ZAS) de
26individuoscontrastornosdepanicoqueparticiparonenunestudiodirigidoporSteiny
Uhde(A-14). Eneseestudiotambienseincluyoaindividuossanoscomocontroles(esdecir,
individuosquenopadecentrastornosdepanico). Lossiguientesvalorescorrespondenalas
puntuacionesdeZAS de21 deestosindividuossanos.
26 28 34 26 25 26 26 30 34 28 25 26 31 25 25 25 25 28 25 25 25
FUENTE: Utilizadoconautorizaci6ndeThomasW Uhde,M. D.
PREGUNTASYEJERCICIOSDEREPASO 51
a) Combineestosvalores conlas puntuacionesdelejercicio 2.5.14yelaboreunagraficade
talloyhojas.
b)Conbaseenlagraficadedesplieguedetalloyhojas,describaenunapalabralanaturaleza
delosdatos.
c) tPorqueluceasilagraficadelincisob?
d) Para la combinaci6n de datos de ZAS calcule: la media, moda, mediana, variancia y
desviaci6nestandar.
13. Consulteelejercicio12ycalcule,s610paralos21 controlessanos,lamedia,moda,mediana,
varianciaydesviaci6nestandar.
14. Consulteel ejercicio 12ycalculeparalos 26individuoscontrastornosdepanico:lamedia,
moda,mediana,varianciaydesviaci6nestandar.
15. de los conjuntos de puntuaciones deZAS tiene mas variabilidad: el integrado por
individuos sanosyenfermos, elconjuntode control deindividuos sanos 0 el conjunto de
pacientescontrastornosdepanico? sejustificalarespuesta?
16. Analice el ejercicio 12. medida de tendencia central considera mas adecuada para
describirlosvaloresdeZAS, lamedia0la mediana? que?
17. Swif et al. (A-15) realizaronunestudiosobrelapresenciadeimportantesenfermedadespsi-
quiatricasenportadoresheterocig6ticosdelgencausantedelsfndromedeWolfram.Deacuer-
do con los investigadores, el sindrome de Wolfram es un sindrome neurodegenerativo
autos6micorecesivo,enelque25porcientodelos individuosquesonhomocig6ticosparala
enfermedadtienenseverossintomaspsiquiatricosquelosconducenaintentosdesuicidiou
hospitalizaci6n psiquiatrica. Entre los individuos estudiados se encontr6 a 543 parientes
consangufneos delos pacientesconsfndromedeWolfram. Acontinuaci6nse muestrauna
distribuci6ndefrecuencia delasedadesdeestosparientesconsanguineos:
Edad Cantidad
20-29 55
30-39 93
40-49 113
50-59 90
60-69 85 FUENTE: RonnieGormanSwift,
DianeO. Perkins, CharlesL.
70-79 73
Chase, DebraB.SadleryMichael
80-89 29
Swift, "PsychiatricDisordersin 36
90-99 5
FamilieswithWolfram Syndrome",
American Joumal ofPsychiatry, 148,
Total 543 775-779.
Conbaseenestosdatos,elaboreunadistribuci6ndefrecuencias relativas, unadistribud6n
defrecuenciasacumuladasyunadistribuci6ndefrecuencias relativasacumuladas.
18. Lamotivaci6ndeunestudiorealizadoporRobertset 01. (A-l6)fuesupreocupad6nsobresilas
recomendacionesvigentesdelosrequerimientosdieteticosdeenergfaprobablementesubesti-
maneltotaldeenergfanecesariaenvaronesadultosj6venes.Lossujetosdelestudiofueron14
varonesadultosj6venessanosdepesocorporalnormal,quienesdesarrollabandetiempocom-
pleto ocupaciones sedentarias como estudiantes 0 ayudantes delaboratorio. Los siguientes
valoressonelindicedemasacorporal(kglm2) paralos 14individuosenlamuestra:
--_..... _----
52 CAPITULO 2
24.4 30.4
23.0 20.6
ESTADISTICADESCRIPTIVA
21.4 25.1 21.3 23.8 20.8 22.9 20.9 23.2 21.1
26.0
FUENTE: SusanB. Roberts, MelvinB. Heyman,WilliamJ. Evans, PaulFuss,RitaTsayyVernon
R. Young, "Dietary Energy Requirements ofYoung Adult Men, Determined by Using the
Doubly LabeledWiterMethod", AmericanJournal ofClinical Nutrition, 54,499-505.
a) Calcu1e media, moda, mediana,variancia,desviaci6nestandary coeficientedevariaci6n.
b) E1aboreunagraficadetalloy hojas.
c) E1aboreunagraflCadeva10res extremos.
d) ~ u e porcentaje de mediciones esta dentro de una desviaci6n estandar de 1a media,
dentrodedosdesviacionesestandar,y dentrodetresdesviacionesestandar?
19. Consulteelejercicio 18. Los siguientessonlos pesos (kg) y estaturas (cm) delos 14 indivi-
duosde1a muestraestudiadaporRobertset al. (A-16):
Pesos: 83.9 99.0 63.8 71.3 65.3 79.6 70.3 69.2 56.4 66.2 88.7
59.7 64.6 78.8
Estaturas: 185 180 173 168 175 183 184 174 164 169 205
161 177 174
FUENTE: SusanB. Roberts, MelvinB. Heyman,William].Evans,PaulFuss,RitaTsayyVernon
R. Young, "Dietary Energy Requirements ofYoung Adult Men, Determined by Using the
DoublyLabeledWaterMethod", AmericanJournal of Clinical Nutrition, 54,499-505.
a) Paracadavariable,ca1cu1emedia,mediana,variancia,desviaci6nestandarycoeficientede
variaci6n.
b) Para cada variable, elabore un despliegue de tallo y hojas, y una grafica de va10res
extremos.
c) ~ u e conjuntodemedicionestienemayorvariabilidad,peso0estatura?~ u e basestiene
surespuesta?
20. Lasiguiente tabla muestraladistribuci6ndeedadesdelos casos deciertaenfermedadre-
portadaduranteunanoenunestadoenparticular:
Edad Numerodecasos
5-14
15-24
25-34
35-44
45-54
55-64
5
10
120
22
13
5
Total 175
Para estos datos elabore una distribuci6n de frecuencias acumuladas, unadistribuci6n de
frecuencias relativas,unadistribuci6ndefrecuencias relativasacumuladasyunhistograma.
21. Nombrelos tressin6nimosdevariaci6n(variabilidad).
22. Como parte de unproyecto de investigaci6n, los investigadores obtuvieron los siguientes
datossobrelosnivelessericosdeper6xidolipido (SLP, porlassiglaseninglesdeserumlipid
53 PREGUNTASYEJERCICIOSDEREPASO
peroxide),a partirdelos informesdelaboratoriodeunamuestrade10individuosadultos
que recibian tratamiento parala diabetesmellitus: 5.85, 6.17, 6.09, 7.70, 3.17, 3.83, 5.17,
4.31,3.09,5.24.Calculelamedia, mediana,varianciaydesviaci6nestandar.
23. LossiguientesvalorescorrespondenalosnivelesdeSLPqueseobtuvierondeunamuestra
de10adultosaparentementesanos:4.07,2.71,3.64,3.37,3.84,3.83,3.82,4.21,4.04,4.50.
Calcule paraestos datoslamedia, mediana,varianciaydesviaci6n estandar. Comparelos
resultadosconlosdelejercicio22. <Quees10 quesugierenestosresultadosconrespectoa
los nivelesdeSLPentrelospacientesconysindiabetesmellitus? <Estos resultadosproveen
suficientesbasesparatomaracci6nmedica? Expliquesurespuesta.
24. Acontinuaci6nsemuestranlasedadesde48pacientesinternadosdeurgenciaenunhospi-
tal. ElaboreunagrMicadetalloyhojas. <C6mo describirialaforma deestosdatos?
32 63 33 57 35 54 38 53 42 51 42 48
43 46 61 53 12 13 16 16 31 30 28 28
25 23 23 22 21 17 13 30 14 29 16 28
17 27 21 24 22 23 61 55 34 42 13 26
25. Secompararondosmetodosparacolectarsangreparaestudiosdecoagulaci6n.Lossiguien-
tesvaloressonel tiempoparcialdetromboplastinaactivada (APTT, siglasenIngles),de30
pacientesencadaunodelosdosgrupos.Elaboreunagraficadevaloresextremosapartirde
cada con juntodemediciones. Comparelas dos grMicas. andicanalguna diferenciaenla
distribuci6ndelosvalores deAPTr paraambos metodos? <'.Que metodotienemayorme-
diana?CompareelIQRdelmetodo1conelIQRdelmetodo2. <ParacwilmetodoeselIQR
unmayorporcentajedeR?
Metodo1
20.7 29.6 34.4 56.6 22.5 29.7
31.2 38.3 28.5 22.8 44.8 41.6
24.9 29.0 30.1 33.9 39.7 45.3
22.9 20.3 28.4 35.5 22.8 54.7
52.4 20.9 46.1 35.0 46.1 22.1
Metodo2
23.9 23.2 56.2 30.2 27.2 21.8
53.7 31.6 24.6 49.8 22.6 48.9
23.1 34.6 41.3 34.1 26.7 20.1
38.9 24.2 21.1 40.7 39.8 21.4
41.3 23.7 35.7 29.2 27.4 23.2
26. Expreseconpalabraslassiguientespropiedadesdelamediade1a muestra:
a) L(x :xy =unminimo
b) nX=LX
c) L(x-x) 0
27. Unmaestrodeestadfsticaindicaasus alumnosenelprimerdia declasesqueseaplicarian
cincoexamenesduranteelcurso.Conlaspuntuacionesdecadaexamenparacadaestudian-
te, eI profesorcalculaunamedidade tendencia centralqueservici como calificaci6nfinal
54 CAPITULO 2 ESTADISTICADESCRIPTIVA
delcursodelestudiante.Antesdetomarelprimerexamense debeelegirsise quierequela
calificaci6n sea la media 0 la mediana de las cinco calificaciones de los examenes. ~ u a l
escogeriaellectorsi fueraunodelos alumnos? (Porque?
28. Considerelossiguientesintervalosdeclasesparaelaborarunadistribuci6ndefrecuencias delos
nivelessericosdecolesteroldelosindividuosqueparticiparonenunacampanadedetecci6n:
a) 50-74 b) 50-74 c)50-75
75-99 75-99 75-100
100-149 100-124 100-125
150-174 125-149 125-150
175-199 150-174 150-175
200-249 175-199 175-200
250-274 200-224 200-225
etc. 225-249 225-250
etc. etc.
(Queintervalodeclaseseraelmasconvenienteparaelobjetivo?(Porque?Establezcaespe-
dficamenteporquelosotrosdossonmenosconvenientes.
29. Enunexamendeestadisticase pidi6a los estudiantes queelaboraranunadistribuci6nde
frecuencias delos nivelesdecreatinaenlasangre(unidades/litro)paraunamuestrade300
individuossanos. Lamediaesde95y ladesviaci6nestandares de40. Losestudiantesutili-
zaronlassiguientesamplitudesdelos intervalosdeclase:
a) 1 b) 5
c) 10 d) 15
e) 20 1) 25
Comentelaconvenienciadeutilizarestasamplitudes.
30. Deunejemplo,relacionadoconcienciasdelasalud,deunapoblaci6ndemedicionespara10
cuallamediaseaunamedidadetendenciacentralmejorquelamediana.
31. Deunejemplo,relacionadoconcienciasdelasalud,deunapoblaci6ndemedicionespara
10 cuallamedianaseaunamedidadetendenciacentralmejorquelamedia.
32. Indiqueparalas siguientesvariablescualpuedesermejormedidade tendenciacentral: la
media,mediana0 moda,y expliquesu respuesta.
a) Ingresoanualdelas enfermerastituladasenelSureste.
b)Diagn6sticodepacientesatendidoseneldepartamentodeurgenciasdelhospitalprinci-
paldelaciudad.
c) Pesos delosjugadoresdebasquetboldelaescuelapreparatoria.
33. Consulte el ejercicio 2.3.11 y calcule: media, mediana, variancia, desviaci6n estandar, pri-
mercuartil, tercercuartily amplituddel intercuartil. Elaboreunagraficadevaloresextre-
mos. (Lamedia,moday medianasoniguales?Si no, expliqueporque.Analicelos datosen
terminosdevariabilidad. CompareelIQRconlaamplitud. (Quesugierenlascomparacio-
nesrespectoalavariabilidaddelas observaciones?
34. Consulte elejercicio 2.3.12 y calcule: media, mediana, variancia, desviaci6n estandar, pri-
mercuartil, tercercuartily amplituddel intercuartil. Elaboreunagraficadevalores extre-
mos. (Lamedia,moday medianasoniguales?Si no,expliqueporque.Analicelosdatosen
terminosdevariabilidad. CompareelIQRconlaamplitud. (Quesugierenlas comparacio-
nesrespectoa lavariabilidaddelasobservaciones?
35. Thilothammalet al. (A-17) realizaron unestudio paradeterminar la eficacia de la vacuna
BCG (bacillus-Calmette-Guerin) para prevenir la meningitis tuberculosa. Entre los datos
55 BIBLIOGRAFIA
recolectadosencadaindividuoestalamediciondelestadonutricional(pesorealexpresado
comoporcentajedelpesoesperadoparacadaestaturareal). Lasiguientetablamuestralos
valoresdelosestadosnutricionalesparalos 107casosdeestudio.
73.3 54.6 82.4 76.5 85.4 92.3 55.5 68.3
80.5 71.0 56.8 80.6 72.2 76.9 100.0 65.9
50.4 66.0 83.0 72.3 100.0 64.5 79.6 74.0
50.9 71.0 76.5 99.6 55.7 88.7 72.7 67.3
64.8 74.0 72.6 80.7 79.3 72.4 78.1 66.3
74.0 72.7 65.9 73.3 109.0 65.7 96.0
72.8 73.6 70.0 77.4 84.4 73.6 73.8
72.0 97.5 130.0 68.1 76.4 79.6 70.0
59.7 89.6 76.9 74.6 86.4 64.1 50.5
90.9 70.5 88.2 70.5 67.7 76.9 73.0
76.9 78.1 63.4 58.8 74.0 68.6 55.0
71.4 84.6 123.7 93.7 73.2 80.0
45.6 92.5 65.6 61.3 66.3 84.0
77.5 76.9 80.2 76.9 70.0
60.6 59.0 84.7 78.2 91.9
FUENTE: Utilizadaconautorizaci6ndel
67.5 76.9 82.6 doctorN. Thilothammal.
a) Para estos datos, ca1cule las siguientes medidas descriptivas: media, mediana, moda,
variancia, desviacionestandar,amplitud,primercuartH, tercercuartileIQR.
b)Elaborelassiguientesgraficas:histograma,poHgonodefrecuencia,talloyhojas,yvalores
extremos.
c) Analice los datos en terminos devariabilidad. Compareel IQRconlaamplitud. ~ u e
sugierelacomparaci6nrespectoalavariabilidaddelasobservaciones?
d) ~ u e proporci6ndemedicionesestadentrodeunadesviaci6nestandardelamedia, en
dosdesviacionesestandardelamediayentres desviacionesestandardelamedia?
e) ~ u e proporciondemedicioneses menorque 100?
f) ~ u e proporciondemedicioneses menorque50?
BmUOGRAI<iA
Bibliografiademetodologia
I. H.A. Sturges,"TheChoiceofaClassInterval",Journal ofthe American Statistical Association,
21,65-66.
2. HelenM.Walker, "DegreesofFreedom",TheJournal ofEducational Psychology, 31,253-269.
3. JohnW. Tukey, Exploratory Data Analysis, Addison-Wesley, Reading,MA.
Bibliografiadeaplicaciones
A-I. SilvioM. VeroneseyMarcelloGambacorta,"DetectionofKi-67 ProliferationRateinBreast
Cancer",AmericanJournal ofClinical Pathology, 95, 30-34.
A-2. NizarN.Jarjour,William]. Calhoun, Lawrence B. SchwartzyWilliamW. Busse, "Elevated
BronchoalveolarLavageFluid HistamineLevelsinAllergicAsthmaticsAreAssociatedwith
IncreasedAirway Obstruction",American Review ofRespiratory Disease, 144,83-87.
56 CAPITULO 2 ESTADISTICA DESCRIPTIVA
A3. Peter M. Ellis, GrahamW Mellsop, Ruth Beeston y Russell R. Cooke, "Platelet Tritiated Imipramine
Binding in Patients Suffering from Mania" ,journal ofAffective Disorders, 22, 105-110.
A4. Helen Herrman, Patrick McGorry, Jennifer Mills y Bruce Singh, "Hidden Severe Psychiatric
Morbidity in Sentenced Prisoners: An Australian Study", American journal of Psychiatry, 148,
236-239.
A5. Erik Skjelbo, Theonest K. Mutabingwa, Ib Bygbjerg, Karin K. Nielsen, Lars F. Gram y Kim
Br\'lsen, "Chloroguanide Metabolism in Relation to the Efficacy in Malaria Prophylaxis and the
S-Mephenytoin Oxidation in Tanzanians", Clinical Pharmacology & Therapeutics, 59, 304-311.
A6. Henrik Schmidt, Poul Erik Mortensen, SjIlren Lars FjIllsgaard y Esther A. Jensen, "Autotrans-
fusion Mter Coronary Artery Bypass Grafting Halves the Number of Patients Needing Blood
Transfusion", Annals of Thoracic Surgery, 61, 1178-1181.
A7. William C. Pitts, Virginia A. Rojas, Michael J. Gaffey, Robert V. Rouse, Jose Esteban, Henry F.
Frierson, Richard L. Kempson y Lawrence M. Weiss, "Carcinomas with Metaplasia and
Sarcomas of the Breast", Americanjournal of Clinical Pathology, 95, 623-632.
AS. Enrique Fernandez, Paltiel Weiner, Ephraim Meltzer, Mary M. Lutz, David B. Badish y Reuben
M. Cherniack, "Sustained Improvement in Gas Exchange Mter Negative Pressure Ventilation
for 8 Hours per Day on 2 Successive Days in Chronic Airflow Limitation", American Review of
Respiratoiry Disease, 144, 390-394.
A-9. J.A. Dosman, W C. Hodgson yD. W Cockcroft, "Effect of Cold Air on the Bronchial Response
to Inhaled Histamine in Patients with Asthma", American Review of Respiratory Disease, 144,
45-50.
AI0. G. V. Sridharan, S. P. Wilkinson yW R. Primrose, "Pyogenic Liver Abscess in the Elderly", Age
and Ageing, 19, 199-203.
A1l. Tadao Arinami, Miki Sato, Susumu Nakajima e Ikudo Kondo, "Auditory Brain-stem Responses
in the Fragile X Syndrome", Americanjournal of Human Genetics, 43,46-51.
A12. Giancarlo Mari, "Arterial Blood Flow Velocity Waveforms of the Pelvis and Lower Extremities
in Normal and Growth-Retarded Fetuses", American journal of Obstetrics and Gynecology, 165,
143-151.
A13. Welhelm Kuhnz, Durda Sostarek, Christiane Gansau, Tom Louton y Marianne Mahler, "Sin-
gle and Multiple Administration of a New Triphasic Oral Contraceptive to Women:
Pharmacokinetics of Ethinyl Estradiol and Free and Total Testosterone Levels in Serum",
Americanjournal of Obstetrics and Gynecology, 165, 596-602.
A14. tv1urray B. Stein y Thomas W Uhde, "Endocrine, Cardiovascular, and Behavioral Effects of
Intravenous Protirelin in Patients with Panic Disorder" , Archives ofGeneral Psychiatry, 48, 148-156.
A15. Ronnie Gorman Swift, Diane O. Perkins, Charles L. Chase, Debra B. Sadler y Michael Swift,
"Psychiatric Disorders in 36 Families with Wolfram Syndrome", Americanjournal ofPsychiatry,
118,775-779.
A16. Susan B. Roberts, Melvin B. Heyman, William J. Evans, Paul Fuss, Rita Tsay y Vernon R.
Young, "Dietary Energy Requirements ofYoung Adult Men, Determined by Using the Doubly
Labeled Water Method", Americanjournal of Clinical Nutrition, 54, 499-505.
A17. N. Thilothammal, P. V. Krishnamurthy, Desmond K. Runyan y K. Banu, "Does BCG Vaccine
Prevent Tuberculous Meningitis?", Archives of Disease in Childhood, 74, 144-147.
3.1 INTRODUCCI6N 3.5 TEOREMADE BAYES.PRUEBA
DECLASIFICACI6N.
3.2 DOS PERSPECTIVAS DE LA SENSIBIUDAD.
PROBABILIDAD: OBJETIVAY ESPECIFICIDADYV ALORES
SUBJETIVA QUE PREDICENPOSITIVIDAD
YNEGATIVIDAD
3.3 PROPIEDADES ELEMENTALES
DELA PROBABIUDAD 3.6 RESUMEN
3.4 CALCULO DELA PROBABIUDAD
DE UN EVENTO
3.1 INTRODUCCION
La teorfa de la probabilidad es el fundamento para la inferencia estadistica. Sin
embargo, esta teoria, que es una rama de las matematicas, no es el tema principal
de este libro, por 10 que solo se estudiara.n los conceptos mas importantes. Los
estudiantes que quieran abundar en este tema, pueden consultar los libros de
probabilidad disponibles en bibliotecas de muchos colegios y universidades. Se
recomienda consul tar las obras de Gut (1), Isaac (2) y Larson (3). Los objetivos de
este capitulo son que el estudiante aumente su capacidad matematica en el area
de la probabilidad y brindarle ayuda en la comprension de los conceptos mas
importantes. EI avance a 10 largo de este capitulo contribuira de manera importante
a lograr el dominio de los procedimientos de la inferencia estadistica que se
presentan en el resto dellibro.
El concepto de probabilidad no es ajeno a los trabajadores de la salud,
puesto que 10 encuentran frecuentemente en la comunicacion diaria. Por
ejemplo, se puede escuchar que un medico dice que un paciente tiene una
oportunidad de sobrevivir a una operacion de 50-50. 0 bien, otro medico puede
decir que esta 95 por ciento seguro de que un paciente tiene una enfermedad en
particular. Una enfermera de salud publica puede decir que 9 de cada 10
57
58 CAPITULO 3 ALGUNOS CONCEPTOS BlisICOS DE PROBABILiSTICA
pacientes suspendenin su cita. Tal como 10 muestran estos ejemplos, mucha gente
expresa la probabilidad en terminos de porcentajes. Al abordar con la
probabilidad matematicamente, es mas conveniente expresarla como fraccion (los
porcentajes resultan de la multiplicacion de las fracciones por 100). De esta
forma se mide la probabilidad de ocurrencia de alglin hecho mediante un
numero entre cero y uno. Para el hecho mas probable, el numero es mas cercano
a uno, y para el hecho menos probable, el numero es mas cercano a cero. Un
hecho que no puede ocurrir tiene una probabilidad de cero, y un evento cuya
ocurrencia es segura tiene probabilidad de uno.
Los investigadores en ciencias de la salud continuamente se preguntan si los
resultados de sus esfuerzos se dieron solo por casualidad 0 si alguna fuerza actuo
para producir los efectos observados. Por ejemplo, suponga que seis de cada
10 pacientes vfctimas de una enfermedad se curan despues de recibir cierto
tratamiento. ~ s probable que hubiera ocurrido este porcentaje de cura sin que
los pacientes hubieran recibido el tratamiento 0 es esto evidenci<;t de un
verdadero efecto curativo por parte del tratamiento? Se vera mas adelante que
tales preguntas pueden contestarse a traves de la aplicacion de conceptos y leyes
de probabilidad.
3.2 DOS PERSPECTIVAS DE lA
PROBABllIDAD: OBJETIVA YSUBJETIVA
Hasta muy recientemente, los estadisticos y matematicos ensefiaban la probabili-
dad como un fenomeno objetivo, derivado de procesos objetivos.
El concepto de probabilidad objetiva se puede dividir bajo los tftulos de 1) proba-
bilidad cltisica 0 "a priori", y 2) frecuencia relativa 0 "a posteriori".
Probabilidad cl6sica La probabilidad clasica data del siglo XVII en los trabajos
de dos matematicos, Pascal y Fermat. Gran parte de esta teo ria fue creada al intentar
resolver problemas relacionados con los juegos de azar, como el juego de los dados.
Algunos ejemplos tornados de dichos juegos ilustran perfectamente los principios de
la probabilidad c1asica. Par ejemplo, si un dado normal es lanzado, la probabilidad
de que caiga un 1 es igual a 1/6, y es 10 mismo para los otros cinco lados. Si una
carta es sacada al azar de un mazo bien barajado, la probabilidad de sacar un cora-
zon es de 13/52. Las probabilidades como estas se calculan a traves del razonamien-
to abstracto. No es necesario lanzar un dado 0 sacar una carta para calcular esas
probabilidades. Allanzar un dado, se dice que cad a uno de los seis lados tiene igual
probabilidad de aparecer, si no hay razon que favorezca a alguno de los seis lados.
Analogamente, si no hay razon que favorezca el sacar alguna carta en particular, se
puede decir que cad a una de las 52 cartas tiene la misma probabilidad de salir. La
probabilidad se define en el sentido clasico como sigue:
3.2 DOS PERSPECTIVAS DE LA PROBABILIDAD: OBJETIV A Y SUBJETlVA 59
DEFINICION
Si un evento puede ocurrir de N formas, las cuales se
excluyen mutuamente y son igualmente probables, y si m
de estos eventos poseen una caracteristica E, la
probabHidad de ocurrencia de E es igual a miN.
Se lee P(E) como "la probabilidad de E". Esta definici6n se expresa como:
P(E)=!!!:...
(3.2.1)
N
Probabilidaddefrecuencia relativa El enfoque de frecuencia relativa de
la probabilidad depende de la repetibilidad de algunos procesos y la capacidad
de contar el numero de repeticiones, as! como el numero de veces que algun even-
to de interes ocurre. En este contexto, se puede definir la probabilidad de observar
alguna caracteristica, E, de un evento como sigue:
DEFINICION
Si algun proceso es repetido un gran numero de veces, n,
y si algun evento resultante, con la caracteristica E,
ocurre m veces, la frecuencia relativa de la ocurrencia de
E, min, es aproximadamente igual a la probabilidad de E.
Para expresar esta definicion en forma compacta se escribe:
P( E)= m
(3.2.2)
n
Sin embargo, se debe tener en mente que, estrictamente hablando, min es s610 una
estimacion de P(E).
Probabilidad subjetiva En los primeros alios de la decada de 1950, L. J.
Savage (4) dio un gran impulso a 10 que se conoce como probabilidad "personalistica"
o subjetiva. Este enfoque sostiene que la probabilidad mide la confianza que un
individuo tiene en la certeza de una proposici6n determinada. Este concepto no
depende de la repetibilidad de ninglin proceso. De hecho, al aplicar este concepto de
probabilidad, se puede calcular la probabilidad de un evento que s610 puede ocu-
rrir una vez, por ejemplo, la probabilidad de descubrir una cura para el cancer en
los proximos diez aiios.
Aunque el punto de vista subjetivo de la probabilidad ha gozado de gran
popularidad, los estadisticos que tienen orientacion tradicional aun no la aceptan
del todo.
60 CAPITULO3 ALGUNOS CONCEPTOSUASICOSDEPROBABILISTICA
3.3 PROPIEDADESELEMENTALES DE
IAPROBABHIDAD
En1933elmatematicorusoA. N.Kolmogorov(5)formaliz6elenfoqueaxiomatico
delaprobabilidad.Lasbasesdeesteenfoqueestaninmersasentrespropiedades,de
lasquesederivatodounsistemadeteorfadelaprobabilidadatravesdelusodela
l6gicamatematica.Estastrespropiedadessonlassiguientes:
1. Dadoalglinproceso(0 experimento)conn resultadosmutuamenteexcluyentes
(llamadoseventos),E]> E
2
, , En, laprobabilidaddecualquiereventoEi' esun
numerononegativo. Es decir:
P(E):?: 0 (3.3.1)
Enotraspalabras, todos los eventosdeben tener unaprobabilidadmayor0
igualacero,requerimientol6gicoenvistadeladificultaddeconcebirunaprobabi-
lidadnegativa.Unconceptoclaveenelenundadodeestapropiedadeseltermino
resultadosmutua,mente excluyentes. Sedicequedoseventossonmutuamenteexclu-
yentessi nopuedenocurrirenformasimultanea.
2. La sumadelasprobabilidadesdetodoslosresultadosmutuamenteexcluyentes
esiguala 1.
P(E]) + ... + P(E,) =1 (3.3.2)
Estaeslapropiedaddeexhaustividad, yse refiere a queelobservadordeun
procesoprobabilfsticodebecontemplartodosloseventosposibles,ycuandose to-
mantodos, suprobabilidadtotalesiguala 1. Elrequerimientodequeloseventos
seanmutuamenteexduyentes,especificaqueloseventosE
1
, E
2
, , En nosetraslapen.
Es decir, nopuedenocurrirdosdeestoseventosalmismotiempo.
3. Consideredoseventosmutuamenteexcluyentes,Ei yE.. Laprobabilidadde
laocurrenciade 0 E
j
esigualalasumadesusprobabflidadesindividuales.
(3.3.3)
Supongaquedoseventosnosonmutuamenteexcluyentes,esdecir,quepue-
denocurriral mismotiempo. Enunintentoporcalcularlaprobabilidaddeocu-
rrenciadeEi 0 Ej' elproblemadetraslapeocurreyentonceselprocedimientopodrfa
volversemuycomplicado.
3.4 CALCULODELAPROBABIIJDADDEUN EVENTO
61
3.4 cALCllLODEIAPROBABllIDAD
DEllNEVENTO
Acontinuacion se utilizanlosconceptosy las tecnicas de las secciones anteriores
paracalcularlaprobabilidaddeeventosespedficos.Sepresentanlnideasadiciona-
lesseglinseanecesario.
FJEMPLO3.4.1
Enunarticulodela revistaAmerican Journal ofDrugs and Alcohol Abuse, Ericksony
Murray(A-I)afirmanquelasmujeresestanconsideradascomoungrupoconries-
goespecialdeadiccionalacocaina,yquesehasugeridoquesusproblemasconla
cocainasonmayoresqueenloshombres.Conbaseenlarevisiondetextosespecia-
lizadosyenelanaUsisdelosresultadosdeunestudiooriginal,estosinvestigadores
argumentanquenohayevidenciadequeelusodecocainaenlasmujeresexcedaal
deloshombres,0 queelindicedeusocrezcamasrapidoencomparacionconelde
loshombres,0 queexperimentenmasproblemas.LossujetosdeestudiodeErickson
yMurraycomprendenunamuestrade75hombresy36mujeres.Losautoresafir-
manquelosindividuossonunamuestrabastanterepresentativadeadictostipicos
adultossintratamientoniencarcelados.Latabla3.4.1muestralafrecuenciadeuso
de la cocaina en el tiempo de vida y el sexo de los individuos. Suponga que se
escogeaunodeenosaleatoriamentedeentrelamuestra.~ u e probabilidadexiste
dequeseahombre?
Soludon: Parapropositosdeejemplificaciondelcalculodelasprobabilidades,se
consideraaestegrupode IIIindividuoscomoelgrupototaldeinteres.
Es decir, paraesteejemplo, se consideraa losindividuoscomounapo-
blacion. Sesuponequehombresymujeressoncategoriasmutuamente
excluyentes,yquelaprobabilidaddeseleccionaracualquierpersonaes
igualalaprobabilidaddeseleccionaracualquierotrapersona.Sedefi-
TABlA3.4.1 Frecuenciadeconsumodecocainaporgenero
entreadultosadictos
Frecuenciadeusodecocafna Delsexo Delsexo
enelperiododevida masculino(M) femenino(F) Total
1-19veces(A) 32 7 39
20-99veces(B) 18 20 38
100+ veces(C) 25 9 34
111 Total 75 36
FUENTE: CortesfadeMarcelDekker,Inc.Reimpresi6ndePatriciaG. EricksonyGlennF. Murray,
"Sex Differences in Cocaine Use and Experiences: A Double Standard?",American Journal of
Drug and Alcohol Abuse, 15,135-152.
62 CAPITULO 3 ALGUNOS CONCEPTOS BAsICOS DE PBOBABILISTICA
ne la probabilidad deseada como el numero de individuos con la carac-
terfstica de interes (hombre) dividida entre el total de individuos. Se
puede escribir en notaci6n probabilistica como sigue:
P(M) total de hombres Ito tal de individuos
75/111 .6757
Probabilidad condicional En ocasiones, el con junto de todos los "resulta-
dos posibles" puede constituir un subconjunto del con junto universal. En otras pa-
Iabras, la poblaci6n de interes se puede reducir mediante algun conjunto de
condiciones, no aplicables a la poblaci6n total. Cuando se calculan las probabilida-
des con un subconjunto del con junto universal como denominador, el resultado es
una probabilidad condicional.
Ala probabilidad calculada en el ejemplo 3.4.1, por ejemplo, se Ie puede consi-
derar como una probabilidad condicional, debido a que el tamano del con junto uni-
versal sirvi6 como denominador. No hubo condiciones impuestas para restringir el
tamaiio del denominador. Es posible pensar que esta probabilidad es una probabilidad
marginal, porque uno de los totales marginales se utiliz6 como numerador.
En la tabla 3.4.1 se puede ver el concepto de probabilidad condicional.
EJEMPLO 3.4.2
Suponga que se escoge aleatoriamente a un individuo de entre los III y se encuen-
tra que es un individuo del sexo masculino (M). es la probabilidad de que este
individuo haya consumido cocaina 100 veces 0 mas durante su vida (C)?
Soluci6n: Ya no es importante saber el numero total de individuos, porque, al se-
leccionar a un individuo del sexo masculino, los individuos del sexo fe-
menino son eliminados. Entonces, se puede definir la probabilidad
deseada como: probabilidad existe de que un individuo haya con-
sumido cocaina 100 veces 0 mas (C) durante su tiempo de vida, dado
que el individuo seleccionado es del sexo masculino (M)? Esta es una
probabilidad condicional y se escribe como P(C1M), donde la linea ver-
tical se lee como "dado". Los 75 individuos del sexo masculino se vuel-
yen el denominador de esta probabilidad condicional, y 25, el numero
de individuos del sexo masculino que consumieron cocaina 100 veces 0
mas durante su tiempo de vida, se vuelve el numerador. Por 10 tanto, la
probabilidad deseada es:
P(CIM) 25/75 = .33
Probabilidad conjunta Algunas veces se quiere encontrar la probabilidad de
que un individuo seleccionado aleatoriamente a partir de un grupo de individuos po-
sea dos caracterfsticas al mismo tiempo. A esta probabilidad se Ie conoce como probabi-
lidad conjunta. El cilculo de la probabilidad conjunta se ejemplifica a continuaci6n:
EJEMPLO 3.4.3
En referencia a la tabla 3.4.1, es la probabilidad de que una persona selecciona-
da aleatoriamente de entre los III individuos sea del sexo masculino (M)y que sea
una persona que consumi6 cocaina 100 veces 0 mas durante su tiempo de vida (C)?
63 3.4 CALCULO DE LA PROBABIUDAD DE UN EVENTO
Soludon: La probabilidad buscada se puede escribir en notacion simbolica como
P(M n C), donde el sfmbolo n se lee como "interseccion" 0 "y". La ex-
presion M n C indica que la condiciones My C son una ocurrencia con-
junta. El mlmero de individuos que satisfacen ambas condiciones deseadas
es 25, y se encuentran en la tabla 3.4.1 en la interseccion etiquetada
como columna M y renglon C. Puesto que la seleccion se realiza con el
total de individuos del con junto, el denominador es Ill. De tal manera
que la probabilidad se escribe como:
P(M n C) 25/111 = .2252

Regia de la multiplicaci6n La probabilidad se puede calcular a partir de
otras probabilidades. Por ejemplo, la probabilidad conjunta se puede calcular como
el producto de una probabilidad marginal y una probabilidad condicional adecua-
das. A esta relacion se Ie conoce como regia de la multiplicaci6n de probabilidad. Se
ilustra con el siguiente ejemplo:
EJEMPLO 3.4.4
Se pretende calcular la probabilidad con junta de seleccionar un individuo del sexo
masculino (M) con una frecuencia de consumo de cocafna de 100 veces 0 mas (C)
durante toda su vida, a partir del conocimiento de dos probabilidades convenien-
tes, una marginal y otra condicional.
Soludon: La probabilidad buscada es P(M n C). La probabilidad marginal ya esta
calculada como P(M) 75/111 .6757, Yuna probabilidad condicional
es P(CiM) = 25/75 .3333. Entonces sucede que estas son las probabi-
lidades marginal y condicional adecuadas para calcular la probabilidad
conjunta deseada que se puede calcular como: P(M n C)= P(M)P(CiM)
= (.6757)(.3333) .2252. Observe que esto es 10 que se esperaba: el
mismo resultado obtenido anteriormente para P(M n C).
Se puede afirmar que la regIa de la multiplicacion en terminos generales es como
sigue: Para cualesquiera dos eventos A y B,
peA n B) = P(B)P0IB), si P(B):;: 0 (3.4.1 )
Para los mismos dos eventos A y B, la regIa de multiplicacion tambien se escribe
como peA n B) = P(A)P(B IA), si P0) :;: o.
Es posible ver a traves de operaciones algebraicas que la regIa de la multipli-
cacion, establecida en la ecuacion 3.4.1, se puede utilizar para encontrar una de las
tres probabilidades expresadas si se conocen las otras dos. Por ejemplo, se puede
encontrar la probabilidad condicional P01 B) dividiendo peA n B) entre PCB). Esta
relacion permite defmir formalmente la probabilidad condicional como sigue:
64 CAPITULO 3 ALGUNOS CONCEPTOS BAsICOS DE PROBABILISTICA
DEFINICION
La probabilidad condicional de A dado B es igual a la
probabilidad de A (j B dividida entre la probabilidad de
B, siempre que la probabilidad de B sea diferente de
cero.
Esto es:
P(A IB)= P( A (I B) , P(B):f; 0
(3.4.2)
P(B)
Se ilustra el uso de la regIa de multiplicad6n para calcular la probabilidad condi-
donal con el siguiente ejemplo:
EJEMPl"O 3.4.5
Se pretende utilizar la ecuaci6n 3.4.2 y los datos de la tabla 3.4.1 para enconttar la
probabilidad condidonal P( C1M).
Soludon: De acuerdo con la ecuad6n 3.4.2,
P(C 1M) = P(C (I M)/P(M)

Previamente, se obtuvo P(C (I M) P(M (I C) = 25/111 .2252. Tambien, se
determin6 que P(M) 75/111 = .6757. Con estos resultados se puede calcular
P(C 1M) .2252/.6757 .3333, el cual, tal como se esperaba, es el mismo resultado
que se obtuvo al utilizar las frecuencias directamente de la tabla 3.4.1.
Regia de fa adicion La tercera propiedad de la probabilidad dada con ante-
rioridad afirma que la probabilidad de la ocurrencia de uno de los dos eventos
mutuamente excluyentes es igual a la suma de sus probabilidades individuales. Su-
ponga, por ejemplo, que se escoge aleatoriamente a una persona de entre las III
representadas en la tabla 3.4.1. ~ u a l es la probabilidad de que esta persona sea
del sexo masculino (M) 0 del sexo femenino (F)? Se expresa esta probabilidad con
los simbolos P(M U F), donde el simbolo u se lee como "uni6n" u "0". Puesto que los
dos generos son mutuamente excluyentes, P(M u P(M) + P(F) = (75/111) +
(36/111) = .6757 + 3243 = 1.
~ y si los dos eventos no fueran mutua mente excluyentes? En este caso se uti-
liza la regIa de la adici6n, la cual se enuncia como sigue:
DEFINICION
Dados dos eventos A y B, la probabilidad de que ocurra el
evento A, el evento B 0 ambos es igual a la probabilidad
del evento A mas la probabilidad del evento B, menos la
probabilidad de que ocurran simultaneamente.
3.4 CAI;.CULO DE LA PROBABILIDAD DE UN EVENTO
La regIa de la adici6n se puede escribir como sigue:
P(A u B) =P(A) + P(B) - P(A (l B) (3.4.3)
Para ilustrar el uso de la regIa dela adici6n se presenta el siguiente ejemplo.
FJEMPLO 3.4.6
Si se escoge aleatoriamente a una persona de los III individuos representados en
la tabla 3.4.1, ~ c i i l es la probabilidad de que esa persona sea del sexo masculino
(M) 0 de que haya consumido cocafna 100 veces 0 mas durante su tiempo de vida
(G) 0 ambas? .
Soluci6n: La probabilidad que se busca es P(M u C). Con la regIa de adici6n
segUn se expresa en la ecuaci6n 3.4.3 esta probabilidad se puede escri-
bir como P(M u C) = P(M) + P(C) - P(M (l C). Ya se sabe que P(M) =
75/111 =.6757 YP(M (l C) = 25/111 = .2252. De la informaci6n de la
tabla 3.4.1 se calcula P(C) 34/111 .3063. AI sustituir estos resulta-
dos en la ecuaci6n para P(M u C) se tiene P(M u C) = .6757 + .3063 -
.2252 = .7568.
Observe que 25 individuos que cumplen ambas condiciones: ser del sexo masculino
y haber consumido cocafna 100 veces 0 mas, esUin induidos entre los 75 individuos
que son del sexo masculino, asf como en los 34 individuos que consumieron cocafna
100 veces 0 mas. Dado que, en el calculo de la probabilidad, estos 25 se agregaron
en el numerador dos veces, tienen que restarse una vez para superar los efectos de
duplicaci6n 0 traslape.
Eventos independientes Suponga que en la ecuaci6n 3.4.1 se dice que el
evento B ya ocurri6, sin que este hecho afecte la probabilidad deA. Es decir, supon-
ga que la probabilidad del evento A es el mismo a pesar de que ocurra 0 no el
evento B. En esta situaci6n, P(A IB) = prAY. En tal caso se dice que los eventosA y B
son eventO$ independientes. Por 10 tanto, la regiade la multiplicaci6n para dos eventos
independientes se Pllede escribir como sigue:
peA u B) = P(B) P(A); P(A) ;r0, P(B);r 0 (3.4.4)
Asf, se observa que si dos eventos son independientes, la probabilidad de que
ocurran conjuntamente es igual al producto de las probabilidades de sus ocurren-
cias individuales.
Advierta que d:tando dos eventoscon probabilidades diferentes de cero son
independientes. cada una de las siguientes sentenciases verdadera:
P(A IB) =P(A), P(B IA) ::: P(B), P(A (l B) =P(A)P(B)
Dos eventos no son independientes a menos que todas. estas afirmaciones sean
ciertas. Es importante estar tonscientes de que los terminos independiente y mu-
tuamente exclriyente no significan la misma cosa. .'
66 CAPITULO 3 ALGUNOS CONCEPTOS BA.SICOS DE PROBABILISTICA
Con e1 siguiente ejemplo se ilustra el concepto de independencia.
EJEMPLO
En un grupo de preparatoria, que consta de 60 mqjeres y 40 varones, se observa
que 24 chicas y 16 muchachos usan lentes. Si un estudiante es e1egido aleatoriamente,
la probabilidad de que el estudiante use lentes, peE), es 401100, 0 .4.
a) es la probabilidad de que un estudiante elegido aleatoriamente use
letHes dado que es un estudiante varon?
Solucion: Con la formula para calcular la probabilidadcondicional se obtiene como
resultado:
P(EIB): P(EnB) = 16/100 =.4
PCB) 40/100
De esta forma, la informacion adicional de que el estudiante es un varon
no altera la probabilidad de que el estudiante use lentes, ypeE) = peE I
B). Se puede decir que los eventos "ser varon" y "usar lentes" en ese
grupo, son independientes. Se puede mostrar que los eventos "usar len-
tes", E, y "no servaron", B, tambien sonindependientes:
peE IB) P(EnB) =24/100 ",,24 =.4
PCB) 60/100 60
b) es la de que ambos eventos, queel estudiante use lentes y
sea un varon, ocurran simultaneamente? .
. Soiucion:Con el uso'de Ia regIa dada enla ecuadon3.4.1 setiene:
PCE n B) P(B)P(EIB)
pero, tal como ya se mostro, los eventos E yB son iildependientes, enton-
ces, se sustituye peEIB) por peE) para obtener mediante la ecuacion 3.4.4:
peE n B) =P(B)P(E)

=.16

. Eventos complementarios Ya se calculo, mediante el usO de la tabla 3.4.1,
que la probabilidad de que una persona seleccionada aleatoriamente de entre los
III individuos sea del sexo masculino es P(M) = 75/111 .6757; que la probabili-
dad de que sea del sexo femenino es P(F) = 36/111 .3243, Yqlle la suma de estas
.. dos probabilidades es igual a 1. Esto eS cierto porque los eventos ser del sexo mas-
culino y ser del sexo femenino son eventos complementarios. En general, se puede
67 3.4 CAI,CULODELA PROBABIUDADDEUN EVENTO
hacerlasiguienteafirmaci6ndeloseventoscomplementarios:laprobabilidaddel
eventoA es igual a 1menos la probabilidadde su complemento, que se escribe
como A, y
P (A) (3.4.5)
Estoresultaa partirdelatercerapropiedaddeprobabilidadporqueeleven-
to, A, ysu complementosonmutuamenteexcluyentes.
EJEMPLO
Supongaquede 1200admisionesal hospitalgeneralduranteciertoperiodo, 750
sonadmisionesprivadas.SisedesignaaestecomoconjuntoA,entonces Aesigual
a 1200-750 450.Sepuedecalcularque:
P(A) == 750/1200 .625
y
P(A) 450/1200==.375
yque
P(A) = 1-P(A)
.375 1 .625
.375 = .375

Probabilidadmarginal Ya seutiliz6elterminoprobabilidad marginal pararefe-


rirsealaprobabilidaddondeelnumeradordelaprobabilidadesuntotalmarginal
deunatablaigualquelatabla3.4.1.Porejemplo,cuandosecalculalaprobabili-
daddequeunapersonaseleccionadaaleatoriamenteentrelas 111 personasrepre-
sentadasenlatabla3.4.1 seaunindividuodelsexomasculino,elnumeradordela
probabilidadeslacantidadtotaldeindividuosdelsexomasculino,75.Por10tanto,
P(M) =75/111 = .6757. Se puede definir la probabilidadmarginaldemanera
masgeneralcomosigue:
DEFINICION
Dadaalgunavariablequepuededesglosarseenm
categorias designadasporAi'A
2
, , Ai' .,Am Yotra
variabledeocurrenciaconjuntaquepuedadesglosarseen
n categoriasdesignadasporB
1
, B
2
, , Bi' ..,Bn,.la
probabilidad marginal deAi' P(A) esiguala lasum.ade
lasprobabilidadesconjuntasdeAi contodaslas
categoriasdeB. Esdecir,
P(A) =LP(Ai n B
j
), para.todoslosvaloresdej (3.4.6)
Lossiguientes muestraneluso laecuaci6n3.4.6paracalcularlaproba-
bilidadmarginal.
68 CAPITULO3 ALGUNOS CONCEPTOSBAsICOSDEPROBABILiSTICA
FJEMPLO 3.4.9
Sepretendeutilizarlaecuaci6n3.4.6y losdatosdela tabla3.4.1 paracalcularla
probabilidadmarginalP(M).
Solucion: Lavariablegenerosedivideendoscategorias,individuosdelsexomascu-
lino (M) y del sexo femenino (E). Lavariable consumo de cocafna se
divideentrescategorfas: de 1a 19veces (A), de20a99veces (B) y de
1000masveces(C). La categorfaserdelsexomasculinoocurreconjun-
tamenteconlastrescategoriasdelavariablefrecuenciadeconsumode
cocaina, Las tres probabilidades conjuntasque puedencalcularse son
P(M nA) = 32/111 .2883,P(M n B) = 18/III= .1662,Y P(M n C)
= 25 / III .2252. Ahora, se calcula laprobabilidad marginalP(M)
sumandolastresprobabilidadesconjuntascomosigue:
P(M) =P(MnA) + P(M nB) + P(M nC)
= .2883 + .1622 + .2252
.6757

Talcomoseesperaba,elresultadoesigualalqueseobtuvoalutilizareltotalmar-
ginalparaindividuosdelsexomasculinoempleadocomonumeradory eltotalde
individuos,comodenominador.
FJERCICIOS
3.4.1 Enunestudiodec6moinfluyelaviolenciasocialypolfticaenlosriesgosdecomplicaci6ndel
embarazo,Zapataet al. (A-2)recopilaronunagrancantidaddeinformaci6ndeunamuestra
de161 mujeresembarazadascoliedadesentre19y40aiiosinscritasencuidadosprenatales
enseiscentrosdesaludenSantiagodeChile.Enlasiguientetablaseaprecialamuestrade
individuosclasificadosenreferenciacruzadasegiinel niveldeestudiosy elnumerodecom-
plicacionesprenatales:
Numerodecomplicaciones
prenatales
Escolaridad. (anos) ~ 0-1 Total
1-3 22 53 75
48 9 23 32
9-10 10 27 37
;:::11
5 12 17
Total 46 115 161
FUENTE: B. CeciliaZapata,Annabella'Reboliedo,EduardoAtalah, Beth
NewmanyMary-ClairKing,"TheInfluenceofSocialandPoliticalVio-
lenceontheRiskofPregnancyComplications",Americanjournal ofPu-
blic Health, 82,685-690.Copyright!>AmericanPublicHealthAssociation.
EJERCICIOS 69
a) Supongaque Ste escoge aleatoriamente a unamujerdeeste grupo. probabilidad
existedequeseaunamujercondos0 mascoll.lplicacionesprenatales?
b) seIe llamaalaprobabilidadcalcuIadaenelincisoa?
c) Muestrecomosecalculalaprobabilidaddelincisoacondosmetodosadicionales.
d)Siseescogealeatoriamenteaunamujer,<queprobabilidadexistedequetengados0 mas
complicacionesdeembarazoytengaentrecuatroyochoaftosdeescolaridad?
e)(ComoseIe llamaalaprobabilidaddelincisod?
f) Supongaqueseescogealeatoriamenteaunamujerconuna0 ningunacomplicaciondu-
rantesuembarazo. (Queprobabilidadexistedequetenga11 aftos0 masdeeducaci6n?
g) iC6moseIellamaalaprobabilidaddelincisof?
h)Supongaqueseescogealeatoriamenteaunamujer.(Cualeslaprobabilidaddequetenga
dos0 mascomplicacionesdurantesuembarazo0 quetengamenosdecuatroaftosdeesco-
laridad,0 quepresenteambascondiciones?
i) iComoseIe llamaalmetodoparaobtenerlaprobabilidaddelincisoh?
3.4.2 EnunarticulopublicadoenlarevistaCanadianJournal o/Public Health, Hammoudy Grindstaff
(A-3) afirmaronqueseestimaqueaproximadamente15 porcientodelapoblaci6ndeadul-
toscanadiensessondiscapacitadosenciertogrado.Losautoresexaminaronunamuestrade
lapoblaci6nadultadeCanadaparadeterminarlascaracterfsticasdelosdiscapacitadosffsi-
camentey hacerunacomparaci6nconunamuestraaleatoriadepersonassanasfisicamente
y delosmismosgruposdeedad.LasiguientetablatienelosdatosdelossujetosdeIamues-
traclasificadosporestadodediscapacidady ocupaci6n,porreferenciacruzada.
Estadodediscapacidad
Ocupaci6n Discapacitados Sanos Total
Administrativa 333 451 784
Oficina 260 281 541
Servicios 320 316 636
Primaria 68 62 130
Manufactura 297 317 614
Total 1278 1427 2705
FUENTE: AliM. Hammoud yCarlF. Grindstaff,"Sociodemographic
Characteristics ofthe Physically DisabledinCanada", Canadian
journa.l a/Public Health, 83,57-60,
a) eCuantasprobabilidadesmarginalessepuedencalculara partirdeestosdatos?Enuncie
cadaunaennotaciondeprobabilidadesyrealiceloscilculos.
b)eCuantasprobabilidadesconjuntassepuedencalcular?EnCmcieIasennotaci6ndeproba-
bilidadesy realiceloscilculos.
c) (Cu<intas probabilidadescondicionales se puedencalcular? Enuncielasennotaci6n de
probabilidadesy realiceloscaIculos.
d)Utilicelaregiademultiplicacionparacalcularlaprobabilidadde queunapersonaseleccio-
nadaaleatoriamenteseaunapersonasanafisicamentey esteempleadaenunaQ:ficina.
e) (ComoseIe llamaalaprobabilidadcalculadaenelincisod?
-------
70 CAPITULO 3 ALGUNOS CONCEPTOS BAsICOSDEPROBABILISTICA
f) Galculeconlaregiadelamultiplicaci6nlaprobabilidaddequeunapersonaseleccionada
aleatoriamenteseadiscapacitada,dadoquetieneempleoenel areadelamanufactura.
g) seIe llamaalaprobabilidadcalculadaenelincisof?
.h) Utiliceelconceptodeeventoscomplementariosparacalcularlaprobabilidaddequeuna
personaseleccionadaaleatoriamenteseaunempleadoadministrativo.
3.4.3 Consultelosdatosdelejercicio3.4.2,yenuncielassiguientesprobabilidadesconpalabras:
a) P(Oficinista(l fisicamente sano)
b)P(Oficinistau ffsicamente sano)
c)P(Oficinista I fisicamentesano)
d)P(Oficinista)
.' 3.4.4 Sriinskyet al. (A-4)realizaronunestudioparaevaluarlaeficaciayseguridaddeunaprepara-
,ciondemesalami'naoralrecubiertadepoHmerosensiblealpHenpacientesconactividadde
levea moderadadecolitisulcerosa.Enlasiguientetablasemuestranlos resultadosdeltrata-
mientoalfinaldeseis semanas,portratamientorecibido:
GJ:upoentratamiento
Resultado Placebo Mesalamina,1.6gldia '. Mesalamina,2.4gldia
En 2 6 6
Mejorado 8 13 15
Estable 12 11 14
Empeorado 22 14 8
FUENTE: Reproducidoconautorizaci6ndeCharlesA.Sninsky, David H. Cort, FergusShanahan,
BernardJ.Powers,JohnT. Sessions,RonaldE. Pruitt,WalterH,Jacobs,SimonK. Lo,StephanR.
Targan, James J.Cerda,DanielE. Gremillion,\,yjlliamJ,Snape, JohnSabel,.HoracioJinich,James
M, SwinehartyMichael P. DeMicco, "OralMesalamine (Asacol) for Mildly.to ModeratelyActive
UlcerativeColitis",Annals ofInternal Medicine, 115,350-355, .
a) eslaprobabilidaddequeunpacienteseleccionadoaleatoriamenteentreenremi-
si6nalfinaldeseissemanas?
b) eslaprobabilidaddequeunpacientequerecibeplacebologrela remisi6nalfinal
delasseissemanas?
c) eslaprobabilidaddequeunpacienteseleccionadoaleatoriamentehayaentradoen
remisionyseaunodelosquerecibioplacebo?
d) eslaprobabilidaddequeunpacienteseleccionadoaleatoriamenteseaunodelos
querecibierondosis de2.4g/dia0 esteenlalistadepacientesmejorados,0 posea ambas
condiciones?
3.4.5 Silaprobabilidaddeserzurdoenungrupoesde.05, eslaprobabilidaddeserdiestro
(suponiendoquenohayambidestreza)?
3.4.6 Laprobabilidaddequeunpacienteseleccionadoaleatoriamenteentrelosresidentesactua-
lesdeunhospitalseadelsexomasculinoesde.6.La probabilidaddequeel pacienteseadel
sexomasculinoyhayasidointernadoparacinigiaesde.2, Unpacienteseleccionadoaleato-
riamenteentrelosresidentesactualesesdelsexomasculino, eslaprobabilidaddeque
elpacienteesteinternadoparacirugia?' .
3.5 TEORKMADE-BAYES,PRUEBADE.CI,ASIFICACION,SENSIBILIDAD 71
3.4.7 Enciertapoblaci6ndepacienteshospitalizadoslaprobabilidaddequeunpaciente,seleccio-
nadoaleatoriamente,est : enfermodelcoraz6nesde.35.Laprobabilidaddequeunpacien-
teenfermodelcoraz6nseafumadoresde.86..tCuales laprobabilidaddequeunpaciente
seleccionadoaleatoriamente,deestapoblaci6n,seafumadory est : enfermodelcoraz6n?
3.5 TEOREMA DE BAYES, PRUEBA DE
CIASIFICACION, SENSmHIDAD,
ESPECIFICIDAD YVALORES QUE
PREDICEN POSITIVIDAD YNEGATIVIDAD
Enel campOdecienciasdelasaludseutilizaampliamentelaaplicaciondeleyes
deprobabilidadyconceptosrelacionadosenlaeva,luaciondepruebasdedetec-
cionycriteriosdediagnostico.Alosmedicoslesinteresatenermayorcapacidad
parapredecircorrectamentelapresencia0 ausenciadeunaenfermedadenpar-
ticularapartir del conocimientodelosresultados(positivos.onegativos)deprue-
basyelestadodelossfntomas(presentes0 quese Tambien,
es deintereslainformacionrespectoa laprobabiFdadderesultados positivos 0
negativosde pruebasyla, probabilidadd.epresencia0 ausenciadeunsfntoma
espedficoenpacientescon0 sinunaenfermedadenparticular.
. Enpruebasdedeteccionsedebeconsiderarcon(:uidadoquenosiempreson
pruebasirifalibles. Es decir, elprocedimientopuededarlmfalso positivo 0 unfalso
negativo,
DEFINICIONES
1. Unfalsopositivoresultacuandounapruebaindicaque
el estadoespositivo,cuandoenrealidadesnegativo.
2. Unfalsoriegativoresultacuandounapmebaindicaque
unestadoesnegativo,cuandoenrealidadespositivo.
En resumen, se debe responder a las siguientes preguntas para evaluar la
utilidaddelosresultadosdelapruebayelestadodelossintomasparadeterminar
sielindividuotiene0 noalgunaenfermedad:
1. Dadoqueunindividuotienelaenfermedad,. prqbabilidadexistedeque
lapruebaresulteJ?ositiya (01apresenciadeunsintoma)?
, 2. Dadoqueunindividuonotienela enfermedad, eslaprobabilidadde
quelaprueba:resultenegativa(0 deunsintoma)?
3. Dadaunapruebapositivadedeteccion. (0 lapresenciadeunsintoma),
prob,abilidadexistedeque,elindividuotengalaenfermedad?
4. Da:do elresultadonegativodeunapruebadedeteccion (0 laausenciade
. unsintoma), eslaprobabilidadde queelindividuonotengalaen-
fermedad?
72 CAPiTULO 3 ALGUNOS CONCEPTOS BAsICOS DE PROBABILiSTICA
TABlA 3.5.1 Muestra de n individuos (conn
lOuy grande) c1asificados en referencia
cruzada segnn el estado de enferlOedad y el
resultado de la prueba de detecci6n'
Enfermedad
Resultado de
la prueba Presente (D) Ausente (D) Total
Positivo cn a b a+b
N egativo cn c d c+ d
Total a. + c b+d n
Suponga que para una IDuestra denindividuos (donden es un numero grande)
se tiene la informaci6n que se muestra en la tabla 3.5.1. la tabla muestra para estos n
individuos sus estados con respecto a la enfermedad, y es el resultado de una prueba de
detecci6n disefiada para identificar a los individuos enfermos. Las entradas de las casi-
llas n:!presentan el nfunero de individuos que caen en las categonas definidas por los
encabezados de rengl6n' y columna. Pot ejemplo, a es el numero de individuos que
tienen la enfeimedad y un resultado positivo en la prueba de detecci6n.
Tal como se explic6; 'se puede cakular una gran variedad de probabilidades a
partir de la informaci6n desplegada en una tabla de doble via como la tabla 3.5.1. Por
ejemplo, se puede calcular la estimaci6n de la probabilidad condicional peT1D)= a/
(a + c).Esta proporci6n es una estimaci6n de lasensibilidaddela prueba de detecci6n.
DEFINICION:
La sensibilidadde una prueha (0 sintoma) es la
prohahilidad de un resuhBdo positivo de la prueha
(presencia Q ausencia del sintoma) dada la presencia de
la enfermedad.
Tambien se puede cakular la estimaci6n de la- probabilidad condicional
P(T115) = d / (b +d).Esta proporci6n es unaestimaci6n dela especificidad de la
prueba de detecci6n.
DEFINICION
La especificidad de una prueha (0 sintoma) es la
prohahilidad de un resultadonegativode 1a prueha (0
ausenciadel- sintoma) dada la ausencia de la enfermedad.
A partir de los datos de la tabla 3.5.1 puede responderse ala pregunta 3 con
el ca.lculo de la estimaci6n de la probabilidad condicional P(D I, T). Esta proporci6n
es una estimaci6n de la probabilidad Hamada valorquepredicelapositividadde una
prueba de detecci6n (0 de un sintoma).
3.5 TEOREMA DE BAYES, PRUEBA DE CLASIFICACION, SENSIBILIDAD 73
DEFINICI6N
El valor que predice lapositividad de una prueba de
detecci6n (0 un sintoma) es la probabilidad de que un
individuo tenga la enfermedad, dado que el individuo
presenta un resultado positivo en la prueba de detecci6n
(0 presenta el sintoma).
Amilogamente, la expresi6n p(DI T) es una estimaci6n de la probabilidad
condicional de que un individuo no presente la enfermedad dado que el resultado
de la prueba de detecci6n es negativo (0 no presenta el sfntoma). La estimaci6n de
la probabilidad mediante esta proporci6n se llama valor que predice la negatividad de la
prueba de detecci6n 0 del sfntoma.
DEFINICI6N
El valor que predice lanegatividad de la prueba de
detecci6n (0 sintoma) es la probabilidad de que el
individuo no tenga la enfermedad, dado que el resuItado
de la prueba de detecci6n es negativo (es decir no
presenta el sintoma).
La estimaci6n del valor que predice la positividad 0 negatividad de una prue-
ba (0 sintoma) puede obtenerse a partir;del conocimiento de la sensibilidad y espe-
cificidad de la prueba (0 del sintoma) y delaprobabilidad de la enfermedad relevante
en la poblaci6n general. Para obtener la estimaci6n de estos valores de predicci6n
se utiliza el teorema de Bayes, teorema de probabilidad atribuido a Thomas Bayes
(1702-1761), c ~ r i g o Ingles iriteresado en las matematicas. Acontinuaci6n se enun-
cia el teorema de Bayes, con la notaci6n indicadaen la tabla 3.5.1, para obtener el
valor que predice la positividad de una prueba de detecci6n (0 sfntoma):
P(D IT) = . peT ID)P(D) .
(3.5.1)
peT ID)P(D)+P(T ID)P(D)
EI amHisis de la composici6n de la ecuaci6n 3.5.1 resulta instructiva: Re-
cuerde que seglin la ecuaci6n 3.4.21a probabilidad condicional P(D IT) es igual a
P(D 11 T)/P(T). Paracomprender la 16gica del teorema de Bayes, se debe identifi-
car que e1 numerador de la ecuaci6n 3.5.1 representa P(D 11 T) Yque el denomi-
nador representa P(T). Se sabepor la regIa de.la multiplicaci6nde la probabilidad
dada en la ecuaci6n 304.1 queel numerador de la ecuaci6n 3.5.1, P(TID) P(D), es
igual a P(D 11 T). ... .
Ahora, observe que el denominador dela ecuaci6n 3.5.1 es igual a P(T). Se sabe
que el evento T es el resultado de que un individuo esta clasificadocomo positivo con
respecto a la prueba de detecci6n (clasificado con presencia de un sfntoma). Un indi-
viduo clasificado como positivo puede tener 0 no la enfermedad. Por 10 tanto, la
ocurrencia de T es el resultado de un individuo con la enfermedad y prueba positiva
[P(D 11 T)] 0 que sin la enfermedad y con prueba positiva [P(D 11 T)]. Estos dos
74 CAPITULO3 ALGUNOSCONCEPTOSBA.SICOS DEPROBABILISTICA
eventossonmutuamenteexcluyentes(su intersectiones cera)y, consecuentemen-
te,parlaregIadeadici6ndadaparlaecuacion3.4.3,se puedeescribir:
P(T) =P(D n T) +P(D (1 T)
Puestoque,porIaregIadelamultiplication,P(Dn T) '=P(T ID)P(D) YP(D n T)
p(fID) P(D), sepuedereescribirlaetuaci6n3.5.2comosigue:
P(T) := peT ID)P(D) +P(T 115)P(D)
(3.5.3)
y esteeseldenominadordelaecuad6n3.5.1.'
Tambien,adviertaqueelnumeradordelaecuaci6n3.5.1 esigualalasensibi-
lidadporlatasa(de prevalenda)delaerifermedad;eldenominadores igual ala
sensibilidadporlatasadelaenfermedadmasel 1menoslasensibilidad
poreltermino 1menosIatasadelaenfermedad.
Laevaluaciondelaecuaci6n3.5.1 respondealapregunta3. Pararesponder
i. alapregunta4sesigue,ahora;lalineaderazonamientoyaconocidaparallegaral
siguienteenuRciadodelteoremadeBayes:
- - P(TID)P(D)
P(DIT}= __
(3.5.4)
peT ID) P(D) +P(T ID) P(D)
"La ecuad6n 3.5.4 calcular unaestimaci6n de la prababilidad de que el
individuoconpruebanegativa(0 quenopresentaelsfntoma),notengalaenferme-
dad,lacual.esel valorquepredicelanegatividaddelapruebadedetecci6n0 del
sfntoma. , .
Conelsiguiente.ejemplosemuestraelusodelteoremadeBayesparacalcular
elvalorquepredicelapositividad:
FJEMPLO 3.5.1
Unequipodeinvestigaci6nmedicapretendeevaluarunapruebadedetecd6npro-
puestaparalaenfermedaddeAlzheimer.Lapruebasebasaenunamuestraaleatoria
de450ehfermosy enotramuestraaleatoriaindependientede500pacientesqueno
.presentansfntomasdelaenfermedad.Lasdosmuestrasseobtuvierondeunapobla-
ciondeindividuosconedadesde65alios0 mas. Losresultadossonlossiguientes:
eDiagnosticodeAlzheimer?
Resultadode
laprueba Sf (D) No (jj) Total
Positivo(T) 436 5 441
Negativo (f) 14 509
Total 450 500 950
75
EJERCICIOS
EJERCICIOS
Conestosdatos seestimaquelapruebadesensibilidadesP(TID) 436/450=
.97. Laespecificidaddelapruebaes pCt Il5) ::::: 495/500 .99.Ahora,conestos
resultados se calcula el valorque predice la positividaddelaprueba. Esto es, se
pretende estimar la: probabilidad de que un individuo con pnieba positiva este
enfermodeAlzheimer.Apartirdelos datos tabuladossecalculaP(TID) = 436/
450=.9689,-yqueP(TID) 5/500=.01.Lasustituciondeestosresultadosenla
ecuacion3.5.1 da:
P(D IT)
(.9689) P(D)
(.9689) P(D) + (.01)P(D)
(3.5.5)
Notequeelvalorquepredicelapositividaddelapruebadependedelatasadela
enfermedadenla poblacionrelevante engeneral. En estecaso1a poblacionmas
representativaestaformada porindividuos de 65 aflos 0 mas. Sehaceenfasisde
quelatasadeenfermedadenlapoblad6ngeneralmasrepreseniativa,P(D), nose
puedecalculara partirdelos datosdelamuestra, porque-las dosmuestrasinde-
pendientesseobtuvierondedospobladonesdistintas.Por10 tanto,sedebebuscar
en otro lugarunaestimaci6n deP(D). Evanset at. (A-5) estimaron que 11.3 por
cientodelapoblacionde65aflos0 masenEstadosUnidostienelaenfermedadde
Alzheimer.Al sustituirlaestimaciondeP(D) enlaecuacion3.5.5seobtiene:
(.9689)(.113)
P(D IT)
(.9689)(.113)+(,01)(1-.113)
. Tal comose puedeapreciar, enestecaso, elvalorpredictivodela pruebaes muy
alto.
3.5.1 Unequipodeinvestigacionmedicapretendeevaluarlautilidaddeciertosintoma(Hamado
S)paraeldiagn6sticodedeterminadaenfermedad.Enunamuestraaleatoriaindependien-
tede775pacientesconesaenfermedad,744presentaronelsintoma.Enunamuestraaleatoria
independientede1380individuossinlaenfermedad,21presentaronelsintoma.
a) Paraelcontextodeesteejercicio, esunfalsopositivo?
b) esunfalsonegativo?
c) Calculelasensibilidaddelos sintomas
d)Calculelaespecificidaddelsfntoma
e) Supongaque se sabe que la tasa de la enfermedadenla poblaci6n engenerales .OOL
2Cuaiesel valorquepredicelapositividaddelsintoma?
1) eselvalorquepredicelanegatividaddelsfntoma?
g) Calcular los valores que predicen la-positividad y la negiltividad'del sfntoma paralas
siguientestasashipoteticas: .0001, .01 Y.10. .
h)Conbaseenlosresultadosqueseobtuvieronenelincisog, sepuedeconduiracerca
delos quepredicenel sfntoma?
3.5.2 Enunarticulotitulado"ProbabilityandCharacteristicsofHumanImmunodeficiencyVirus
Infection in Male Greek Military Personnel withTuberculosis", publicada en la revista
Respiration [62,280-285],Bouros'fJt at. utihzaronelteoremadeBayesparacalcularlaproba-
76 CAPiTULO3 ALGUNOS CONCEPTOSBAsICOSDEPROBABILtSTICA
bilidaddeque pacientescontuberculosisesteninfectadosconelVIE. Si puedeconseguir
este articulo, leay escriba unacrttica del mismo que incluya la respuestaa las siguientes
preguntas:
a) autoresemplearoncorrectamenteel teoremadeBayes?Expliqllesurespuesta.
b) utilizaron las estimaciones de probabilidad correctas en los calculos? Explique su
respuesta.
c) suficiente informacion disponible pararepetirlos calculos? Si es as!, (se puede
llegaralosmismosresultados?
3.5.3 Si estadisponibleelarticulo'deKatzet al. ["Useof Bayes'sTheoremtoEstimatetheImpact
ofthe Proposed CD4-Based Expansion ofthe AIDS Case Definition",joumal of Acquired
Immune Deficiency Syndromes, 6, 295-297],leayescribaunacrtticaqueincluyalasrespuestasa
lassiguientespreguntas:
a) unqaplicaci6napropiadadelteoremadeBayes?Expliquesurespuesta.
b) (Existendiferenciasentreestaaplicaci6ndelteoremadeBayesylaaplicacionpresentada
enelejercicio3.5.1?Expliquesurespuesta.
3.6 RESUMEN
Enestecapitulosepresentanalgunasdelasideasbasicasyconceptosdeprobabili-
dad.EI objetivoesproveersuficiente"intuici6n"sobrelamateria,demaneraque
losaspectosprobabilfsticosdelainferenciaestadisticapuedanserHicilmentecom-
prendidosyapreciadosencapftulosposteriores.
Sedefinecomoprobabilidadaunm1meroentre0y1quemidelaposibilidad
de que ocurra alg(m evento. Se hace la distinci6n entre probabilidad subjetivay
objetiva. La probabilidadobjetivasepuedesubdividircomoprobabilidadclasica0
defrecuenciarelativa.Despuesdeestablecerlastrespropiedadesdeprobabilidad,se
definey muestraelcarculodelossiguientestiposdeprobabilidad:marginal,conjun-
taycondicional.Seaprendec6moaplicarlasreglasdeadici6ny multiplicaci6npara
calcularci,ertasprobabilidades.Seestudiaelsignificadodeeventosindependientes,
mutuamenteexcluyentesycomplementarios.Tambien,se estudiaelsignificado de
especificidad,sensibilidadyvaloresquepredicenlapositividadynegatividadaplica-
dosapruebasdedetecci6n0 sintomasdeenfermedad.Finalmente,seaprendec6mo
utilizarel teoremadeBayesparacalcularlaprobabilidaddequeunindividuoeste
enfermo,dadoqueelindividuotieneunresultadopositivoenlapruebadedetecci6n
(0bien,presentaelsintomacorrespondiente).
PREGUNTASYEJERCICIOSDEREPASO
1. Definalossiguientesconceptos:
a) Probabilidad b) Probabilidadobjetiva
c) Probabilidadsubjetiva d)Probabilidadclasica
e) Conceptodeprobabilidad f) Eventosmutuamenteexcluyentes
defrecuenciarelativa
g) Eventosindependientes h)Probabilidadmarginal.
77
PREGUNTASYEJERCICIOSDEREPASO
i) Probabilidadconjunta 'j) Probabilidadcondicional
k) Regiadelaadici6n I) RegIadelamultiplicaci6n
m)Eventoscomplementarios n) Falsopositivo
0) Falsonegativo p) Sensibilidad
q) Especificidad r) Valorquepredicelapositividad
s) Valorquepredicelanegatividad t) TeoremadeBayes
2. Nombreyexpliquelastrespropiedadesdelaprobabilidad.
3. DesJarlaisetai. (A-6)examinaronelfracasoparamantenerreducidoslosriesgosdeSIDAen
unestudio deconsumodedrogas intravenosasenlaciudad deNuevaYork. La siguiente
tablamuestraa los sujetosdelestudio, enreferenciacruzada; porestadodereducci6nde
riesgosynumerodecompaiierossexualesenunmespromedio:
Estadodereducci6nderlesgos
Nu.merodecompafteros
sexuales/mes Ninguno Sinmantener Mantiene Total
Ninguno 20 17 43 80
1 37 45 95 177
>1 20 54 67 141
Total 77 116 205 398
FUENTE: Cortesiade Marcel Dekker, Inc. Reimpreso porDonC. DesJarlais, Abu
Abdul-Quadery Susan Tross, "The Next Problem: Maintenance ofAIDS Risk
ReductionAmongIntravenousDrogUsers",TheInternationalJournalo/theAddictions,
26,1279-1292.
a) Si seseleccionaaunindividuoal azar, (cmileslaprobabilidaddequeesteindividuono
hayainiciadoningunareducci6nderiesgo?
b)Siseseleccionaaunindividuoalazar,yestehatenidomasdeuncompaiierosexual,
eslaprobabilidaddequehayamantenidolareducci6nderiesgo?
c) Si seseleccionaaleatoriamentea unindividuo, esIa probabilidaddequenohaya
tenidocompaiierossexualesyquenohayamantenido1;:,t,reducci6nderiesgo?
d) Si se seleccionaal azara unindividuo, eslaprobabilidaddequehaya tenidoun
compaiierosexual0 nohayainiciadolareducci6nderiesgo?
4. Elprop6sitodelestudiodeGehanetai. (A-7) es definirIa dosis6ptimadelidocainanecesaria
parareducireldolorenlainyecci6ndepropofol.De acuerdoconestosinvestigadores,elpropofol
se utilizacomoagentedeacci6nrapidaparainducci6ndeanestesia.Sinembargo,a pesarde
esto,muchasdesventajaslimitansuutilizaci6ndebidoaldolorgeneradci.Otrosestudiosmues-
tranquelalidocamaintravencisasuministradaantes0 conel propofolreducelafrecuendade
dolor;EnelestudiodeGehanetai. (A-7)seutilizaron310padentesquerecibieronanestesia.Se
clasific6alospadentesencuatrocategonasdeacuerdoconladosisdelidocaina.ElgrupoAno
recibi6lidocama,entantoquelosgruposB, CYDrecibieron.1,.2Y.4 mglkg,respectivamente,
mezcladoconpropofol.EIgradodedolorexperimentadoporlospadentessecalific6de0a3;
los padentesquenoexperimentarondolorrecibieronunacalificaci6ndeO. Lasiguientetabla
muestraa lospadentes,dasificadosenreferenciacruzadaporgruposegCtpnivelesdedosis y
calificaci6npordolor:
78 CAPITULO3 ALGUNOS CONCEPTOSBAsICOSDEPROBABILISTICA
Grupo
Calificaci6n
pordolor A B C D Total
0 49 73 58 62 242
1 16 7 7 8 38
2 8 5 6 6 25
3 4 1 0 0 5
Total 77 86 71 76 310
FUENTE: G.Gehan,P. Karoubi,F. Quinet,A. Leroy,C.Rathat
yJ.L. Pourriat,"OptimalDoseofLignocaineforPreventing
PainonInjectionofPropofol",BritiShjournalofAnaesthesia
66,324-326. .
a) Encuentrelassiguientesprobabilidadesyexpliquesusignificado:
1.P(O II D)
2.PCB u 2)
3.P(3IA)
4.P(C)
b) Expliqueporquecadaunadelas'siguientesecuacioneses0 nounaafirmaci6nverdadera:
1. P(O liD)= hDII 0)
2.P(2 u C) = P(Cu 2)
3.peA) = peA (10) + peA II 1) + peA II 2) + P(;t (13)
4.PCB u 2) = PCB) + P(2)
5.P(DI0)= P(D)
6.P(Cn 1)= P(C)pel)
7. P(;t II B) = 0
8.P(2II D) = P(D)P(21D) .
9.PCB (10) = PCB) PCBI0)
5. Auncentenardemujerescasadasselespregunt6quemetododecontrolnatalpreferfan.La
siguientetablamuestralas 100respuestasclasificadasenreferenciacruzadapornive!educa-
tivoy metododecontrol.
.Nivelescolar .
Metodode
control, Preparatoria Universidad Posgrado
natal (A) (B) (C) Total
S 15 8 7 30
T 3 7 20 30
V,
5 5 15 25
W 10 3 2 15
Total 33 23 44 100
79 PREGUNTASYEJERCICIOSDEREPASO
Encuentrelas siguientesprobabilidades:
a) P(S) b)P(VuC) c) P(A) d) peW)
e) P(AIvv) t) p(jj) "g) P(TriB) h) P[(TrI C)]
6. EI departamentodesaluddeciertopaisrecibe25solicitudesparaunavacantequehaypara
unaenfermeraensaludpublica.Deestassolicitudes, 10sondemayoresde30aiiosy.15 de
menoresde30aiiosdeedad. tienenestudiosuniversitariosyochotienengrado
demaestrfa.Delasquetienenmenosde30aiios,seistienengradedemaestria.Sialazarse
haceunaselecci6ndeentrelas25solicitantes, es laprobabilidaddese1eccionarauna
personaque tengamasde30aiios de 0 que tengagradedemaestrla?
7. Lasiguientetablamuestra1000aspirantesalaescueladeenfermeria,clasificadasdeacuer-
doconlascalificacioneslogradasenelexamendeingreso,alauniversidadyalacalidadde
laescue1apreparatoriadelaquesonegresadas,segUnungmpodeprofesores:
Caiidaddelasescuelaspreparatorias
Deficiente Promedio Superior
Calificaci6n (P) (A) (S) Total
Baja(L) 105 60 55 220
Media(M) 70 175 145 390
Alta(H) 25 65 300 390
Total 200 300 500 1000
a) Calcule\aprob<j.bilidaddequeunaaspiranteseleccionadaaleatoriamentedeestegrupo:
1. Tengaunacalificaci6nbajaene1 examen.
2. Seagraduadadeunapreparatoriadecalidadsuperi'or.
3;'Tengaunacalificati6nbajaen'el exanienyseagraduadadeunapreparatoriadenivel
superior.
4. Tengauna'calificaci6nbajaenelexamendadoquese gradu6enunapreparatoriade
nivelsuperior.
5. Tengaunacalificaci6nalta0 queseagraduadadeunapreparatoriadenivelsuperior.
b) Calculelas.siguientesprobabilidades: '
I.P(A) 2.P(H) 3.P(M)
4.P(AIH) 5.P(MriP) 6.P(HIS)
8. Silaprobabllidaddequeunaenfermeraensaludpublicaencuentreaunpacienteencasaes
de .7, es la probabilidad(suponga independenciadeevento&) deque endosvisitas
domiciliariashechasenundlaambospacientesestenencasa?,
9. La siguientetablamuestraelresultadode500entrevistashechas duranteunainvestigacion
paraestudiarlaopiniondelosresidentesdedertaciudadacereadelalegalizaciondelaborto.
'Losdatosestanclasificadosporareadelaciudadendondeseaplico cuestionario.
80 CAPITULO3 ALGUNOS CONCEPTOSBAsICOSDEPROBABILISTICA
Resultado
Areade Afavor Encontra Abstinencia
.laciudad (F) (Q) (R) Total
A 100 20 5 125
B 115 5 5 125
D 50 60 15 125
E 35 50 40 125
Total 300 135 65 500
, a) Sialeatoriamenteseseleccionaun'cuestionariodeentrelos500, eslaprobabilidad
deque:
1.elencuestadoesteafavordelalegalizaci6ndelaborto?
2.elencuestadoesteencoritradelalegalizaci6ndelaborto?
. .
3.elencuestadoseabstenga?
4.elencuestadovivaenelareaA,B,"D, E?
5.elencuestadoesteafavordelalegalizaci6ndelaborto, dadoqueresideenelareaB?
6.elencuestadoseabstenga0 residaenelareaD?
b) Calculelassiguientesprobabilidades:
1.P(A nR) 2. P(QuD) 3. P(D)
4. P(Q I D) 5. P(B I R) 6. P(F)
10. Enunapoblaci6n,laprobabilidaddequeunindividuo,elegidoaleatoriamente,seexponga
adeterminadoalergenoytenga'unaieacci6nfreritealmismoesde.60. Laprobabilidadde
que un individuo expuesto al alergeno expedmenteuna reacci6n alergica es de .8. Si un
individuoes elegido aleatoriainente deestapoblaci6n, laprobabilidad de que se
expongaalalergeno?
11. Supongaque3 porcientodeunapoblaci6ndeadultoshaintenladosuicidarse.Tambiense
sabeque20porcientodeesapoblaci6nviveencondicionesextremasdepobreza.Siestosdos
eventosson eslaprobabilidaddequeunindividuoelegidoaleatoriamente
hayaintentadosuicidarseyademas.vivaencondicionesextremasdepobreza?
12. Enunapoblaci6ndemujeres,4porcientotienencancerdepecho,20porcientosonfuma
dorasy3porcientosonfumadorasytienencancerdepecho.Siunamujereselegidaalazar
deentreesapoblaei6n, eslaprobabilidaddequetenga,cancerdepecho,0 seafumado-
ra0 tengaambascaracteristicas? "
" ' .'
13. La probabilidad de que unapersona elegida al azar de entre una poblaci6n presente el
sintomacaracteristico deunaenfermedad es de .2, ylaprobabilidaddeque unapersona
elegidaaleatoriamentepresenteesaenfermedades de.23. Laprobabilidaddeelegirauna
personaquetengaelsintomaytambienlaenfermedadesde.18. Siunapersonaelegidaal
azardeentreesapoblaci6nnopresentaelsintoma, eslaprobabilidaddequetengala
enfermedad?
14. Paraciertapoblaci6nse definenlos siguienteseventos paralas edadesdelasmadresenel
momentadedaraluz:A = menosde20aDOS, B = 20-24aDOS, C= 25-29aDOS, D = 30-44
aDOS. LoseventosA, B, CyD' enpares mutuamenteexcluyentes?
15. Enreferenciaalejercicio 14, establezcaconpalabrasel'eventoE = (A u B).
81 BffiLIOGRAFIA
16. Enreferenciaalejercicio 14, establezcaconpalabraseleventoF= (B u C).
17. Enreferenciaalejercicio 14,-=omenterespectoaleventoG=(A n B).
18. Paraciettapobhici6nsedefinenlossiguienteseventosconrespectoalosnivelesdelipoprotefna
delplasma(mg/dl):A = (l0-15);B = C=($20). loseventosAyB mutuamente
exduyentes? My C?, i.E YC? Expliquesurespuestaparacadapregunta.
19. Enreferenciaalejercicio 18,establezcaconpalabraselsignificadodelossiguienteseventos:
a)AuB b)AnB c)AnC d)AuC
20. Enreferenciaalejercicio 18,establezcaconpalabraselsignificadodelossiguienteseventos.
a) if b) B c) C
21. Lasiguientetablamuestralosresultadosdelaevaluaci6ndelapruebadedetecci6nenlaque
participaron una muestra aleatoriade 650 individuos con la.enfermedad y una segunda
muestt:aaleatoriaindependientede1200individuossinlaenfermedad.
Enfermedad
Resultadodelexamen Presente .Ausente
Positivo 490 70
Negativo 160 1130
a)Calculelasensibilidaddelaprueba.
b)Calculelaespecificidaddelaprueba.
c)Silatasadelaenfermedadenlapoblaci6nengenerales.002, eselvalorquepredice
lapositividaddelaprueba?
d) msunaestimaci6nsatisfactoria 650/1850 dela tasa dela enfermedadenlapoblaci6n
general?Expliquesurespuesta.
22. Lasensibilidaddeunapruebadedetecci6nesde.95ysuespecificidades.85. Latasadela
enfermedadparalaqueutiliz6lapruebaesde.002. eselvalorquepredicelapositividad
delaprueba?
BmUOGRAFiA
Bibliografiademetodologia
1. AllanGut,An Intermediate Course in Probability, Springer-Verlag, NewYork.
2. RichardIsaac, The Pleasures ofProbability, Springer-Verlag,NewYork.
3. HaroldJ.Larson,Introduction to Probability, Addison-Wesley, Reading,MA.
4. L.J.Savage,Foundations of Statistics, Segundaedici6nrevisada, Dover, NewYork.
5. A. N.Kolmogorov,Foundations ofthe Theory ofProbability, Chelsea,NewYork. (Edici6noriginal
enaleman,publicadaen1933.)
82 CAPITULO 3 ALGUNOS CONCEPTOS BA.SICOS DE PROBABILISTICA
Bibliografia de aplicaciones
A-I. Patricia G. Erickson y Glenn F. Murray, "Sex Differences in Cocaine Use and Experiences: A
Double AmericanJournal ofDrug and Alcohol Abuse, 15, 135-152.
A-2. B. Cecilia Zapata, Annabella Rebolledo, Eduardo Atalah, Beth Newman y Mary-Clair King,
''The Influen:ce of Social and Political Violence on the Risk of Pregnancy Complications",
AmericanJournal ofPublic Health, 82,685-690.
A-3. Ali M. Hammoud y Carl F. Grindstaff, "Sociodemographic Characteristics of the Physically
Disabled in Canada", Canadian Journal ofPublic Health, 83, 57-60.
A-4. Charles A. Sninsky, David H. Cort, Fergus Shanahan, Bernard J. Powers, John T. Sessions,
Ronald E. Pruitt, Walter H.Jacobs, Simon K. Lo, Stephan R. Targan,JamesJ. Cerda, Daniel
E. Gremillion, William J. Snape, John Sabel, Horacio Jinich, James M. Swinehart y Michael
P. DeMicco, "Oral Mesalamine (Asacol) for Mildly to Moderately Active Ulcerative Colitis",
Annals ofInternal Medicine, 115,
A-5. D. A. Evans, P. A. Scherr, N. R. Cook, M. S. Albert, H. H. Funkeristein, L. A. Smith, L. E.
Hebert, T. T. Wetle, L. G. Branch, M. Chqwn, C.JI. Hennekens, y J. O. Taylor, "Estimated
Prevalance of Alzheimer's Disease in the United States", Milbank Quarterly, 68, 267-289.
A-6. Don C. Des Jarlais, Abu Abdul-Quader y Susan Tross, "The Next Problem: Maintenance of
AIDS Risk Reduction Among Intravenous Drug Users", The International Journal of the
Addictions, 26, 1279.-1292.
A-7. G. Gehan, P. Karoubi, F. Quinet, A. Leroy, C. Rathat y J. L. Pourriat, "Optimal Dose of
Lignocaine for Preventing Pain on Injection of Propofol", BritishJournal ofAnaesthesia, 66,
324-326. . ..
4.1 INTRODUCCION
En el capitulo anterior se presentaron los conceptos basicos de probabilidad y los
metodos para ca1cular la probabilidad de un eventQ. En este capitulo se amplla,n
estos conceptos y se exploran form as para calcular las probabilidades de un
evento bajo condiciones un poco mas complicadas. En este capitulo se estudian
las relaciones entre los valores de la variable aleatoria y las probabilidades de que
su ocurrencia pueda resumirse por medio de un mecanismo Hamado dislt"ibuci6n
de probabilidad. La distribucion de probabilidad se puede expresar forma de
tabla, grafica 0 formula. Conocer la distribucion de probabilidades para la
variable aleatoria proporciona al medico y al investigador herramientas podero-
sas para simplificar y describir un conjunto de datos, y para llegar a conclusiones
acerca de la poblacion de datos sobre la base de una muestra de datos extraidos
de lapoblacion.
4.2 DISTRIBUCIONDEPROBABllIDAD
DEVARIABLES DISCRETAS
Para iniciar el estudio de las distribuciones de probabilidad, se cbnsidera en primer
lugar la distribucion de probabilidad de una variable discreta, la cual se define
comosigue:
83
-----
CAPITULO4 DISTRIBUCIONESDEPROBABILIDAD
DEFINICION
Ladistribucion de probabilidad deunavariablealeatoria
discretaesunatabla,unagratica,unafannulau otro
sistelDautilizadoparaespecificartodoslosvalores
posiblesdeunavariablealeatoriadiscretajuntoconsus
probabilidadesrespectivas.
EJEMPLO4.2.1
.. ~
EnunarticulodelarevistaAmericanJournal o/Obstetrics and Gynecology, Buitendijky
Bracken(A-I)aseguranquedurante25afiossehatornadomayorconcienciadelos
efectos potencialmentedafiinosdelos medicamentosyquimicoseneldesarrollo
de los fetos. En una poblaci6n de mujeres dadas de alta en maternidad, enun
hospitaldelestedeEUA, entre 1980y 1982,losautoresvaloraronyestudiaronla
asociaci6n deluso d ~ medicamentos convarias caracteristicas de la madre, por
ejemplousodealcohol,tabacoyadicci6nafarmacos.Sushallazgossugierenquela
TABIA4.2.1 Prevalenciadel
CODSUIDOdemedicmnentos
prescritos y noprescritosdurante el
embarazoenUelllujeresdadasde
altadepuesdelpartoenunhospital
deleste deEUA
N6merodemedicamentos Frecuencia
o 1425
1 1351
2 793
3 348
4 156
5 58
6 28
7 15
8 6
9 3
FUENTE: SimoneBuitendijkyMichael B. Brac-
10
ken,"MedicationinEarlyPregnancy:Prevalence
12
ofUseandRelationshiptoMaternalCharacte-
ristics",AmericanJournal ofObstetrics and Gyneco-
Total 4185
logy, 165,33-40..
mujerquemuestrauncomportamientomaspropensoa correrriesgosdurantee1
embarazo,tambienestamaspropensaautilizarmedicamentosduranteelmismo.
Latabla4.2.1muestralaprevalenciadelconsurnodemedicamentosprescritosyno
prescritosduranteelembarazoentrelasmujeresestudiadas.
4.2 DISTRIBUCIONDEPRQBABILIDADDEVARIABLESDISCRETAS 85
TABlA 4.2.2 Distribucionde
probabilldaddelnUrnerode
medicamentosconsumidosconysin
prescripcionduranteelembarazoentre
lasmujeresdesClitasen elejemplo4.2.t
Numerodemedicamentos(x) P(X =x)
0 .3405
I .3228
2 .1895
3 .0832
4 .0373
5 .0139
6 .0067
7 .0036
8 .0014
9 .0007
10 .0002
12 .0002
Total 1.0000
Sepretendeconstruirladistribuci6ndeprobabilidaddelavariablediscreta
X, dondeX= nurnerodernedicarnentosprescritosynoprescritosconsurnidospor
losindividuosestudiados.
Soluci6n: LosvaloresdeXsonXI =0,x
2
1, ...,XlI =lOyX 12 =12.Secalculanlas
probabilidadesparaestosvaloresdividiendosusrespectivasfrecuencias
entreeltotal,4185.Asl, porejemplo.P(X x) =1425/4185=.3405.EI
resultadosernuestraenlatabla4.2.2querepresentaladistribuci6nde
probabilidadesdeseada.
Altemativarnente. se puedepresentar esta distribuci6n deprobabilidad en
formagrafica, comoenlafigura4.2.1. Endichafigura, lalongituddecadabarra
verticalindicalaprobabilidadparaelvalorcorrespondientedex.
Enlatabla4.2.2seobservaquelosvaloresdeP(X = x) sontodospositivos.
rnenoresque 1. y lasurnadelosrnismosesiguala 1. Estasnosoncaracterfsticas
particularesdeesteejernplo,sinoquesoncaracterfsticasparatodaslasdistribu-
ciones de probabilidad de variable discreta. Por 10 tanto, se dan las siguientes
propiedadesindispensablesenunadistribuci6ndeprobabilidadparaunavaria-
blediscreta:
1) 0.::;; P(X = x).::;; 1
2) LP(X= x) =1
86 CAPiTULO 4DISTRIBUCIONES DE PROBABILIDAD'
.35
.34
.33
.32
.31
.30
.29
.28
.27
.26
.25
.24
.23
.22
.21
.20
"0 ,19
'"
J,l .18
:0
.17
a: .16
,15
.14
.13
.12
.11
.10
.09
.08
.07
.06
.05
.04
" .03
.02
,01
o 2 3 4
x (numero de medicamentos)
FIG,URA 4.2.1 Representaci6n grafica de la distribuci6n de probabilidad de la
tabla 4.2.1.
Tambien se observa que cada una de las probabilidades de la tabla 4.2.2 es la
frecuencia relativa de ocurrencia de cada valor de X.
Cuando se tiene disponible la distribuci6n de probabilidad, es posible hacer afir-
maciones acerca de la variable aleatoria X. Se muestra con los siguientes ejemplos.
4.2 DISTRIBUCI6NDEPROBABILIDADDEVARIABLES DISCRETAS 87
EJEMPLO 4.2.2 .
. . .
eslaprobabilipad ,queunamujerseleq:ionadaaleatoriamenteseaunade
lasqueconsumierontresmedicamentoscon0 sin.prescripci6n?
Solucion: Sepuedeescribirla probabilidaddeseadacomoP(X = 3). Enlatabla
4.2.2sepuedeverquelarespuestaes .0832.
EJEMPLO 4.2.3
es laprobabilidaddequeunamujerseleccionadaaleatoriamentehayacon-
sumidouno0dosmedicamentos?
Solucion: Pararesponderalapregunta,seutilizalaregIadeadici6nparaeventos
mutuamenteexcluyentes. Medianteeluso delanotaci6nde probabili-
dadylosresultadosdelatabla4.2.21arespuestaseescribecomoP(l u
2) P(l) +P(2) .3228 +.1895 = .5123..
lJiStrihuciOlles acumulqdas. AIgunasvecesesmasconveniente con
ladistribuci6n de probabilidad acumulada deunavariablealeatoria.Ladistribuci6nde
probabilidadacumuladaparalavariablediscretacuyadistribuci6ndeprobabilidad
estadadaenlatabla4.2.2puedeobtenersesum'andosucesivamentelasprobabili-
dades,P(X = x), que aparecenenla ultimacolumna. Laprobabilidadacumulada
paraXi seescribecomoF(x) P(X:<;; x). EstodalaprobabilidaddequeXseamenor
oigualaunvalorespedficoxi'
Ladistribuci6ndeprobabilidadacumuladaresultantese muestraenlatabla
4.2.3. La grafica de la distribuci6n deprobabilidadacumuladasemuestra en la
figura4.2.2.AunagraficadeestetiposeIe llamaojiva. LagraficadeF(x) consiste
solamenteenlaslineashorizontales. Laslfneasverticaless610 Ie danunaaparien-
ciaconectada.Lalongituddecadalineaverticalrepresentalamismaprobabilidad
queladelalineacorrespondienteenlafigura4.2.1.Porejemplo,lalongituddela
lfneaverticalenX 3delafigura4.2.2 representalamismaprobabilidadque
lalongituddelalinealevantadaenX 3delafigura4.2.1, 0 .0832enlaescala
vertical.
AI consultarladistribuci6ndeprobabilidadacumuladaesposibleresponder
rapidamentealaspreguntasdelos ejemplossiguientes: .
EJEMPLO 4.2.4
eslaprobabilidaddequeunamujerseleccionadaaleatoriamenteseaunade
lasqueconsumierondos0menosmedicamentos?
.. Solucion: LaprobahilidadbuscadasepuedelocaJizardirectamenteenlatabla4.2.3,
enelladoopuestoax = 2, dondeseobservaquees .8528.Esdecir,P(x
:<;; 2) =.8528.Tambiense puedelocalizarla respuestaexaminandola
figura4.2.2ydeterminandolaalturadelagrafica(medidasobreeleje
vertical)arriba.del.valorde:J!: = 2.
88 CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD
TABlA 4.2.3 Distribucion de probabilidad acumulada del numero
de medicamentos con y sin prescripcion utilizados durante el
embann:o entre las mujeres descritas en el ejetUplo 4.2.1
Numero de medicamentos (x) Frecuencia acumulada P(X:'; 2)
o
1
2
3
4
5
6
7
8
9
10
12
.3405
.6633
.8528
.9360
.9733
.9872
.9939
.9975
.9989
.9996
.9998
1.0000
1.00
.95
.90
.85
.80
.75
.70
.65
.60
.55
.50

r....
.45
.40
.35
.30
.25
.20
.15
.10
.05
2 3 4 5 7 o 8 9 10 11 12
x (numero de medicamenlos)
FIGURA 4.2.2 Distribuci6n deprobabilidad acumulada del numero de medicamentos con 0
sin prescripci6n utilizados durante el embaraZo entre las mujeres descritas en el ejemplo 4.2.1.
39 4.3 DISTRIBUCION BINOMIAL
EJEMPIJO4.2.5
es la probabilidad de que una mujer seleccionada aleatoriamente sea una de
las que, consumieron menos de dos medicamentos?
SoIudon:Puesto que una mujer que consumio menos de dos medicamentos indica
que consumio uno 0 ninguno, la respuesta es la probabilidad acumulada
para 1, esdecir, P(x < 2) = P(x S 1) == .6633.
EJEMPLO4.2.6
la probabilidad de que una mujer seleccionada aleatoriamente haya con-
sumido cinco 0 mas medicamentos?
Soludon: Para encontrar la respuesta se utiliza el conceptode probabilidad com-
plementaria. EI conjunto de mujeres que consumen cinco 0 mas medi-
c<:l.mentos es el complemento del conjllllto de mujeres que consumen
menos de cinco (es decir, cuatro 0 menos). La suma de las probabilida-
des asociadas coneste conjunto es igual a 1. Esta relacion escrita en
notacion de probabilidad es P(x 2 5) + P(x s ,4) == 1. Por 10 tanto, P(x 2
5) = 1 - P(x s 4) = 1- .9733 = .0267.
EJEIUPLO4.2.7
es la probabilidad de que una mujer seleccionada aleatoriamente sea una de
las que consumieron entre tres y cinco medicamentos, inclusive?
Soludon: P(x s 5) = .9872 es la probabilidad de que una mujer haya consumido
entre cero y 5 medicamentos, inclusive. Para obtener la probabilidad de
entre 3 y 5, se resta de .9872 la probabilidad de 2 0 menos. La respuesta
escrita en notacion de probabilidad queda como: P(3 S x s 5) P(x s
5) - P(x s 2) = .9872 - .8528 = .1344.
La distribuci6n de probabilidad dada en la tabla 4.2.1 esta desarrollada a partir de
la experiencia real, asi que de encontrar otra variable siguiendo esta distributi6n
, seria s6lo por casualidad. Sin embargo, las distribuciones de probabilidad de mu-
chas variables de interes pueden determinarse 0 asumirse sobre la base de conside-
raciones te6ricas. En las siguientes secciones, se estudian con detall,e tres de estas
distribuciones te6ricas de probabilidad: binomial, Poisson y normal.
4.3 DISTRIBUCIONBINOMIAL
La distribuciOn binomial es una de las distribuciones utilizadas mas ampliamente en
estadistica aplicada. La distribuci6n se deriva de llll procedimiento conocido como
ensayo de Bernoulli, nombrado as! en honor del matematico suizo James Bernoulli
(1654-1705), quien realiz6 contribuciones importantes en el campo de la probabi-
lidad, induyehdo, particularmente, la distribucion binomial. Guanda en un proce-
so aleatorio 0 experimento, llamado ensayo, puedeocurrir solo uno de dos resultados
mutuamente excluyentes, como vida 0 muerte, enfermo 0 sano, masculino 0 feme-
nino, el ensayo se llama ensayo de Bernoulli.
90 CAPITULO4 DISTRIBUCIONESDE PROBABILIDAD
Proceso de Bernoulli UnasecuenciadeensayosdeB-ernoulliformaunproce-
so de Bernoulli, si secumplenlas siguientescondiciones:
1.Encadaensayoocurreunodedosposiblesresultados,IIiuWamenteexcluyentes.
Unodelosposiblesresultados.se.denota(arbitrariamente)comounexitoyel
otro., comofracaso. ," "
2. La probabilidad de un exito, denotado porp, permanece constante de un
ensayoa otro,ylaprobabilidaddefracaso, 1- p, sedenotaconq.
3. Los ensayos son independientes, es decir, el resultado de alglin ensayo en
particularnoesafectadoporelresultadodecualquierotroensayo.
EJEMPLO 4.3.1
Sedeseacalcularlaprobabilidaddex exitosenn ensayosdeBernoulli. Por ejem-
plo,supongaqueenciertapoblacion52porcientodetodoslosnacimientosquese
registraronsonvarones. Lainterpretaciondeestoes quelaprobabilidaddelnaci-
mientodeunvaronregistradoes de.52.Sialeatoriamenteseescogencincoregis-
tros de nacimiento dentro de esa poblacion, ~ c u a l es la probabilidad de que
exactamentetresdeellospertenezcanavarones?
Solucion: Designe la ocurrencia de un registro para el nacimiento de unvaron
como"exito",yseaclaraqueestaesunadesignacioriarbitrariaconfines
de claridady convenienciay no refleja ninguna opinion respecto a la
preferenciarelativadelnacimientodevaronesfrenteam:ujeres. Laocu-
rrencia de unregistro de nacimiento paraunvaron se designa como
exito, puestoque10 quesebuscasonregistros denacimientosdevaro-
nes.Sisebuscasenregistrosdenacimientosdemujeres,estossedande-
signados como exitos, y el registro de nacimientos de varones sedan
designadoscomofracasos. .
Tambienes conveniente asignarelnumero 1a unexito (registro
delnacimiento deunvaron) yun0 paraunfracasb (registro denaci-
mientodeunamujer).
Elprocesoquefinalmenteresultaenunregistrodenacimientose
consideracomounprocesodeBernoulli.
Supongaque, delos cinco registrosdenacimientoseleccionados,
resultaestasecuenciadesexos:
VMVVM
Enformacodificadase escribedelasiguienteforma: .
. .
10110
Puestoquelaprobabilidaddeunexito ~ e denotaconpylaprobabi-
lidaddeunfracasosedenotaconq, laprobabilidaddelasecuenciadelos
resultadosanteriQressecalculapormediodelaregIademultiplicacion:
P(l, 0; 1; 1, 0) =pqppq =q2p3
91 4.3 DISTRIBUCION BINOMIAL
La regia de lamultiplicacion resulta adecuada para calcular esta proba-
bilidad, puesto que sebusca la probabilidad de un varon, una mujer, un
varon, un varon y una mujer, en ese orden. En otras palabras, se requie-
re la probabilidad con junta de cinco eventos. Por razones de sencillez, se
utili zan las comas en lugar de la notacion de interseccion, para separar
10s resultados de los eventos en la expresion de la probabilidad .
. La probabilidad resultante es la de obtener la secuencia espedfica
en el orden en que se muestran. Sin embargo, el interes no esta en el
orden de ocurrencia de los registros. del nacimiento de varones y muje-
res, sino, como .se ha manifestado previamente, en la probabilidad de
ocurrencia exacta de tres registros de nacimiento de varones de entre
cinco registros seleccionados aleatoriamente"En lugar de ocurrir en la
secuencia mostrada con anterioridad (secuencia numero I), los tres exi-
tos y dos fracasos pueden ocurrir tambien en alguna de las secuencias
adicionales dadas en la tabla adjunta.
Numero Secuencia
2 11100
3 10011
4 11010
5 11001
6 10101.
7 01110
8 00111
9 01011
10 01101
Cada una de estas secuencias tiene la misma probabilidad de ocu-
rrir yes igual a q2p3, probabilidad calculada para laprimera secuencia
mencionada.
Cuando se extrae una sola muestra de cinco elementos a partir de
una poblacion espedfica, solo se obtiene una secuencia de exitos 0 fra-
casos. La pregunta, ahora, es: ,cual es la probabilidad de obtener la
secuencia numero 1; la secuencia numero 2 ... 0 la secuencia numero 10?
Con la regIa de adicion se sabe que esta probabilidad es igual a la suma
de las probabilidades individuales. En este ejemplo se requiere sumar
las 10 q2p3, 10 que equivale a multiplicar q2p3 por 10. Ahora se puede
responder a la pregunta original: ~ c u l es la probabilidad de observar
tres exitos (registros de nacimiento de un varon) y dos fracasos (registros
de nacimiento de una mujer) en la muestra aleatoria de 5 elementos
extrafda de la poblacion especificada? Puesto que en Ia poblacion, p =
.52 Y q = (l - P) (1 - .52) .48, la respuesta a la pregunta es:
10(.48)2(.52)310(.2304)(.140608) .32

92 CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD
Uso de la combinaci6n como procedimiento en maestros grandes
Facilmente se puede anticipar que hacer una lista del numero de secuencias se
hace mas y mas diffcil y tedioso segtin crece el tamano de la muestra, por 10 cual
es necesario un metodo sencillo para contar el numero de secuencias. Este meto-
do es proporcionado por la formula de conteo que permite determinar rapida-
mente cuantos subcoIYuntos de objetos pueden formarse cuando en diferentes
subconjuntos se utili zan numeros de objetos que componen el conjunto del cual se
extraen. Cuando el orden de los objetos dentro de un subconjunto es inmaterial, el
subconjunto se llama combinacion de objetos. Si un conjunto consta de n objetos y
se pretende formar un subconjunto de x objetos, sin ver el orden de los objetos
dentro del subconjunto, el resultado se llama combinaci6n. Por ejemplo, se define la
combinacion como sigue cuando la combinacion se forma tomando x objetos de un
conjunto de n objetos:
DEFINICION
Una cornbinaci6n de n objetos tornados x a la vez es un
subconjunto desordenado de x de los n objetos.
EI numero de combinaciones de n objetos que imeden formarse tomando x a
la vez esta dado por:
n!
.G
N
=----
(4.3.1)
x!(n-x)!
donde: x!, que se lee x factorial, es el producto de todos los numeros enteros de x
hasta 1. Es decir, xl = x(x - l)(x 2) ... (1). Observe que, por definicion, 01 1.
En el ejemplo se tiene una muestra de n = 5 nacimientos y se tiene n t n ~ s en
encontrar la probabilidad de que tres de elIos sean nadmientos de varones.
EI numero de secuencias para el ejemplo se caIcula con la ecuacion 4.3.1 como
sigue:
120
10
12
En el ejemplo, x = 3 es el numero de exitos, as! que n - x 2 representa el
numero de fracasos. Luegose escribe la probabilidad de obtener exactamente x
exitos en n ensayos:
j(x) =nGxqn-xpx = nG/jrqn-N para x = 0, 1, 2, ... , n
= 0, en caso contrario (4.3.2)
A esta expresion se Ie llama distribudon binomial. En la ecuacion 4.3.2fix)
P(X = x), donde X es la variable aleatoria, el numero de exitos es n ensayos. Se
93
4.3 DISTRIBUCION BINOMIAL
TABlA 4.3.1 Distribucion
binomial
Numero de exitos, x Probabilidad, f(x)
o "C
o
q"-0pO
1 "C1qn-lpl
2 nC2qn-2p2
x
n
Total 1
utilizaj{x) en Iugar de P(X x) porque es muy compacta y porque es de uso casi
universal.
La distribuci6n binomial se puede presentar en forma tabular como se mues-
tra en la tabla 4.3.1.
Se establece que Ia ecuacion 4.3.2 es una distribuci6n de probabilidad al
mostrar 10 siguiente:
1. j{x) 0 para todos los valores reales de x. Esto proviene del hecho de que n y
p no son nfuneros negativos, por 10 que nex' px y (1-p)" -xtampoco 10 son, por
10 tanto sus productos son mayores 0 iguales a cero.
2. 2.,j{x) = 1. Esto se considera cierto al reconocer que 2.,,,C
x
q" -x px es igual a [(1 -
p) + p]" = I" = 1, que es la expresi6n binomial familiar. Si el binomio (q + p)n
es desarrollado se tiene:
+ ... +nqlpn-l +pn
Si los terminos de la expansion son comparados, termino a termino, con los
fix) de la tabla 4.3.1 se aprecia que son equivalentes, termino a termino,
porque:
f(O):::: c ~ n - O pO
f{l):::: C q"-l pt ::::nqn-lpl
n 1 .
n(n 1)
2
94 CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD
FJEJ\tIPLO 4.3.2
Otro ejemplo del uso de la distribucion binomial. Suponga que se sabe que 30 por
ciento de cierta poblacion es inmune a alguna enfermedad. Si se escoge una mues-
tra aleatoria de 10 elementos de entre esta poblacion, es la probabilidad de
que dicha muestra contenga exactamente cuatro personas inmunes?
Solucion: Se tiene que la probabilidad de elegir una persona inmune es de .3. AI
utilizar la ecuacion 4.3.1 se encuentra que:
f(4) =IOC4 (.7)6(.3)4
= 10! (.1l7649)(.0081)
416!
=.2001

Tabla binomial El calculo de una probabilidad empleando la ecuacion 4.3.1


puede ser una labor tediosa si el tamafio de la muestra es grande. Por fortuna, las
probabilidades para diferentes valores de n, pyx ya estan tabuladas, por 10 que
solo es necesario consultar la tabla conveniente para obtener la probabilidad de-
seada. La tabla B del apendice es una de muchas tab las disponibles. Dicha tabla
presenta la probabilidad de que x sea menor 0 igual a alglin valor espedfico. Es
decir, la tabla presenta las probabilidades desde x = 0 hasta alglin
numero positivo especffico de exitos.
El uso de la tabla se muestra utilizando el ejemplo 4.3.2, en el que se requiere
calcular la probabilidad de x = 4 cuando n 10 y P=.3. De acuerdo con el estudio
de la distribticion de probabilidad acumulada de la seccion anterior, se sabe que P(x
4) puede calcularse restando P(X 3) de P(X 4). Si en la tabla B se localiza a p
.3 para n = 10, se encuentra que P(X 4) .8497 y P(X 3) = .6496. La resta del
primero menos el segundo es igual a .8497 .6496 = .2001, 10 cual coincide con el
calculo manual.
Con frecuencia el interes radica no solo en determinar las probabilidades
para valores especfficos de X, sino para intervalos donde la probabilidad de X este
entre, digamos, 5 y 10. Con el siguiente ejemplo se muestra 10 anterior:
r\JEJ\tIPLO 4.3.3
Suponga que se sabe que en cierta poblacion 10 por ciento es daltonica. Si se extrae
una muestra aleatoria de 25 personas de esa poblacion, con la tabla B del apendice,
encuentre la probabilidad de que:
a) Existan cinco 0 menos daltonicos.
Solucion: La probabilidad esta en una de las entradas de la tabla. Sin la necesidad
de sumar ni res tar, la probabilidad P(X 5) = .9666.
b) Existan seis 0 mas daltonicos.
Soluci6n: Esta probabilidad no se puede encontrar directamente en la tabla. Para
encontrar la respuesta, se utiliza el concepto de probabilidades comple-
mentarias. La probabilidad de que existan seis 0 mas daltonicos es el
95 4.3DISTRIBUCION BINOMIAL
complemento de la probabilidad de que, existan cinco 0 menos. Es decir,
este con junto es el complemento del con junto especificado en el inciso
a; por 10 tanto: '
P(X?:. 1 - P(X::; 5) == I .9666 .0334
c) Existan entre seis y nueve daltonicos, inclusive.
Soludon: Esta probabilidad se encuentra restando la probabilidad de que X sea me-
, nor 0 igual a 5 de la probabilidad de que X sea mayor 0 igual a 9. Es decir:
P(6::; X::; 9) P(X::; 9) - P(X::; 5) .9999 .9666 .0333
d) Existandos, tres 0 cuatro daltonicos:
Soludou:' Esta es la probabilidad de que X este entre 2 y 4, inclusive.
P(X::; X::; 4) P(X::; 4)-P(X::; 1) .9020-.2712 = .6308
Ulilizar la labia B cuandop > .5 La tabla B no da las probabilidades para
valores de p mayores a .5. Sin embargo, pueden obtenerse las probabilidades a
partir de la tabla B replanteando el problema en terminos de probabilidad de fra-
caso, I -p, en lugar de en terminos de probabilidadde exito p. Como parte del
se debe pensar, tambien, en terrninos del numero de fracasos, n
x, mas que en terrninos de exitos x. Esta idea se resume de lasiguiente manera:
P(X xln,p> .50) =P(X n-xln,I-p) (4.3.3)
Puesta en palabras, la ecuacion 4.3.3 dice que: "La probabilidad de que X sea
igual a algu.n valor especffico dado el tamano de la muestra y una probabilidad
mayor que .5, es igual ala probabilidad de que X sea igual a n x dado el tamano de
la muestra y la probabilidad de un fracaso I-p". Con la finalidad de utilizar la tabla
binomial, la probabilidad de un fracaso se trato como la probabilidad de un exito.
_Cuando pes mayor que .5, las probabilidades acumuladas pueden obtenerse a par-
tir de la tabla B empleando la siguiente relacion:
P(X::; xIn, p > .5) = P(X ?:. n - x In, 1 - p) (4.3.4)
Finalmente, al utilizar la tabla B para calcular la probabilidad de que X sea mayor 0
igual a alguna x cuando P > .5, se utiliza la siguiente relacion:
P(X?:. xln,p > .5) P(X::; n-xln, I-P) (4.3.5)
E,JEMPLO 4.3.4
Encierta comunidad, en una tarde dada, en 85 por cientode las farnilias, alguno de
los miembros esta en casa. Un equipo de investigacion sanitaria selecdona una
muestra aleatoria de 12 familias para realizaruna encuesta via telefonica. Con la
tabla B, calcule la probabilidad de que:
96 CAPITUL04 DISTRIBUCIONESDE PROBABILIDAD
a) EI equipoencuentreaalguienencasaen7familiasexactamente.
Soluci6n: EI replanteamientodelproblemaescomosigue:Sien15porcientode
las familias no hay nadie en casa, es la probabilidad de que el
equipoquerealizalaencuestanoobtengarespuestaen5de 12 llama-
das?Larespuestasecalculacomosigue:
P(X = 51n= 12, 15) P(Xs 5)-P(Xs 4)
=.9954- .9761 .0193
b)EI equipoencuentreaalguienencasaen5familias 0 menos.
Soluci6n: Laprobabilidadquesebuscaes:
P(X S 51n = 12,p =.85)= P(X 212 51n = 12,p =.15)
P(X271n 12,p .15)
= 1 P(Xs 61n 12,p =.15)
=1- .9993 .0007
c)EI equipoencuentreaalguienencasaen80masfamilias.
, .
Soluci6n: Laprobabilidadquesebuscaes:
P(X 281n =12,p =.85)=P(X S 41n =12,p =.15) = .9761
Lafigura4.3.1muestraunarepresentaci6nvisualdelasoluci6nparalostresincisos
delejemplo4.3.4.
N6meroposible Numeroposible
deexitos(alguien defracasos(nadie
encasal= x Condici6nde encasal=n -x, Condici6nde
P(JtxITo) =.85 prohabilidad P(FRACASO) =.15 probabilidad
Inciso b P(X 5112,
6 6
Inciso a
CD P(X == 7112, .85)

Inciso c
P(X 8112, .85)
11
12
0
7112, .15)
P(X == 7112, .15)
.15)
FIGURA4.3.1 Representaci6nesquematicadelasoluci6ndelejemplo4.3.4(dentrodelos
6valosseencuentraelnumerorelevantedeexitosyfracasosencadacaso).
FJERCICIOS
EJERCICIOS 97
Parameiros bilWmiales La distribucionbinomialdenedos parametros,n y
p. Sonparametrosenelsentidodequesonsuficientesparaespecificarunadistri-
bucionbinomial. Ladistribucionbinomialesenrealidadunafamilia dedistribu-
ciones con cadauno delos valores posibles de n yp designando a unmiembro
diferentedelafamilia. La mediaylavarianciadeladistribucionbinomialsonJ.l =
np y()2 =np( 1- P), respectivamente.
Ladistribucionbinomial,formalmentehablando,esaplicableensituaciones
dondeelmuestreo se realizaa partirdeunapoblacioninfinita 0 a partirde una
poblacion finita con restitucion. Puesto que en la pnictica real las muestras son
normalmenteseleccionadassinrestitucionapartirdeunapoblacionfinita,logica-
mentesurgela preguntarespecto a laconvenienciadeunadistribucionbinomial
enestascirrunstancias. La convenienciadeluso deestadistribucion dependede
que tan drastico es el efecto de esas condiciones enla invariabilidad dep de un
ensayoaotro.Normalmenteseconsideraqueruandon espequenoenrelacioncon
N, elmodelobinomialesaderuado.Algunosautorescoincidenenquen espeque-
noenrelacionconN siN esalmenos 10vecesmasgrandequen.
Se dispone de muchos programasde softwareestadfsticopararealizar los
calculosdelaprobabilidadbinomialencomputadoraspersonales. Porejemplo,
MINITABcalculalasprobabilidadesindividualmente0 enformaacumuladapara
valoresespedficosdex, n yp. Supongaquese pretendeencontrarlasprobabili-
dadesindividualesdesdex =0hastax =6cuandon =6Y P .3. Semetenlos
numerosdesde0hasta6enlacolumna1yseprocedecomo10 muestralafigura
4.3.2. Si la pretension es encontrar las probabilidades acumuladas, se procede
comoenlafigura4.3.3.
Encadaunodelossiguientesejercicios,supongaqueN essuficientementegrandeconrela-
ci6nanyqueesposibleutilizarladistribuci6nbinomialparacalcularlasprobabilidadesque
sepiden.
4.3.1 Sobrelabasedelamilisis dedatosrecolectadosporel NationalCenterforHealthStatistics,
NajjaryRowland (A-2) informaron que 25.7 porciento (redondeara 26 porciento para
prop6sitosdelcalculo)depersonasadultasdeEVA tienensobrepeso.Siseextraeunamues-
traaleatoriasimplede20adultos,encuentrelaprobabilidaddequeel numerodepersonas
consobrepeso,dentrodelamuestra,sean:
a) Exactamentetres personas b)Tres0 maspersonas
c) Menosdetres d)Entretresysiete,inclusive
4.3.2 Consulteelejercicio4.3.1. adultosconsobrepesoseesperaencontrarenlamues-
trade20?
4.3.3 Consulte el ejercicio 4.3.1. Supongaque se extrae unamuestraaleatoria simple decinco
adultos.Conlaecuaci6n4.3.2encuentrelaprobabilidaddequeelnumerodepersonascon
sobrepesoenlamuestrasea:
a) Cero b)Mas deuna
c) Entreunoytres, inclusive d) Dos0 menos
e) Cinco
98 CAPITULO4 DISTRIBUCIONESDEPROBABILIDAD
Datos:
C1: 0 1 2 3 4 5 6
Caja de dialogo:
Comandos de la sesi6n:
Calc> Probability Distributions>
Binomial
MTB >
SUBC>
PDF C1;
BINOMIAL 6 0.3.
SeleccionarProbability.Teclear6enNumberof
trials.Teclear0.3 enProbabilityofsuccess.Se-
leccionarInputcolumny teclearCl. ClicOK.
Resultados:
Probability Density Function
Binomial with n = 6 and p
x P(X =x)
0.00 0.1176
1.00 0.3025
2.00 0.3241
3.00 0.1852
4.00 0.0595
5.00 0.0102
6.00 0.0007
=0.300000
FIGURA4.3.2 Calculoefectuadoporel paqueteMINITABdelaprobabilidadbinomial
individualparax =0hastax =6,cuandon 6yP .3.
4.3.4 UninformedelNationalCenterfor HealthStatistics, basadoenlos datosde 1985, afirma
que30porcientodelapoblaciDnadultadeEUAsonfumadores(A-3). Considereunamues-
traaleatoriasimplede 15adultosseleccionadosenesemomento.Encuentrelaprobabilidad
dequeelnumerodefumadoresenla muestrasean:
a) Tres b) Menosdecinco
c) Entrecincoynueve, inclusive d)Mas decinco, peromenosde10
e) Seis 0 mas
4.3.5 Consulteelejercicio4.3.4yencuentrelamediayvarianciadelnumerodefumadoresenla
muestradetamafio 15.
4.3.6 En referenciaal ejercicio 4.3.4, supongaque se tomauna muestra aleatoria simplede 25
adultoshoydiayseencuentraquedossonfumadores. tRacesospecharesteresultadoqueel
numerodefumadoreshadisminuidodesde1985?iPorquesf 0 porqueno?
EJERCICIOS 99
Datos:
C1: 0 1 2 3 4 5 6
Caja de dialogo:
Comandos de la sesi6n:
Calc> Probability Distributions>
MTB > CDF C1;
Binomial
SUBC> BINOMIAL 6 03
SeleccionarCumulativeprobability.Teclear6en
Numberoftrials. Teclear0.3 enProbabilityof
success.SeleccionarInputcolumny .teclearCI.
ClicOK
Resultados:
Cumulative Distribution Function
Binomial with n = 6 and p = 0.300000
x P(X = x)
0.00 0.1176
1.00 0.4202
2.00 0.7443
3.00 0.9295
4.00 0.9891
5.00 0.9993
6.00 1.0000
FIGURA4.3.3 Calculoefectuadoporel paqueteMINITABdelaprobabilidadbinomial
acumuladaparax =0hastax = 6, cuandon =6Y P =.3.
4.3.7 La probabiJidad de que unapersonaque sufre de migrana tenga alivio con un farmaco
especfficoesde-,9,Seseleccionanaleatoriamenteatrespersonasconmigranaalasqueseles
administrael farmaco. Encuentrelaprobabilidaddequeel numerodepersonasquelogran
alivio sean:
a) Exactamentecero b) Exactamenteuno c) Mas deuno
d) Dos0 menos e) Dos0 tres f) Exactamentetres
4.3.8 Enunainvestigaci6nrealizadaentreestudiantesdeenfermerfaaspirantesalgradedemaes-
tria, 75porciento declararonqueesperabanserpromovidosa unpuestomas alto unmes
despuesdeobtenerel grado, Si esteporcentajerepresentaa toda la poblaci6n, encontrar,
paraunamuestra de 15, la probabilidadde queel numerode personasque esperanuna
promoci6n unmesdespuesdeobtenereI gradosean:
a) Seis b) AI menossiete c) Nomasdecinco d) Entreseisy nueve, inclusive
4.3.9 Dadoel parametrobinomialp =,8Yn =3, muestremedianteel desarrollobinomialdado
enlatabla4,3.1 que'i,f(x) = 1.
100 CAPiTULO 4 DlSTRIBUCIONES DE PROBABILIDAD
4.4 DISTRIBUCION DE POISSON
La siguiente distribuci6n discreta a considerar es la distribuci6n de Poisson, Hamada
asf en honor del matematico frances Simeon Denis Poisson (1781-1840), quien
tiene amplio reconocimiento por la publicaci6n de su trabajo en 1837. Esta distri-
bud6n ha sido empleada extensamente en biologfa y medicina como modelo de
probabilidad. Haight (1), en el capitulo 7 de sulibro, presenta un repertorio muy
amplio de aplicaciones.
Si x es el numero de ocurrencias de algiin evento aleatorio en un intervalo de
espacio 0 tiempo (0 algiin volumen de materia), la probabilidad de que x ocurra es
dada por
e-l.'),,;
f(x)=--, x=0,1,2... (4.4.1 )
x!
La letra griega A (lambda) es el parametro de la distribuci6n y es el numero
promedio de ocurrencias del evento aleatorio dentro del intervalo (0 volumen). EI
sfmbolo e, es la constante (con cuatro decimales) 2.7183.
Se puede mostrar que fix) 0 para cada x y que r x f (x) 1; por 10 tanto, la
distribuci6n satisface los requerimientos para la distribuci6n de probabilidad.
Proceso tk Poisson Como se ha visto, la distribuci6n binomial resuita de un
conjunto de suposiciones acerca de un proceso impHcito para formar un conjunto
de observaciones numericas. Lo mismo ocurre en el caso de la distribuci6n de Poisson.
Las siguientes afirmaciones describen 10 que se conoce como proceso de Poisson.
1. Las ocurrencias de los eventos son independientes. La ocurrencia de un even-
to en un intervalo
l
de espacio 0 tiempo no tiene efecto en la probabilidad de
una segunda ocurrencia del evento en el mismo, 0 en algiin otro intervalo.
2. Te6ricamente, debe ser posible la ocurrencia de un evento en un numero
infinito de veces dentro del intervalo.
3. La probabilidad de una sola ocurrencia del evento en un intervalo dado es
proporcional a la dimensi6n del intervalo.
4. En cualquier fracci6n infinitesimal del intervalo, la probabilidad de mas de
una ocurrencia del eVf"nto es insignificante.
Una caracterfstica interesante de la distribuci6n de Poisson es que la media y
la variancia son iguales.
Cuundo utilizur el modelo de Poisson La distribuci6n de Poisson se em-
plea cuando se cuentan los eventos 0 entidades, distribuidos al azar en espacio 0
tiempo. Es facil intuir cuando cierto proceso obedece a la ley de Poisson, y bajo esta
suposici6n se puede calcular la ocurrencia de eventos 0 entidades en alguna unidad
1 Por comodidad, la distribuci6n de Poisson se estudia en terminos de intervalos, aunque tambien inter-
vienen otras unidades como volumen.
101 4.4 DISTRIBUCIONDE POISSON
deespacio0 tiempo.Porejemplo,suponiendoqueladistribuci6ndealglinparasi-
toentremiembrosindividualeshuespedessiguelaleydePoisson,yconociendoel
parametroA, sepuedecalcularlaprobabilidaddequealseleccionaraleatoriamente
unhuespedindividualesteproduzcaxnfunerodeparasitos.Enelsiguientecapitu-
loseaprenderac6modecidirsi esrecomendablesuponerqueunprocesoespecffi-
coobedecelaleydePoisson.
Seconsideranlos siguientesejemplosquemuestranelusodeladistribuci6n
dePoissonparaelcalculodeprobabilidades:
FJEMPLO4.4.1
Enunestudiodesuicidas,Gibbonset al. (A-4) encontraronqueladistribuci6nmen-
sual de adolescentes suicidasenel condadodeCook, Illinois, entre 1977 y 1987
sigui6unadistribuci6ndePoissonconparametroA 2.75.Encuentrelaprobabili-
daddequeunmesseleccionadoaleatoriamenteseaunoenel queocurri6elsuici-
diodetres adolescentes.
Solucion: Conlaecuaci6n4.4.1 seencuentraquelarespuestaes:
e-
2
.
75
2.75
3
(.063928)(20.796875)
P(X=3)=:::: .221584

3! 6
FJEMPLO4.4.2
Enreferenciaalejemplo4.4.1,supongaqueeIsuicidiofuturodeadolescentesenla
poblaci6nanalizadaseguiraunadistribuci6ndePoisson. ~ u a l es laprobabilidad
de que un mes seleccionado aleatoriamente sea uno eneI que ocurriran tres 0
cuatrosuicidios?
Solucion: Puesto que los dos eventos sonmutuamente exduyentes, se utiliza la
regIadelaadici6n:
e-
2
.
75
2.75
4
P(X =3)+P(X =4)=.221584+---
4!

.221584+.152338=.373922
Enlosejemplosanterioreslasprobabilidadesseevah1andirectamenteconlaecua-
ci6n. Sinembargo,sepuedeutilizarlatablaCdelapendice;enellaseencuentran
lasprobabilidadesacumuladasparavariosvaloresde AyX.
FJEMPLO4.4.3
DuranteeIestudiodeciertoorganismoacuatico,setom6ungrannumerodemues-
trasdeunalaguna,ysecont6eInumerodeorganismosencadamuestra.EInume-
ropromediodeorganismosencontradospormuestrafue dedos. Supongaqueel
numerodeorganismossigueunadistribuci6ndePoisson,ycalculelaprobabilidad
dequelapr6ximamuestraquese tometengaunorganismo0 menos.
Solucion: EnlatablaCseapreciaquecuandoA=2, laprobabilidaddequeXS; 1
es .406. Es decir,P(X S; 112) = .406. .
102 CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD
E,JEMPLO 4.4.4
Consulte el ejemplo 4.4.3 y calcule la probabilidad de que la siguiente muestra
tenga exactamente tres organismos.
Solucion: P(X 312) P(X 3) - P(X 2) .857 - .677 := .180

E,JEMPLO 4.4.5
Consulte el ejemplo 4.4.3 y encuentre la probabilidad de que la siguiente muestra
tenga mas de cinco organismos.
Solucion: Puesto que el conjunto de mas de cinco organismos no inc1uye cinco, la
pregunta se refiere a la probabilidad de observar seis 0 mas organismos.
La respuesta se obtiene al restar la probabilidad de observar cinco 0 me-
nos (organismos) de 1. Esto es:
P(X> 512):= 1 P X ~ 5):= 1 .983:= .017

Datos:
Cl: 0 1 2 3 4 5 6
Gaja de dialogo:
Comandos de la sesi6n:
Calc> Probability Distributions> Poisson
MTB >
SUBC>
PDF Cl;
Poisson .70.
Seleccionar Probability. Tec1ear .70 en Mean.
Seleccionar Inputcolumny teclear Cl. Clk OK.
Resultados:
Probability Density Function
Poisson with mu = 0.700000
x P(X = x)
0.00 0.4966
1.00 0.3476
2.00 0.1217
3.00 0.0284
4.00 0.0050
5.00 0.0007
6.00 0.0001
.FIGURA4.4.1 Cileulo efectuado por el paquete MINITAB de la probabilidad de Poisson
individual para x =0 hasta x 6 y A, = .7.
EJERCICIOS 103
MuchospaquetesdesoftwareestadisticoscalculanlasprobabilidadesdePoisson,y
paraesteprop6sitoseutiliz6elpaqueteMINITAB.Supongaquesequiereencon-
trarlaprobabilidadindividualparax desdex 0hastax = 6, cuando'A = .7. Se
metenlos datos dex enla columna 1y se procedecomo se muestraenla figura
4.4.1. Seobtienenlas probabilidadesacumuladasparalosmismosvaloresdex yA.
comosemuestraenlafigura4.4.2.
EJERCICIOS
4.4.1 Supongaquesesabequeenciertaareadeunagranciudadel numeropromedioderataspor
manzanaesdecinco. Supongaqueel numeropromedioderatassigueunadistribuci6nde
Poisson,y calculelaprobabilidaddequeenunamanzanaelegidaaleatoriamente:
a) Existanexactamentecincoratas.
b) Existanmasdecincoratas.
c) Existanmenosdecincoratas.
d)Existanentrecincoy sieteratas, inclusive.
Datos:
Cl: 0 1 2 3 4 5 6
Caja de dialogo:
Comandos de la sesi6n:
Calc> Probability Distributions> Poisson
MTB > CDF Cl;
SeleccionarCumulativeprobability.Teclear.70
SUBC> Poisson .70.
enMean.SeleccionarInputcolumnyteclearCl.
ClicOK.
Resultados:
Probability Distribution Function
Poisson with mu =0.700000
x P(X = x)
0.00 0.4966
1.00 0.8442
2.00 0.9659
3.00 0.9942
4.00 0.9992
5.00 0.9999
6.00 1.0000
FIGURA4.4.2 CalculoefectuadoparelpaqueteMINITABdelaprobabilidaddePoisson
acumuladaparax =0hastax 6y Ie =.7.
104 CAPiTULO4 DISTRIBUCIONESDEPROBABILIDAD
4.4.2 Supongaqueenunperiododevariosaftosel nfuneropromediodemuertesporciertaenfer-
medadnocontagiosaesde10.Sielnumerodemuertesporesaenfermedadsigueladistri-
buci6ndePoisson,emiles la probabilidaddequeduranteel anoencurso:
a) Exactamentesiete personasmueranporesaenfermedad
b) Diez0 maspersonasmueranporesaenfermedad
c) Nohayamuertesporesaenfermedad
4.4.3 Siel numeropromediodeaccidentesgravesporanoenunafibricagrande(dondeel nfunerode
empleadosesconstante)esdecinco,calculelaprobabilidaddequeenel anoencursohaya:
a) Exactamentesieteaccidentes b) Diez0 masaccidentes
c) Ceroaccidentes d) Menosdecincoaccidentes
4.4.4 En unestudiosobrea laefectividaddeuninsecticidacontraciertoinsecto, se fumig6 una
granareadetierraque,mastarde,seexamin6porcuadranteselegidosaleatoriamenteyen
laquesecont6el numerodeinsectosvivos porsecci6n.Experienciaspreviashandemostra-
doqueel numeropromediodeinsectosvivosporcuadrante,despuesdefumigar,esde.5.Si
elnumerodeinsectosvivosporsecci6nsigueunadistribuci6ndePoisson,emilesla probabi-
lidaddequeciertocuadranteelegidotenga:
a) Exactamenteuninsectovivo b) Ceroinsectosvivos
c) Exactamentecuatroinsectosvivos d) Uno0 masinsectosvivos
4.4.5 Encierta poblaci6n, cada ano se diagnostica unpromediode 13 nuevos casos decancer
esofagico. Si la incidenciaanual deeste tipo decancersigue unadistribuci6ndePoisson,
calculelaprobabilidaddequeenunanodeterminadoelnumerodenuevoscasosdiagnosti-
cadosdecancersea:
a) Exactamente10 b) AI menosocho
c) Nomasde12 d) Entrenuevey IS, inclusive e)Menosdesiete
4.5 DISmmUCIONES DE
PROBABHIDAD CONTINUA
Lasdistribucionesdeprobabilidadconsideradashastaaqui,binomialydePoisson,
sondistribucionesdevariable discreta.Ahorase consideranlas distribuciones
devariablealeatoriacontinua.Enelcapitulo1sedijoqueunavariablecontinuaes
aquella que puede asumircualquiervalor enun intervalo espedfico devalores.
Consecuentemente,entrecualesquieradosvaloresasumidosporlavariableconti-
nuaexisteunm1mero infinitodevalores.
Paracomprender, la naturalezadela distribuci6ndeunavariable aleatoria
continua,considerelosdatospresentadosenlatabla1.4.1yenlafigura2.3.2.Enla
tabla hay 169 valores paralavariable aleatoriaedad. EI histograma de la figura
2.3.2estaconstruidoconpuntosespedficoslocalizadossobreunalinea,querepre-
sentalamedici6ndeinteresyqueformaunaseriederectangulos,cuyasbasesson
lasdistanciasentredospuntosespedficos, sobrelalineaycuyasalturasrepresentan
elnumerodevaloresdelavariablequecaenentrelosdospuntosespecificados.Los
intervalosdelimitados porcualquier pardepuntosespecificados consecutivos se
llamanintervalosdeclase.
105 4.5 DISTRIBUCIONES DE PROBABILIDAD CONTINUA
fIx)
x
FIGURA 4.5.1 Histograma resultante de un gran numero de valo-
res y c1ases de intervalos pequenos.
Como se estudi6 en el capitulo 2, las subareas del histograma corresponden a las
frecuencias de ocurrencia de los valores de la variable entre los lfmites de la esc ala
horizontal de esas subareas. Esto proporciona un metodo para calcular la frecuen-
cia relativa de ocurrencia de valores entre dos puntos especfficos; tan s610 es nece-
sario determinar la proporci6n del area total del histograma que se encuentra entre
los puntos especificados. Esto se puede hacer mas convenientemente consultando
las columnas de frecuencia relativa 0 frecuencia relativa acumulada en la tabla 2.3.2.
Imagine ahora una situaci6n donde el numero de valores de la variable aleatoria
es muy grande y la amplitud de los intervalos de clase es muy pequefia. EI histograma
resultante seria como el que se muestra en la figura 4.5.1.
Si se conectan los puntos medios de las celdas del histograma en la figura
4.5.1 para formar un poligono de frecuencia, se obtendra una figura mas suave que
el polfgono de frecuencia de la figura 2.3.4.
En general, cuanto mas se aproximan a infinito el numero de n observacio-
nes, y la amplitud de los intervalos de clase se aproximan acero, el polfgono de
frecuencia se aproxima a una curva mas suave como la que se muestra en la figura
4.5.2. Estas curvas suaves se utili zan para representar gnlficamente las distribucio-
fIx)
FIGURA 4.5.2 Representaci6n grafica de una distribuci6n continua.
106 CAPiTULO 4 DISTRIBUCIONES DE PROBABILIDAD
fIx)
a x
FIGURA 4.5.3 Gratica de una distribuci6n continua que
muestra el area entre a y b.
nes de las variables aleatorias continuas. Esto tiene algunas consecuencias imp or-
tantes cuando se trabaja con distribuciones de probabilidad. Primero, el area total
bajo la curva es igual a uno, como 10 es para el histograma, y la frecuencia relativa
de ocurrencia de los valores entre dos puntos especfficos cualesquiera, sobre el eje de
las x, es igual al area total delimitada por la curva, el eje de las x y las rectas perpen-
diculares levantadas sobre ambos puntos del eje de las x, tal como 10 muestra la
figura 4.5.3. La probabilidad de cualquier valor especifico de la variable aleatoria es
cera. Esto es logico, puesto que un valor especffico se representa como un punto
sobre el eje de las x y el area por encima de ese punto es cero.
COIRO encontrar el area bajo la curva En un histograma, seg(tn se ha
visto, las subareas de interes se calculan sumando areas representadas por las co-
lumnas (celdas). En el caso de una curva, esta no presenta celdas, por 10 que se debe
buscar un metodo para calcular las subareas. Este metodo es suministrado por el cileu-
10 integral. Para calcular el area bajo la curva entre dos puntos cualesquiera a y b, se
integra lafunci6n de densidad de a a b. Unafunci6n de densidad es una formula em-
pleada para representar la distribuci6n de una variable aleatoria continua. La inte-
gracion es el caso lfmite de la sumatoria, aunque aqui no se efectua ninguna
integracion, puesto que las materna tic as involucradas estan mas aHa del alcance de
este Iibro. Tambien, como se ve mas adelante, para todas las distribuciones conti-
nuas a considerar existe una forma mas fadl para calcular el area bajo la curva.
Aunque la definicion de distribucion de probabilidad para una variable
aleatoria continua esta implfcita en el estudio anterior, a modo de resumen se pre
senta como sigue en forma mas concreta.
DEFINICION
A una funci6n no negativaf(x) se Ie llama distribucion de
probabilidad (tambien llamada, algunas veces, funci6n de
densidad de probabilidad) para la variable aleatoria
continua X, si el area total deliInitada por su curva y el
eje de las x es igual a 1 y si la subarea delimitada por la
curva, el eje de las x, y por las lineas perpendiculares
levantadas sobre dos puntos cualesquiera a y b da la
probabilidad de que X este entre los puntos a y b.
4.6 DISTRIBUCI6NNORMAL 107
4.6 DISTRIBUCION NORMAL
Acontinuaci6nseestudialadistribuci6nmasimportanteentodala estadistica: la
distribucwn normal. Laf6rmulaparaestadistribuci6nfue publicadaporAbraham
DeMoivre (1667-1754)el 12 denoviembrede 1733. Muchosotros matem:hicos
destacan en la historia de la distribuci6n normal, induyendo a Carl Friedrich
Gauss(1777-1855).Aestadistribuci6nfrecuentementeseIellamadistribuciOn de Gauss
comoreconocimientoalascontribucionesdeestematematico.
Ladensidadnormalestadadapor
/20')
oo<X<oo f(X) =
(4.6.1)
Enlaecuaci6n4.6.1,1tYesonconstantesconocidas,3.14159...y2.71828 .."
respectivamente,queseutilizanconfrecuenciaenmatematicas.Losdosparametros
dela distribuci6nson: ~ lamedia, y(J la desviaci6nest;indar. Parael objetivo de
estasecci6nsepuedepensarque~ y(J sonmedidasdetendenciacentralydisper-
si6nparaladistribuci6nnormal,respectivamente,talcomoseestudiaenelcapitu-
lo 2. Sinembargo, debido a quela variable aleatoriadistribuidanormalmente es
continuaytomavaloresentre 00y+ "", sumediaydesviaci6nestandarse pueden
definir de manera mas rigurosa, aunque estas definiciones no pueden darse sin
utilizarelcalculo.Lagraficadeladistribuci6nnormalproducelayaconocidacur-
vaenformadecampana,talcomosemuestraenlafigura4.6.1.
Caracleristicas de la distribuci6n normal Las siguientescaracteristicas
sonlasmasimportantesparaladistribuci6nnormal.
1.Essimetricarespectoasumedia)1.Talcomose muestraenlafigura4.6.1,la
curvahaciacualquieradelosladosde esunaimagendeespejodeladelotro
lado.
2. Lamedia, lamedianaylamodasontodasiguales.
3. EI area totalbajo la curva sobre el de las x es unaunidad de area. Esta
caracterfsticasededucedelhechodequeladistribuci6nnormalesunadistri-
buci6ndeprobabilidad.Debidoalasimetriamencionadaanteriormente,50
x
JL
FIGURA 4.6.1 Grificadeladistribud6nnormaL
108 CAPiTULO 4 DISTRIBUCIONES DE PROBABILIDAD
por ciento del area esta a la derecha de la perpendicular levantada sobre Ia
media, y el otro 50 por ciento dellado izquierdo.
4. Si se levantan perpendiculares a una distancia de una desviaci6n est<indar des-
de la media hacia ambos lados, el area de1imitada por esas perpendiculares, eI
eje de las x y la curva sera de 68 por ciento del area total, aproximadamente.
Si los lfmites laterales se extienden ados desviaciones estandar en ambos
lad os de la media, estara induido aproximadamente 95 por ciento del area, y
extendiendolos a una distancia de tres desviaciones esrandar, aproximada-
mente 99.7 del area total estara englobada. Las areas aludidas se muestran en
la figura 4.6.2.
,u-1u,u,u+1u x
(a)
.025
,u
.025
x
(b)
.0015 .0015
,u-3u ,u ,u+ 30' x
{el
FIGURA 4.6.2 Subdivision del area bajo la curva normal
(las areas son aproximadas).
109
4.6 DISTRIBUCION NORMAL
x
FIGURA 4.6.3 Tres distribuciones normales con diferente media, pero con la misma va-
riabilidad.
5. Los parametros J..l y cr determinan completamente la distribuci6n normal. En
otras palabras, por cada valor diferente de J..l y cr se especifica una distribuci6n
normal distinta. Los valores diferentes de J..l desplazan la grafica de la distribu-
ci6n a 10 largo del eje de las x, tal como se muestra en la figura 4.6.3. Los valores
de cr determinan el grado de aplanamiento 0 levantamiento de la grafica de la
distribuci6n, tal como se muestra en la figura 4.6.4.
DistribuciOn normal esttindar La ultima caracteristica mencionada de la
distribuci6n implica que la distribuci6n normal es realmente una familia de dis-
tribuciones en la que un miembro se distingue de otro seglin los valores de J..l y cr.
EI miembro mas importante de esta familia es la distribucion normal estdndar 0
distribucion normal unitaria, Hamada as! en ocasiones porque tiene una media igual a
cero yuna desviaci6n estandar igual a 1. Esta distribuci6n se puede obtener a partir
de la ecuaci6n 4.6.1, creando una variable aleatoria z = (x - J..l )/cr. La ecuaci6n
para la distribuci6n normal estandar se escribe:
/2, _ 00 < z < 00
(4.6.2)
x
FIGURA 4.6.4 Tres distribuciones normales con diferente desviaci6n estandar pero con
la misma media.
110 CAPITULO 4 DISTRIBUCIONES DE PROBABILIDAD
FIGllRA 4.6.5 Distribuci6n normal estindar.
La grafica de la distribuci6n normal estandar se muestra en la figura 4.6.5.
Para calcular la probabilidad de que z tome un valor entre dos puntos cuales-
quiera sobre el eje de las z, por ejemplo Zo y se debe calcular el area delimitada
por las perpendiculares levantadas en esos puntos, la curva y el eje horizontal. Tal
como se mendon6 anteriormente, las areas bajo la curva de una distribuci6n conti-
nua se calculan integrando la funci6n entre dos valores de la variable. Entonces, en
el caso de la normal estandar, para calcular directamente el area entre Zo Yz,' es
necesario calcular la siguiente integral:

zo&
Afortunadamente, no hay nada que ver con las integrales porque existen tablas
disponibles en las que se puede consultar el resultado de todas las integraciones
que aqul puedan necesitarse. La tabla D, del apendice, es un ejemplo de estas ta-
bIas. En el cuerpo de Ia tabla D se encuentran las areas bajo la curva entre O<:J y los
valores de z mostrados en Ia columna izquierda de la tabla. EI area sombreada de Ia
figura 4.6.6 representa el area que aparece como Iista en la tabla, para los valores
entre O<:J y zo' donde Zo es el valor espedfico de z.
Ahora, con los siguientes ejemplos se muestra el uso de la tabla D.
FIGURA 4.6.6 Area dada por la tabla D del apendice.
111 4.6 DISTRIBUCION NORMAL
EJEMPLO 4.6.1
Dada la distribucion normal estandar, calcular el area bajo la curva, arriba del eje z,
entre z = - 00 y z = 2.
Soluci6n: Resulta utH dibujar la grafica de la distribudon normal estandar y som-
brear el area que se pide tal como se muestra en la figura 4.6.7. Si se
localiza z 2 en la tabla D y se lee el valor correspondiente en el
cuerpo de la tabla, se encuentra que el area solicitada es .9772. Esta
area se puede interpretar de diferentes formas: como la probabilidad
de que una z elegida aleatoriamente de entre una pobladon de val ores de
z este entre - 00 y 2, como la frecuencia relativa de ocurrenda (0 pro-
pordon) de valores de z entre -ooy 2, 0 bien se puede decir que 97.72 por
ciento de los valores de z estan entre 00 y 2.
o 2 z
FIGUR-\'4.6.7 Distribuci6n normal estandar que muestra el
areaentrez = coy z = 2.
EJEMPLO 4.6.2
~ u a l es la probabilidad de que una z, tomada al azar de entre los valores de z, este
entre -2.55 y +2.55?
Soluci6n: La figura 4.6.8 muestra e 1 area que se pide. En la tabla D se da el area
entre 00 y 2.55, que se obtiene localizando el valor de 2.5 en la prime-
ra columna de la izquierda de la tabla y buscando sobre el renglon hasta
o 2.55 x
Curva normal estandar para mostrar P(-2.55 < z < 2.55).
-2.55
HGUKA 4.6.8
112 CAPiTULO 4 DISTRIBUCIONES DE PROBABILIDAD
eneontrar la entrada de la columna eneabezada por 0.05. EI area es de
.9946. Si se observa la grafiea dibujada es posible apreciar que el area es
mayor que la que se pide, por 10 que es neeesario restar de .9946 el area a
la izquierda de -2.55. AI consultar la tabla D, esta muestra que el area a la
izquierda de -2.55 es .0054. Porlo tanto, la probabilidad que se busea es:
P(-2.55 < z < 2.55) = .9946 - .0054 .9892

Suponga que se pide calcular la probabilidad de que z esta entre -2.55 y 2.55 inclu-
sive. La probabilidad que se pide se expresa como P(-2.55 :s; z 2.55). Como se
mencion6 en la seeei6n 4.5, P(z = zo) = 0, entonees, P(-2.55 :s; z :s; 2.55) = P(-2.55
< z < 2.55) = .9892.
EJEMPLO 4.6.3
valores de z estan entre -2.74 y 1.53?
Soindon: La figura 4.6.9 muestra e1 area que se pide. En la tabla D se encuentra
que el area que esta entre 00 y 1.53 es .9370, y el area entre - 00 y -2.74
es .0031. Para obtener la probabilidad se resta .0031 a .9370. Esto es,
P(-2.74:S; z:s; 2.153) .9370 - .0031 = .9339
-2.74 o 1.53 z
FlGUR!\ 4.6.9 CUIva normal estfuldar para mostrar la pro-
porci6n de los valores de z entre z -2.74 y z 1.53.

EJEMPLO 4.6.4
Dada la distribuci6n normal estandar, calcular P(z ;;:: 2.71).
Soindon: EI area deseada se muestra en la figura 4.6.10. Para obtener el area a la
derecha de z 2.71 se resta el area entre "" y 2.71 de 1. Asi,
P(z;;:: 2.71) = I-P(z:S; 2.71)
= 1- .9966
.0034
EJERCICIOS 113
o 2.71 z
FIGUM4.6.10 Distribuci6n normal estindar para mostrar P(z 2.71).

EJEMPLO 4.6.5
Dada la distribuci6n normal estandar, calcule P(.84 S z s2.45).
Soluci6n: EI area que se desea calcular se muestra en la figura 4.6.11. Primero se
obtiene el area entre 00 y 2.45 a Ia que se Ie resta el area entre - 00 y .84.
En otras pa]abras,
P(.84 s z s 2.45) = P(z s 2.45) P(z s .84)
= .9929 - .7995
= .1934

FJERCICIOS
Curva normal esUindar para mostrar P(.84::;; z::;; 2.45). FIGUM4.6.11
Dada la distribuci6n normal estandar, calcule:
4.6.1
4.6.2
4.6.3
EI area bajo la curva entre z 0 y z 1.43.
La probabilidad de que una z, sacada al azar, tenga un valor entre z = -2.87 Yz
P(z .55). 4.6.4 pez 2: - .55).
2.64.
114 CAPiTULO4 DlSTRIBUCIONESDEPROBABILIDAD
4.6.5 P(Z < -2.33). 4.6.6 P(z < 2.33).
4.6.7 P(-1.96S; Z S; l.!'J). 4.6.8 P(-2.58 $ ZS; 2.58).
4.6.9 P(-1.65:::; Z S; 1.65). 4.6.10P(z = .74).
Dadaslas siguientesprobabilidades,calculeZj:
4.6.11 P(z S; Zj) .0055. 4.6.12 P(-2.67 S; Z S; Zl) =.9718.
4.6.13 P(z>Zj) =.0384. 4.6.14P(zjS;z$2.98)=.11l7.
4.6.15 P(-Zj$ Z S;Zj) .8132.
4.7 APLICACIONES DEDISTRIBUCIONNORMAL
Aunque su importanciaen el campode la estadfstica es indiscutible, uno puede
darse cuentade que la distribucion normal no es unaley inherente a todas las
caracterfsticas mesurables que ocurren en lanaturaleza. Sin embargo, es verdad
quemuchasdeestascaracterfsticastienenunadistribucionaproximadamentenor-
mal. Enconsecuencia, auncuandonoexistevariablealgunaqueenlapractica se
encuentredistribuidaconprecision,ladistribucionnormalsepuedeutilizarcomo
modeloparanormalizarladistribuciondemuchasvariablesdeinteres.Alutilizar
ladistribucionnormalcomomodelo,esposibleestablecerafirmacionesdeproba-
bilidadmasutilesymuchomasconvenientesparaalgunasvariablesquesi seutili-
zaraunmodelomascomplicado. _
Laestaturay;lainteligenciahumanasonconsideradasfrecuentementecomo
ejemplosdevariables que tienenaproximadamenteunadistribuci6n normal. En
otraspalabras,muchasdistribucionesimportantesparaelcampodelasaludnose
puedendescribircorrectamentemedianteunadistribucionnormal.Sinembargo,
sisesabequelavariablealeatoriasigueunadistribucionaproximadamentenormal
0,enelcasodeignorarlo,seconsiderarazonablehacerestasuposicion,ladistribu-
cionnormalesdegranayudaparaelestadfsticoensuesfuerzopararesolverpro-
blemaspracticosrelativosaesavariable.Sinembargo,sedebetenerenmenteque
10normalenestecontextoserefierealaspropledadesestadfsticasparaelconjunto
dedatos,ydeningunamaneraimplica normalidadenelsentidodecondiciones
medicas0 desalud.
Existenvariasrazonesmaspot lasqueladistribuci6nnormalesmuyimpor-
tanteenestadfstica,lascualesseranconsideradasasudebidotiempo.Porahora,se
considera la forma derespondera preguntassencillas deprobabilidad acerca de
variables aleatorias cuando se sabe, 0 es razonable suponer, que estas presentan
unadistribuci6naproximadamentenormal.
FJEl\IPLO4.7.1
ComopartedeunestudiodelaenfermedaddeAlzheimer, Dusheiko(A-5)report6
datosquesoncompatiblesconlahip6tesisdequelos pesosdeloscerebrosde las
vfctimasdeesaenfermedadsiguen4nadistribucionnormal.Apartirdelosdatos
develados, se puede calcular la media de 1076.80 gramos con una desviaci6n
estandarde105.76gramos.Siseasumequeestosresultadossonaplicablesatodas
4.7 APLICACIONES DE DISTRIBUCION NORMAL t15
FIGURA 4. 7.1 De una distribuci6n normal a una distribu-
ci6n aproximada de pesos de los cerebros de pacientes enfer-
mos de Alzheimer (con estimaci6n de media y desviaci6n
estandar).
las vfctimas de Alzheimer, encuentre la probabilidad de que una victima selecciQna-
da al azar tengaun ~ r e r o que pese menos de 800 gramus.
Soludom En la figura 4.7.1 se puede apreciar la gnifita que describe la distribu-
ci6nyel area sQmbreadaque cQrresPQnde a laprQbabilidad sQlicitada.
Si la distribuci6n fuera una distribuci6n normal estandar CQn una
media de 0 y una desviaci6n estandar de 1, serfa PQsible utilizar la tabla
D para eilcQntrar la probabilidad CQn PQCQ esfuerzQ.AfQrtunadamente,
es factible para cualquier distribuci6n nQrmaltransfQrmarla CQn facili-
dad en una distribuci6n nQrmal estandar. EstQse IQgra transfQrmandQ
tQdus IQS valores de X en IQS valQres cQrrespondientes de z. EstQ significa
que la media deX se puedevolver 0, la media de z; Enla figura 4.7.2 se
muestran ambas distribuciQnes. Se puede determinar que e1 valor de z,
z
-2.62 0
FIGURA 4.7.2 Distrihuci6n normal del peso de los
cerebros (x) y la distribuci6n normal estandar (z).
116 CAPiTULO4 DISTRIBUCIONESDE PROBABILIDAD
pordecirZO' correspondeaunax de800. Estose haceconlasiguiente
formula:
x
z=
(j
(4.7.1)
que transforma cualquiervalor dex encualquierdistribucion normal
paralosvaloresccirrespondientesdezenladistribucionnormalestandar.
Paraesteejemplose tiene:
z=800-1076.80=-2.62
105.76
Entonces,elvalorbuscadoparaZo es-2.62.

AI estarelacionminuciosamente,seobservaqueladistanciadelamedia,
1076.80,hastaelvalordex, 800,es800 1076.80 -276.80,querepresentauna
distanciade2.62unidadesdedesviacionest<indar.Cuandosetransformanlosvalo-
rescorrespondientesalpesodelcerebro,ladistanciadelvalordezdesdesumedia,
O,esigualaladistanciadelvalorx correspondientedesdesumedia, 1076.80, en
unidadesdedesviacionest<indar.Aestose refiereladistanciaanteriorde2.62uni-
dadesdedesviaci6nest<indar. Enladistribuci6nz, uI).adesviacionestandaresigual
a 1,.y, enconsecuencia,elpuntoenlaescaladezselocalizaaunadis.tanciade2.62
unidadesdedesviaci6nestandarantesde 0, es decir, z -2.62, resultado quese
obtieneconlaformula.AIconsultarlatablaD,seencuentraqueelareaalaizquier-
dadez= -2.62es .0044.Sepuederesumiresteanalisiscomosigue:
P(x < 800)=p(z < 800 1076.80)=P(z < -2.62) .0044
105.76
Pararesponderalapreguntaoriginal,sedicequelaprobabilidaddequeunpaciente
seleccionadoalazartengauncerebroquepesemehosde800gramosesde.0044.
EJEMPLO 4.7.2
Supongaque se sabe quelaestaturadeciertapoblaciondeindividuos sigue una
distribuci6naproximadamentenormalconmediade70pulgadasyunadesviaci6n
estandarde3pulgadas. eslaprobabilidaddequeunapersonaseleccionada
alazardeestegrupotengaunaestaturaentre65y 74pulgadas?
Solucion: Enlafigura4.7.3semuestraladistribuci6ndelasestaturasyladistribu-
cionz queresultadetransformarlosvaloresoriginalesparadeterminar
lasprobabilidadesdeseadas.Seencuentraqueelvalorz correspondien-
teparaunax de65es:
65-70=-1.67....
z
3 '
117 4.7 APLICACIONESDEDISTRIBUCIONNQRMAL
65 70 x
-1.67 o 1.33 z
FIGURA 4.7.3 Distribuci6ndeestaturas(x) yladistribuci6n
normalestandarcorrespondiente(z).
AnaIogamente,parax = 74setiene
74-70=1.33
z
3
EnlatablaDseencuentraqueelareaentre- 00y-1.67esde.0475yel
area entre - 00 y 1.33 es .9082. El areadeseada es la diferencia entre
.9082 .0475 = .8607. Enresumen,
74
P(65::; x::; 74 p(65;70< z::; 3
7
)
P(- 1.67::; z::; 1.33) .
P(- 00::; z::; 1.33)-P(- 00::; z::; 1.67)
.9082 .0475
.8607
Por10 tanto,laprobabilidad.8607respondealapreguntaoriginal.
E,JEMPLO 4.7.3
Enunapoblacionde10,000delaspersonasdescritasenelejemplo4.7.2,
personasseesperaquetenganunaestaturade6piesy5pulgadas0 mas?
118 CAPITULO 4 DISTRIBUCIONES DE PROBABIUDAD
Soluci6n: Primero se calcula la probabilidad de que una persona, elegida al azar
entre esa poblacion, tenga una estatura de 6 pies y 5 pulgadas; esto es,
P(x? 77) p[z? 77;70) =P(z? 2.33) =1-.9901 =.0099
Se puede esperar que de las 10,000 personas: 10,000(.0099) = 99 ten-
gan una estatura de 6 pies y 5 pulgadas (77 pulgadas) 0 mas.
Se puede utilizar el paquete MINITAB para calcular la probabilidad normal estandar
acumulada. Suponga que se pretende encontrar la probabilidad acumulada para los
siguientes valores de z: -3, -2, -1, 0,2 Y 3. Se meten los valores de zen la columna
1 y se procede como se muestra en la figura 4.7.4.
Datos:
C1: -3 -2 -I 0 1 2 3
Caja de dialogo: Comandos de la sesi6n:
Calc> Probability Distributions> Normal MTB > PDF Cl;
SUBC> Normal o 1.
Seleccionar Cumulative probability. Seleccionar
Input column y teclear Cl. Clic OK..
R.esultados:
. . .
Cumulative Distribution Function
Normal with mean = 0 and standard
deviation = 1.00000
x P{X = x}
-3.0000 0.0013
-2.0000 0.0228
-1.0000 0.1587
0.0000 0.5000
LoOOO 0.8413
2.0000 0.9772
3.0000 0.9987
. FIGURA 4.t4 Calculos con el paquete MINITAB de-las probabilidades normales estindar
acumuladas.
EJERCICIOS 119
FJERCICIOS
4.7.1 Supongaquelasedadesdeiniciodeciertaenfermedadtienenunadistribuci6naproximada
c
mentenormal,conunamediade 11.5anosyunadesviaci6nestandarde 3 anos. Unnino
contraerecientementelaenfermedad.Cualeslaprobabilidaddequelaedaddelninosea:
a) Entre8.5y 14.5 anos
b) Mas de 10afios
c) Menosde12
4.7.2 Enunestudiodedactilografia,unacaracteristicacuantitativa.muyimportanteeseltotalde
surcosenlos 10 dedosdeunindividuo.Supongaqueel totaldesurcos enlos dedosde los
individuoS'endeterminadapoblaci6ntienendistribuci6naproximadamentenormalconuna
mediade140yunadesviaci6nestandarde50.Calculelaprobabilidaddequeunindividuo,
.elegidoalazarentreesapoblaci6n,tengauntotaldesurcosenlos dedos:
a)De200 0 mas
b)Menosde 100
c) Entre100y200
d) Entre200y250
e)Enunapoblacionde 10,000 puedeesperarsequetenganuntotalde
200surcos0 mas?
4.7.3 Silacapacidaddelacavidadcraneanadeuna.poblaciontieneunadistribuci6naproximada-
mente normal, conunamediade 1400cc yunadesviacion estandarde 125 cc, calcule la
probabilidaddequeunapersona,elegidaalazarentreesapoblaci6n,tengaunacapacidad
decavidadcraneana:
a)Mayorque 1450cc b) Menorque 1350cc
c)Entre1300y 1500cc
4.7.4. Suponga que el tiempo promedio de permanencia hospitalaria porenfermedad cronica
parauntipodepacienteesde60 dias, conunadesviaci6n esmndarde 15. Si es razonable
suponerquesetieneunadistribuci6naproximadamentenormalparaeltiempodehospita-
lizacion,calculelaprobabilidaddequeunpaciente,elegidoaleatoriamenteentreesegrupo,
tengaunahospitalizacion:
a) Mayorque50dias b)Menorque30 dias
c) Entre30y60dias d) Demasde90dias
4.7.5 Si el nive! totaldecolesterolenciertapoblaci6n tieneunadistribuci6naproximadamente
normal, con unamedia de 200 mgl100 m! y una desviaci6n estandar de 20 mg/lOO m!,
calculelaprobabilidaddequeunindividuo,elegidoalazardeentreesapoblaci6n,tengaun
niveldecolestero!:
a) Entre180y200mg/100mi b) Mayorque225 mg/lOO m!
c) Menorque 150mg/lOO ml d) Entre190y210mg/IOO mi
4.7.6 Dadaun:a pobla:cioncondistribuci6nnormal,conunamediade75yunavarianciade625,
calcule:
a) P(50:::; x:s; 100) b) P(x > 90)
.c)P(x < 60) d) P(x 85)
e) P(30:::;x:::; 110)
120 CAPITULO4 DISTRIBUCIONESDEPROBABILIDAD
4.7.7 Lospesosdeunapoblaci6ndemujeresj6venes, tienenunadistribuci6naproximadamente
normalconunamediade 132librasyunadesviaci6nestandarde 15. Calculelaprobabili-
dad,dequeunajoven,elegidaal azarentreesapoblaci6n,pese:
a) Masde 155libras b) 100libras0 menos c)Entre105y1451ibras
4.8 RESllMEN
Enestecapitulo,losconceptosdeprobabilidaddescritosenelcapituloanteriorse
abordan con mas profundidad. Se analizan los conceptos de variables aleatoria,
discretaycontinua,asicomolasdistribucionesdeprobabilidad.Seexaminandeta-
lladamente,enespecial, dosdistribucionesdeprobabilidaddiscreta,labinomialy
ladePoisson,yunadistribuciondeprobabilidadcontinua,lanormal.Tambiense
estudiacomoesasdistribucionesteoricaspermitenformarenunciadosdeprobabi-
lidadparalasvariablesaleatoriasquesondeinteresparae1profesionaldelasalud.
PREGUNTASYEJERCICIOS DEREPASO
'1. ~ u e esunavariablealeatoriadiscreta? Detresejemplosqueseandeiriteresparaelprofe-
sionaldelasalud.
2. ~ u e esunavariablealeatoriacontinua?Detresejemplosqueseandeinteresparaelprofe-
sionaldelasalud.
3. Definaladistribuci6ndeprobabilidadparaunavariablealeatoriadiscreta.
4. Definaladistribuci6ndeprobabilidadparaunavariablealeatoriacontinua.
5. ~ u e esladistribuci6ndeprobabilidadacumulada?
6. ~ u e esunensayodeBernoulli?
7. Describaladistribuci6nbinomial.
8. Deunejemplodevariablealeatoriaquepuedaseguirunadistribuci6nbinomial.
9. Describaladistribuci6ndePoisson.
10. DeunejemplodevariablealeatoriaquepuedadistribuirsedeacuerdoconlaleydePoisson.
11. Describaladistribuci6nnormal.
12. Describaladistribuci6nnormalestandarydigac6moseutilizaenestadfstica.
13. De un ejemplo de variable aleatoria que puedaseguir, al menos aproximadamente, una
distribuci6nnormal.
14. Utilice los datos delarespuestaa lapregunta 13 parademostrareluso de la distribuci6n
normalestandarpararespondera preguntasde probabilidadrelacionadasconlavariable
seleccionada.
121 PREGUNTASYEJERCICIOSDEREPASO
15. Elmetodousualparaensenarunahabilidaddecuidadopersonalagenteconretrasomen-
tal,esefectivoen50porcientodeloscasos.Unnuevometodoesensayadocon10personas.
Siel nuevometodonoesmejorqueelhabitual, 2cuMesla probabilidad,dequesiete0 mas
individuos10 aprendan?
16. Losregistrosdelpersonaldeungranhospitalmuestraque 10porcientodelosempleados
demantenimientoyaseorenuncianunanodespuesdesercontratados. Si 10 nuevos em-
pleadossoncontratados:
a) "-Cuales laprobabilidaddequeexactamentelamitaddeellosseencuentrentrabajando
unanodespues?
b) (Cualesla probabilidaddequeningunorenuncieunanodespues?
c)2.Cuales la probabilidaddeque3delos 10renuncienantesdeterminarelano?
17. Enciertopais endesarrollo, 30porcientodelos ninosestandesnutridos. Enunamuestra
aleatoriade25ninosdeesaarea,cualeslaprobabilidaddequeelmimerodeninosdesnu-
tridossea:
a) Exactamente 10 b)Menosdecinco
c) Cinco0 mas d)Entretresycinco, inclusive
e)Menosdesiete, peromasdecuatro
18. Enpromedio,dosestudiantesporhorasonenviadosparatratamientoenlasaladeprimeros
auxiliosenunagranescuelaprimaria.
a) 2Cuales laprobabilidaddequeduranteunahoradada,tresestudianteslleguenalasala
deprimerosauxiliosparatratamiento?
b) 2Cuat eslaprobabilidaddeque duranteunahoradada, dos 0 menos estudiantes sean
enviadosalasaladeprimerosauxilios?
c)(Cualeslaprobabilidaddequeentretresycincoestudiantes,inclusive,seanenviadosala
saladeprimerosauxiliosduranteunahoradada?
19. Enpromedio,cincofumadorespasanporla esquinadeciertacallecada10minutos.Cuales
laprobabilidaddequeduranteunperiododadode10minutoselnumerodefumadoresque
pasenseade:
a)Seis0 menos b)Siete0 mas
c)Exactamenteocho
20. Enciertaareadelaciudadsucedeenpromediounsuicidiopormeso Encuentrelaprobabi-
lidaddequeduranteunmesdado,el numerodesuicidiossea:
a)Masdeuno b)Menosdeuno
c) Masdetres
21. LosI Qdeindividuosintemadosenunaescueladelestadopararetrasadosmentalestieneuna
distribuci6naproximadamentenormalconunamediade60yunadesviaci6nestandarde10.
a) CalculelacantidaddeindividuosconunIQmayora75.
b)2Cmiles laprobabilidaddequeunindividuo,elegidoalazar, tengaunIQentre55y75?
c)CalculeP(50~ ~ 70).
22. EIsupervisordeenfermeriaencontr6queel personaldeenfermeria,enpromedio,termina
ciertatareaen10minutos.Siel tiemporequeridoparacompletarlatareasigueunadistribu-
ci6naproximadamentenormalconunadesviaci6nestandarde3minutos,calcule:
a) Lacantidadproporcionaldeenfermerasqueterminanesatareaenmenosde4minutos.
122 CAPITULO4 DlSTRIBUCIONESDEPROBABILIDAD
b) Lacantidadproporcionaldeenfermerasquenecesitanmasde 5minutosparaterminar
dichatarea.
c) La probabilidad de.que una enfermera alaque recientemente se Ie asign6 la tarea,
termineen3minutos.
23. Lascalificacionesdeunapruebadeaptitudaplicadaaestudiantesdeenfermerfasigueuna
distribuci6naproximadamentenormal,conunamediade500yunavarianciade 10,000.
a) (Queproporci6ndelos individuosexaminadoslograramenosde200puntos?
b) Una persona esta por resolver el examen.(Cuales la probabilidad de que logre una
calificaci6nde6500 maspuntos?
c)(Queproporci6nlograracalificacionesentre350y675 (puntos)? .
24. Dadaunavariablebinomialconmediade20yvarianciade16,calculen yp.
25. SupongaqueunavariableXsedistribuyenormalmente,conunadesviaci6nestandarde 10.
Dadoque.0985 delosvaloresdeXsonmayoresque70, (cualesvalordelamediadeX?
26. DadaunavariablealeatoriaXdistribuidanormalmente,calcule'elvalornumericodek, tal
queP(1l kcr 5, X5, !l+- kcr) = .754.
27. DadalavariablealeatoriaXdistribuidanormaImente,conunamediade 100yunadesvia-
ci6nestandarde15,calculeelvalornumericodek, talque:
a)P(X 5, k) = .0094
b)P(Xzk)= .1093
c)P(100 5, X k) = .4778
d)P(k' ::;X5, k) = .9660,dondek' YksonequidistantesdeIL
28; Dadaunavariable aleatoriaXdistribuidanormalmente, concr 10 yP(X 5, 40) .0080,
calcule 11.
29. Dadaunavariable aleatoriaXdistribuida normalmente, concr = 15 YP(X 50) =.9904,
calcule11.
30. Dadaunavariable aleatoriaXdistribuida normalmente, con cr = P(X z 25) = .0526,
calcule11.
31. Dadaunavariable aleatoriaXdistribuida normalmente, con!l = 25yP(X 5, 10) = .0778,
calculecr.
32. Dadaunavariable aleatoriaXdistribuida normalmente, con 11 30yP(X 5, 50) .9772,
calculecr.
33. Expliqueporquecadaunadelas siguientesmedicioneses 0 noelresultadodeensayos de
Bernoulli:
a) EI sexodereciennacidos.
.b) Lq. dasificaci6ndelacondici6n delos pacientes hospitalizados: estable, encondiciones
criticas,regular,buena,mala..
c) EI pesoengramosdebebesreciennacidos..
34. Expliqueporquecadaunadelas siguientesmedicioneses 0 noelresultado deensayos de
Bernoulli:
a)EInumerodeprocedimientosquirfugicosaplicadosenunhospital.enunasemana.
b)LatemperaturadepacienteshospitalizadosengradosCelsius.
c) Elregistrodelos signosvitalesdepacienteshospitalizados: normaIes0 inestables.
BIBLIOGRAFIA 123
35. Expliqueporquecadaunadelassiguientesdistribucioneses 0 nounadistribuci6ndepro-
babilidad:
a) x P(X =x) b) x . P(X= x)
0
1
2
3
4
0.15
0.25
0.10
0.25
0.30
0
1
2
3
0.15
0.20
0.30
0.10
c) x P(X =x) d) x P(X =x)
0
1
2
3
4
0.15
-0.20
0.30
0.20
0.15.
-1
0
1
2
3
4
0.15
0.30
0.20
0.15
0.10
0.10
BmllOGRAFIA
Bibliografiademetodologia
1. FrankA. Haight,Handbook ofthe Poisson Distribution, Wiley, NewYork.
Bibliografiadeaplicaciones
AI. Simone Buitendijky Michael B. Bracken, "Medication in Early Pregnancy: Prevalence of
Used and Relationship to Maternal Characteristics",American Journal of Obstfftrics and
Gynecolof!:J, 165,33-40.
A-2. NationalCenterforHealthStatistics,M. F. NajjaryM. Rowland,"AnthropometricReference
DataandPrevalenceofOverweight,UnitedStates, 1976-80",Vital and Health Statistics, Serie
II,No.238.DHHSPub.No.(PHS)87-1688,PublicHealthService,U.S.GovernmentPrinting
Office,Washington,DC.
. A3. NationalCenterforHealthStatistics,O.T. Thornberry,R.W.WilsonyP. M.Golden,"Health
PromotionDataforthe1990Qbjectives,EstimatesfromtheNationalHealthInterviewSurvey
ofHealthPromotionlj.nd DiseasePrevention,United:States, 1985",Advance Data From Vital
and Health Statistics, No.126. DHHS Pub. No. (PHS) 86-1250, Public Health Service,
Hyattsville, MD.
.A-4. RobertD. Gibbons,DavidC. ClarkyJan1iawcett,"AStatisticalMethodforEvaluatingSuici-
deClustersandImplementingClusterSurveillance'\American Journal of Epidemiolof!:J, 132
(SuplementoNo. I), SI83-S191.
A5. S. D. Dusheiko, "Some Questions Concerning the Pathological Anatomy ofAlzheimer's
Disease",Soviet Neurological Psychiatry, 7,56-64.PublicadaporInternacionalArtsandSciences
Press,WhitePlains,NY.
5.1 INTRODUCCION
5.2 DISTRIBUCIONESMUESTRALES
5.3 DISTRIBUCIONDELA MEDIADE
LA MUESTRA
5.4 DISTRIBUCIONDELA
DIFERENCIAENTRELAS MEDIAS
DE DOSMUESTRAS
5.1 INTRODUCCION
5.5 DISTRIBUCIONDELA
PROPORCIONDELA MUESTRA
5.6 DISTRIBUCIONDELA
DIFERENCIAENTRELAS
PROPORCIONESDEDOS
MUESTRAS
5.7 RESUMEN
Antesdeexaminareltemadeestudiodeestecapftuloesconvenienterepasar
algunosdelosconceptosimportantesestudiadoshastaahora.Enelcapitulo 1se
presentaunvocabularioestadfsticoutilybasico,ytambienseestudianlos
conceptosfundamentalesparalarecolecci6ndedatos. En elcapitulo2sehace
resaltarlosprocesosdeorganizaci6nyresumendedatos.Aqufesdondese
introducenlosconceptosdetendenciacentralydispersi6n,yendondeseestudia
c6moca1cularsusmedidasdescriptivas.Enelcapitulo3sepresentanlasideas
fundamentalesdeprobabilidadyenelcapitulo4seconsideraelconceptode
distribuci6ndeprobabilidad.Estosconceptossonimportantesparacomprender
lainferenciaestadfstica, temadeestudioqueabarcalamayorpartedeestelibro.
Estecapitulosirveparavincularlosconceptosya mencionados,de
naturalezaesencialmentedescriptiva,conlamayorfadelostemassubsecuentes,
seleccionadosdelareadeestudiodelainferenciaestadfstica.
124
5.2 DISTRIBUCIONESMUESTRALES
125
5.2 DISTIUBUCIONES MUES'mALES
El temaprincipaldeestecapitulotrataacercadelasdistribuciones muestrales. Es
necesariodestacarlaimportanciadeunentendimientoclarodeestasdistribu-
dones,yaqueesteconceptoes laclaveparacomprenderlainferenciaestadfs-
tica.Lasdistribucionesdeprobabilidadsirvenparadosprop6sitos: 1)permiten
responder preguntas de probabilidad acerca de estadisticas muestrales y 2)
proporcionanla teorianecesariaparahacer'validoslos procedimientosdein-
ferencia estadistica. En este capitulo se utiliza la distribuci6n muestral para
contestarpreguntasdeprobabilidadacercadelaestadfsticamuestral.Sedebe
recordarqueenelcapitulo2 se dijoquelaestadisticamuestralesunamedida
descriptiva, como lamedia, lamediana, lavariancia 0 la desviaci6n estandar
quesecalculaa partirdelosdatosdelamuestra. Enlossiguientescapftulosse
estudiac6moladistribud6nmuestralhacevalidaslas inferendasestadisticas.
Porahora, seiniciaconlasiguientedefinicion.
DEFINICION
Ladistribuciondetodoslosvaloresposiblesquepuede
asumirunaestadfstica,calculadosa partirdemuestras
delmismotamano,seleccionadasaleatoriamentedela
mismapoblacion,sellamadistribuci6n muestrul deesa
estadistica.
Distribuciones muestrules: elaboraci6n Las distribuciones muestrales
puedenconstruirseempfricamentea partirde poblacionesfinitas ydiscretas.
Paraello, se procedecomosigue:
1. De unapoblaci6nfinita detamanoN, seextraendemaneraaleatoriatodas
lasmuestrasposiblesdetamanon.
2. SecalculaIiiestadisticadeinteresparacadamuestra.
3. ~ ordenanenunac;olumnalosdistintosvaloresobservadosdelaestadisticay,
enotracol-qmna, lasfrecuencias deocurrenciacorrespondientesdecadava-
lorobservado.
Elaborarladistribuci6nmuestrales unatareaformidablesilapoblaci6n
esdeuntamanomuygrande,eimposiblesilapoblaci6nesinfinita.Enultimo
caso, es posible obteneraproximaciones de las distribuciones muestrales to-
mandoungrannumerodemuestrasdeuntamanodado.
Distribuciones HllIestrales: curacteristicas irnporlantes Normalmente,
paraunadistribuci6nmuestralsetieneinteresenconocertrescosas:media, variancia
yforma funcional (aparienciagnlfica).
Es bienconocidaladificultad que existe paraelaborarunadistribuci6n
muestraldeacuerdoconelprocedimientoanteriorcuandolapoblaci6nesmuy
grande.Tambien constituyeunproblemacuando la poblaci6n es infinita. En
estecaso, 10 mejorquese puedehacerdemaneraexperimentalesaproximar
ladistribuci6nmuestraldelaestadfstica.
126 CAPITULO 5 ALGUNAS DISTRIBUCIONES DE MUESTREO IMPORTANTES
Ambos problemas pueden evitarse por medio de las matematicas. Aunque
los procedimientos que intervienen no son compatibles con el nivel matematico
deeste libro, las distribuciones muestrales pueden deducirse matematicamente.
Ellectodnteresado puede consultar cualquiera de.los libros de texto de estadfs-
tica matematica, por ejemplo, Larsen y Marx (1) 0 Rice (2).
En las siguientes secciones se estudian algunas de las distribuciones mues-
trales mas frecuentes.
5.3 DISTRIBUCION DE IA MEDIA
DE IAMllESTRA
Una distribuci6n muestral importante es la distribucionde la media de la muestra.
A continuaci6n se da un ejemplo de como elaborar esta distribuci6n siguiendo los
pasos del procedimiento descrito en la seccion anterior.
EJEMPLO 5.3.1
Considere una poblaci6nde tamano N = 5, la cual se compone de las edades
de cinco ninos que son pacientes externos de una clfnica de salud mental. Las
edades son las siguientes: Xl = 6, x
2
= 8, X3 10, x
4
= 12 Y X5 = 14. La media
11 para esa poblaciones igual a I.x)N = lOy la variancia es 8.
TABLA 5.3.1 Todas las posibles llluestras de talllano n =2 de una
poblacion de talllano N = 5. Las llluestras 0 abajo de la
diagon31 principal resultan cuando el llluestreo es sin reelllplazos.
Las llledia.."i las llluestras esmn entre parentesis.
Segunda seleccion
6 8 12 14
Primera
seleccion
6
8
10
12
14
6,6.
(6)
8,6
(7)
10,6
(8)
12,6
(9)
14,6
(10)
6,8
(7)
8,8
(8)
10,8
(9)
12, 8
(10)
14,8
(11)
6, lO
(8)
8, 10
(9)
10,10
(10)
12, 10
(11)
14; 10
(12)
6, 12
(9)
8, 12
(10)
10, 12
(11)
12, 12
(12)
14, 12
(I3)
6, 14
(I 0)
8,14
(11)
10, 14
(12)
12, 14
(13)
14, 14
(14)
127
x
5.3 DISTRIBUCION DE LA MEDIA DE LA l\iUESTRA
TABLA 5.3.2 Distribucionmuestral de
x calculadaapmthdelasmuestras
delatabla5.3.1
Frecuencia
Frecuencia relativa
6 1 1/25
7 2 2/25
8 3 3/25
9 4 4/25
10 5 5/25
11 4 4/25
12 3 3/25
13 2 2/25
14 1 1/25
Total 25 25/25
Se calcula otra medida de dispersion y se designa con la letra S como sigue:
40
=lO
N-I 4
Esta cantidad se utilizara en el siguiente capitulo. Por ahora, se pretende elaborar
la distribucion muestral de la media de la muestra, X, con base en las muestras de
tamafio n == 2 seleccionadas de esta poblacion.
Solucion: Seleccione todas las muestras posibles de tamafio n = 2 de esta pobla-
ci6n. Estas muestras
l
junto con sus medias, se encuentran en la tabla
5 3 ~ 1~
En este ejemplo se observa que, cuando el muestreo se efectua con
reemplazos, hay 25 muestras posibles. En general, cuando e1 muestreo se
neva a cabo con reemplazos, el numero de muestras posibles es igual aNn.
Puede construirse la distribuci6n muestral de xordenando los di-
ferentes valores de xen una columna, y sus frecuencias de ocurrencia en
Ia otra, tal como 10 muestra la tabla 5.3.2.
En la tabla 5.3.2 se aprecian los datos que satisfacen los requerimientos
para la distribuci6n de probabilidad. Las probabilidades individuales todas son
mayores a 0 y la suma es igual a 1.
Se mencion6 al principio que un interes principal radica en la forma
funcional de la distribuci6n muestral, la media y la variancia. Ahora, estas
caracteristicas se consideran para la distribucion muestral de la media de la
muestra, x.
128 CAPITULO 5 ALGUNAS DISTRIBUCIONES DE MUESTREO IMPORTANTES
fIx)
6
5
4
3
2
8 10 12 14
x
6
Distribucion de la poblacion
fIX)
6
5
4
3
2
,0
Distribucion muestral de X
FIGURA 5.3.1 Distribuci6n de la poblaci6n y distribuci6n muestral de x.
DistribuciOn muestral En la figura 5.3.1 se
muestra el histograma de xjunto con la distribucion de la poblacion. Es nota-
ble la diferencia entre la apariencia del histograma de la poblacion y la del
histograma de la distribuci6n muestral de x. Mientras que el primero esta dis-
tribuido uniformemente, el segundo crece gradualmente hasta un punto maxi-
mo y despues decrece fonnando una figura simetrica.
Distribuci6n muestral de x: la media EI siguiente paso es calcular la
media, representada por /lx' de la distribucion muestral. Para hacerlo, se su-
man,las 25 medias de la muestray el resultado se divide entre 25. As!:
LXi 6+7+7+8++14 250
Il- = --= ------- 10
x N" 25
25
,Es interesante notar que la media de ladistribucion muestral para x tie-
ne el mismo valor que la media de la poblacion original.
129 5.3 DISTRIBUCIONDELAMEDIADELAlI>1UESTRA
Dislribuei6n mueslral de x: varianeia Finalmente, elcalculode la
varianciade x, representadapor escomosigue:
<, L,(xj ilx)2
cr;;=-----
N"
(6 10)2+(7-10)2+(7-10)2+...+(14 10)2
=---------------------------------
25
100
=-=4
25
Tambiensepuedeadvertirquelavarianciadeladistribucionmuestralnoesiguala
lavarianciadelapoblacion.Sinembargo,es interesanteobservarqueIavariancia
de ladistribucionmuestrales iguala lavarianciadelapoblaciondivididaentreel
tamanodelamuestrautilizadaparaobtenerladistribuci6nmuestral. Estoes:
cr
2
8
c r ~ =-=4
x n 2
A la raiz cuadradade lavariancia de la distribucion muestral, =cr/ .r;;,seIe
llamaerror esttindar de fa media, 0 simplementeerror estandar.
Estosresultadosnosoncoincidenciassinoejemplosdelascaracteristicasde
las distribucionesmuestrales engeneral, cuandoelmuestreoes conreemplazo0
cuandoseefectUaa partirdeunapoblaci6ninfinita.Parageneralizar, sedebedis-
tinguirentre dos situaciones: muestreoa partirde una poblaci6n que sigue una
distribuci6nnormalymuestreoapartirdeunapoblacionquenosigueunadistri-
bucionnormaL
DislribuciOn mueslral de x: mueslreo a partir de poblaeiones que
siguen una dislribuci6n normal Cuandoelmuestreoserealizaapartirde
unapoblacionquesigueunadistribucionnormal,ladistribuciondelamediadela
muestratienelassiguientespropiedades:
1. Ladistribucionde x seranormal.
2. Lamedia, ilx, deladistribuci6nde xseraigualalamediadelapoblaci6nde
lacualseseleccionaronlasmuestras.
3. Lavariancia, cri,deladistribuci6nde x seraigualalavarianciadelapobla-
ciondivididaentreeltamanodelamuestra.
ll#ueslreo a parlir de poblaciones que no signen dlslribuei6n normal
Cuandoelmuestreoseefectuaapartirdeunapoblacionquenosigueunadistribu-
cion normal, se utiliza un teorema matematico conocido como teorema del limite
central. Laimportanciadeesteteoremaenlainferenciaestadisticaseresumeenel
siguienteparrafo.
130 CAPITULO 5 ALGUNAS DISTRIBUCIONES DE MUESTREO IMPORTANTES
Teorema del limite central
Dada una poblaci6n de cualquierforma funcional no normal can una media!! y variancia
finita 0
2
, La distribuci6n muestraL de x, calculada a partir de muesiras de tamano n de
dicha poblacion, sera cc.si r.ormal con media!!y variancia 021n wando la muestra es muy
grande.
Observe que el teorema del limite central permite tomar muestras a partir de
poblaciones con distribucion no normal y garantizar que se obtengan aproximada-
mente los mismos resultados que si la poblacion tuviera una distribucion normal,
siempre que se tome una muestra grande.
La importancia de esto se demostrara mas adelante al estudiar que una distri-
bucion muestral con distribucion normal es una herramienta importante en la infe-
rencia estadfstica. En el caso de la media de la muestra, se dene la seguridad de que
la distribucion muestral esta distribuida en forma al menos aproximadamente nor-
mal con tres condiciones: 1) cuando se hace el muestreo a partir de una poblacion
con distribucion normal; 2) cuando se hace el muestreo a partir de una poblacion que
no exhibe una distribucion normal y la muestra es grande, y 3) cuando se hace el
muestreo a partir de una poblacion cuya forma funcional se desconoce, siempre
que el tamano de la muestra sea grande.
Alllegar a este punto, surge una pregunta logica: (que tan grande debe ser la
muestra para que el teorema dellfmite central sea aplicable? No existe una sola respues-
ta, pues el tamano de la muestra depende de la condicion de no-normalidad en la
poblacion. Una regIa empirica establece que, en la mayoria de las situaciones prac-
ticas, una muestra de tamano 30 es suficiente. En general, la aproximacion a la
normalidad de la distribucion muestral para x llega a ser mucho mejor a medida
que crece el tamano de la muestra.
Muestreo sin reemplazo Los resultados anteriores se han dado con la premisa
de que el muestreo es con reemplazo 0 que la muestra fue extrafda de una poblacion
infinita. En general, no se efectuan muestreos con reemplazo, y en muchos casos
practicos, el muestreo debe hacerse a partir de una poblacion finita; por 10 tanto, es
necesario conocer el comportamiento de la distribucion muestral de la media de la
muestra con estas condiciones. Antes de hacer cualquier afirmacion general, convie-
ne revisar nuevamente los datos de la tabla 5.3.1. Las medias de la muestra que
resultan cuando el muestreo es sin reemplazos se presentan sobre la diagonal princi-
pal, que son las mismas que estan por debajo de dicha diagonal, siempre y cuando se
ignore el orden en que se hicieron las observaciones. Se observa que hay 10 muestras
posibles. En general, cuando se extraen sin reemplazos muestras de tamano n a par-
tir de una poblacion finita de tamano N, y se ignora el orden en que son extraidas las
muestras, se obtiene el numero de muestras posibles mediante la combinacion de N
cosas tomadas n a la vez. En el siguiente ejemplo se tiene que:
N! 51 5431
= 10 muestras posibles
n!(N n)! 2131 213!
131 5.3 DISTRIBUCION DE LA MEDIA DE LA MUESTRA
La media de las lO medias muestrales es:
Nuevamente se aprecia que la media de la distribuci6n muestral es igual a la me-
dia de la poblaci6n.
La variancia de la distribuci6n muestral se calcula como sigue:
30
- 3
10
y en esta-ocasi6n se observa que la variancia de la distribuci6n muestral no es
igual a la variancia de la poblaci6n dividida entre el tamano de la muestra,
porque J ~ = 3", 8/2 = 4. Sin embargo,existe una relaci6n interesante que se
descubre al multiplicar (J2/n por (N n)/(N - 1). Esto es:
n N 1
Este resultado indica que si se multiplica la variancia de la distribuci6n muestral
que se obtendria si el muestreo fuese con reemplazos, por el factor (N n)/(N-
I), se obtiene el valor de la variancia de la distribuci6n muestral que resulta
cuando el muestreo es sin reemplazos. Es posible generalizar estos resultados
con el siguiente enunciado:
Cuando el muestreo es sin reemplazos a partir de una poblaci6n finita, la distribuci6n
muestral de x tendra una media J..L y variancia
n N-l
Si el tamano de la muestra es muy grande, el teorema del Hmite central es
aplicable y la distribuci6n muestral de x sera aproximadamente normal.
Carreccion par pab/acion finita AI factor (N n)/(N 1) se Ie llama
correcci6n por poblaci6n jinita, y se puede omitir cuando el tamano. de la muestra
es pequeno en comparaci6n con el tamano de la poblaci6n. Cuando la pobla-
cion es mucho mayor que la muestra, la diferencia entre (J2/n y J2/n)[(N - n)/(N
1)] es insignificante. Por ejemplo, si una poblaci6n tiene un tamano de 10,000
Yel tamano de una muestra de esta poblaci6n es de 25, la correcci6n por po-
blaci6n finita es igual a (10,000 - 25)/(9999) .9976. Multiplicar (J2/n por
.9976 es casi equivalente a multiplicar por 1. La mayorfa de los estadfsticos no
utilizan la correccion por poblaci6n finita a menos que la muestra sea de mas
de 5 por ciento de la poblaci6n. Es decir, la correcci6n de poblaci6n finita gene-
ralmente se ignora cuando n/N:::; .05.
132 CAPITULO5 ALGUNASDlSTRIBUCIONESDEMUESTREOIMPORTANTES
Distribuci6n muestral de x: el resumen Lascaracteristicasdeladistribu-
cionmuestraldex se resumenenlasdossiguientescondiciones:
1. Cuandoel muestreoserealizaapartirdeunapobJaciondistribuidanormal-
menteconunavarianciadepoblacionconocida:
a) Il
x
:::; Il
b) Ox =If;;
c) Ladistribucionmuestralde x esnormal.
2. EI muestreose efectuaa partirdeunapoblacionquesigueunadistribucion
nonormalconunavarianciadepoblacionconocida:
a) Ilx =Il
b) Ox = ~ donden IN::;; .05
,- !N-n
Ox (o!-vn),I--
VN I
c) Ladistribucionmuestralde xesaproximadamentenormal.
AplicaciQnes Como se vera encapitulos posteriores, el conocimiento y la
comprension de las distribuciones muestrales son necesarios paraentender
los conceptos de la inferencia estadfstica. La aplicacion mas sencilla para la
distribucionmuestraldelamediadelamuestraeselca.lculodelaprobabilidad
deobtenerunamuestraconunamediadealgunamagnitudespecificada.Esto
seilustraconalgunosejemplos.
EJEMPLO 5.3.2
Supongaqueenunapoblaciongrandedesereshumanos,ladimensiondeldiame-
tro craneal sigue unadistribucion aproximadamente normal, conuna media de
185.6mmyunadesviacionestandarde 12.7mm.~ u a I eslaprobabilidaddequeuna
muestraaleatoriadetamafiolOdeestapoblaciontengaunamediamayorque190?
Soluci6n: Sesabequelamuestraindividualqueseestudiaessolounadetodaslas
muestrasposiblesdetamano 10quepuedenserextrafdasdelapobla-
cion,demodoquelamediaalaqueconduceesunadelas x queforman
partedeladistribucionmuestralde xque,teoricamente,podriainferirse
deestapoblacion.
Cuandosedicequelapoblaciontieneunadistribucionaproxima-
damente normal, se supone que la distribucion muestral de x sigue,
parafines pnicticos, unadistribuci6n normal. Tambien se sabe que la
mediayladesviaci6nestandardeladistribuci6nmuestralsonigualesa
185.6y J02.7)2/10=12.7/-110=4.0161, respectivamente. Se supone
quelapoblacionesgrandeconrespectoalamuestra,demaneraquela
correccionporpoblacionfinitapuedeomitirse.
EnelcapItulo4seaprendi6quesiemprequese tengaunavariable
aleatoriacondistribucionnormal,estapuedetransformarsefacilmente
133 5.3 DISTRIBUCION DE LA MEDIA DE LA MUESTRA
en una distribuci6n normal est<:indar. Ahora la variable aleatoria es x,la
media de su distribuci6n es li
x
, y su desviaci6n estandar es (Jx (J / -V n .
AI modificar adecuadamente la formula anterior, se obtiene la siguiente
f6rmula para transformar la distribuci6n normal de xen la distribuci6n
normal estandar
x Jlx
z=--- (5.3.1)
(5/{;;
La probabilidad que responde a la pregunta formulada se representa en
el area ala derecha de x 190 bajo la curva de la distribuci6n muestral.
(a)
x
a x= .;;; =4.0161
'110
.1357
/kJi=185.6 190
(b)
1.09
.1357
o z
(e)
FIGURA 5.3.2 Distribuci6n de la poblaci6n, distribuci6n muestral y distribu-
ci6n normal estandar, ejemplo 5.3.2: a) distribuci6n de la poblaci6n; b) distri-
buci6n muestral de x para muestras de tamafio 10; c) distribuci6n normal estfudar.
134 CAPITULO5 ALGUNAS DISTRIBUCIONESDEMUESTREOIMPORTANTES
Estaareaes igualalareadeladerechade:
190-185.6
z=-----
4.4 =1.10
4.0161 4.0161
AIconsultarlatablanormalestandar,seencuentraqueelareaaladere-
chade1.10es.1357;por10 tanto,sepuededecirquelaprobabilidadde
quelamuestradetamaiio 10tengaunamediamayorque190es.1357.
Lafigura 5.3.2 muestralarelaci6nentrelapoblaci6noriginal, la
distribuci6nmuestralde x yladistribuci6nnormalestandar.
EJEMPLO 5.3.3
Si la mediay desviaci6n estandar de la concentraci6n de hierro en el suero en
hombres sanos es de 120 y 15 microgramos por cada 100 ml, respectivamente,
~ c u a l es la probabilidad de que una muestra aleatoria de 50 hombres normales
tengaunamediaentre 115y 125microgramosporcada 100ml?
Soluci6n: Noseespecificalaformafuncional delapoblaci6ndevalores decon-
centracionesdehierroenelsuero,perodadoquesetieneuntamaiiode
muestra mayor que 30, se puede utilizar elteorema del lfmite central
para transformarladistribuci6n muestralcasi normalresultante de x
(lacualtieneunamediade120yunadesviaci6nestandarde 15/ -J5O =
2.1213)enunadistribuci6nnormalestandar.Laprobabilidadbuscadaes:
P(1l5 ~ x~ 125)=pl1l5-120~ z 125-120]
2.12 2.12
= P(-2.36 z 2.36)
=.9909- .0091
=.9818

EJERCICIOS
5.3.1 LaNationalHealthandNutritionExaminationSurveyde1976-1980(A-l)encontr6quelos
niveles decolesterolenindividuosvarones, estadounidenses, conedadesentre 20-74afios,
fue de 211. Ladesviaci6n estandarfue aproximadamentede90. Considere ladistribuci6n
muestral de la media de la muestra basada en muestras de tamafio 50 extraidas de esta
poblaci6n de individuos varones. ~ u a l es la media de la distribuci6n muestraly el error
estandar?
5.3.2 Elestudiomencionadoenelejercicio5.3.1 report6niveles decolesterolde 180envarones
conedadesentre20y24afios,condesviaci6nestandardeaproximadamente43.Siseextrae
unamuestraaleatoriasimpledetamafio60,calculelaprobabilidaddequeelniveldecolesterol
delamediadelamuestrasea:
a) Entre 170y 195 b)Abajode 175
c)Arribade 190
5.4 DISTRIBUCIONDE LA DIFERENCIAENTRELAS MEDIAS 135
5.3.3 Silasconcentracionesdeacidouricoenhombresadultosnormalessiguenunadistribuci6n
aproximadamentenormal,conunamediaydesviaci6nestandarde5.7Y1mgporciento,
respectivamente, encuentrelaprobabilidaddequeunamuestradetamafio 9 proporcione
unamedia:
a) Mayorque6 b)Entre5y6
c)Menorque5.2
5.3.4 Para cierto sector amplio de poblaci6n enunafio determinado, suponga que el numero
mediodediasdeincapacidades5.4,conunadesviaci6nestandarde2.Sdfas. Encuentrela
probabilidaddequeunamuestraaleatoriadetamafio49deesapoblaci6ntengaunamedia:
a)Mayora6dias b) Entre4y6dfas
c)Entre4.5y5.5dfas
5.3.5 Dadaunapoblaciondistribuidanormalmentecanunamediade100Yunadesviaci6nestandar
de20, encuentrelas siguientesprobabilidadesparaunamuestradetamafio 16:
a)P( X 100) b)P(96 S x s lOS)
c)P(x S 110)
5.3.6 Dada: f.l= 50,(J 16Yn = 64, calcular:
a) P(45 S XS 55) b)P(x> 53)
c)P(x< 47) d)P(49 s x s 56)
5.3.7 Supongaqueunapoblaci6nsecomponedelos siguientesvalores: 1,3,5,7,9.Construyala
distribuci6nmuestralde xapartirdemuestrasdetamafiodos, seleccionadassinreempla-
zoo Calculelamediaylavarianciadeladistribuci6n.
5.3.8 Utilice los datosdel ejemplo5.3.1 paraobtenerladistribuci6nmuestralde X a partir de
muestrasdetamafiotresseleccionadassinreemplazo. Calculelamediaylavariancia.
5.3.9 Enunapoblaci6ndej6venesde17 afiosdeedad,lamediadelespesordelplieguesubescapular
(en miHmetros) es de 9.7, con una desviaci6n estandar de 6.0. A partir de una muestra
aleatoriasimpledetamafio40extrafdadeesapoblaci6n,calculelaprobabilidaddequela
mediadelamuestra:
a) Seamayorque 11 b) Seamenor0 igualque 7.5 c) Este entre7 y 10.5
5.4 DISmmUCION DE lA DIFERENCIA ENTRE
lAS MEDIAS DE DOS MUESTRAS
Con frecuencia, el interes enuna investigacion se dirige hacia dos poblaciones.
Especfficamente,puedeserqueuninvestigadordeseesaberalgoacercadeladife-
renciaentrelas mediasdedos poblaciones. Enunainvestigacion,porejemplo, el
investigadortalvezdesearasabersiesrazonableconcluirquedosmediaspoblacionales
sondiferentes. Enotrasituaci6n, es posiblequeel investigadorquieraconocerla
magnituddeladiferenciaentreelIas. Unequipodeinvestigaci6nmedica,porejem-
plo, quizarequierasabersi elnivelmediodecolesterolenelsueroes mayorenun
grupodeoficinistas que enungrupo deobreros. Si los investigadores concluyen
que las medias de la poblaci6n son diferentes, es posible que deseen saber que
136 CAPITULO 5 ALGUNAS DISTRIBUCIONES DE MUESTREO IMPORTANTES
tanto difieren. El conocimiento acerca de la distribuci6n muestral de la diferencia
entre dos medias es muy utH en investigaciones de este tipo.
JUuestreo a partir depoblaciones con distribucion normal Los ejem-
plos siguientes describen la elaboraci6n y las caracterfsticas de la distribuci6n
muestral de la diferencia entre las medias de las muestras cuando el muestreo se
hace a partir de dos poblaciones con distribuci6n normaL
EJEMPLO 5.4.1
Suponga que se tienen dos poblaciones de individuos. Una de ellas (la poblaci6n 1)
ha experimentado alguna enfermedad que se considera esci asociada con retraso
mental, y la otra (la poblaci6n 2) no ha experimentado tal enfermedad. Se cree que la
distribuci6n de calificaciones de inteligencia de cada una de las poblaciones presenta
una distribuci6n aproximadamente normal con una desviaci6n estandar de 20.
Suponga, tambien, que se toma una muestra de 15 individuos de cada pobla-
ci6n y se calcula en cada muestra la media de las calificaciones de inteligencia, con
los siguientes resultados: Xl 92 Y x
2
105. Si no hay diferencia entre las dos
poblaciones con respecto a la media real de las calificaciones de inteligencia,
es la probabilidad de observar una diferencia de esta magnitud (Xl - 0 mayor
entre las medias de las muestras?
Soludon: Para responder a esta pregunta es necesario conocer la naturaleza de la
distribuci6n muestral para la estadfstica principal, es decir, la diferencia
entre las dos medias de las muestras, - x
2
Es importante notar que se
busca la probabilidad asociada con la diferencia entre las medias de dos
muestras en lugar de una.
Distribucion muestral de x
1
: elaboracion Aunque en la practica no
se intentarfa construir la distribuci6n muestral deseada, es posible una idea con-
ceptual ace rca de la forma en que podrfa efectuarse cuando el muestreo se realiza a
partir de poblaciones finitas. Se comenzarfa por seleccionar de la poblaci6n 1 todas
las muestras posibles de tamano 15 y calcular la media de cada muestra. Se sabe
que hay N,C., de tales muestras, donde N
1
, es el tamano de la poblaci6n y n
1
15.
De la misma forma, se podrfa seleccionar todas las posibles muestras de tamano 15
de la poblaci6n 2 y calcular las medias. Se tomarian todos los pares posibles de las
medias muestrales, una de la poblaci6n 1 y otra de la poblaci6n 2, asf como su
diferencia. En la tabla 5.1.1 aparecen los resultados de seguir este procedimiento.
Cabe aclarar que, los 1 y los 2 en la ultima linea de la tabla no son exponentes sino
indicadores de poblaci6n 1 y 2, respectivamente.
Distribucion muestral de x
1
- caracteristicas Lo que se pretende
es caIcular l;'l distribuci6n de la diferencia entre las medias de las muestras. Si
se elabora una grMica de las diferencias de las muestras contra sus frecuencias
de ocurrencia, se podrfa obtener una distribuci6n normal con una media igual
a f.!J f.!2' la diferencia entre las medias reales de los dos grupos 0 poblaciones,
y una variancia igual a (O'f / n
j
) + / n
2
). Esto es, el error estandar de la dife-
rencia entre las medias serfa igual a / n
j
) + (O'i / n
2
) .
137 5.4 DISTRIBUCION DE LA DIFERENCIA ENTRE LAS MEDLi\S
TABlA 5.4.1 Tabla de Q'abajo pal'a elaboral' la distl'ibuci6n de las
difel'encias entre las dos medias de las muestras
Muestras Muestras de Medias de las Medias de las Todas las
de la de la muestras de muestras de posibles diferencias
poblacion 1 poblacion 2 la poblacion 1 la poblacion 2 entre las medias
n
nil
12 xJl
X
l2 Xll
X
l2
n n
21 Z2
X
21
X
22
xl! - X
22
n
31
n
32
X
31
X
S2 XII
X
S2
Para el ejemplo 5.4.1 habria una distribuci6n normal con una media igual
a 0 (si no hay diferencia entre las medias reales de la poblaci6n) y una variancia
de [(20)2/15] + [(20)2/15] = 53.3333. La gn'ifica de la distribuci6n muestral se
ilustra en la figura 5.4.1.
Conversion a z Se sabe que la distribuci6n normal descrita en el ejemplo
5.4.1 se puede transformar en una distribuci6n normal estandar mediante la
modificaci6n de una f6rmula estudiada con anterioridad. La nueva f6rmula es
como sigue:
(Xl X
2
) (J.ll I-lz)
z
(J2 (J2
_I +_2 (5.4.1)
n
J
n
z
EI area bajo la curva de XI - X
z
correspondiente a la probabilidad buscada es el
area ala izquierda de Xl -X
2
= 92 lOS -13. Suponiendo que no hay diferencia

~ ~
-+ - =53.33
n
1
n
2
P- x, x
2
= P-1 - P-2 = 0
FIG[jRAS.4.1 Gn'ifica de la distribuci6n muestral de X; - x
2
cuando no existe diferencia
entre las medias de las poblaciones, ejemplo 5.4.1.
138 -:APITULO 5 ALGUNAS DISTRIBUCIONES DE MUESTREO IMPORTANTES
entre las medias de las poblaciones,el valor de z que corresponde a -13 es:
-13 0
-13 =-1.78
z =-;=-=====
(20)2 (20)2 7.3
--+--
15 15
AI consultar la tabla D, se encuentra que el area bajo la curva normal estandar a la
izquierda de -1.78 es igual a .0375. Para responder a la pregunta original, se puede
decir que, si no hay diferencia entre las medias poblacionales, la probabilidad de obte-
ner una diferencia mayor 0 igual que 13 entre las medias de las muestras es de .0375.
lJ1ues/reo a parlir de poblaciones normales El procedimiento anterior
es valido incluso cuando el tamano de las muestras, n
l
Yn
2
, son diferentes, y cuando
las variancias, y tienen valores diferentes. Los resultados te6ricos sobre los
que se basa este procedimiento, se resumen de la siguiente forma.
Dadas dos poblaciones con una distribucion normal, con medias III Y 112 Y variancias
Y respectivamente, la distribucilin muestral de la diferencia, Xl - X
2
, entre las medias
de muestras independientes de tamaiio n
l
Y n
2
extraidas de esas poblaciones siguen una
distribucion normal con media III 112 Y variancia I n
1
) + I n
2
).
iJ1ueslreo a partir de poblacioHes no normales La mayorfa de las veces
el investigador se enfrenta a uno de los siguientes problemas: 1) la necesidad de
extraer muestras de una poblaci6n con distribuci6n no normal, 0 2) extraer mues-
tras de poblaciones cuya forma funcional se desconoce. Una soluci6n para estos
problemas consiste en tomar muestras grandes, dado que, ruando el tamano de las
muestras es grande, e1 teorema de1limite central es aplicable y la distribuci6n de la
diferencia entre las dos medias de las muestras sigue una distribuci6n aproximada-
mente normal, con una media igua:I a III - 112 Yuna variancia de / n
1
) + / n
2
).
Para calcular probabilidades asociadas con los valores espedficos de la estadfstica,
e1 procedimiento es e1 mismo que el dado ruando el muestreo se hace a partir de
poblaciones con disttibuci6n normal.
EJElUPLO 5.4.2
Suponga que se estableci6 que para cierto tipo de pacientes e1 tiempo promedio de
visita domiciliaria hecha por una enfermera es de 45 minutos con una desviaci6n
estandar de 15 minutos, y para un segundo tipo de paciente, el promedio de visit a
domiciliaria es de 30 minutos con una desviaci6n estandar de 20 minutos. Si la
enfermera visita al azar a 35 pacientes del primer tipo y 40 del segundo tipo,
es la probabilidad de que el tiempo promedio de visita domiciliaria difiera entre los
dos grupos por 20 minutos 0 mas?
Soluci6n: No se menciona nada respecto a la forma funcional de las poblaciones,
por 10 que se supone que est a caracteristica se desconoce, 0 que las po-
blaciones no presentan una distribuci6n normal. Puesto que las mues-
139 5.4 DISTRIBUCION DE LA ENTRE LAS MEDIAS
tras son grandes (mayores que 30) en ambos casos, se hace uso de los
resultados del teorema dellfmite centraL Se sabe que la diferencia entre
las medias de las muestras sigue una distribuci6n al menos aproximada-
mente normal con las siguientes media y variancia:
I1x, -x, 111 - 112 =: 45 30 15
cr': _ == + (15)2 + (20)2 == 16.4286
x,-x, n n 35 40
l 2
El area bajo la curva de XI x
2
que se busca se encuentra a 1a derecha de
20. EI valor correspondiente de z en la distribuci6n normal estandar es:
20 15 5
1.23

4.0532
En la tabla D se encuentra que el area a la derecha de z = 1.23 es
1- .8907 .1093. Por 10 tanto, se puede decir que la probabilidad de
que las visitas al azar de la enfermera difieran entre las dos medias por
20 0 mas minutos es de .1093. La curva de Xl - x
2
y la curva normal
estandar correspondiente se muestran en la figura 5.4.2 .
. 1093
.1093
o 1.23
z
FIGURA 5.4.2 Distribuci6n muestral de Xl - X Y la distribuci6n normal estandar
correspondiente, ejemplo de visitas domiciliarias.
140 CAPiTULO5 ALGUNAS DISTRIBUCIONESDEMUESTREOIMPORTANTES
FJERCICIOS
5.4.1 La referenciadelosejercicios5.3.1 y5.3.2arrojalossiguientesdatosdelniveldecolesterol
enelsuerodevaronesestadounidenses:
Poblaci6n Edad Media Desviaci6nestandar
A 20-24 180 43
B 25-34 199 49
Supongaqueseescogeunamuestraaleatoriasimpledetamano50independiente,apartir
decad... poblaci6n. es la probabilidaddeque las diferencias entre las medias delas
muestras (XB x
A
) seamayorque25?
5.4.2 Enunanalisisdegastosfamiliaresanualesparaelcuidadogeneraldelasalud,seinvestiga-
rondospoblacionesconlos siguientesresultados:
Poblaci6n 1: n
l
= 40, Xl =$346
Poblaci6n2:n
2
=35, x
2
= $300
Sisesabequelavarianciadelaspoblacionesesde =2800Y =3250,respectivamente,
es laprobabilidaddeobtenerresultadosde muestras (XI - x
2
) tanamplios comolos
quesemuestran,sinohaydiferenciaentrelasmediasdelasdospoblaciones?
5.4.3 Dadasdospoblacionescondistribuci6nnormal,conmediasigualesyvariancias crf 100y
= 80, eslaprobabilidaddequelasmuestrasdetamanon
1
=25Y n
2
=16,propor-
cionenunvalorde Xl - x
2
mayor0 igualque8?
5.4.4 Dadasdos poblacionescon distribuci6n normal, con medias igualesyvariancias de crf =
240Y 350, es laprobabilidaddequedosmuestrasdetamanon
l
=40Y n
2
=35,
respectivamente,proporcionenunvalorde XI - x
2
mayor0 igualque 12?
5.4.5 Para ambas poblaciones de hombres y mujeresj6venesde 17 anos de edad, las medias y
desviaciones estandar, respectivamente, del grosor delpliegue subescalpular son como si-
gue: paralos varones es de9.7 y6.0; paralas mujeresesde 15.6y9.5. Si se obtieneuna
muestraaleatoriasimple de40 varonesyotrade 35 mujeres a partirdedicha poblaci6n,
esI, probabilidaddequeladiferenciaentrelasmediasdelasmuestras (xmujeres - xhombreJ
seamayorque10?
".5 DISTRIBUCION DE IA
PROPORCION DE IA MUESTRA
Enlasseccionesanterioresseestudiaronlasdistribucionesmuestralesparaestadfs-
ticascalculadasapartirdevariablesmedidas.Sinembargo,frecuentementesetie-
neinteresenladistribuci6nmuestraldeestadfsticas,comolaproporci6ndemuestras,
queresultadelosdatosdeconteo0 frecuencias.
141 5.5 DISTRIBUCION DE LA PROPORCrON DE LA MUESTRA
EJEMPLO 5.5.1
Suponga que en una poblacion de seres humanos, .08 son daltonicos. Si la
proporcion de la poblacion se designa como p, se puede decir para este ejem-
plo que p = .08. Si se eligen aleatoriamente 150 individuos de esa poblacion,
es la probabilidad de que la proporcion en la muestra de individuos
daltonicos sea igual a .15?
Solucion: Para responder a esta pregunta es necesario conocer algunas de las
propiedades de la distribucion muestral de la proporcion de la muestra.
Se designara la proporcion de la muestra con el simbolo p.
EI lector reconocera la similitud entre este ejemplo y los que se
presentan en la seccion 4.3, que se refieren a la distribucion binomial.
Ademas, la variable daltonismo es una variable dicotomica, porque un in-
dividuo se puede clasificar en una u otra de dos categorias mutuamente
excluyentes, daltonico 0 no daltonico. En la seccion 4.3 se da la misma
informacion y se pide calcular el numero con la caracteristica de interes,
mientras que en el presente ejemplo se busca la proporcion de la mues-
tra que posea tal caracteristica. Mediante el uso de una tabla 10 suficien-
temente grande de probabilidades binomiales, como la tabla B, es posible
determinar la probabilidad asociada con el numero correspondiente a
la proporcion de interes. Como se vera mas adelante, esto no sera nece-
sario, porque se dispone de otro procedimiento que, en general, es mas
conveniente cuando el tamafio de la muestra es grande.
Distribucion mue.dral de /I: elaboracion La distribucion muestral de
la proporcion de la muestra se puede obtener experimentalmente de la misma
forma que se sugiere para el caso de la media aritmetica y la diferencia entre
dos medias. A partir de la poblacion, que se supone es frnita, se toman todas
las muestras posibles de un tamafio dado y para cada muestra se calcula la
proporcion de la muestra, p. Despues se elabora una distribucion de frecuen-
cia de p, ordenando los valores distintos de pjunto con sus frecuencias de
ocurrencia. Esta distribucion de frecuencia (al igual que la distribucion de fre-
cuencias relativas correspondiente) constituye la distribucion muestral de p.
Distribucion muestral de /I: caracteristicas Cuando la muestra es
grande, la distribucion de las proporciones de la muestra es aproximadamente
normal de acuerdo con el teorema del limite central. La media de la distribucion
!-i
p
' que es el promedio de todas las proporciones posibles de la muestra, es
igual a la proporcion real de la poblacion p, y la variancia de la distribucion,
a; es igual a P(l - P) I no pq I n, donde q = 1 p. Entonces, para responder a
las preguntas acerca de la probabilidad respecto a p, se utiliza la siguiente formula:
A
P P
z=-====
(5.5.1 )

142 CAPiTULO5 ALGUNASD1STRIBUCIONESDEMUESTREOIMPORTANTES
La preguntaquesurge ahoraes: tan grandedebeserlamuestrapara
queseavalidoelusodelaaproximaci6nnormal?Uncriterioampliamenteutiliza-
doesquenp yn(l- p) debensermayoresque5, por10 queseseguiradicharegIa
enelpresentetexto.
Ahoraseestaenposibilidadderesponderalapreguntareferenteal daltonis-
moenlamuestrade150individuosdeunapoblaci6nenlacual.08sondalt6nicos.
Puestoquenpyn (I-P) sonmayoresque5(IS0x.08=12YISOx.92 138),sepuede
decir que, eneste caso, psigue unadistribuci6n aproximadamente normal con
unamedia IJ.ji =P .08Y ofi =P(I-p)/n= (.08)(.92)/150=.00049. Laprobabili-
dadbuscadaeselareabajolacurvade pala derechade.IS. Estaareaesigualal
areabajolacurvanormalestandaraladerechade:
A
p-p .15-.08 .07
z=-;:====- r====--=3.15
.0222
Latransformaci6nparaladistribuci6nnormalestandarsellevaacabodelamane-
rausual:zsecalculaaldividirel errorestandarentreladiferenciadeunvalordela
estadfsticaysumedia.AI utilizarlatablaDsetienequeelareaaladerechadez =
3.15 es 1- .9992 = .0008. Por 10 tanto, se puede decirque la probabilidad de
observar p .15 enunamuestraaleatoriadetamaiion 150deunapoblaci6nen
laquep = .08es .0008. Dehecho, si seextrajeraunamuestradeestetipo,mucha
gentelaconsiderariauneventoextraiio.
Correcci6nporcontinuidad La aproximaci6nnormalpuedemejorarconla
correcci6n por continuidad, unmecanismoquehaceunajuste enelcasodequeuna
distribuci6ncontinuaseaproximeaunadistribuci6ndiscreta.Supongaquesetie-
ne x=np, elnumeroenlamuestraqueposeelacaracteristicadeinteres,cuandola
porci6nes p. Paraaplicarlacorrecci6nporcontinuidadse calcula:
x+.S
-p
Zc =-==-,parax<np
(5.5.2)
obien
x .S
--p
z, = Wn ,parax> np
pq/n
(5.5.3)
dondeq 1- p. Lacorrecci6nporcontinuidadno produceunagrandiferencia
cuandonesgrande. Enelejemplodearribanp = 150(.15) 22.5Y
22.5 .5
.08
--=1c:;=50====-_=3.01
100049
Y 1- .9987 = .0013. Este resultado noes muy diferente del que se
obtienesinlacorrecci6nporcontinuidad.
EJERCICIOS 143
EJEMPLO 5.5.2
Supongaqueseconocequeenunapoblaci6ndemujeres,90porcientodequienes
comienzansutercertrimestredeembarazohantenidoalglincuidadoprenatal.Si
seextraedeestapoblaci6nunamuestraaleatoriadetamano200,2cualeslaproba-
bilidaddequela proporci6ndela muestrade las mujeres que hantenido alglin
cuidadoprenatalseamenorque.85?
Soluci6n: Sepuedesuponerqueladistribuci6nmuestraldeppresentaunadistri-
buci6naproximadamentenormal,con 11,; =.90Y(J; =(.1)(.9)/200
.00045.Secalcula:
.85 .90 -.05
z = = == -2.36
:V.00045 .0212
EI areaa la izquierdade-2.36bajo lacurvanormalestandares .0091.
Por10 tanto, P(P S.85) P(z S-2.36)=.0091.
EJERCICIOS
5.5.1 Unail1vestigaci6ndelNationalCenterforHealthStatistics(CentroNacionalparalaEstadfs-
ticadela Salud) (A-2) encontrequea 33.2porcientodelas mujeresde40anos deedad0
mas se les practiceunexamende pecho (BPE) durante el ano anterior. Si se extrae una
muestraaleatoriasimplede 200individuosapartirdeesapoblaci6n, ~ c u a l esla probabili-
daddequela proporci6ndelamuestrademujeresalasqueselespracticeelexamenBPE
duranteelanDanterioresteentre.28y.37?
5.5.2 Amediadosdeladecadade 1970.segilninformesdelNationalCenterforHealthStatistics
(A-3), 19.4porcientodelapoblaci6ndeadultosvarones, enEVA, eranobesos. ~ u a l es la
probabilidaddeque, enunamuestraaleatoriasimplede 150individuos, menosde IS por
cientoseanobesos?
5.5.3 Vnainvestigaci6nrealizadaen 1990porel National Centerfor HealthStatistics (A-4), 19
porciento delos encuestadosmayores de 18 anos, dijo nosaber del virusVIH del SIDA.
~ u a l es laprobabilidaddequeenunamuestrade 175individuosdeesapoblaci6n25por
ciento0 masnosepadelaexistenciadelvirusdelSIDA?
5.5.4 Se sabequeunmedicamentoestandarutilizado paratratarciertaenfermedades eficaz en
unlapso de tres dias en75 porciento de los casos. Para evaluarla eficacia deunnuevo
medicamentoparatratarlamisma enfermedad, este se administr6 a 150 personasque la
padedan.AI terminodetresdlas, sanaron97personas. Si estenuevo medicamentoes tan
eficazcomoelprimero,~ c u a l eslaprobabilidaddeobtenerunaproporci6ndepacientesque
serecuperantanpequenacomoesta?
5.5.5 Dadaunapoblaci6nenlaquep =.6 yunamuestraaleatoriadeestapoblaci6ndetamano
100,calcule:
b) Pcp S .58) c) P(.56 P .63)
5.5.6 Sesabeque 35porcientodelosmiembrosdeunapoblaci6nsufrendeuna0 masenferme-
dadescr6nicas. ~ u a l eslaprobabilidaddequeenunamuestraaleatoriade200individuos
800 masdeellostenganalmenosunaenfermedadcr6nica?
144 CAPITULO 5 ALGUNAS DISTRIBUCIONES DE MUESTREO IMPORTANTES
5.6 DIS'fRmUCION DE lA DIFERENCIA ENTRE
lAS PROPORCIONES DE DOS MllES'fRAS
Con frecuencia son de interes las proporciones de dos poblaciones y se de sea averi-
guar la probabilidad asociada con la diferencia de las proporciones calculadas a
partir de muestras extraidas de cada una de dichas poblaciones. La distribuci6n
muestral pertinente es la distribuci6n de la diferencia entre las proporciones de dos
muestras.
DistribuclOn ",uestral de /11 - /12: caracterlsticas Las caracteristicas de
esta distribuci6n muestral se resumen como sigue:
Si se extraen muestras aLeatorias independientes de tamafio n
l
Y n
2
de dos poblaciones de
variables dicotomicas, donde las proporciones de las observaciones con La caracteristica
de interes en ambas pobLaciones son PlY P2' !espe,rtivamente, la distribuciOn de La diferen-
cia entre las proporciones de las muestras, PI P2> es aproximadamente normal con una
media de:
con variancia
cuando n
1
Y n
2
son [Jrandes.
Se considera a n
1
Yn
2
suficientemente grandes cuandondl' n
2
P2' nJ(l-P
1
), Y
n
2
(l - P
2
), son mayores que 5.
Dirf;tribucion nzuestral de /11 Y /12: elaboracion Para elaborar fisicamen-
te la distribuci6n muestral de la diferencia entre las proporciones de dos muestras,
se procede en la forma descrita en la seccion 5.4 para obtener la distribucion muestral
de la diferencia entre dos medias.
Dadas dos poblaciones suficientemente pequenas, es posible extraer de la
poblacion 1 todas las muestras aleatorias posibles de tamano n
J
y calcular a partir
de cada conjunto de datos de la muestra, la proporcion de la muestra PI' De la
poblaci6n 2, puede extraerse independientemente todas las muestras aleatorias
simples de tamano n
2
Y calcular, para cada conjunto de datos de la muestra, la
proporci6n de la muestra P2' Es posible calcular las diferencias entre todos los
pares posibles de proporciones muestrales, donde un miembro de cada par tiene
un valor PI> y el otro un valor P2' Asi la distribuci6n muestral de la diferencia entre
las dos proporciones de las muestras consta de todas las diferencias existentes acom-
panadas de sus frecuencias de ocurrencia (0 frecuencias relativas). Para poblaciones
grandes finitas 0 poblaciones infinitas, es posible obtener un calculo aproximado
de la distribuci6n muestral de la diferencia entre las proporciones de las muestras,
tomando un gran numero de muestras aleatorias simples independientes para pro-
ceder de la forma descrita.
5.6 DISTRIBUCIONDE LADIFERENCIAENTRELAS PROPORCIONES 145
Pararespondera preguntasrespecto a la diferencia entrelas proporcio-
nesdedosmuestras, seutilizalasiguienteformula:
(5.6.1)
Z=-r==============
EJEMPLO 5.6.1
Supongaquelaproporciondeconsumidoresmoderadosagrandesconsumidoresde
estupefacientesilegalesesde.50paralapoblacion1, entantoqueenlapoblaci6n2
laproporci6nesde.33. es laprobabilidaddeque muestrasdetamaiio 100,
extrafdasdecadaunadelaspoblaciones,presenteunvalorde PI - P2 iguala .30?
Solucion: Sesuponequeladistribuci6nmuestralde PI - P2 esaproximadamente
normal,conunamediade
yvariancia
. (}'2
p,-p,
=(.33)(.67)
100
.004711
(.5)(.5)
100
EI areacorrespondientealaprobabilidadbuscadaeslaqueseencuen-
tra bajo la curva de PI - P2' a la derecha de .30. AI transformaren la
distribucionnormalestandarseobtiene
(Pt -P2)-(PI-P2) :30-.17
. =.189
Z=-r==============
!PI(l-PI) P2(I-P2)

: + "-'---'--''-
V n
l
n
2
AI consultarlatablaD, se encuentraqueelareabajolacurvanormal
estandarqueestaa laderechadeZ 1.89es 1- .9706= .0294. Por
10 tanto,laprobabilidaddeobservarunadiferenciaiguala .30esde
.0294.
EJEMPLO 5.6.2
Se sabe que enuna poblacionde adolescentes 10 porciento delos varones son
obesos. Si lamismaproporciondemujeresenesapoblacionsonobesas, es la
probabilidaddequeunamuestraalazarde250varonesy 200mujeresproporcione
unvalorde PI - P2 ;:: .06? .
Solucion: Sesuponequeladistribucionmuestralde PI - P2 esaproximadamente
normal. Si laproporci6n de individuos obesos es la misma en ambas
poblaciones,lamediadeladistribucionesiguala0y lavarianciaes:
146 CAPITULO5 ALGUNASDISTRIBUCIONESDEMTIESTREOIMPORTANTES
.00081
El area de interes bajo lacurva de PI - P2 es la que se encuentraa la
derechade.06. Elvalorcorrespondientedez es:
.06-0
z = 2.11

AIconsultarlatablaDseencuentraqueelareaaladerechadez =2.11
es 1 .9826 =.0174.
EjERCICIOS
5.6.1 Enunapoblaci6n de ninos conretraso mental, se sabe que la proporci6n de los que son
hiperactivoses de .40. Seextrajounamuestraaleatoriadetamano 120deesapoblaci6n,y
otradetamano 100apartirdeotrapohlaci6ndeninosconelmismoproblema.Silapropor-
ci6ndeninoshiperactivoseslamismaenambaspoblaciones, eslaprobabilidaddeque
lamuestrapresentecomoresultadounadiferencia PI P2de.160mas?
5.6.2 Setienenbasesparasuponerque40porcientodelascasasenciertaareadelaciudadestan
enmalascondiciones.Unamuestraaleatoriade75casasdeesaareayotracompuestade90
casas de otra secci6n dieron una diferencia'de PI - P2 =.09. Si no hay diferencia en la
proporci6ndecasasenmalascondicionesentreestasdosareas, es laprobabilidadde
observarunadiferenciadeestamagnitud0 muchomayor?
5.6.3 EIresultadodeunainvestigaci6nrealizadaporelNationalCenterforHealthStatistics(A-5)
revelaque14y23.8porcientodeloshombresydelasmujeres,respectivamente,conedades
entre20y74arrostienenunadesviaci6nde20porciento0 masconrespectoasupesoideal.
Supongaqueseextraeunamuestraaleatoriasimplede120varonesyunamuestraaleatoria
simpleindependientede130mujeres. eslaprobabilidaddequeladiferenciaentrelas
proporcionesdelas muestras PF - PM esteentre.04y.20?
5.7 RESUMEN
EItemaprincipaldeestecapitulosonlasdistribucionesmuestrales,por10 queaqul
sepresentaelconcepto,aSIcomolosmasimportantestiposdedistribuci6nmuestral:
1. Distribuci6ndelamediadeunamuestraunica.
2. Distribuci6ndeladiferenciaentrelasmediasdedosmuestras.
3. Distribuci6ndelaproporci6ndelamuestra;
4. Distribuci6ndeladiferenciaentrelasproporcionesdedosmuestras.
Sedestacalaimportanciadeestosaspectos,yseexhortaallectorparaquese
asegurequeloshacomprendidoantesdepasaralsiguientecapitulo.
147 PREGUNTAS YEJERCICIOSDEREI'ASO
PHEGUNTAS YF-JERCICIOS DE REPASO
1. esunadistribucionmuestral?
2. Expliquecomose puedeelaborarunadistribucionmuestrala partirdeunapoblacion.
3. Describala distribtiCion muestral dela media deuna muestra cuando el muestreo es con
reemplazosapartirdeuna quesigueunadistribucionnormal.
4. ExpliqueelteoremadelHmitecentral.
5. mnqueformadifierela. distribucionmuestraidelamedia<:ieunamuestra,cuandoelmuestreo
essin delaodistribucionmuestralquese deunmuestreoconreemplazo?
6. Describala distribucionmuestraldeladiferenciaentrelas mediasdedos muestras.
7. Describa la disttibucion muestral de laproporcion deiamuestra cuando se seleccionan
muestrasgrandes..
8. Describala distribuci6ri:muestraldela diferenciaentrelas mediasde dos muestrascuando
seseleccionanmuestrasgran des.
9. Expliqueel quesesigueparaobtenerla distribucionmuestraldela diferen-
ciaentrelaspropo'rcionesdelasmuestrasconbaseenmuestrasgrandesextrafdasdepobla-
cionesfinitas. . '.
10. Supongaquese sabe queeltiempoderespuestaaunestimulo enparticularenindividuos
sanos es unavariabiealeatoiii<;:dn distribucionnormal,ccmuna mediade 15 segundos y
'unavarianciade 16. (Coal'es laprobabilidaddequeunamuestraalazarde 16 individuos
untiempoderespuestade 12 segundos0 J:Iills? .
11. Ciertaempresatierie2000empleados.DuranteuIl'ano elgasto'medioporemplea-
dodebidoaservicios medic()s personaJesfue de$31.50,yladesvlaeionestandarde$6.00.
eslaprobabilidaddequeunamuestraaleatoriasimplede3'6empleadosproporcione
unamediaentre$30y$33? '
12. Supongaqueenciertapoblaciondeadictosla duraci6nmediade abusodedrogas es de5
aiios y la desviaci6n estandar es de3 aiios. es la probabilidad deque.una muestra
aleatoriasimplede36individuosproporcione'unamediadeabusoentre4y6aiios?
13. Supongaqueelconsumomediodeprotefnas deunapobiaciones de 125gramospordfa,
mientrasqueparaotrapoblaci6nelconsumomedioes de100 g. Silosvaloresdeconsumo
diariodeprotefnasde;ambas poblacionessiguenunadistribuci6nnormalconunadesvia-
cionestandarde 15 gramos, es la probabilidaddequelas muestrasaleatoriaseinde-
pendientes de tamaiio 25 a partir de cada PQblacionpresenten una diferencia entre las
mediasdelas muestrasde 120menos? .
.14. Considerequedosmedicamentosquesesupone.sirvenpararedllcirel tiempoderespuesta
aciertoestlmulosonestudiadosenunlaboratorio.EIinvestigaclorseinclinaacreerquelos
tiempos de respuesta, desimes deadministrarambos medicamentos, siguenunadistribu-
ci6nnormalconvariancias iguales de,60. Comopartedela evalu,!ci6n delos dosmedica-
mentos, el medicamentoAse aplica a 15individuosy el medicamento Bse administra a
otros 12. EI investigador esta interesado ensaber entreque valores estaria 95 porciento
central de todas las diferencias entre-las medias de las muestras, si ambos medicamentos
fueronigualmenteeficacesysiel serepitieraungranmlmerodevecesutilizan-
doestostamaiios dern,uestras..
15. Supongaque la concentraci6ndealbuminaenel suero de ciertapoblacionde individuos
sigueunadistrib1).f=iOnnormal,con1,lnamediade4.2g!100mly unadesviacionestandarde
.5. Unamuestraatazardenueve deesosindividuossometidosaunaclosis diariadecierto
148 CAPITULOS ALGUNASDISTRIBUCIONESDEMUESTREOIMPORTANTES
esteroideoralprodujounaconcentraci6nmediade.albuminaenel suerode3.8g/100 m!.
Conbaseenestosresultados, probablequeel'esteroideoraldisminuyalaconcentracion
dealbuminaenel suero?
16. Unaencuestallevadaacaboenunareagrandedelaciudadrevelilque,entrelosestudiantes
de preparatoria, 35 porcientohanfumado marihuana enuna u otra ocasi6n. Si enuna
muestra aleatoria de 150 de esos estudiantes s61040 de ellos admitieron haber fumado
marihuana, es10 quese puedeconcluir?
17. Unainvestigaci6nen 1989porel National CenterforHealthStatisticsrevel6 que 7.1 por
cientodelos pacientesdadosdealtadespuesdeunacortaestanCiaenhospitales deEUA
tenian edadeseritre 20y 24 aoos de edad, inclusive. Si se extrae una muestra aleatoria
simplede tamaoo 150deesapoblaci6n, eslaprobabilidaddequela proporci6nde
pacientesentrelasedadesde20y 24afiosseencuentreentre.05y.lO?
18. UnatrabajadorasocialespeciaIizadaenproblemaspsiquiatricospiensaque, tantoenlaco-
munidadAcomoenlaB, laproporci6nde quepadecenalgiinproblemaemo-
cional0 mentalesde .20. Enunamuestrade 150adolescentesdelacomunidadA, 15 de
ellospresentaronproblemasemocionales0 mental.es. Enunamuestrade 100adolescentes
delacomunidadB,sepresentanIf)casos.Silatrabajadorasocialestaen10 correcto,
eslaprobabilidaddeobservarunadiferenciatangrandecomolaqueseobservaentreestas
dosmuestras?
.1'9. Uninforme delNationalCenterforHealthStatistics.(A-7)mostr6queenEstados Unidos
5.7 porcientode losvarones y 7.3de las mujeres conedades entre 20 y 74 afios tienen
diabetes.Supongaquesetomaunamuestraaleatoriasimplede100varones(V)yunamues-
traindependientede 150mujeres(M) a partirdeIapoblacioncorrespondiente. la
probabilidaddequela: diferenciaentrelasproporcionesdelasmuestrascondiabetes, PF PM'
seamayorque.0!5? . . .
'20. tCuantasmuestrasaleatoriassimples(sinreemplazos)detamaoo5sepuedenseleccionara
partirdeunapoblaci6ndelO?
21. Se sabeque27porcientodedeterminadapoblaci6ndeadultosnuneahanfumado.Consi-
dereladistribucionmuestraldelaproporciondeunamuestrabasadaenmuestrasaleatorias
simplesdetamafio110extraidasdeesapoblacion.(Cualeslaformafuncional deladistri-
bucionmuestral?
22. .Consulte.eI ejercicio21,y calculelamediay lavarianciadeladistribuci6nmuestral.
23. Consulteelejercicio 21. (Cilllesla probabilidaddequeunamuestraaleatoriasimple de
tamaoo110,extraidadeestapobIacion,presenteurtaproporci6nmuestralmenorque.18?
24. Enunapoblaci6ndeindividuosquemurierondecancerpulmonarprovocadQ porexposi-
ciona asbesto,se encontr6queIamediadelosaoostranscurridosentrelaexposici6nyel
fallecimientofuede25,yladesviaci6nestandarde7aocl!;;. Considereladistribuci6nmuestral
.delasmediasdelasmuestrasconbaseenmuestrasdetamaoo35,Seleccionadasdeesapobla-
.ci6n. seralalormadeladistribuci6nmuestral?
25. Consulteelejercicio24. (Cualeslamediaylavarianciadeladistribucionmuestral?
26. Consulteel ejercicio 24. (CUiil es laprobabilidaddequeunamuestraaleatoria simplede
tamafio35,extraidadeesapoblaci6n,presenteunamediaentre22y 29?
27. Para cada una de las siguientes poblaciones de medici ones, establezca si la distribuci6n
muestraldeIa mediadelamuestrasigueunadisttibucionnormal,aproximadamentenor-
mal,onisiquieraaproximadamentenormalcuandosecalrulaapartirdemuestrasdetama-
fioA) 10,B) 50YC)200. .
BIBLIOGRAFiA 149
a) Ellogaritmodelosindicesmetab6licos. Lapoblaci6nsigueunadistribuci6nnormal.
b)Tonovagalenreposoenadultossanos. Lapoblaci6nsigueunadistribuci6nnormal.
c)Laacci6ndelainsulinaenindividuosobesos.La poblaci6nnosedistribuyenormalmente.
28. Paracadaunadelassiguientessituacionesdemuestreoindiquesi la distribuci6nmuestral
delaproporci6ndelamuestrapuedeaproximarse a unadistribuci6n normal,yexplique
porquesf0 porqueno.
a)p= .50,n=:8 b)P=.40, n = 30
c)p .10,n=30 d) P= .01,n 1000
e)p := .90,n = 100 f)P .05,n = 150
BmUOGRAFfA
Bibliografiademetodologia
1. RichardJ.LarsenyMorrisL. Marx,An Introduction to Mathematical Statistics and Its Applicatims,
segundaediei6n,Prentice-Hall, EnglewoodCliffs, NJ.
2. JohnA Rice; Mathematical Statistics and Data Analysis, segundaedici6n, Duxbury, Belmont,
CA.
Bibliografiadeaplicaciones
A-I. National Centerfor Health Statistics, R. Fulwood,W. Kalsbeck, R. Rifkind, etal., "Total
Serum Levels ofAdults 20-74years ofAge: UnitedStates, 1976-80", Vital and
Health Statistics, Serie 11, No. 236. DHHSPub. No. (PHS) 86-1686, Public HealthService,
U.S. GovernmentPrintingOffice,Washington, DC.
A.2. D.A DawsonyG. B.Thompson,"BreastCancerRiskFactorsandScreening:UnitedStates,
1987",NationalCenterforHealthStatistics, Vital and Health StatisticS, 10 (172).
A-3. National Centerfor HealthStatistics, S. Abraham, "ObeseandOverweightAdults in the
UnitedStates'"Vztaland Health Statistics, Serie11,No.230.DHHSPub. No. 83-1680,Public
HealthService, U.S. GovernmentPrintingOffice,Washington,DC.
A-4. A M. Hardy,"AIDSKnowledgeandAttitudesforOctober-December1990";Provisionaldata
fromtheNationalHealthInterviewSurvey.Advancedatafromvitalandhealthstatistics;No.
204.NationalCenterforHealthStatistics, Hyattsville, MD.
.... NationalCenterforHealPlStatistics.Advancedatafromvitalandhealthstatistics: No. 51-
60. NationalCenterforHealthStatistics, Vital and Health Statistics, 16(6).
A-6. E.J. GravesyL.J. Kozak, "National HospitalDischargeSurvey: AnnualSummary, 1989".
NationalCenterfor HealthStatistics, Vital and Health Statistics, 13(109).
A-7. NationalCenterforHealthStatistics,W. C. HaddenyM.I. Harris,"Prevalenceof Diagnosed
Diabetes,UndiagriosedDiabetes,andImpairedGlucoseToleranceinAdults20-74Years of
Age, UnitedStates, 1976-80", Vital and Health Statistics, Serie 11, No. 237. DHHSPub. No.
(PHS) 8.7-1687, PublicHealthService, U.S. GovernmentPrintingOffice,Washington, DC.
6.1
6.2
6.3
6.4
6.5
6.6
6.1
INTRODUCCION
INTERVALODE CONFIANZA
PARALAMEDIADEUNA
POBLACION
DISTRIBUCIONt
INTERVALO DECONFIANZA
PARALADIFERENCIAENTRE
DOSMEDIAS
POBLAC.ONALES
INTERVALODECONFIANZA
PARALAPROPORCIONDE
UNA POBLACION
INTERVALO DECONFIANZA
PARALADIFERENCIAENTRE
LAS PROPORCIONESDEDOS
POBLACIONES
INTRODUCCION
6.7
6.8
6.9
6.10
6.11
DETERMINACIONDELTAMANO
DE LAMUESTRAPARALA
ESTIMACJONDELAS MEDIAS
DETERMINACIONDELTAMANO
DELAMUESTRAPARALA
ESTIMACION DELAS
PROPORCIONES ' v
INTERVALO DE CONFIANZA
PARALAVARIANCIADE
.POBLACIONESCON
DISTRIBUCIONNORMAL
INTERVALQ DE CQNFIANZA
PARALARAZON DELAS
VARIANCIAS DEDOS
POBLACIONESCON
DISTRIBUCIONNORMAL
RESUMEN
En s t ~ capituloseanalizalaestimaci6n, queeslaprimexadelasdosareasgenerales
de lainferepciaestadistica.Lasegundaareageneral,pr,uebas de hipotesis, seestudia
enelsiguientecapitulo.- .
EnelcapItulo I sedefinelainferenciaestadfsticadela siguientemanera:
DEFINICION
Lainferencia estadistica eselproeedimientopormedio
deleualse'llegaa eonclusionesaeereadeunapoblaci6n
colibaseenlainforIllaci6nqueseobtienea partirdeuna
muestraseleecionadadeesapoblaei6n.
EIprocesodeestimacionimplicacalcular, apartirdelosdatosdeuna
muestra,algunaestadfsticaqueseofrececomounaaproximaciondelpanimetro
correspondientedelapoblaciondelacualfueextraidalamuestra.
EI razonamientoenelquesebasalaestimacionenelcampodelasciencias
delasaludseapoyaenlasuposiciondequelostrabajadorestenganinteresen
150
151 6.1 INTRODUCCION
parametros, como la media y la proporci6n, de varias poblaciones. Si este es el
caso, existe una buena razon por la que se debe confiar en los procedimientos de
la estimacion para obtener informaci6n respecto a dichos parametros: muchas
poblaciones de interes, aunque finitas, son tan grandes que el costo de un estudio
del 100 por ciento seria prohibitivo.
Suponga que al administrador de un gran hospital Ie interesa saber la edad
promedio de los pacientes internados en el transcurso de un ano. Es posible que
considere demasiado laborioso consultar el registro de cada paciente internado
en el transcurso de ese ano y, en consecuencia, decide examinar una muestra de
los registros a partir de la cual sea posible calcular una estimaci6n de la edad
promedio de los pacientes internados en ese ano.
Un medico general puede estar interesado en saber que proporcion de
cierto tipo de individuoS'tratados con un determinadomedicamento presentan
efectos secundarios indeseables. Sin duda, su idea de poblaci6n consiste en todas
aquellas personas que alguna vez han sido 0 seran tratadas con este medicamen-
to. Aplazar una conclusion hast a haber observado a la poblaci6n completa podria
tener efectos adversos en el ejercicio de su profesion.
Es,tos dos casos ejemplifican el in teres por estimar la media y la proporcion
. de una poblacion, respectivamente. Otros parametros, cuya estimacion se estudia
en estecapftulo, son la diferencia entre dos medias, entre dos proporciones, la
variancia de la poblaci6n y la razon de dos variancias.
Se encontrara que para cada uno de los parametros estudiados, es posible
calcular dos tipos de estimaci6n: estimaci6n puntual y estimaci6n por

intervalos.
DEFINICION
Unaestimaci6n puntual esunsolovalornumerico
utilizadoparaestimar.elpan'imetrocorrespondientedela
.poblaci6n.
DEFINICION
Unaestimaci6n POT intervalos constadedosvalores
numericos quedefinenunintervaloque,conungrado
especificodf;': confianza,seconsideraqueincluyeal
parametroporestimar.
Estos conceptos se explican en las secciones siguientes.
152 CAPITULO 6 ESTlMACION
Eleccion del estimador adecuado Esconveniente notar que se ha dado el
nombre de estimacion a un solo valor calrulado, La regIa para calrular este valor a
estimaci6n se conoce como estimador. Los estimadores generalmente se presentan
como f6rmulas. Por ejemplo
n
es un estimador de la media. de la poblaci6n, ).t. El valor numerico individual que
resulta de la evaluaci6n de esta f6rmula s.e canoce como estimaci6n del parametro ).t.
En muchos casos, es posible estimar un panimetro por media de mas de un
estimador. Par ejemplo, se puede utilizar la mediana de la muestra para estimar la
media de la poblaci6n. ~ m o decidirentonces que estimador se debe utilizar para
estimar un parametro en particular? La decisi6n se basa en criterios que reflejan
la "bondad" de los estimadores partirulares. Cuando se miden contra estos crite-
rios, algunos estimadores son mejores que otros. Uno de estos criterios es la propie-
dad de ser insesgado.
DEFINICION
Se dice queun estimador, por ejemplo T, para el
parametro () es un estimador insesgado de () si E(T) = ().
E(T) significa "el valor esperado de Tn. Para una poblaci6n fmita, E(T) se
obtiene tomando el valor promedio de T calculado a partir de todas las muestras
posibles de un tamafto dado que puedan extraerse de la poblaci6n. Es decir, E(T)=
I-lr. Para una poblaci6n infinita, E(T) se define en terminos del calculo matematico.
En el capitulo anterior se via que la media de la muestra, y la proporci6n de
la muestra, la diferencia entre las medias de dos muestras, la diferencia entre las
proporciones de dos muestras son cada una estimadores insesgados de sus
parametros correspondientes. Esta propiedad qued6 implfcita ruando se dijo que
los parametros eran las medias de lasdistribuciones del muestrc;o correspondien-
tes. Por ejemplo, dado que la media de la distribuci6n mliestral de xes igual a ).t,
se sabe que x es un estimador insesgado de ).t. En este libra no se estudian los
otros criterios para un buen estimador. Ellector interesado los encontrara deta-
llados en muchos libras de estadfstica matematka.
Poblaciones muestreatlnS y poblaciones objetivo EI investigador en el
area de la salud que utiliza los procedimientos de inferentia estadfstica debe estar
al tanto de las diferencias entre dos tipos depoblaci6n:la poblacion muestreada y la
poblaci6n objetivo.
DEFINICION
La poblacion muestreada es la poblacion de la cual se
extrae una.muestra.
153 6.1 INTRODUCCION
DEFINICION
La poblacion objetivo es la poblacion de la que se
pretende hacer una inferencia.
Estas dos poblaciones pueden ser las mismas a no. Los pracedimientos de
inferencia estadfstica permiten inferir respecto a las poblaciones muestreadas (siem-
pre y cuando se hayan utilizado los metodos de muestreo correctos). Solo cuando
la poblacion objetivo y la poblacion muestreada son las mismas, es posible utilizar
pracedimientos de inferencia estadfstica para llegar a conclusiones acerca de la po-
blaci6n objetivo. Si la poblacion muestreada y la poblacion objetivo son diferen-
tes, el investigador puede llegar a conclusiones respecto a la poblaci6n objetivo
solo can base en consideraciones no estadisticas.
Par ejemplo, suponga que un investigador quiere estimar la eficacia de un
metoda para tratar la artritis reumatoide. La poblaci6n objetivo esta formada por
todos los pacientes que sufren esta enfermedad, y no es practico extraer una mliestra
de esta poblacion. Sin embargo, el investigador puede extraer una muestra de to-
dos los pacientes can artritis reumatoide de alguna clfnica especifica. Estos pacien-
tes constituyen la poblacion muestreada y, si se utilizan metodos de muestreo
adecuados, es posible hacer inferencias respecto a esta poblacion muestreada con
base en la informacion de la muestra. Si el investigador qui ere hacer inferencias
acerca de todos los pacientes con artritis reumatoide, debe utilizar metodos no
estadfsticos. Quiza el investigador sepa que la poblaci6n muestreada es similar, can
respecto a todas las caracteristicas importantes, a la poblacion objetivo. Es decir, es
posible que el investigador sepa que edad, sexo, gravedad de enfermedad, tiempo
de evolucion deesta, asf como otras datos, son similares en ambas poblaciones. Y
con base en esteconocimiento el investigador puede extrapolar sus descubrimien-
tos ala poblacion objetivo.
En muchos casas, la poblacion muestreada y la poblaci6n objetivo son identi-
cas, y cuando esto ocurre, las inferencias en torno a la poblacion objetivo son direc-
tas. Sin embargo, el investigador debe estar consciente de que este no siempre es el
caso, a fin de no caer en la trampa de hacer inferencias err6neas respecto a una
poblacion diferente de la que ha sid a muestreada.
Muestras alealarias y na alealarias En los ejemplos y ejercicios de este
libra, se supone que los datos analizados pravienen de muestras aleatorias. La es-
tricta validez delos pracedimientos.estadisticos estudiados depende de esta suposi-
cion. En muchos casas, en las aplicaciones reales es imposible a impractico utilizar
muestras verdaderamente aleatorias. En experimentos con animales, par ejemplo,
los investigadores frecuentemente utilizan cualquier animal cori el que cuenta el
proveedor a su prapia raza de crianza. Si los investigadores tuvieran que depender
de materialseleccionado al azar, se llevaria a cabo muy poca investigacion de este
tipo. Una vez mas, las consideraciones no estadfsticas deben tamar parte en el
praceso de generalizacion. Los investigadores pueden afirmar que las muestras
realmente utilizadas equivalen a muestras aleatorias simples, dado que no hay ra-
154 CAPiTULO 6 ESTIMACIO:"l
zon para creer que el material utilizado no es representativo de la poblacion de la
que se desea hacer inferencias.
En muchos proyectos de investigacion en el area de la salud se utilizan muestras
de conveniencia en lugar de muestras aleatorias. Puede ser que los investigadores
tengan que confiar en voluntarios 0 en personas disponibles como los estudiantes de
su clase. Nuevamente, se debe hacer generalizaciones con base en consideraciones
no estadisticas. Sin embargo, las consecuencias de dichas generalizaciones pueden
ser utiles 0 pueden clasificarse desde erroneas hasta desastrosas.
En algunos casos puede aplicarse aleatoriedad en un experimento aun cuan-
do los individuos disponibles no sean seleccionados aleatoriamente de alguna po-
blacion bien definida. Al comparar dos tratamientos, por ejemplo, a cada individuo
se Ie puede asignar aleatoriamente uno u otro de los tratamientos. Las inferencias
en tales casos se aplican a los tratamientos y no a los individuos y, en consecuencia,
dichas inferencias son vaUdas. .
6.2 INTERVALO DE CONFIANZAPARA
LI\ MEDIA DE UNA POBLI\CION
Suponga que un grupo de investigadores quiene estimar la media de una poblaci6n
que sigue una distribucion normal. Para ello, extraen una muestra aleatoria de
tamafio n de la poblacion y ca1culan el valor de x, el cual utilizan como una estima-
cion puntual de 11. Aunque este estimador de 11 posee todas las cualidades de un
buen estimador, se sabe que, debido a los caprichos del muestreo aleatorio, no se
puede esperar que x sea igual a 11. .
Por 10 tanto, serfa mucho mas significativo estimar 11 mediante un intervalo
que de alguna forma muestre su probable magnitud 11.
DistribuciOn muestral y estimaci6n Para obtener dicha estimacion por
intervalos, se debe aprovechar el conocimiento acerca de las distribuciones
muestrales. En este caso, puesto que el interes esta en la media de la muestra como
estimador de la media de una poblacion, es necesario recordar 10 que se sabe res-
pecto a la distribucion muestral de la media de la muestra. .
En el capitulo anterior se aprendio u ~ si el muestreo se realiza a partir de
una pohlacion con distribucion normal, la distribucion muestral de la media de la
muestra presenta una distribucion normal con una media Ilx' igual a la media de
la poblacion 11 y variancia cr; igual a cro/n. Se podrfa graficar la distribucion muestral
si se supiera en que lugar del eje xse localiza. Con base en el conocimiento adqui-
rido acerca de la distribucion normal, en general, se sabe aun mas sobre la distribu-
ci6n de xpara estecaso. Por ejemplo, se sabe que sin irilportar d6nde se localizan,
aproximadamente 95por ciento de los valores posibles de que constituyen la
distribuci6n, estan ados desviaciones estandarrespecto a la media. Los dos puntos
que estan ados desviaciones estandar de la media son 1l-2crx' y 1l+2crx' de tal
manera que el intervalo de 11 2cr contendra aproxil11adamente 95 por ciento de
x
los valores posibles de x. Aunque 11 y Ilx son desconocidas, arbitrariamente se
puede poner la distribuci6n muestral de x sobre eleje x.
Dado que se desconoce el valor de 11, la expresion )i 2crx no dice mucho. Sin
embargo, se tiene una estimaci6n puntual de 11, que es x. (Resultaria uti} obtener
un intervalo en tomo a esta estimaci611 puntual de Il? La respuesta es S1. Suponga
6.2 INTERVALODE CONFIANZAPARALAMEDIADEUNAPOBLACION 155
a/2 a/2
,"
FIGUR46.2.1 Intervalodeconfianzade95pordentopara!l.
que se forman intervalos a partirde todos los valores posibles de xcakuladosa
partirdetodaslasniuestrasposiblesdetamafiondelapoblaciondeinteres.Deesa
formase tendrfaungrannumerodeintervalosdelaforma x2cr
x
' conamplitu-
destodasigtialesa ladelintervaloentornoalalldesconocida.Aproximadamente
95porcientodeestosintervalostendriacentrosquecaendentrodelintervalo 2cr
x
entornoa 11. Cadaunodeestos intervalos quecaendentro de 2cr, en tornoa 11
puedenconteneralamisma11. Estasideassemuestranenlafigura6.2.1.Endicha
figura se observaque xl'XiY x
4
caendentrodel intervalo 2cr, entornoallY, en
consecuencia,losintervalos, 2cr, alrededordelasmediasdelamuestrainduyenel
valor de IJ.. Las medias muestrales yXs no caen derttro del intervalo 2cr;; en
tornoa IJ., ylosintervalosde 2cr
x
entornoa ellasn.o incluyena IJ..
FJEl\IPLO 6.2.1
Supongaqueuninvestigador,interesadoenobtenerunaestimaciondelnivelprome-
diodealgunaenzimaenciertapoblaciondesereshumano,tomaunamuestrade10
individuos,determinaelniveldelaenzimaencadaunodeelIos,ycalculalamediade
lamuestrax 22.Ademas,quelavariabledeinteressigueunadistribucionaproxima-
damentenormal,conunavarianciade45. Sedeseaestimarelvalorde11.
Solucion: Un intervalo de confianza deaproximadamente 95 pordentopara11
estadadopor:
x2cr,
222 Gi
'/10
222(2.1213)
17.76,26.24

156 CAPITULO 6 ESTIMACION


Componentes para la estimaciOn del intervalo Examine la composi-
cion para la estimacion del intervalo elaborada en el ejemplo 6.2.1. Este contiene
en su centro la estimacion puntual para 11. Se identifica a 2 como un valor de la
distribucion normal estandar que indica a cuantos errores estandar estan aproxi-
madamente 95 por ciento de los valores posibles de x. Este valor de Z se conoce
como coeficiente de confiabilidad. EI ultimo componente, (ix' es el error estandar 0
desviacion estandar, de la distribucion muestral de x. En general, una estimacion
por intervalos se expresa como sigue:
estimador (coeficiente de confiabilidad) x (error estandar) (6.2.1)
En particular, cuando el muestreo se realiza a partir de una distribucion nor-
mal con variancia conocida, una estimacion por intervalos para Jl se expresa como:
donde z(l_<1/2) es el valor de Z a la izquierda de donde esta 1 rtJ2 y ala derecha en
que se encuentra rtJ2 del area bajo la curva.
Interpretacion del intervalo de conftaru;a .~ o m o se interpreta el inter-
valo de la ecuacion 6.2.2? En este ejemplo, donde el coeficiente de confiabilidad es
igual a 2, se dice que, al repetirel muestreo, aproximadamente 95 por ciento de los
intervalos construidos mediantela formula 6.2.2 induyen la media de la poblacion.
Esta interpretacion se basa en la probabilidad de ocurrencia de diferentes valores de
x. Es posible generalizar esta interpretacion si se designael area total b<tio la curva
de x, que queda fuera del intervalo Jl 2(ix como ex y eIarea dentro del intervalo
como 1 - ex y dar la siguiente interpretaciOn probabilistica. de la formula 6.2.2.
Interpretaci6n probabilistica
En el muestreo repetido, de una poblaci6n condistribuci6n normal y desviaci6n estdndaf
conocida 100(1- a) por ciento de todos los intervalos de la forma X Z(I_amO'x incluyen
a la larga la media de la poblaci6n 11. .
Ala cantidad 1 - (X, en este caso .95,se Ie conoce como eoeficiente (0 nivel) de
conjianza, y al intervalo XZ(1_"12)(ix se Ie conoce comointervalo de conjianza para Jl.
Cuando (1 ex) =.95, al interv'alo se Ie llama intervalo de confianza de 95 por ciento
para Jl. En este ejemplo, se dice que existe 95 por ciento de confianza ~ que la media
de Ia poblacion este entre 17.76 y 26.24. A esto se Ie llama interpretacion practica de la
formula 6.2.2. En general, se puede expresar de la siguiente manera:
Interpretaci6n practica
Cuando se hace un muestreo a partir de poblaciones que siguen una distribuci6n normal
y con desviaci6n estdndar conocida, existe un 100(1 - a) por ciento de confianza de que
el intervalo calculado xz(l_aI2)O'x' contiene la media de la poblaci6n Jl.
6.2 INTERVALO DECONFIANZAPARALAMEDIADEUNAPOBLACION 157
Enel ejemplo6.2.1 espreferible,enlugarde2,unvalormasexactoparaz,
1.96,quecorrespondealcoeficientedeconfianzade.95.Los investigadorespue-
denutilizarcualquiercoeficientedeconfianza; losmasutilizadosson.90,.95Y.99,
a los.cualesseasocianfactores deconfiabilidad,de 1.645, 1.96Y2.58, respectiva-
mente.
. Precision Alacantidadqueseobtieneal multiplicarelfactordeconfiabilidad
porelerrorestandardelamediaseIellamaprecisiondelaestimaci6n.Tambien,se
Iellamamargende error.
EJEMPLO 6.2.2
Unfisioterapeutadeseaestimar,con99porcientodeconfianza,lamediadefuerza
maximadeunmusculoparticularenciertogrupodeindividuos.Seinc1inaasupo-
nerque los valores dedichafuerza muestranunadistribucionaproximadamente
normalconunavarianciade 144. Unamuestrade15 individuosqueparticiparon
enel experimentopresentounamediade84.3.
Soluci6n: EnlatablaD, el valorparaz quecorrespondeauncoeficientedecon-
fianza de .99 es 2.58. Este es el coeficiente deconfiabilidad. El error
estandaresde ax 12/.fl5=3.0984. Por10 tanto,el intervalodecon-
fianzade99porcientopara es:
84.3'2,58(3.0984)
84.38.0
76.3,92.3
Se diceque se tiene99porciento deconfianzadeque lamediadela
poblacionesteentre76.3y92.3, porquealrepetirelmuestreo, 99por
cientodetodoslosintervalosquepuedenconstruirseenlaformadescri-
ta,inc1uyenalamediadelapoblacion.
Situaciones enlas quelavariable deinteres sigue unadistribucion aproximada-
mentenormalconunavarianciaconocidasonmuyraras,ycasinuncasepresentan
enlapractica. El prop6sito de los ejemplos anteriores enlos que se suponeque
existeestacondici6nideal,fueeldeformarlasbasesteoricasparaconstruirinter-
valos de confianza paralas medias de la poblacion. En la mayorf;! de los casos
practicoslasvariablesnosiguenunadistribuci6naproximadamentenormal0 nose
conocenlasvarianciasdelapoblaci6n0 sucedenambascosas. Enelejemplo6.2.3
y enla secci6n 6.3 se explican los procedimientos que se utilizan ensituaciones
menosideales,peromascomunes.
Muestreo a partir de pobluciunes que nopresenlan una distribucion
normal Nosiempreesposible0 prudentesuponerquelapoblaci6ndeinteresmues-
trauna distribuci6n normal. Gracias al teOl"ema del limite central, esto no sera un
problemasisepuedeseleccionarunamuestra10suficientementegrande.Sehadicho
que, paramuestrasgrandes, ladistribucionmuestralde Xi presentaunadistribuci6n
aproximadamentenormalsinimportarcomoestadistribuidalapoblacionoriginal.
158 CAPiTULO 6 ESTIMACION
EJEMPLO 6.2.3
Un equipo de investigadores esta interesado en la puntualidad de los pacientes en las
citas concertadas. En un estudio de flqjo depacientes en los consultorios de medicos
generales se encontr6 que una muestra de 35 pacientes llegaba 17.2 minutos tarde a
las citas, en promedio. Una investigaci6n previa habia demostrado que la desviaci6n
estandar era de 8 minutos aproximadamente. Se tuvo la sensaci6n de que la distribu-
ci6n de la poblaci6n no era normal. ~ u a l es el intervalo de confianza de 90 por
ciento para 11, que es el promedio real de impuntualidad en las citas?
Soluci6n: Dado que el tamafio de la muestra es bastante grande (mayor que 30) y
se conoce la desviaci6n estandar de la poblaci6n, la situaci6n se aproxi-
rna al teorema del limite central y se supone que la distribuci6n muestral
de xpresenta una distribud6n aproximadamente normal. AI consultar
la tabla D se encuentra que el coeficiente de confiabilidad que correspon-
de a uri coeficiente de confianza de .90se aproxima a 1.645 si se interpola.
El error estandar es de C5;z 8/-/35 1.3522, de modo que el intervalo
de confianza de 90 por ciento para 11 es
17.2 1.645(1:3522)
17.2 2.2
15.0, 19.4.

Con frecuencia, cuando la muestra es 10 suficientemente grande para aplicar el
teorema dellfmite central, la variancia de la poblacion se desconoce. En ese caso, se
sustituye esta variancia conla de la muestra en la f6rmula para construir el interva-
10 de confianza para la media de la poblacion.
Andlisispor computadora Cuando se requiere de los intervalos de confianza,
. se economiza una buena cantidad de tiempo mediante el uso de una computadora, la
cual puede ser programada para construir los intervalos de datos no procesados.
EJEMPLO 6.2.4
Los siguientes datos corresponden a los valores de la actividad (micromoles por
minuto por gramo de tejido) de cierta enzima medida en el tejido gastrico normal
de 35 pacientes con carcinoma gastrico. .
.::;60 1.189 .614 .788 .273 2.464 .571
1.827 .537 .374 .449 .262 .448 .971
.372 .898 .411 .348 1.925 .550 .622
.610 .319 .406 .413 .767 .385 .674
.521 .603 . 533 .662 1.177 .307
1.499 .
Mediante el uso del paquete de software para computadora MINITAB, se preten-
de construirun intervalo de confianza de 95 por ciento para la media de la pobla-
cion. Suponga que la variancia de la poblaci6n es iguala .36. No es necesario
suponer que la poblaci6n muestreada de val ores sigue una distribuci6n normal
porque el tamafio de la muestra es losuficientemente grande par:a aplicar el teore-
rna del limite central.
159 6.2 INTERV ALODE CONFIANZAPARALAMEDIADEUNA POBLACION
Caja de dialogo: Comandos de la sesi6n:
Stat> Basic Statistics> 1-Sample z MTB > ZINTERVAl 95 .6 C1
TeclearCl enVariables.Se1ecdonarConfidenceinterval
yteclear95enlacajadetexto.Teclear.6enSigma.Clic
OK. .
Resultados:
Confidence Intervals
The assumed sigma = 0.600
Variable
MicMoles
N
35
Mean
0.718
StDev
0.511
SE Mean
0.101
95.0 % C.r.
(0.519, 0.917)
FIGURA6.2.2 ProcedimientodelpaqueteMINITABparaconstruirunintrevalodecon-
fianzade95porcientoparalamediadelapoblacion,ejemplo6.2.4.
Solucion: Seintroducenlosdatosenlacolumna 1y seprocedecomosemuestra
enlafigura6.2.2. Estasinstrucdonesindicana lacomputadoraque
e1 factor de confiabilidadesz, quese necesitaunintervalode con-
fianzade95 pordento,queladesviaci6nestandardelapoblaci6nes
de .6, y quelos datos estan enlacolumna 1. El resultado indica que la
mediadela muestra es .718, la desviad6n estanda.r es .511 y e1 error
estandardelamedia, a/f,;" es .6/.J35 .101.
Setiene 95 pordentode confianza dequela mediade la pobla-
ci6nse encuentraentre.519y;917. .
Puedeobtenerselosintervalosdeconfianzaatravesdeotrospaquetesdesofuvare.
Porejemplo,SAS,puedeconstruirintervalosdeconfianzaatravesdePROCMEANS
oPROCUNIVARIATE.
Otras eslimaciones de La tendencia central Talcomose havisto, lame-
diaesmuysensiblealosvaloresextremos,esdedr,aquellosquesedesvfanconside-
rablementedelamayorfadelasmedicionesenelcon juntodedatos.Adichosvalores
selesconocecomosesgos. Tambiense puedeapreciarquelamediana,quenoes
sensiblealas medicionesextremas, algunasvecesse utilizaenlugardelamedia
comomedidadetendendacentralcuandolossesgosestanpresentes.Porlamis-
rnaraz6n,quizaseprefieraelusodelamedianadelamuestracomoestimadorde
la r.nediana de la poblaci6n cuando se requiere realizar inferencias acerca de la
tendendacentraldelapoblaci6n.Nosolamenteseutilizalamedianadelamuestra
160 CAPITULO6 ESTlMACION
comounaestimacionpuntualparalamedianadelapoblacion,sinoquetambienes
posible construir un intervalodeconfianza paralamedianadela poblacion. En
estaobranoseproporcionalaformula,peroestasepuedeencontrarenlaobrade
Rice(1).
Media ajustada Los estimadores que son insensibles a los sesgos se Haman
estimadores eficaces. Otramedidayestimadoreficazdetendenciacentraleslamedia
ajustada. Paraunconjuntodedatosquecontienen mediciones se calculael 1000;
porcientodelamediaajustadacomosigue:
1. Ordenarlasmediciones.
2. Descartarlas mediciones maspequeiiasymasgrandesque 100aporciento
delasmediciones. Elvalorrecomendadoparaa estaentre.1 y.2.
3. Calcularlamediaaritmeticadelasmedicionesrestantes.
Observequelamedianapodrfaconsiderarsecomo50porcientodelamediaajus-
tada.Sedeberecordarquelamediaajustadaparaelconjuntodedatosesunadelas
medidasdescriptivasquepuedecalcularMINITAB.
FJERCICIOS
Construyaparacadaunodelossiguientesejercicioslosintervalosdeconfianzaal90,95Y 99
por ciento para la media de la poblacion y establezca para cada uno la interpretacion
probabilisticay practica. Indiquecualinterpretacionpuedesermasaderuadaparautilizar
ruandose tratasobre intervalos deconfianzacon alguien que no conoce de estadfsticay
establezca eI razonamientode por que se eUgi6. Explique porque los tres intervalos no
tjenenla mismaamplitud. Indiquecualdelos tres intervalosespreferiblecomoestimador
delamediadelapoblacion,yestablezcaelrazonamientodelaelecci6n.
6.2.1 Se pretende estimarel numero promedio de latidos delcoraz6n por minuto paracierta
poblaci6n.Seencontr6queelnumeropromediodelatidosporminutopara49personasera
deYO. Considerequeesos49pacientesconstituyenunamuestraaleatoriayquelapoblacion
sigueunadistribucionnormal,conunadesviaci6nestandarde 10.
6.2.2 Sepretendeestimarlaconcentraci6nmediadebilirrubinaindirectaenelsueroennmosde
cuatrodiasdenacidos. Lamediaparaunamuestrade16ninosesde5.98mg/lOOcc. Con-
sideresequelaconcentraci6ndebilirrubinaenlosninosdecuatrodfasdenacidossigueuna
distribucionaproximadamentenormalconunadesviaci6nestandarde3.5mg/IOO cc.
6.2.3 Enunestudioacercadeladuraci6ndelahospitalizaciondirigidoporvadoshospitalesen
cooperacion,seextrajounamuestraaleatoriade64individuosconulcerapepticadelalista
detodoslospacientesconesaenfermedadinternadosalgunavezenlos hospitalespartici-
pantes.Sedetermin6paracadaunodeeUoseltiempodehospitalizaci6n.Seencontr6quela
duraci6nmediadehospitalizaci6nfuede8.25 dfasysesabequeladesviaci6nestandarde
lapoblaci6nes detres dfas.
6.2.4 Unamuestrade100hombresadultosaparentementesanos, de25 anosdeedad, muestra
unapresi6n sist61icasangufneamediade 125. Considereque la desviaci6n estandardela
poblaci6nesde 15.
161 6.3 DISTRIBUCI6N
6.2.5 AlgunosestudiosacercadelaenfermedadAlzheimer(EA)hanmostradounincrementoen
laproducci6nde14C0
2
enpacientesconesepadecimiento.Duranteunestudio,seobtuvie-
ronlossiguientesvaloresde14C0
2
apartirde 16 biopsiasdeneocortezadepacientesconla
enfermedad(EA):
1009 1280 1180 12551547 2352 1956 1080
1776 1767 1680 2050 1452 2857 3100 1621
Consideresequelapoblaci6nsigueunadistribuci6nnormalconunadesviaci6nestandarde350.
6.3 DISTRIBUCION t
Enlaseccion6.2se describeunprocedimientoparaobtenerunintervalodecon-
fianzaparalamediadeunapoblaci6n.EIprocedimientorequieredelconodmiento
de lavariandadela poblaciondelaque seextraelamuestra. Puedeparecerun
tanto extrafio que se tenga conocimiento de lavarianciade la poblacion yno se
conozcaelvalordelamediadelapoblacion.Dehecho,escomun,ensituacio-
nescomolas quese hanpresentado,quesedeSconozca tantolavarianciacomola
mediadelapoblacion.Estasituacionpresentaunproblemarespectoalaconstruc-
ciondelosintervalosdeconfianza.Porejemplo,auncuandolaestadfstica
x J1-
Z=---
cr/.,Jn
presentaunadistribudonnormalcuandolapoblaciontambientieneunadistribuci6n
normalysigueunadistribuci6naproximadamentenormalcuandon esmuygrande,
independientemenledelaformafuncionaldelapoblacion,nosepuedehacerusode
estehechoporquecr sedesconoce.Sinembargo,notodoesrnperdidoylasoluci6n
maslogicaparaesteproblemaesutilizarladesviacionestandarde muestra
s = ~ L X i - x)2/(n-l)
parasustituircr. Porejemplo,cuandoeltamafiodelamuestraes mayorque30,la
confianzaens comounaaproximaciondecrespor10generalsustancial,por10que
sejustificalautilizacion delateorfa dela distribudonnormalparaconstruirun
intervalodeconfianzaparalamediadelapoblacion.Entalcaso, seprocedecomo
se indicaenlaseccion6.2.
Cuandosetienenmuestraspequefiasesimprescindibleencontrarotroproce-
dimientoparaconstruirintervalosdeconfianza.
Como resultado del trabajo de Gosset (2), escrito bajo el seudonimo de
"Student", sedisponedeotraalternativa, conocidacomodistribuci6n t de Student,
confrecuendaabreviadacomodistribuci6n t.
Lacantidad
sigueestadistribucion.
162 CAPiTULO 6 ESTIMACION
Propiedades de la distribucion t Ladistribuci6nt tienelassiguientespro-
piedades:
1. TieneunamediadeO.
2. Es simetricaconrespectoalamedia.
3. Engeneral, tieneunavarianciamayorque 1, peroesta tiendea I a medida
queaumentaeltamaiiodelamuestra.Paradf> 2, lavarianciadeladistribu-
ci6n t es dfl(df - 2), donde df representa los grados de libertad. En forma
alterna, puestoquedf n - 1paran > 3, sepuedeescribirlavarianciadela
distribuci6nt como(n l)/(n 3).
4. Lavariablet vade- hasta+ 00. DO
5. Ladistribuci6nt esrealmenteunafamiliadedistribuciones, puestoque hay
unadistribuci6n diferente porcadavalordela muestraden - 1, que es el
divisorqueseutilizaparaca1cularS2. Recuerdequen - 1representalosgrados
delibertad.Enlafigura6.3.1 semuestranlasdistribucionest correspondien-
tesaalgunosvaloresdelosgradosdelibertad.
6. Comparadaconladistribuci6nnormal, la.distribuci6nt es menosespigada
enelcentroytienecolasmaslargas.Enlafigura6.3.2secom paraladistribu-
ci6nt conladistribuci6nnormal.
7. Ladistribuci6nt seaproximaaladistribuci6nnormalamedidaquen - 1se
aproximaalinfinito.
Ladistribuci6nt, aligualqueladistribuci6nnormalestandar,sehatabulado
ampliamente. Unadeestas tablas es la tablaE del apendice. Tal como se puede
apreciar, se debetomarencuentaeLcoeficientedeconfianzaylosgradosdeliber-
tadcuandoseutilizalatabladeladistribuci6nt.
FIGUR"- 6.3.1 Distribuci6nt paradiferentesgradosdelibertad.
-----
163 6.3 DISTRIBUCION
__ Distribucion normal
- - - Dislribucion I
x
FIGURA 6.3.2 Comparaci6n de las distribuciones normal yt.
Es posible utilizar el paquete MINITAB paragraficar la distribuci6n t (para
grados espedficos de libertad) y otras distribuciones. Despues de asignar el eje
horizontal y las siguientes direcciones en el cuadro de Set Patterned Data, seleccio-
ne del menu "Calc" y despues "Probability Distributions". Utilice el cuadro de dia-
logo Plot para generar la grafica.
Inlervalos de conJiQll%ia qllR uJilban fa dislribucion t El procedimien to
general para construir interval os de confianza no se ve afectado por la necesidad
de utilizar la distribuci6n t en lugar de la distribuci6n normal estandar. Aun es
necesario usar la relaci6n expresada por:
estimador (coeficiente de confiabiIidad) x (error estandar)
Lo que es diferente es el origen del coeficiente de confiabilidad. Este se obtiene a
partir de la tabla de la distribucion t en lugar de la tabla de la distribuci6n normal
estandar. Para ser mas especfficos, cuando se obtienen muestras a partir de una distribu-
cion normal cuya desviaci6n estdndi17; a; se desconoce, ell OO( 1 - a) por ciento del intervalo
de confianza para la media de la poblaci6n, J1, estd dado por:
(6.3.1)
Es importante aclarar que el requisito para el uso valido de la distribucion t es que
la muestra debe ser extrafda de una poblad6n con distribucion normal. Sin embar-
go, la experiencia ha demostrado que se pueden tolerar desviaciones moderadas
de esterequisito. Como consecuencia, la distribucion t se utiliza incluso cuando se
sabe que la poblaci6n original se desvia de la normalidad. L<.l mayorfa de los inves-
tigadores requieren que, al menos, pueda sostenerse el supuesto de una distribu-
d6n de poblacion en forma de montfculo.
EJEMPLO 6.3.1
Maureen McCauley (A-I) realiz6 un estudio paraevaluar los efectos de un conjunto
de instrucciones de mecanica en ellugar de labores sobre el desempeno laboral de
obrerosjovenes recientemente contratados. Se utilizaron dos grupos de individuos
elegidos aleatoriamente; uno de los grupos para aplicar el experimento y el otro
164 CAPITULO 6 ESTlMACI6N
como grupo de control. EI grupo con el que se experimento recibio una hora de
capacitacion impartida por un terapeuta ocupacional. EI grupo de control no reci-
bio esta capacitacion. Para evaluar el esfuerzo de cada obrero para levan tar, bajar,
jalar y transportar objetos dentro del entorno laboral, se utilizo una lista de cotejo
para la evaluacion de trabajo mecanico que inclufa criterios de referencia. Una
tarea bien hecha recibio una calificacion de 1. EI grupo de control, formado por 15
individuos, alcanzo una calificacion media de 11.53 en la evaluacion, con una des-
viacion estandar de 3.681. Se supone que el grupo de control se comporto como
una muestra aleatoria extraida de una poblacion similar de individuos. Se pretende
utilizar los datos de la muestra para estimar la calificacion media para la poblacion.
Soluci6n: Se puede utilizar la media de la muestra, 11.53, como una estimacion
puntualde la media de la poblacion, sin embargo, debido a que se desco-
noce la desviacion estandar de la poblacion, se debe considerar que los
valores siguen una distribucion aproximadamente normal antes de cons-
truir los intervalos de confianza para /l. Se considera que esta suposicion
es razonable y que se necesita un intervalo de confianza de cien-
to; el estimador es i y el error estandar es s / -r;; 681/ "15 =.9504.
Ahora, es necesario conocer el coeficiente de confiabilidad, el valor de t
asodado al coeficiente de confianza de .95 y a los n 1 = 14 grados de
libertad. Puesto que el intervalo de confianza de 95 por ciento deja .05
del area bajo la curva de t para dividirse en dos colas iguales, se necesita
el valor de tala derecha del cual esta el .025 del area. Este valor se
localiza en la tabla E, enla columna encabezada por t.
975
Este es el valor
para tala izquierda delcual esta .975 del area bajo la curva. EI area a la
derechade este valor es igual al .025 deseado. Ahora, sobre la columna de
grados de libertad se localiza el numero 14. EI valor para t se encuentra en
la interseccion del renglon con la etiqueta 14 y la columna con la etiqueta
t.
975
Se encuentra que este valqr para t, que representa al coeficiente de
confiabilidad, es 2.1448. Finalmente, el intervalo de confianza de 95 por
ciento se construye como sigue:
11.53 2.1448(.9504)
11.53 2.04
9.49, 13.57.

Este intervalo puede interpretarse con ambos puntos de vista: probabiHstico y
practico. Puede asegurarse, en un 95 por dento, que 1a media, /l, correcta de la
poblacion se encuentra entre 9.49 y 13.57, porque al repetir el muestreo, 95 por
dento de los intervalos construidos deigual manera incluyen a /l.
Decidir entre z :r t Cuando se obtiene un intervalo de confianza para la
media de una poblacion, se debe decidir si se utiliza un valor de z6 de t como factor
de confiabilidad. Para hacer una elecci6n adecuada, se debe considerar el tamafto de
la muestra, si la poblacion muestreada sigue una distribucion normal y si la varian cia
de la poblacion es conocida. La figura 6.3.3 muestra un diagrama de flujo que se
puede utilizar para decidir rapidamente si el factor de confiabilidad debe ser Z 0 t.
EJERCICIOS 165
EJERCICIOS
Sa aplica al leorema dellfmile central
FIGURA 6.3.3 Diagrama de flujo para deddirentre utililizar zy t cuando se hagan
inferencias respecto a las medias de la poblaci6n. (*Para utilizar un procedimiento no
parametricoveaseelcapitulo13.)
Analisis par computadara Si elpropositoes construirunintervalodecon-
fianzaconelprogramaMINITABparalamediadelapoblacioncuandoelestadfs-
tico t es elfactor deconfiabilidadadecuado, elcomandose iniciaconlapalabra
TINTERVAL.SeleccioneenWindows I-Samplet desdeelmenudeBasicStatistics.
6.3.1 Utiliceladistribud6nt paraencontrarelfactordeconfiabilidadparaelintervalodeconfian-
zabasadoenlossiguientescoeficientesdeconfianzay tamafiosdelasmuestras.
a b c d
Coefidentedeconfianza .95 .99 .90 .95
Tamafiodelamuestra 15 24 8 30
6.3.2 Enunainvestigacionacercadeladependenciadelflujoyvolumendetodoelsistemarespi-
ratorioenungrupodepacientesconenfermedadobstructivapulmonarcronica,conectados
arespiradoresartificiales,Tantucciet ai. (A-2) registraronlossiguientesvaloresdelineade
166 CAPITULO 6 ESTIMACION
base del flUjD continuo. inspiratDriD (Us): .90, .97, 1.03,1.10, 1.04, 1.00. CDnsidere que una
muestra aleatDria simple esta cDnfDrmada pDr seis individuDs a partir de una pDblacion que.
sigue una distribuci6n nDrmal, CDn individuDs CDn la misma enfermedad.
a) es la estimaci6n puntual de la media de la pDblaci6n?
b) es la desviacion estandar de la muestra?
c) es la estimacion del error estandar para la media de la muestra?
d) CDnstruya un intervalD de cDnfianza de 95 pDr ciento para el flUjD mediD cDntinuD inspi-
ratDriD de la pDblaci6n.
e) es la precision de la estimacion?
f) Explique la interpretaci6n prDbabilistica para este intervalD de confianza.
g) Explique la interpretacion practica para este intervalD de cDnfianza.
6.3.3 LlDyd y MaillDux (A-3) informaron IDS siguientes datDs acerca del peso. de la glandula pituitaria
en una muestra de cuatrD ratas de Wistar Furth:
media = 9.0 mg, error estandar para la media = .3
FUEJ;.'TE: Ricardo V Lloyd y Joe Mailloux, "Analysis ofS-
100 Protein Positive Folliculo Stellate Cells in Rat Pituitary
Tissues", AmericanJournal ofPathology, 133, 338-346.
a) es la desviadon estandar de la muestra?
b) CDnstruya un intervalD de confianza de 95 pDr ciento para el peso medio de la glandula
pituitaria para una pDblacion similar de ratas.
c) supDsiciDnes se necesitan para que sea validD el intervalo de cDnfianza del inciso b?
d) interpretacion puede ser la mas indicada cuandD se trata sDbre intervalos de con-
fianzacon alguien que no. sabe de estadfstica? Explique pDrque es la mas cDnveniente.
e) 5i fuera necesario elabDrar un intervalD de cDnfianza de 90 pDr cientD para la media de la
pDblaci6n, intervalD de cDnfianza serta mayDr 0. menor que el intervalD de 95 pDr dentD?
Explique su respuesta sin construir realmente el intervalD de cDnfianza.
f) 5i [uera necesariD considerar un intervalo de CDnfianza de 99 pDr cientDpara lamedia de
la poblacion, intervalo de cDnfianza serra mayDr 0 menDr que el intervalD de 95 pDr
dentD? Explique su respuesta sin cDnstruir realmentt; el intervalD de cDnfianza.
6.3.4 Kaminski y Rechberger (A-4) encontrarDn en un estudio sDbre la preeclampsia que la media
de la presi6n sistolica sangufnea en 10 mujeres sanas y que no estan embarazadas es de 119,
CDn una desviacion estandar de 2.1.
a) 2Cual es el errDr estandar estimadD para la media?
b) CDnstruya un intervalD de confianza de 99 pDr cientD para la media de la poblaci6n a
partir de la cual puede considerarse que IDS 10 individuos conforman una muestra aleatoria.
c) es la precisi6n estimada?
d) consideraciones deben hacerse para comprobar la validez del intervalo de confiahza?
6.3.5 Unamuestra de 16'nifias de 10 afiDS pesan en promediD 71.5, con una desviacion estandar
de 12libras. CDnsidere el calculD de intervalDs de cDnfianza de 90,95 y 99 pDr ciento para I-L
167 6.4 INTERVALODE CONFIANZAPARALADIFERENCIAENTREDOS MEDIAS
6.3.6 Unamuestraaleatoriasimpleconformadapor16individuosaparentementesanospresenta
lossiguientesvaloresdearsenicoeliminadoenlaorina(miligramospordfa).
Individuo Valor Individuo Valor
1 .007 9 .012
2 .030 10 .006
3 .025 11 .010
4 .008 12 .032
5 .030 13 .006
6 .038 14 .009
7 .007 15 .014
8 .005 16 .011
Elaboreunintervalodeconfianzade95 porcientoparalamediadelapoblaci6n.
6.4 INTERVALODECONFIANZAPARA
LA DIFERENCIA ENTRE DOS MEDIAS
POBLACIONALES
Enocasionesse presentancasos enlos quese deseaestimar1a diferenciaentre1a
mediadedospoblaciones.Apartirdecadapoblacionseextraeunamuestraaleatoria
independienteydelosdatosdecadaunasecalculanlasmediasmuestrales XI yx
2
'
respectivamente. En el capitulo anterior se dijo que el estimador XI - x
2
ofrece
unaestimacioninsesgadadeladiferenciaentrelasmediasdelaspoblaciones, III -
112 Lavariancia del estimador es c r ~ /n
l
) + c r ~ /n
2
). Tambien se menciono que,
seglin las condiciones, la distribucion muestral de XI - x
2
puede presentaruna
distributionalmenosaproximadamentenormal,demodoqueenmuchoscasosse
utilizalateorfaadecuadaparalasdistribucionesnormalesenelcalculodeuninter-
valodeconfianzapara III - 11
2
Cuandoseconocenlasvarianciasdelapoblacion,
elintervalodeconfianzadel 100(1 - ex) porcientopara III - 112 estadadopor
(6.4.1)
Elanalisisdelintervalodeconfianzaparaladiferenciaentrelasmediaspoblacionales
ofreceinformacionutil paradecidirsi es0 noprobablequelas mediasdelasdos
poblaciones sean iguales. Cuando el intervalo no incluye al cero, se dice que el
intervalo ofrece evidencia de que las dos poblaciones tienen medias diferentes.
Cuandoel intervaloincluyeal cero, se dicequelaspoblacionespuedentenerme-
diasiguales.
Esto se ilustra a continuacion, para el caso donde el muestreo se realiza a
partirdeunadistribucionnormal.
168 CAPITULO 6 ESTlMACI6N
E;JEMPLO 6.4.1
A un equipo de investigacion Ie interesa conocer la diferencia entre las concentracio-
nes de acido urico en pacientes con y sin el sfndrome de Down. En un gran hospital
para el tratamiento de pacientes con retardo mental, una muestra de 12 individuos
con el sindrome presenta una media de XI = 4.5 mgll00 mL En un hospital general
se encontro que una muestra de 15 individuos normales de la misma edad y sexo
presenta un nivel medio de x
2
= 3.4. Si es razonable suponer que las dos poblaciones
de valores muestran una distribucion normal y sus variancias son iguales a 1 y 1.5,
calcule el intervalo de confianza de 95 por ciento para ~ l - ~ 2
Soluci6n: Para una estimacion puntual de III 112 se udliza Xl X
2
= 4.5 3.4
1.1. EI coeficiente de confiabilidad que corresponde a .95, localizado en
la tabla D, es 1.96. EI error estandar es
Por 10 tanto, el intervalo de confianza de 95 por ciento es
1.1 1.96(.4282)
1.1.84
.26, 1.94
Se dice que se dene una confianza de 95 por ciento de que la dife-
rencia real, 11
1
- 112' este entre .26 y 1.94, porque en muestreos repetidos
95 por ciento de los intervalos construidos de esa manera incluiria la
diferencia entre las medias reales.
Puesto que el intervalo no incluye al cero, se concluye que las dos
poblaciones tienen diferentes medias.
Muestreo a partir de poblaciones que no signen una distribuci6n
ItOrmal La construccion de un intervalo de confianza para la diferencia entre las
medias de dos poblaciones, cuando el muestreo se realiza a partir de poblaciones no
normales, se lleva a cabo en la forma descrita en el ejemplo 6.4.1 si las muestras n
l
y n
2
son grandes. Una vez mas, este es un resultado del teorema del limite central.
Si se desconocen las variancias de la poblacion, se utili zan las variancias de las
muestras para estimarlas.
IUEMPLO 6.4.2
Motivados por d conocimiento de la existencia de una gran cantidad de textos
polemicos que sugieren que el estres, la ansiedad y la depresion son dafiinos para el
sistema inmunologico, Gormanet ai. (4-5) condujeron un estudio en el que se con-
sider6 a individuos varoneshomosexuales, algunos con VIH (virus de inmunodefi-
ciencia humana) positivo y otros con VIH negativo. Los datos fueron registrados
con una amplia v<J.riedad de mediciones medicas, inmunologicas, psiquiatricas y
neurol6gicas, una de las cuales corresponde al numero de celulas CD4+ en la san-
6.4 INTERV ALO DE CONFIANZA PAHALA DIFERENCIA ENTRE DOS MEDIAS 169
gre. El numero promedio de celulas CD4+ para112 individuos con infecci6n por
VIR fue de 401.8 con una desviaci6n estandar de 226.4. Para los 75 individuos sin
la infecci6n por VIR, la media y la desviaci6n estandar fueron de 828.2 y 274.9,
respectivamente. Se pretende elaborar un intervalo de confianza de 99 por ciento
para la diferencia de las medias de las poblaciones.
Soluci6n: No hay informaci6n con respecto a la forma de la distribuci6n de las
celulas CD4+. Sin embargo, como el tamafto de las muestras es grande,
el teorema del limite central asegura que la distribuci6n muestral de las
diferencias entre las medias de la muestra siguen una distribuci6n aproxi-
madamente normal, independientemente de que la distribuci6n de la
variable en las poblaciones no siga una distribuci6n normal. Se puede
utilizar este hecho para justificar el uso de la estadistica z como factor
de confiabilidad en la construcci6n del intervalo de confianza. Tampoco
hay informaci6n acerca de las desviaciones estandar, por 10 que puede
emplearse las desviaciones estandar de las muestras para estimarlas. La
estimaci6n puntual para la diferencia entre las medias de las poblacio-
nes es la diferencia entre las medias de las muestras, 828.2 - 401.8 =
426.4. En la tabla D se encuentra que el factor de confiabilidad es 2.58.
La estimaci6n del error estandar es .
s __ = 274.9
2
+ 226.4
2
=38.2786
Xl-X, 75 112
Por la ecuaci6n 6.4.1 el intervalo de confianza de 99 por ciento para la diferencia
entre las medias de la poblaci6n es
426.4 2.58(38.2786)
327.6, 525.2
Se tiene la seguridad de 99 por ciento de que el promedio de celulas
CD4+ en varones con VIR positivo difieren de la media para los varo-
nes con VIR negativo por 327.6 a 525.2.
Distribuci6n t y la diferencia entre las medias Cuando no se conocen
las variancias y se pretende estimar la diferencia entre las medias de dos poblacio-
nes con un intervalo de confianza, es posible utilizar la distribuci6n t para suminis-
trar el factor de confiabilidad si se conocen ciertas suposiciones: se debe saber, 0
suponer de buena fe, que las dos poblaciones muestreadas siguen una distribuci6n
normal. Respecto a las variancias de las poblaciones, se debe distinguir entre dos
situaciones: 1) la situaci6n en la que las variancias son iguales y 2) la situaci6n en la
que no 10 son. A continuaci6n se consideranambas sitp.aciones por separado.
Varianciaspoblacifmales iguales Si la suposici6n sobre igualdad de las
variancias de las poblaciones esta justificada, las dos variancias de las muestras
calculadas a partir de las muestras independientes pueden considerarse como esti-
maciones de 10 mismo, es decir, la variancia comun. Parece 16gico, entonces, apro-
vechar este hecho en el anal isis en cuesti6n. Esto es precisamente 10 que se hace
para establecer una estimaci6n conjunta para la variancia comun. Esta variancia se
obtiene mediante el caIculo promedio ponderado de las dos variancias de las mues-
170 CAPITULO6 ESTlMACI6N
tras. Cadavarianciadelamuestraesponderadaconbaseensusgradosdelibertad.
Si los tamafios delas muestras soniguales, este promedioponderadoes la media
aritmeticadelasvariancias delasdosmuestras. Sieltamanodelasdosmuestrases
distinto,elpromedioponderadoaprovechalainformacionadicionalproporcionada
porlamuestramayor. Laestimacioncon juntaseobtieneconlafOrmula:
S2 =(nl _1)SI2 +(n2 l s ~
p (6.4.2)
+n
2
-2 n
l
Asf laestimaciondelerrorestandarestadadapor:
(6.4.3)
yelintervalodeconfianzade 100(1 a) porcientopara III 112 estadadapor:
(6.4.4)
Elnfunerodegradosdelibertadutilizadoparadeterminarelvalordet queseusa
paraconstruirel intervaloesn
1
+ n
2
2, que es eldenominador de la ecuacion
6.4.2.Esteintervaloseinterpretaenlaformahabitual.
Losmetodosquepuedenemplearseparatomarladecisionacercadelaigual-
daddelasvarianciasdelaspoblacionesseestudianenlaseccion6.10y7.8.
EJEMPLO 6.4.3
UnodelosestudiosdeStoneet al. (A-6) tuvocomoobjetivodeterminarlosefectos
delejercicioporuntiempoprolongadoenlosejecutivosdeunacompaniainscritosen
unprogramasupervisadodeacondicionamientofisico. Seregistrarondatosde 13
individuos(elgrupodeportista)quevoluntariamenteseinscribieronelprogramay
quepermanecieronactivospor13 anosenpromedio,yde17individuos(elsegun-
dogrupo,elsedentario)quedecidieronnoinscribirse.Entrelosdatosqueseregis-
traronacercadelosindividuosestaelmlmeromaximodesentadillasrealizadasen
30segundos.El grupodeportistaobtuvounamediayunadesviacionestandarde
21.0y4.9,respectivamente.La mediayladesviacionestandarparaelgruposeden-
tariofueron 12.1 y5.6, respectivamente. Seconsideraquelas dospoblaciones de
medicionesdeacondicionamientomuscularsiguenunadistribuci6naproxirnada-
mentenormal,yquelasvarianciasparaambaspoblacionessoniguales.Sepreten-
deelaborarunintervalodeconfianzade95porcientoparaJadiferenciaentrelas
mediasde!aspoblacionesrepresentadasporlas dosmuestras.
Soluci6n: Primero,seutilizalaecuaci6n6.4.2paraca.lcularlaestimaci6nconjunta
delavarianciacomtindelaspoblaciones.
(13-1)(4.9
2
)+(17 1)(5.6
2
) =28.21
13+17-2
CuandoseconsultalatablaEcon 13 + 17- 2=28gradosdelibertady
elniveldeconfianzade.95,seencuentraqueeLfactordeconfiabilidad
es 2.0484. Conlaecuacion6.4.4secalculaelintervalo deconfianzade
6.4 INTERVALO DE CONFIANZA PARA LA DIFERENCIA ENTRE DOS MEDIAS 171
95 por ciento para la diferencia entre las medias de las poblaciones de la
siguiente manera:
28.21 28.21
(21.0-12.1)2.0484 --+--
13 17
8.9 4.0085
4.9,12.9
Se tiene una confianza de 95 por ciento de que la diferencia entre las
medias de las poblaciones estan entre 4.9 y 12.9. Se puede decir esto
porque se sabe quesi se repite el amilisis muchfsimas veces y se calculan
los intervalos de confianza de la misma manera, cerca de 95 por ciento
de los intervalos de confianza induiran la diferencia entre las medias de
las poblaciones.
Debido a que los intervalos no induyen al cero,se conduye que las
medias de las poblaciones son diferentes.
Variancias poblacionales distintas Cuando no se puede conduir que las
variancias de dos poblaciones de interes son iguales, aun ruando pueda suponerse
que las dos poblaciones presentan distribuciones normales, no es adecuado utilizar la
distribucion t como se acaba de describir para construir los intervalos de confianza.
Una solucion al problema de variancias distintas fue propuesta por Behrens
(3) y posteriormente fue verificada y generalizada por Fisher (4, 5). Neyman (6),
Scheffe (7, 8) Y Welch (9, 10) tambien proponen soluciones. EI problema es analiza-
do en detalle por Cochran (11).
EI problema gira en tomo al hecho de que la cantidad
no sigue una distribuci6n t con nj + n 2 grados de libertad ruando las variancias
2
-
de las poblaciones son distintas. Consecuentemente, la distribucion t no se puede
utilizar en la forma habitual pata obtener el factor de confiabilidad del intervalo de
confianza para la diferencia entre las medias de dos poblaciones que tienen variancias
diferentes. La solucion propuesta por Cochran consiste en el calculo del factor de
confiabilidad, mediante la siguiente formula:
wltj + w2tZ
t
l
f
.-0f2 = (6.4.5)
WI +w
2
donde, WI 5
1
2
/ np W
2
= ~ / n
2
, tl = t
l
_ para nj - 1 grados de libertad, y t2 = t
l
_
w2
aI2
,
para n
2
- 1 grados de libertad. Un intervalo aproximado de confianza del 100(1 -
a) por ciento para III - 112 esta dado por
(6.4.6)
172
EJERCICIOS
CAPITULO6 ESTlMACION
FJEIUPLO 6.4.4
EnlainvestigaciondeStoneetal. (A-6), descritaenelejercicio6.4.3,los investiga-
dorestambieninformaronlossiguientesdatosdelasmedicionesreferentesatodas
lascalificacionesdelacondicionamientomuscularlogradasporlosindividuos:
Muestra n Media Desviaci6nestimdar
Grupodeportista 13 4.5 .3
Gruposedentario 17 3.7 1.0
Se considera que las dos poblaciones de todas las calificaciones deacondiciona-
mientomuscularsiguenunadistribuci6naproximadamentenormal.Sinembargo,
no debe suponerse que las dosvariancias poblacionales soniguales. Se pretende
construirunintervalo de confianza de 95 porciento paraladiferenciaentre las
mediasdetodaslascalificacionesdeacondicionamientomuscularparalasdospo-
blacionesrepresentadasporlas muestras.
Soluci6n:Seutilizat'delaecuaci6n6.4.5paracalcularel factordeconfiabilidad.
En la tabla E se muestraque con 12 gradosdelibertady 1- .05/2 =
.975, t( 2.1788.Analogamente,con16gradosdelibertady1- .05/2 =
.975, t2 = 2.1199.AhoraSf' calcula
(.3
2
/13)(2.1788)+(1.0
2
/17)(2.1199) .139784
t'= .. =
(.3
2
/13)+(1.0
2
/17) .065747
=2.1261
Conlaecuaci6n6.4.6, ahorase construyeel intervalodeconfianza de
95porcientoparaladiferenciaentrelasmediasdelasdospoblaciones.
2 2
(4.5 3.7)2.1261 .3 +1.0
13 17
.82.1261 (.25641101)
.25,1.34
Puestoqueelintervalonoincluyeacero,seconcluyequelasmediasde
lasdospoblacionessondiferentes.
Cuando se construyen intervalos de confianza para la diferencia entre las
mediasdedospoblaciones, es posibleutilizarlafigura6.4.1 paradecidirrapida-
mentesielfactordeconfiabilidaddebeserz, t 0 tf.
Paracadaunodelossiguientesejerciciosconstruyaintervalosdeconfianzade90, 95y99
parcientoparalas diferencias entre las medias poblacionales. Establezcaconsideraciones
quehaganqueel metodoseavalido.Determinelasinterpretacionespracticayprobabilistica
clJ clJ
FIGURA 5.4.1 Diagrama de flujo para decidir si e1 factor de confiabilidad debe ser z, tot' cuando se realizan inferencia inferencias acerca
de la diferencia entre las medias de dos pobladones. (*Para usar un procedimiento no parametrico, ver el capitulo 11.)
174 CAPiTULO6 ESTlMACION
paracadaintervaloconstruido.Supongalasvariablesbajoconsiderati6nencadaejercicioy
establezcaparaquepuedenserviralosinvestigadoresesos resultados.
6.4.1 EI objetivodeunexperimentode Buckneret al. (A-7) consisti6 enestudiarlos efectos del
relajamientomuscularinducidoporelpancuroniumenelvolumendelplasmacirculante.
Losindividuosestudiadossonreciennacidosconunpesomayora 1700gramos,quenecesi-
tarondeayudapararespirardurantelasprimeras24 horasdespuesdenacerycumplieron
con otros criterios cHnicos. Cinco recien nacidos paraIizados con el pancuronium y siete
recien nacidos no tratados presentaron las siguientes estadisticasenla segundadelas tres
medicionesdelvolumendeplasma(ml) hechadurantelarespiraci6nmecanica.
Paralizados 48.0. 8.1
Notratados 56.7 8.1
Lasegundamedici6n,paraelgrupotratado,ocurri6de12a24horasdespuesdelaprimera
dosisdepancuronium.Paraelgruponotratado,lasmedicionessehicieronde12a24horas
despuesdeiniciarlarespiracionmecanica.
6.4.2 ZuckeryArcher(A-8)afirmanquelaN-nitrosobis(2-oxopropyl)amina(BOP)ylasnitrosaminas
/3-oxidizadas producen una alta incidencia de tumores de conductos pancreaticos en el
hamsterdoradosirio.Estudiaronlosefectosenelpesosangufneo,enlaglucosadelplasma,
enlainsulinayenlosnivelesdetransaminaglutamico-oxaloaceticadelplasma(GOT)delos
hamstersexpuestosin vivo alaBOP. Losinvestigadoresreportaronlossiguientesresultados
enochoanimalestratadosy 12 sintratamiento:
Variable Sintratamiento Contratamiento
Glucosadelplasma(mglgl) 101 5 74 6
FUENTE: PeterF. ZuckeryMichaelC.Archer,"AlterationsPancreaticIsletFunction
ProducedbyCarcinogenicNitrosaminesintheSyrianHamster",AmericanJournal
o/Pathology, 133,573-577.
Los datossonlamediadelamuestra laestimaci6ndelerrorestandardela mediadela
muestra.
6.4.3 LosobjetivosdeunestudiodeDaviset al. (A-g) sonevaluar1) laeficaciadelprogramaauto
ayuda"momentoparadejardefumar" cuandoseutilizaconbasedeunoaunoenelhogar,
y2)laviabilidaddeensefiartemicasparaabandonarelhabitodefumaralosestudiantesde
enfermerfaenbachillerato.Aestudiantesgraduadosdeenfermerfainscritosendoscursos
demetodologiadelainvestigacion,delaUniversidaddeOttawa,selesinvit6aparticiparen
elproyecto.Seaplic6uncuestionariodeopcionmultipleparaabandonarelhabitodefumar
a 120estudiantesdeenfermeriaqueparticiparonyaotros42estudiantesquenoparticipa-
ronantesnidespuesdelestudio.Secalcularonlas diferenciasentrelascalificacionesantesy
despuesdelestudio,as!comolassiguientesestadisticasapartirdelasdiferencias:
EJERCICIOS 175
Grupo Media Desviaci6nestandar
Participantes(A) . 21.4444 15.392
Noparticipantes(B) 3.3333 14.595
6.4.4 El doctorAli Khraibi (A-IO), delaCHnicayFundaci6nMayo, condujounaseriedeexperi-
mentosconelfindeevaluarlasrespuestasdiureticasynatiureticasderatasOkamotoespon-
taneamentehipertensivas(REB)yratasWistar-Kyoto(WRY) paradirigirincrementosenla
presionhidrostaticarenalintersticial(PBRI). ParaaumentarlaPBRIseutiIiz6laexpansi6n
directadelvolumenrenalintersticial(DRIVE)atravesdeunamatrizimplantadacronicamente
enelrinOn.Entrelosdatosregistradosduranteelestudioestanlassiguientesmedicionesde
excreci6ndesodioatravesdelaorina (UNa V) duranteel periododeDRIVE:
Grupo
REB 6.32,5.72,7.96,4.83,5.27
2WKY 4.20,4.69,4.82, 1.08,2.10
FUENTE: Publicadaconautorizaci6ndelDr.
AliA. Khraibi.
6.4.5 OsbergyDiScala(A-II)realizaronunestudiocentradoenlaeficaciadeloscinturones de
seguridadparareducir1esionesentresobrevivientesdeaccidentesautomoviHsticosinterna-
dosenhospitales,conedadesde4a 14afios.Elestudiocompar610sresultadosde123ninos
que utilizaronelcintur6ncontra290 queno10 utilizaronentreaquellos que se vietonen-
vueltos en tales accidentes y que fueron hospitalizados. El informe contenia la siguiente
estadisticadelnumerodedfasenlaunidaddecuidadosintensivos:
Grupo Media Errorestandarestimado
Utiliz6elcintur6n .83 .16
Noutiliz6elcintur6n 1.39 .. 18
6.4.6 La mediciondeldiametrotransversaldelcoraz6ndehombresymujeresadultospresentalos
siguientesresultados:
s
x
Grupo TamaftodeIamuestra (cm) (cm)
Varones 12 13.21 1.05
Mujeres 9 II.OO 1.01
Considerequelaspoblacionessiguenunadistribucionnormalconvarianciasiguales.
176 CAPITULO6 ESTIMACION
6.4.7 VeintiruatroanimalesdelaboratoriocondeficienciadevitaminaDfueron divididosendos
gruposiguales.EIgrupo1recibi6untratamientoconsistenteenunadietaqueproporciona-
bavitaminaD. EI segundogruponofue tratado.AI terminodelperiodoexperimental, se
midieronlasconcentracionesdecalcioensuero,obteniendoselossiguientesresultados:
Grupotratado: X 11.1 mg/100 ml,s =1.5
Gruposintratamiento: x=7.8mg/ 100 ml,s =2.0
Considerequelaspoblacionessiguenunadistribuci6nnormalconvarianciasiguales.
6.4.8 Adosgruposdenifiosseleshicieronpruebasdeagudeza Elgrupo1estuvoformado
por11 nifiosquerecibieronlaatenci6ndemedicosprivados.Lacalificaci6nmediaparaeste
grupofue de26conunadesviaci6nestandarde5. Elsegundogrupo,que incluy6 14nifios
querecibieronatenci6nmedicaporpartedeldepartamentodesaludpublica,tuvounacali-
ficaci6n promediode 21 con unadesviaci6n estandarde6. Supongaque las poblaciones
siguenunadistribuci6nnormalconvarianciasiguales.
6.4.9 Eltiempopromediodeestanciadeunamuestrade20pacientesdadosdealtadeunhospital
generalesdesietedras,conunadesviaci6nestaildardedosdras.Unamuestrade24paden-
tes dados de altadeunhospital de enfermedades'cr6nicas tuvo untiempopromedio de
estanciade36dfasconunadesviaci6nestindarde 10dias.Supongaquelapoblaci6nsigue
unadistribuci6nnormalconvarianciasdesiguales.
6.4.10 Enunestudiodefactoresquese consideranresponsablesdelos efectosadversos deltaba-
quismosobrelareproducci6nhumana,semidieronlosnivelesdecadmio(nanogramospor
gramo)eneltejidodelaplacentadeunamuestrade14madresquefumabanyunamuestra
aleatoriaindependientede18mujeresnofumadoras. Losresultadosfueron los siguientes:
Nofumadoras: to.O, 8.4,12.8,25.0,11.8,9.8, 12.5, 15.4,23.5,
9.4,25.1, 19.5,25.5,9.8,7.5, 11.8,12.2,15.0
Fumadoras: 30.0,30.1,15.0,24.1,30.5,17.8,16.8,14.8,
13.4,28.5,17.5, 14.4, 12.5,20.4
msprobable queel nivelmediodecadmioregistradoseamayorentrelas fumadorasque
entrelasnofumadoras? quesellegarfaaestaconclusi6n?
6.5 INTERVALO DECONFIANZAPARA
IAPROPORCIONDEUNAPOBIACION
Muchas preguntas de interes paraque eltecnico ensalud tienen relacion con las
proporcionesdepoblacion. propordondepadentesqueredbenuntipoespe-
cialdetratamientoserecuperan? proporciondealgunapoblaciontienecierta
enfermedad? propordondeunapoblacionesinmuneadertaenfermedad?
Paraestimarlaproporciondeunapoblacionseprocedeenlamismaformaque
cuandoseestimalamediadeunapoblacion.Seextraeunamuestradelapoblacion
deinteresysecalculasuproporcion p. Estaseutilizacomoelestimadorpuntual
paralaproporciondelapobladon.Unintervalodeconfianzaseobtienemediante
lasiguienteformulageneral:
estimador (coefidentedeconfiabilidad)X (errorestandar)
EJERCICIOS
EJERCICIOS 177
Enelcapituloanteriorsevio quecuandonp yn(1 - p) sonmayoresque5, se
puedeconsiderar queladistribuci6n muestral de pse aproximabastantea una
distribuci6nnormal. Cuando se cumple con esta condici6n, el coeficiente de
confiabilidadesalgUnvalordezdeladistribuci6nnormalestandar. Estavistoque
elerrorestandares iguala (Jp=.,fi(l-p) /n.Puestoquep, que es elparametro
quesetratadecalcular,sedesconoce.sedebeutilizar pcomounaestimaci6n.Asf,
se estima (Jj; pormediode p(l":" P/n,yelintervalodeconfianzade 100(1 - 0:.)
porcientoparapestadadopor:
p P)Fn (6.5.1)
Esteintervaloseinterpretatantodesdeelpuntodevistapracticocomoprobabilistico.
FJEMPLO6.5.1
Mathersetal. (A-12)encontraronqueenunamuestrade591 pacientesinternados
enunhospitalpsiquiatrico,204 admitieronqueconsuniieronmarihuanaalme-
nosunavezdurantesuvida.Sepretendeconstruirunintervalodeconfianzade95
porcientoparalaproporciondeindividuosqueconsumieronmarihuanadurante
suvidaenlapoblaci6nmuestreadadelosinternosdelhospitalpsiquiatrico.
, .. ,
Solucion:Lamejor puntualparalaproporci6
Il
delapoblaci6nes p==
204/591 .3452: Eltamafio delamuestray hiestimaciondeptienen
unamagnitudsuficienteparajustifK:arelempleodeladistribucionnor-
mal estandarparaelaborarunintervalo deconfianza. EI coeficiente
decorifiabilidadquecorrespondealniveldeconfianzade.95es 1.96 la
estimaciondelerrorest:andar (Jp es =. (.3452)(.6548)/591
.01956.Elintervalodeconfianzapara p,deacuerdoconestosdatos,es:
.34521.96(.01956)
.3452.0383
..3069,.3835
Sepuededecirquesetiene95porcientodeconfianzadequelapropor-
cionpesteentre.3069y.3835yaque,alrepetirelmuestreo,casi95por
cientodelosintervalosconstruidosen laformadeesteintervaloinclu-
yena laproporcionp real. Conbaseenestosresultados se espera,con
unaconfianzade95 porciento,encontrarqueentre30.69y38.35por
cientodelos internadosenelhospitalpsiquiatricotieneantecedentes
deconsumodemarihuana.
Paracadaunodelossiguientesejerciciosestablezcalainterpretacionpricticayprobabilistica
delosintervalosquesepideconstruir.Identifiquecadacomponentedelintervalo:laestima-
cionpuntual,elcoeficientedeconfiabilidadyelerrorestandar.,Expliqueporqueloscoefi-
cientesdeconfiabilidadnosonlosmisInosparatodoslosejercicios.
178 CAPITULO6 ESTII\:lACI6N
6.5.1 Enunainvestigaci6nde ninos maltratadosenpacientespsiquiatricos, BrownyAnderson
(A-IS)encontraron166pacientesenunamuestrade947,conantecedentesdeabusosexual
ymaltratoflsico.Construyaunintervalodeconfianzade90pordentoparalaproporci6nde
lapoblaci6n.
6.5.2 Cataniaet at. (A-14)obtuvierondatosrespectoalcomportamientosexualdeunamuestrade
hombresymujeressolteros,conedadesentre20y44,residentesenareasgeoijfaficascarac-
terizadasportasas altas deenfermedadesdetransmisionsexualeingresoa programasde
drogas. De 1229encuestados, 50 porcientorespondieronquenuncautilizaronpreservati-
vos.Construyaunintervalodeconfianzade95por cientoparalaproporciondelapoblaci6n
quenuncautilizapreservativos.
6.5.3 RothbergyLits(A-I5)estudiaronelefectodelestresdelamaternidadduranteelembarazo
enelpesodelproducto.Losindividuoseran86mujeresblancasconantecedentesdeestres
quenotenfanfaetores deriesgo medicou obstetrico conoddodepesobajo delproducto.
Los investigadoreseneontraronque 12.8pordentodelas madresestudiadas dierona luz
bebes quecubrfanelcriterio depesobajo. Construyaunintervalodeconfianzade99por
cientoparalaproporci6ndelapoblaci6n.
6.5.4 Enuna muestraaleatoria simple de 125 varones desempleados, quienes desertaron de la
escuelapreparatoria entre las edades de 16 y 21 anos inclusive, 88 declararon que eran
consumidoresregularesdebebidasalcoh6litas. Construyaunintervalodeeonfianzade 95
porcientoparalaproporciondelapoblacion.
6.6 INTERVALO DE CONFIANZA PARA lA DIFERENCIA
ENTRE lAS PROPORCIONES DE DOS POBlACIONES
Amenudosetieneinteresenconocerlamagnituddeladiferenciaentrelasproporcio-
nesdedospoblaciones.Esposiblequesequieracomparar,porejemplo,entrehombres
ymujeres,dosgruposdeedades,dosgrupossocioecon6micos0 dosgruposdediag-
nosticoconrespectoalaproporcionqueposeealgunacaractensticadeinteres. Un
estimadorpuntualinsesgadodeladiferenciaentredosproporcionesdelaspoblacio-
nes se obtiene.alcalcularladiferenciadelas proporcionesdelasmuestras, PI P2'
Tal como Se havisto, cuandon
1
Yn
2
son de gran tamano ylas proporciones de la
poblacion no estanmuycerca de 0 0 de 1, es posible aplicarel teorema dellimite
centralyutilizarla teonadeladistribucionnormalparaobtenerlosintervalosdecon-
fianza. EIerrorestandardelaestimacionsecalcula:mediantelasiguienteformula:
dadoque,comoregIa,sedesconocenlasproporcionesdeIapoblacion.Uninterva-
10 deconfianzade 100(1 - a) porcientopara PI P2 seobtieneas!:
(6.6.1)
EsposibleinterpretaresteintervalodesdeelpuntodevistaprobabiHsticoypractico.
EJERCICIOS 179
EJEMPLO6.6.1
Borst et al. (A-16) investigaron la relaci6n de desarrollo del ego, edad, sexo y diag-
n6stico de .suicidio entre los internos adolescentes de la unidad de psiquiatria. La
muestra consistia en 96 varones y 123 niiias con edades entre 12 y 16 aiios, seleccio-
nados de entre los internados en la unidad de adolescentes y niiios de un hospital
psiquiatrico privado. Se reportaron 18 niiios y 60 niiias con intento de suicidio. Cons i-
derese el comportamiento de las niiias como el de una muestra aleatoria simple a
partir de una poblaci6n similar de niiias, y que los j6venes, igualmente, pueden
considerarse como una muestra aleatoria simple extraida de una poblaci6n similar
de niiios. Para estas dos poblaciones, se pretende construir un intervalo de confian-
za de 99 por ciento para la diferencia entre las proporciones de los individuos con
intento de suicidio.
Soluci6n: Las proporciones para las niiias y niiios, respectivamente, son: Pc = 601
123 = A878y PB = 18/96 .1875. La diferencia entre las proporciones
de lasmuestrases Pc PB = .4878 .1875 = .3003. El error estandar
estimado de la diferenda entre las proporciones de las muestras es
(.4878)(.5122) (.1875)(.8125)
- - - ~ ~ - ~ +--'------
123 96
El factor de confiabilidad a partir de la tabla D es 2.58, de modo que el
intervalo de confianza, con la f6rmula 6.6.1, es:
.3003 2.58(.0602)
.1450,..4556
Se dene la confianza de 99 por dento de que, para las poblaciones
muestteadas, la ptopord6n de intentos de suiddio entre las niiias exce-
de a lapropord6n de intentosde suiddio entre los varones por .1450 y
.4556.
Puesto que el intervalo no incluye al cero, se concluye que las dos
proporciones de pobladones son diferentes.
FJERCICIOS
Para cada uno de los siguientes ejercicios establezca las interpretaciones pnicticas y probabi-
listicas de los intervalos que se pide construir. Identifique cada componente del intervalo:
la estimaci6n puntual, el coeficiente de confiabilidad y el error estandar. Explique por que
los coeficientes de confiabilidad no son el mismo para todos los ejercicios.
6.6.1 Hargers et al. (A-17) del departamento de Salud PUblica y Ambiep.tal en. Amsterdam, condu-
jeron un estudio en el que los individuos eran consumidores de drogasinyectables (CDI). En
una muestrade 194 consumidores de metadona regular de largo plazo (MLP), 145 eran
varones. En una muestra de 189 CDIque no consumian MLP, 133 eran varones. Establezca
las consideraciones necesarias acerca de las muestras ypoblaciones representadas, y constru-
180 CAPITULO6 ESTlMACI6N
yaunintervalodeconfianzade 95 porciemoparaladiferendaentrelas proporciones de
varonesenlasdospoblaciones.
6.6.2 Unainvestigaci6ndeLaneet ai. (A-I8)valor6lasdiferenciasenlaspn'icticasdedeteccionde
cancerdesenoentremuestrasdemujerespredominantementedebajosingresos, coneda-
des de 50 a 75 anos, que lltilizan los servicios dec1inicas de sailld paratodoel estado, y
mlljeresdelamismaedadresidentesenciudadesdondelasc1inicasdesaludsonlocales. De
las404encuestadas,seleccionadasentodalacomunidad,59.2porcientoestuvodeacuerdo
conelsiguientecomentarioacerca delcancerdepecho: "lasmujeresprolongansu vidasi
detectanelcancerdesdeelinicio".Deentre795usuariasdeclinicasdesaludenlamllestra,
44.9porcientoestuvodeacuerdo.Establezcalassuposicionesapropiadasparaelaborarun
intervalodeconfianzade99porcientoparaladiferenciaentrelasdosproporcionesdelas
poblacionesdeinteres.
6.6.3 Williamset at. (A-19)encuestaronaunamuestrade67medicosy 133enfermerasconfami-
liaresfarmaco/dependientes. EI prop6sitodelestudioeraevaluarlainfluenciaenlosmedi-
EOS y enfermeras deestar estrechamente involucrados conuna0 mas personas farmaco/
dependientes. Cincuentay dos medicos y 89 enfermerasdijeron que vivian con personas
farmacoldependientesqueadversamenteafectaban8U trabajo.E8tablezcatodaslasconside-
racionesquecreanecesariasparaconstruirunintervalodeconfianzade95porcientopara
ladiferencia entre las proporciones enlas dos poblaciones de trabajadores que seespera
estenadversamenteafectadosporvivirconpersonasfarmaco/dependientes.
6.6.4 Aronow y Kronzon (A-20) identificaron los factores de riesgo coronado entre hombres y
mujeresenunadinicadecuidadosdelasaluda largoplazo. Delos215individuosnegros,
58tienendiabetesmellitus aligualque217individuosblancosde 1140.Elaboreunintervalo
deconfianzade90porcientodeconfianza.paraladiferenciaentrelasproporcionesdelas
dospoblaciones. t:!Cuaies sonlas poblacionescorrespondientes? ~ u e consideraciones son
necesariasparahacervalidoelprocedimientodeinferencia?
6.7 DETEHMINAUON DEL TAMANO DE LA
MUESTRA PARA LA ESTIMACIONDEIAS MEDIAS
La preguntade que tan grandedebe ser unamuestra surge inmediatamente al
iniciodelplanteamientodecualquierencuesta0 experimento.Estaesunapregun-
taimportanteynosedebetrataralaligera.Tomarunamuestramasgrandede10
necesarioparaobtenerlosresultadosdeseadosesundesperdicioderecursos,mien-
trasque,porotrolado,lasmuestrasdemasiadopequenasconfrecuenciadanresul-
tadosquecarecendeusopractico. Enestasecci6nse estudiac6modeterminarel
tamanodelamuestradeacuerdoconlasituaci6n.Acontinuaci6nse proporciona
unmetodoparadeterminareltamanodelamuestraqueserequiereparaestimar
Iamediadelapoblaci6nyenlasiguientesecci6nseaplicaestemetodoparadeter-
minareltamanodelamilestracuandosedeseaestimarlaproporci6ndeunapo-
blaci6n. Medianteextensi<mesdirectasdeestosmetodos, esposibledeterminarel
tamanonecesariodelasmuestrasparasituacionesmascomplicadas.
Objetivos Elobjetivodelaestimaci6nporintervaloseseldeobtenerintervalos
estrechosconaltaconfiabilidad.Siseobservanloscomponentes e unintervalode
confianza,seveque8Udimensionestadeterminadaporlamagnituddelacantidad
(coeficientedeconfiabilidad)x (errorestandar)
131 6.7 DETERMINACION DEL TAMANO PARA LA l\-IUESTRA
ya que lamagnitud total del intervalo de confIanza es eldoble de esta cantidad. Se
aprendi6 que a esta cantidad, generalmente, se Ie llama precisi6n de la estimaci6n
o margen de error. Para un error estandar dado, incrementar la confIabilidad signi-
fIca un coefIciente con mayor confIabilidad. Y un coefIciente con mayor confIabilidad
produce un'intervalo mas amplio.
Por otra parte, si se ftia el coefIciente de confIabilidad, la unica manera de
redudr la amplitud del intervalo es la reducci6n del error estandar. Dado que el
error estandar es igual a (J I:;J;;, y como (J es una constante, la unica forma de
obtener un error estandar menor es tomar una muestra grande. tan grande
debe'ser la muestra? Esto depende del tamafio de (J, la desviad6n estandar de la
poblaci6n, asi como' del grado de confIabilidad y dimensi6n del intervalo deseados.
Suponga que se desea obtener un intervalo que se extienda d unidades hacia
uno y otro lado del estimador. Ellose enuncia:
d:::: (coefIciente de confIabilidad) X (error estandar) (6.7.1.)
Si el muestreo es con reemplazos, a partir de una poblaci6n infInita 0 de una
que sea 10 sufIcientemente grande como para ignorar la correcci6n por poblaci6n
fInita, la ecuaci6n 6.7.1 se transforma en:
(J
d z-
(6.7.2)
-r;;
la cual, cuando se despeja n, nos da:
(6.7.3)
d
2
Cuando el nmestreo se haces'in reemplazos a partir de una poblaci6n fInita y pe-
quefia, se requiere de la correcci6n por poblaci6n fInita, y la ecuaci6n 6.7.1 se
transforma en:

d (6.7.4)

que al despejar n, resulta en:
n::::------
(6.7.5)
d
2
(N 1) + Z2(J2
Si puede omitirse la correcci6n por poblad6n fInita, la ecuaci6n 6.7.5 se re-
duce a la ecuaci6n 6.7.3.
Estillluci6n de (J' 2 Las f6rmulas para el tamafio de la muestra requieren del
conocimiento de (J2 pero, como ya se ha sefialado, la varian cia de la poblaci6n casi
132 CAPITULO 6 ESTlMACION
siempre sedesconoce. Como resultado, esnecesarioestimar (J2. Las fuentes de esti-
maci6n de(J2 que se utilizan con mas frecuencia son las siguientes:
1. Se extrae una muestrapilato 0 de lapoblaci6n y se puede utilizar la
variancia calculada a partir de esta muestra como unaestimaci6n de (J2. Las
observaciones uti lizadas en la muestra piloto se toman como parte de la mues-
trafinal, de modo que n (el tamaiio calculado de la muestra) n
1
, (el tamaiio
de la muestra piloto) n
2
(el numero de observaciones necesarias para satisfacer
el requerimiento total del tamaiio de la muestra).
2. A partir de estudios anteriores osimilares es posible obtener estimaciones de (J2.
3.Si se cree que la poblaci6n de la.cual se extrae la muestra.posee una distribu-
ci6n aproximadamente nqrmal, se puede aprovechar el hecho de que la am-
plitud es aproximadamente igual a 6 desviaciones estandar y calcular (J "" R/6.
Este metodo requiere aIglin conocimiento acerca de los valores minimo y
maximo de la variable en la poblaci6n.
EJEMPLO6.7.1
Un nutri6logo del departamento de salud,. al efectuar una encuesta entre una po-
blacien de muchachas adolescentes con e1 fin de determinitr su ingesti6n diaria
promedio de proteinas (medidas en gramos), busc6 el consejo de un bioestadistico
con respecto al tamaiio de la muestra que deberfa tomar.
procedimiento debe seguir el bioestadistico para asesorar al nutri610go?
Antes de que el estadistico pueda ayudar el nutri6logo, este debe proporcionar
tres elementos de informaci6n: h dimensi6n deseada del intervalo de confianza, el
nivel de confianza deseado y la magnitud de la variancia de la poblaci6n.
Soludon: Suponga que el nutri6logo requiere un intervalo con una dimensi6n de
aprQximadamente 10 gramos, es decir, la estimaci6n se deberfa encon-
trar alrededor de 5 gramos de la media de la poblaci6n en ambas direc-
ciones. En otras palabras, se desea un margen de error de 5 gramos.
Suponga que se decide por un coeficiente de confian7..a de .95 y que con
base en su experiencia previa, el nutri6logo percibe que la desviaci6n
estandar de la poblaci6n es probablemente de alrededor de 20 gramos.
EI estadfstico dispone ya de la informaci6n necesaria para calcular el
tamaiio de la muestra: z 1.96, (J = 20 y d 5. Suponga que el tamaiio
de la poblaci6n es grande, asf queel estadistico puede ignorar la correc-
ci6n por poblaci6n finita y utilizar la ecuaci6n 6.7.3. Con las sustitucio-
nes adecuadas, el valor de n se calcula como
Se recomienda que el nutri610go tome una muestra de tamafio 62.
AI calcular el tamaiio de una muestra a partir de las ecuaciones 6.7.3 0
6.7.5, el resultado se redondea al siguiente nurnero entero mayor si los
calculosdan un numerocon decimales.
183 6.8 DETERMINACIONDELTAl'\1A.:NO PARALAS PROPORCIONES
EJERCICIOS
, '
6.7.1 Laadministradoradeunhospitaldeseaestimarel peso mediodelos bebes nacidosensu
hospital.Sisedeseaunintervalodeconfianzade99pordentoconunaamplitudde1libra,
~ q u e tangrandedebeserlamuestradelosregistrosdenacimiento?Supongaqueunestima-
,dorrazonable para(J es 1libra. ~ e que tamanodebe serla muestra si el coeficiente de
confiabilidadsehacedescendera .95?
'6.7.2 El directordela secdondecontroldelarabia del departamento de salud publica, desea
extraerunamuestradelosregistrosdemordidasdeperroreportadasduranteeltranscurso
delanoanteriorparaestimarlaedadmediadelaspersonasmordidas.Requiereunintervalo
deconfianzade95 pordento,decideutilizarunvalorde2.5 parad y, a partirdeestudios
anteriores,estimaqueladesviacionestandardelapoblacionestaalrededordelos 15anos.
~ Q u e tangrandedebesereltamanodelamuestra?
6.7.3 Unmedicodeseaconocerelvalormediodeglucosaenlasangreenayunas(mg/lOOml) de
pacientesatendidosenunaclinicaparadiabeticosduranteeltranscursodelos ultimos 10
anos.Determineelnumeroderegistrosqueelmedicodebeexaminarparaobteneruninter-
valodeconfianzade90porcientopara11 siladimensionrequeridaparaelintervaloesde6
unidadesyunamuestrapilotopresentaunavarianciade60.
6.7.4 Sedeseaestimarlaedadmediaenlaquealospadentesdeesclerosismultipleselesdiagnos-
ticoelpadecimientoporprimeravez. Serequiereunintervalodeconfianzade95pordento
con unadimension de 10anos. Si la variancia delapoblaci6nes de90, ~ q u e tan grande
deberaserlamuestra?
6.8 DETERMINACION DELTAMANO DE lA MUESTRA
PARA lA ESIDIACION DE lAS PROPORCIONES
EI metodoparaestimareltamafiodelamuestracuan'doserequiereestimarlapro-
porciondeunapoblacionesesencialmenteelmismoquesedescribioparaestimarla
mediadeunapoblacion.Seaprovechaelhechodequelamitaddelintervalodesea-
do,d, sepuedeigualaralproductodelcoeficientedeconfiabilidadyelerrorestandar.
Si se suponequeelmuestreohasidohechodemaneraaleatoriayqueexisten
condicionesquegaranticenqueladistribuci6ndepseaaproximadamentenormal,
seobtienelasiguienteformulaparancuandoelmuestreoesconreemplazo,cuan-
doserealiza'apartirdeunapoblacioninfinita0 ruandolapoblacionmuestreadaes
10suficientementegrandecomoparahacerinnecesarioel usodelacorrecci6npor
poblacionfinita:
n (6.8.1)
dondeq= I-p.
Silacorreccionporpoblacionfinitanopuededescartarse,laformulaadecua-
daparanes:
(6.8.2)
n
d
2
(N-1)+z2pq
euandoN es grandeencomparacionconn (es decir, n IN::; .05) se puede
pasarporaltolacorreccionporpoblacionfinita,ylaecuacion6.8.2sereduceala
ecuacion6.8.1.
184 CAPITULO6 ESTIMACION
Estimacion de p Como puedeobservarse, ambas formulas requieren que se
conozcaP" queeslaproporciondepoblacionqueposeelacaracteristicadeinteres.
Obviamente,dadoqueesteeselpanimetroquesedeseaestimar,seradesconocido.
Unasolucionparaesteproblemaconsisteentomarunamuestrapilotoycalcular
unaestimacionparautilizarlaenlugardep dentrodelaformulaparan. Algunas
veceselinvestigadortendranociondealgUnlimitesuperiorparapquepodrauti-
lizarenlaformula.Parejemplo,sisedeseaestimarlaproporciondealgunapobla-
cionquepresentaciertadiscapacidad,esposiblequesecreaquelaproporcionreal
nopuedesermayorque,digamos,.30.Sesustituyeentoncesppor.30enlaformu-
laparan. Siesimposibleobtenerunamejorestimacion,sepuedeigualarp a .5y
resolverparan. Dadoquep .5enlaformulaproporcionaelmaximovalorden,
este procedimientodaraunamuestra10 suficientementegrandeparaalcanzarla
confiabiIidady la dimensi6ndelintervalodeseadas. Sinembargopuedesermas
grandede10 necesarioy resultar mas costosa que si se dispusieradeuna mejor
estimaciondep. Esteprocedimientosedebeutilizarsolamentesinosepuedelle-
garaunamejorestimaciondep.
FJEMPLO 6.8.1
Se planea realizar unaencuesta para determinarque proporcion de fami1ias en
cierta area carece de servicios medicos. Se cree que laproporcionno puede ser
mayorque .35. Se deseaunintervalodetonfianzade 95 porcientocond =.05.
~ e quetamanose debeseleccionar1amuestradefamilias?
Solucion: Si seomitelacorrecci6nporpoblacionfinita, setiene
n (1.96)2(.35)(.65) =349.6
(.05)2 ..
Por10 tanto,e1 tamanodelamuestraesde350.

FJERCICIOS
6.8.1 UnepidemiQlogodeseasaberqueproporci6ndeadultosquevivenenunagranareametropo-
lilmlatienenelsubtipoay delvirusBdelahepatitis.Detennineeltamanodelamuestraque
pudierasernecesarioparaestimarunaproporci6nrealcercanaa.03,conunaconfianzade95
pordemo. Sesabe queenunarea metropolitana similar, la proporci6ndeadultos conesa
earacterfsticaesde.20.Silosdatosparaotraareametropolitananoestuvierandisponiblesyno
sepudieraobtenerunamuestrapiloto,(eualsenaeltamanorequeridodelamuestra?
6.8.2 Se planearealizarunaencuestaparadeterminarqueproporci6ndelos estudiantesde se-
cundariadeunsistemaescolarmetropolitanohanfumadoregularmentemarihuana.Si no
seeuentaconunaestimaei6ndep deestudiosanteriores,nosepuedeextraerunamuestra
piloto; se deseauneoefieiente deeonfianzade.95yse decideutilizarelvalorded .04.
Determineeltamanoadecuadodelamuestra.~ e quetamanodeberaserlamuestrapara
obtenerunintervalodeeonflanzade99pordemo?
6.8.3 EIadministradordeunhospitaldeseasaberqueproporei6ndepaeientesdadosdealtaestan
inconformesconlaatend6nredbidadurantesuhospitalizaci6n.Sid = .05,elcoeficientede
6.9 INTERVALODECONFIANZAPARALAVARIANCIADEPOBLACIONES 185
confianzaesde.95y nosedisponedeningunaotrainformacion,~ q u e tangrandedebeser
lamuestra? ~ u e tamafiodebetenersiel valordepesdeaproximadamente.25?
6.8.4 Unaagenciadeplanificaciondelasaluddeseasaber,enunaregiongeognificadeterminada,
queproporciondepacientesadmitidosenhospitalesparatratamientodetraumatismosaban-
donaronel hospitalpordefundon.Serequierede"unintervalodeconfianzade95pordento
con unaamplitud de .06, ya partirde otraevidencia, se estima que la proporcion de la
poblaci6nesde.20. ~ u e tangrandedebeserlamuestra?
6.9 INTERVALO DECONFIANZAPABAlAVARIANCIA
DEPOBlACIONESCONDISTRIBUCIONNORMAL
Estimaci6n puntual de la variancia de la poblaciOn Enlassecciones
anterioressesugiri6que cuandosedesconoceIavarianciadelapoblaci6nesposi-
bleutilizarlavarianciadelamuestracomounestimador.Esposiblequeellectorse
pregunterespectoalacaUdaddeesteestimador.Sehaestudiados610uncriteriode
bondad,eldeserinsesgado,asiqueesnecesariorevisarsi lavarianciadelamues-
traesunesthnadorinsesgadodelavarianciadelapoblaci6n.Paraserinsesgado,el
valorpromediodelavarianciadelamuestrasobretodaslasmuestrasposiblesdebe
serigualalavarianciadelapoblaci6n.Estoes,debecumplirselaexpresi6nE(S2)
(j2. Paraversi estacondici6nsecumpleenunasituaci6nparticularseconsiderael
ejemplodelasecci6n5.3paraobtenerunaqistribuci6nmuestral.Enlatabla5.3.1
se presentantodaslasmuestrasposiblesdetamano2apartirdelapoblaci6nfor-
madaconvalores6,8, 10, 12Y14. Recuerdequedosmedidasdedispersi6npara
estapoblaci6nsecalcularoncomo
L(X 11)2 L(X 11)2
(j2 = i - r- = 8 Y S2 = 'I r- =10
N N-l
Si se calculalavarianciadela muestraS2 =L(X; x)2j(n 1) paracadaunadelas
muestrasposiblesqueaparecenenlatabla5.3.1,seobtienenlasvarianciasmuestrales
delatabla6.9.1.
TABlA6.9.1 Varianciascalenladasapartirdelas
mnestrasdelatabla5.3.1
Segundaextraccion
6 8 10 12 14
Primeraextraccion
6
8
10
12
14
0
2
8
18
32
2 8 18
0 2 8
2 0 2
8 2 0
18 8 2
32
18
8
2
0
186 CAPjTUL06 ESTIMACION
Muestreo con reemplazos Si el muestreo es con reemplazos, el valor espera-
do de 52 se obtiene tomando la media de todas las variancias posibles de las mues-
tras en la tabla 6.9.1. Cuando se hace esto, se obtiene:
L s2 0 + 2 + ... + 2 + 0 200
E(S2)=_._' = =-=8
N" 25 25
y se aprecia, por ejemplo, que cuando el muestreo es con reemplazos E(S2) = cr
2
,
donde S2 =L(x
i
-;:W /(n -1) y cr
2
L(X
i
11)2/ N. .
Maestreo sin reemplazos Si se considera el caso donde el muestreo es sin
reemplazos, el valor esperado de S2 se obtiene al tomar la media de todas las variancias
por encima (0 por abajo) de la diagonal principal. Esto es
2+8++2 100
10
lO lO
que, tal como se observa, no es igual a cr
2
sino igual a S2 L(X, 11)2 /(N -1).
Estos resultados son ejemplos de principios generales, ya que es posible mos-
trar en terminos generales que:
E(S2) = cr
2
, cuandoelmuestreose realiza conreemplazo
E(5
2
)= S2, cuandoelmuestreose realizasinreemplazo
Cuando N es grande, N 1 Y N son aproximadamente iguales y, en conse-
cuencia, cr
2
y S2 serfm aproximadamente iguales.
Estos resultados justifican el uso de S2 = L(x
i
:%)2 /(n -1), cuando se calcula
la variancia de la muestra. Asimismo, debe notarse que, a pesar de que 52 es un
estimador insesgado de cr
2
, s no es un estimador insesgado de cr. Sin embargo, el
sesgo disminuye rapidamente a medida que aumentan.
Estimacion por ildervalos de la variancia de anapoblacion Con
una estimaci6n puntual disponible, resulta 16gico preguntarse acerca de la cons-
trucci6n de un intervalo de confianza para la variancia de una poblaci6n. El exito al
construir un intervalo de confianza para cr
2
depende de la capacidad para encon-
trar una distribuci6n muestral adecuada.
La distribuciOn deji-cuadrada En general, los intervalos de confianza para
cr2 se basan en la distribud6n muestral de (n - l)s2/cr
2
Si se extraen muestras de
tamano nde una poblaci6n con distribuci6n normal, esta cantidad tiene una distri-
buci6n conocida como distribuci6nji-cuadrada(x2) con n 1 grados de libertad. En el
capitulo siguiente se habIanl mas acerca de esta distribud6n, aqui s610 se did. que
esta es la distribuci6n que sigue la cantidad (n - 1)s2/cr
2
y que resulta util para calcu-
lar los intervalos de confianza para cr
2
cuando se cumple el supuesto de que la
pobIaci6n sigue una distribuci6n normal.
6.9 INTERV ALO DE CONFIANZA PARA LA V ARIANCIA DE POBLACIONF.S 187
FIGURA 6.9.1 Distribuciones deji-cuadrada para algunosgrados de libertad k (Fuente:
utilizada con .autorizaci6n de Paul G. Hoel y Raymond]. ] essen Basic Statistics for Business
and Economics, Wiley).
En la figura 6.9.1 se muestran algunas distribuciones ji-cuadrada para dife-
rentes grados de libertad. En la tabla F se encuentran los percentiles de la distribuci6n
ji-cuadrada. Los encabezados de las columnas dan los valores de X2 ala izquierda de
los cuales esta una proporci6n del area total bajo la curva igual a los subIndices de X2.
Las denominaciones de los renglones son los grados de libertad.
Para obtener un intervalo de confianza de 100(1 a) porciento para a
l
, se
obtiene primero el intervalo de confianza de 1OO( 1- a) por ciento para (n 1)s2/02.
Para efectuar este procedimiento se seleccionan los valores X2 de la tabla F, de tal
modo que a/2 quede a la izquierda del valor menor y a/2 quede a la derecha del
valor mayor. En otras palabras, los dos valores de X2 se seleccionan de modo que
a se divide en partes iguales entre las dos colas de la distribuci6n. Estos dos valo-
res de X2 se designan como X ~ 2 y X!-(aI2) , respectivamente. Por 10 tanto, el intervalo
de confianza de 100(1- a) porcientopara (n - 1)s2/02 esta dado por
2 (n -1)s2 2
Xa/2 < 2 < XI-(aI2)
a
Ahora se utiliza esta ecuaci6n para obtener una f6rmula con 0
2
como unico
termino centraL Primero, se divide cada termino por (n 1)s2 para obtener
188 CAPITULO 6 ESTlMACION
Si se aplica el elemento redproco en esta ecuaci6n, se obtiene
(n-1)s2 2 (n-1)s2
-'------''-->(')'>-'-----''--
Xi'-(a/2)
N6tese que la direcci6n de las desigualdades cambian cuando se aplica el elemento
redproco. Pero si se invierte el orden de los terminos se tiene
(-I)s2 2 (n-l)s2
---< (')' < -'---'---
(6.9.1)

que es un intervalo de confianza de 100(1- a.) por ciento para (')'2. Si se toma la rafz
cuadrada de cada termino de la ecuaci6n 6.9.1, se tiene el siguiente intervalo de
confianza de 100(1 - a.) para la desviaci6n estandar de la poblaci6n:
(n l)s2
1..0.<n_--,1):.....S_2 < () <
(6.9.2)
.
EJEMPLO6.9.1
En una investigacion de los efectos de dietas con densidad baja en colesterol
lipoproteico, Rassias et al. (A-21) estudiaron a 12 individuos, hombres y mujeres,
medianamente hipercolesterolemicos. Los niveles de colesterol (mmoVl) para estos
individuos fueron: 6.0, 6.4, 7.0, 5.8, 6.0, 5.8, 5.9, 6.7, 6.1, 6.5, 6.3, 5.8. Se supone
que los 12 individuos forman una muestra aleatoria simple extrafda de una pobla-
cion de individuos similares que sigue una distribucion normal. Se pretende esti-
mar, a partir de los datos de la muestra, la variancia de los nivelesdel colesterol del
plasma en la poblacion, con un intervalo de confianza de 95 por ciento.
Soluci6n: La muestra produce un valor para S2 .391868. Los grados de libertad
son n- 1 = 11. Los valores convenientes para X2 a partir de la tabla F son
Xf-(a/2)= 21.920 Y X;/2 3.1816. EI intervalo de confianza de 95 por
ciento para (')'2 es
11(.391868) < (')'2 < 11(.391868).
21.9203.1816
.196649087 < ()2 < 1.35483656
EI intervalo de confianza para () es
.4434 < (')' < 1.1640
. Se tiene un 95 por ciento de confiariza de que los panimetros esti-
mados estan dentro de los lfmites especificados, porque se sabe que a la
larga, al muestrear varias veces, 95 por ciento de los intervalos construi-
dos, como se llustro, incluirfan los parametros respectivos.
FJERCICIOS
EJERCICIOS 189
Algunas precauciones Aunqueestemetodoparaobtenerlosintervalosde
confianzaparacr
2
seutilizaampliamente, nocarece de inconvenientes. Prime-
ro, lasuposiciondenormalidadparalapoblaciondelacualse extraelamues-
traesmuyimportante,y los resultadospuedenserenganosossi se ignoraesta
suposicion.
Otradificultadconestosintervalosresultadelhechodequeel estimadorno
estaenel centrodelintervalodeconfianza,comoenel casodel'intervalodecon-
fianzapara~ Estosedebeaqueladistribudondeji-cuadrada,adiferenciadela
normal,noessimetrica.Laconsecuenciapnicticadeelloesqueelmetododescrito
paralaobtenciondelosintervalosdeconfianzaparacr
2
noproducelosintervalos
deconfianzamascortosposibles.TateyKlett(12)proporcionantablasquepueden
servirparaveneerestadificultad.
6.9.1 LosobjetivosdelestudiodeKennedyyBhambhani(A-22)sonutilizarlasmedidonespsico-
16gicasparadeterminar: laconfiabilidaddelapruebadereerisayodelemuladordetrabajo
delequipoterapeuticodeBaltimoredurantetrestareassimUladasaplicadasenlaintensidad
detrabajoleve,medioypesado,yexaminarlavalidezdeloscriteriosdelastareasalcompa-
rarlascontralastareasrea1eshechasenunlaboratoriodeambientecontro1ado.Los30indi-
viduossonhombressanosconecladesentre18y35anos.Losinvestigadoresinformaronuna
desviaci6nest:andarde.57para1avariableconsumopicodeoxigeno(Umin)duranteunode
10s'procedimientos.Describa1apoblaci6n,delaquefuerontornadoslosdatospara1amues-
tra, parahacerinferencias. Construyaunintervalodeconfianza'de95 pordentoparala
varianciapoblacionaldelavariableconsumodeoxigeno.
6.9.2 Kubicet al. (A-23)evaluaronlosparametroshematol6gicosde11 pacientesconlainfeccion,
docurnentada,deBordetella pertussis. Losindividuosestudiadosson11 ninosinfectados,con
edadesentreunmesy4.5aDos. Lacuentadegl6bulosblancos(WBC)(x10
9
/l) enlossujetos
deestudioson20.2, 15.4,8.4,29.8,40.9,19.7,49.5,12.1,32.0,72.9, 13.5(Fuente: Virginia
L. Kubic, PaillT. KubicyRichardD. Brunning,"TheMorphologicandImmunophenotypic
Assessmentof theLymphocytosisAccompanyingBordetella pertussis Infection",AmericanJoumal
o/Clinical Pathology, 95,809-815).Describalapoblad6ndelaquepodrantomarselosdatos
parahacerinferencias.Construyaunintervalodeconfianzade90pordentoparalavariancia
delacuentadegl6bulosblancosparaestapoblaci6n.
6.9.3 Secalcul6lacapacidadvitalforzadade20varonesadu1tossanos.Lavarianciadelamuestra
fuede1,000,000.Construyaintervalosdeconfianzade90porcientoparacr
2
ycr.
6.9.4 Enunestudio delos tiempos decirculaci6nsangufnea enel miocardio, se obtuvieronlos
tiemposdecirculaci6naparenteenunamuestrade30.pacientesconenfermedadarterial
coronaria.Seencontr6quelavarianciadela muestraes de 1.03.Construyaintervalos de
confianzade99dentoparacr
2
y cr.
6.9.5 Unamuestrade25 hombresfisicaymentalmentesanosparticip6enUnexperimentoacerca
del sueiioenelcual se registr6el porcentaje del tiempo total transcurridodurantecierta
etapadelsueiioencadaunodelosparticipantes.Lavarianciacalculadaapartirdelosdatos
delamuestraes2.25.Construyaintervalosdeconfianzade95porcientopara cr y()'2,
190 CAPITULO6 ESTIMACION
6.9.6 Semidieronlasconcentracionesdehemoglobinaen16animalesexpuestosauncompuesto
quimiconocivo.Seregistraronlossiguientesvalores: 15.6, 14.8, 14.4, 16.6, 13.8, 14.0, 17.3,
17.4, 18.6, 16.2,14.7,15.7, 16.4, 13.9, 14.8, 17.5.Construyaintervalosdeconfianzade 95
porcientoparacr
2
y cr. .'
6.9.7 Veintemuestrasdelacalidaddelaire,tomadasenunamismaregi6nduranteunperiodode
6meses,presentaronlassiguientescantidadesdepartfculassuspendidasdemateria(micro-
gramospormetrocubicode.aire):
68 22 36 32
42 24 28 38
30 44 28 27
28 43. 45 50
79 74 57 21
Considerequeestas medicionesconstituyenunamuestraaleatoriaapartirdeunapoblaci6n
que sigue una distribuci6n normal, paraconstruir los intervalos de confianza de 95 por
cientoparalavarianciapoblacional.
6.10 INTERVALO DE COr\1f1ANZAPARAlARAZON
DE lAS VARIANCIAS DE DOS POBlACIONES CON
DISTRIBUCION NORMAL
Confrecuenciasetieneiriteresencomparardosvariancias,y unamaneradehacer-
10esobtenersurazon, Silasdosvarianciassoniguales,gU razonseraigual
a 1. PorIogeneral, lasvarianciasdelaspoblaciones y, enconse-
cuencia,todacomparacionquehagadeberabasarseenlasvarianciasdelas mues-
tras.Paraserespedficos;esposiblequesepretendaestimarlarazondelasvariancias
dedospoblaciones. Enlaseccion6.4seindicaqueelusovalidodeladistribucion
t paraelaborarlosintervalosdeconfianzaparaladiferenciaentrelasmediasdedos
poblaciones requiere que las variancias sean iguales. Si el intervalo deconfianza
paralarazondelasvarianciasdedospoblacionesincluyea 1, seconcluyequelas
varianciasdelasdospoblacionespuedeser, dehecho, iguales. Unavezmas, dado
queestaesunaformadeiriferencia, sedebeconfiarenalgunadistribucionmuestral;
enestecasoladistribucionde (S12 1<5f)I(si 1 seutilizasiemprequesesatisfagan
ciertos supuestos. Dichos supuestos son que S1
2
ysi sean calculados a partir de
muestrasindependientesdetamafton
1
yn
2
, respectivamente, yquedichasmues-
tras sean extraidas de poblaciones con distribucion normal. Se utilizaa S1
2
para
designaralamayordelasdosvariancias..
La distribucion F Silossupuestossonsatisfechos, (S12 1<5nI(s; I una
distribuci6n conocidaComo distribuci6n F. Enuncapitulo posterior se estudia el
temaconmayordetalle,perohayquenotarqueestadistribuci6ndependededos
valoresparalosgradosdelibertad,unoquecorrespondealvalorn] - J,utilizado
paracalcular Sj2, Yelotrovalorcorrespondientea n
2
- 1usadoparacalcular si.
Comunmenteselesconocecomogrados de libertad del numerador ygrados de libertad
del denominador. Lafigura6.10,1 muestraalgunasdistribucionesF paradiferentes
6.10 INTERVALO DE CONFIANZA PARA LA RAZON DE LAS VARIANCIAS 191
(10;00)
1.0
0.8
0.6
w..
<;:::
0.4
0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0
F
FIGU8A6.10.1 Distribuci6nFpara varios grados de libertad. (De Documenta Geigy, Scientific
Tables, septima edici6n. G.ortesfa de Ciba-Geigy Limited, Basel, Switzerland.)
combinaciones de los grados de libertad del numerador y del denominador. La
tabla G contiene, para combinadones espedficas de grados de libertad y valores de
a, los valotes de F ala derecha de las males se tiene al2 del area bajo la curva de F.
Intervalo de confianza para ai 10'; Para encontrar el intervalo de confian-
za de 100(1 - a) por dento para af / a ~ se comienza con la expresion
donde FuJ2 YF
HuJ2
) son los valores, a partir de la tabla para la distribuci6n F, a la
derecha y ala izquierda de los males, respectivamente, esta a/2 del area bajo la curva .
. EI termino intermedio de la expresi6n puede reescribirse para obtener la siguiente
ecuacion:
Si se divide entre S1
2
/ s:, se tiene
Fa/2 a ~ F;-(a/2)
--<-<---
S[ / s ~ a ~ S1
2
I ~
Con la aplicaci6n del redproco de los tres terminos se obtiene
192 CAPITULO6 ESTlMACION
Ysiseinvierteelordensetieneelsiguienteintervalodeconfianzade1OO(1- 0;) por
cientopara O'f10';
(6.10.1)
FJEMPLO 6.10.1
Goldberg et al. (A-24) realizaron un estudio para determinar si una dosis de
dextroanfetaminapodiatenerefectospositivossobrelasemocionesylapercepci6n
depacientesesquizofrenicosmantenidosaregimendehaloperidol.Entrelasvaria-
blesmedidasestabaelcambioenelestadodetensi6n-ansiedaddelpaciente.Hubo
n
2
= 4 pacientesquerespondierona laanfetamina, conunadesviaci6n estandar
paraesta medici6n, de 3.4. Para los n
l
= 11 pacientes que no respondieron, se
present6unadesviaci6nestandarde5.8.Seconsideraqueestospacientesconfor-
man las muestras aleatorias simples e independientes, extraidas de poblaciones
conpacientesquepresentanlasmismascondicionesmentales.Seconsideraquela
puntuaci6ndelcambiodeestadodetensi6n-ansiedad,sigueunadistribuci6nnor-
malenambaspoblaciones. Se pretendeelaborarunintervalodeconfianzade 95
porcientoparalaraz6ndelasvarianciasdelasdospoblaciones.
Soluci6n: Setienelasiguienteinformacion:
n
l
= 11 n
2
= 4
st (5.8)2=33.64 si=(3.4)2 11.56
dJ; gradosdelibertaddelnumerador 10
dJ; = gradosdelibertaddeldenominador 3
0;=.05
.20704 F.9?5 = 14.42 F
025
Ahora,todoestalistoparaobtenerelintervalodeconfianzade95
porciento para O'fI ~ sustituyendo adecuadamente los valores enla
expresi6n6.10.1:
33.64111.56 O'f 33.64/11.56
-----< - < -----
14.42 O ~ .20704
0'2
.2018<-1<14.0554
O ~
Lasinterpretacionespracticayprobabilisticaparaesteintervalopueden
darse.
Puestoqueelintervalo.2018a 14.0554induyeai,esposiblecon-
cluirquelasvarianciasparalasdospoblacionessoniguales.
Calculo de FI-f,If,l) Y 11,1/2 Enestepuntosedebehacerlaengorrosa,peroinevita-
ble,explicaci6ndec6moseobtienenlosvaloresdeF975 =14.42Y F
025
.20704. El
valordeF975 enlaintersecci6ndelacolumnaencabezadapordJ; lOyelrengl6n
identificadocondJ; = 3es 14.42.Sisetieneunatablamasextensaparaladistribu-
ci6nF, localizaraF
025
norepresentaproblemaalguno;simplemente,selocalizarfa
FJERCICIOS
EJERCICIOS 193
de la misma manera en que se localiz6 Fg75: se tomada el valor de la intersecci6n de
la columna encabezada por lOy el rengl6n encabezado por 3. Para incluir cada
percentil posible de la distribuci6n F se haria una tabla extremadamente grande.
Sin embargo, por suerte, existe una relaci6n que permite calcular valores inferiores
para el percentil a partir de esta limitada tabla. La relaci6n es la siguiente:
1
F;-o.,d[" d[, (6.10.2)
Procedimiento:
Se intercambian los grados de libertad del, numerador y denominador para
localizar adecuadamente los valores de F. Para el problema mencionado se localiza
4.83, el cual se encuentra en la intersecci6n de la columna 3 y el reng16n 10. Ahora,
se aplica el redproco de este valor, 1/4.83 .20704. En resumen, ellimite inferior
de confianza (LCL, por sus siglas en ingles) y ellimite superior de confianza (UCL)
para I son los siguientes:
S2 1

S2 F
2 0.12,d[, ,d[,
S2
UCL = __--'-I__
F;-(0.12),d["d{,
Otros procedimientos para hacer inferencias acerca de la igualdad de dos
variancias cuando las poblaciones muestreadas no tienen una distribuci6n normal
se pueden encontrar en ellibro de Daniel (13).
6.10.1 El objetivo de un estudio realizado por Hahn et al. (A-25) era determinar si la prueba del
aliento alcoh6lico era un metodo confiable para vigilar la absord6n de irrigante durante la
prostatectomfa en pacientes vfctimas de la enfermedad pulmonar obstructiva cr6nica (COPD,
por las siglas en ingles). Se consideraron a n[ = 7 pacientes vfctimas graves de COPD y a n
2
= 7 pacientes esencialmente libres de cualquier enfermedad pulmonar, como poblaci6n de
controL Una de las variables medidas es el peso (en kilogramos). Los pesos correspondientes
a los individuos de control son 74, 82, 94, 90, 98, 97 Y 84. Los pesos correspondientes a los
individuos con COPD son 81, 58, 93, 58, 51, 96, Y 67. Se considera que estas muestras
conforman muestras aleatorias simples e independientes extrafdas de dos poblaciones de
pacientes con caractensticas similares: vfctimas graves de COPD y pacientes con funciones
pulmonares esencialmente sanas. Se sup one que los pesos de los individuos en estas pobla-
dones siguen una distribuci6n normal. Elabore un intervalo de confianza de 95 por ciento
para la raz6n de las variancias de las dos poblaciones.
6.10.2 Una de las investigaciones de Southwick etal. (A-26) tiene como prop6sito describir con mas
precisi6n el componente emocional causante de trastornos de estres postraumatico (PTSD, si-
glas en ingles). Los individuos estudiados son varones internos en la unidad psiquiatrica del
centro medico para la atend6n de excombatientes militares. Veintiocho individuos satisfudan el
criterio de PTSD, pues eran soldados excombatientes de la guerra de Vietnam. Otros 17 indivi-
194 CAPITULO6 ESTIMACION
duoseranvictimasdemuchosotrosdes6rdenesemocionalesdepresivos. Paravalorarlasmedi-
dasregistradas,delossintomasmasseverosen45 individuos,seutiliz6laescalade21 puntos
declasificad6ndeHamiltonparamedirladepresi6n.Ladesviaci6nestandardelascalificacio-
nes paralos padentescon PTSD fue de9.90, yparalos pacientescon trastomosdepresivo
graveladesviaci6nfue de6.30.Formulelassuposicionesnecesariasrespectoalasmuestrasy
pobladonesdelasquepodriantomarselosdatosparahacerinferencias.Construyaunimer-
valo de confianza de 99 porciento paralaraz6nde lasvarianciasdelas dospoblaciones de
ca1ificacionesobtenidasconlaescaladedasificaciondeHamiltonparamedirladepresi6n.
6.10.3 Se analizaron estadisticamentelos indices deataquesde apoplejfa dedos muestrasde pa-
cientesquepadedaninfartodelmiocardio.Lasvarianciasdelasmuestrasfueronde12y10.
....-----
Hubo21 pacientesencadamuestra.Construyaunintervalodeconfianzade95 porciento
paralarazondelasvarianciasdelasdospoblaciones.
6.10.4 TreintaydosadultosaHisicossometidosaterapiadelhablafuerondivididosendosgrupos
iguales. EIgrupo1recibioel tratamiento1yelgrupo2recibi6eltratamiento2. EIanalisis
estadisticode losresultadosdela eficaciadelos tratamientosdiolas siguientesvariancias:
5
j
2
= 8, =15.Construyaelintervalodeconfianzade90 pordentopara /
6.10.5 Secalcularonlasvarianciasdelas muestrasparalosvolumenesdeflujo(ml)dedosgrupos
depacientesquesufrendeunaalteraci6neneltabiqueinterauricular.Losresultadosytama-
flos delasmuestrassonlossiguientes:
nj = 31, 5
1
2
= 35,000
n
2
41, 20,000
Construyaelintervalodeconfianzade95pordentoparalaraz6ndelasdosvariancias.
6.10.6 Seregistraronlasrespuestasdelasconcentracionesdeglucosafrentealaadministracionde
glucosaoralenIIpacientesconlaenfermedaddeHuntington(grupo1)yen13 individuos
de control (grupo 2). EI analisis estadistico de los resultados proporciono las siguientes
varianciasdelasmuestras: Sj2 = 105y si= 148.Construyaelintervalodeconfianzade95por
dentoparalaraz6ndelasdosvariancias.
6.10.7 Las medicionesdelasecreci6ngistricadeicidoclorhidrico(miliequivalentesporhora)en
16individuosnormalesyen10individuosconulceraduodenal,proporcionaronlossiguien-
tesresultados:
Individuosnormales: 6.3,2.0,2.3,0.5,1.9, 3.2,4.1,4.0,6.2,6.1,
3.5, 1.3,1.7,4.5,6.3,6.2
IndividuosconUlcera: 13.7,20.6,15.9,28.4,29.4,18.4,21.1,3.0,
26.2,13.0
ConstruyaunintervalodeconfIanzade95porcientoparalaraz6ndelasvarianciasde las
dospoblaciones. suposicionessedebentomarencuentaparaqueesteprocedimiento
seavilido?
6.11 RESUNlliN
Enestecapitulose estudiaunadelasprincipalesareasdelainferenciaestadistica:
laestimaci6n.Se estudiantantolasestimacionespuntualescomolasdeintervalos.
Seilustranlosconceptosymetodosrelacionadosconlaconstrucci6ndelosinterva-
los deconfianza delos siguientesparametros: medias, diferencia dedosmedias,
proporciones,diferenciaentredosproporciones,varianciasyraz6ndedosvariancias.
195 PREGUNTASYEJERCICIOSDEREPASO
Tambien, se describe como determinarel tamafio de la muestra necesario para
estimarlamediayla proporciondelapoblacionconniveles espedficosdepreci-
sion.
Ademas, eneste capitulo se indica que la estimacion de intervalos paralos
parametrosdelapoblacionsonpreferiblesmasquelasestimacionespuntuales,por-
quelasafirmacionesdeconfianzapuedenapegarsealaestimaciondeintervalos.
PREGUNTAS YFJERCICIOS DE REPASO
1. ~ Q u e eslainferenciaestadlstica?
2. ~ o r queeslaestimaci6nuntipoimportantedeinferencia?
3. tQueeslaestimaci6npuntual?
4. Expliqueelsignificadodeltermino"insesgado".
5. Defmalossiguientesconceptos.
a) Coeficientedeconfiabilidad b)Coeficientedeconfianza c) Precision
d)Errorestandar e) Estimador f) Margendeerror
6. Escribalaformulageneralparaunintervalodeconfianza.
7. EnuncielasinterpretacionesprobabiHsticasypnkticasdeunintervalodeconfianza.
8. ~ Q u e usotieneelteoremade1limitecentralenlaestimaci6n?
9. Describaladistribuci6nt.
10. <!Cullies son las suposicionesquefundamentan el uso deIa distribuci6nt para estimarla
mediadeunasolapoblaci6n?
11. <::Que eslacorrecci6nporpoblaci6nfinita? cCuandosepuedepasarporalto?
12. (Cullies sonlas suposiciones quefundamentan e1 uso dela distribuci6nt paraestimarla
diferenciaentrelasmediasdedospoblaciones?
13. El analisis delos gases de la sangre arterial practicado a 15 hombres adultos fisicamente
activosproporcion6lossiguientesvaloresdePa0
2
enreposo:
75,80,80,74,84,78,89,72,83,76,75,87,78,79,88
Calculee1 intervalodeconfianzade95 porcientoparalamediadelapoblaci6n.
14. cQue proporci6n depacientes asmaticos son alergicos al polvo? En una muestra de 140
individuos, 35 porciento tuvo reacciones positivas en la pieL Construya un intervaIo de
confianzade95porcientoparalaproporci6ndelapoblaci6n.
15. Sellev6acabounaencuestadehigieneindustrialenunaareametropolitanadegrantama-
no.De70plantasmanufacturerasvisitadas,21 recibieronlacalificaci6nde"deficiente"en10
queserefierealaausenciademedidasdeseguridad.Construyaunintervalodeconfianzade
95porcientoparalaproporci6ndelapoblaci6nconunacalificaci6nde"deficiente".
196 cAPiTULO6 ESTIMACION
16. Con base en el problema anterior, ~ q u tan grande debe ser la muestra para estimar la
proporci6ndepoblaci6ndentrode.05conunintervalodeconfianzade95porciento(.30es
lamejorestimaci6ndisponibleparap):
a)si fueraposiblepasarporaltolacorrecci6nporpoblaci6nfinita?
b) 8i nofueraposiblepasarporaltolacorrecci6nporpoblacionfinitayN 1500?
17. Enunaencuestadentalllevadaacaboporungrupodesalud,se solicitoa500adultos que
dijeranelporquedesuultimavisitaaldentista.Delos220quetenlanunaeducaci6ninferior
alapreparatoria,44senalaronque10hablanhechoporrazonespreventivas.Delosrestantes
280,quienestenlaneducadonpreparatoria0unnivelsuperior, 150sefialaronque10 habian
hechoporlamisma raz6n. Construyaunintervalo de confianza de 95 porcientoparaJ::t
diferendaentrelasdosproporcionesdelaspoblaciones.
18. Ungrupo de investigadores de cancer de mama reuni610s siguientes datos encuanto al
tamanodelos tumores:
Tipodetumor n s
A 21 3.85cm 1.95cm
B 16 2.80cm 1.70cm
Construyaunintervalodeconfianzade95porcientoparaladiferendaentrelasmediasde
laspoblaciones.
19. Se encontr6 que derto medicamento es eficaz para el tratamiento de las enfermedades
pulmonaresen180delos200casostratados.Construyaunintervalodeconfianzade90por
dentoparalaproporciondelapoblaci6n.
20. Setentapacientesconulcerasconestancamientoenlapiernafuerondivididosendosgrupos
iguales. Cadagruporecibi6un tratamientodistinto parael edema. AI finalizar elexperi-
mento,laeficaciadeltratamientofue evaluadaenterminosdereducci6ndelvolumendela
pierna,determinadoporeI desplazamientodeagua.Lasmediasydesviacionesestandarde
ambosgruposaparecenenlasiguientetabla:
Grupo(tratamiento) s
A 95cc 25
B 125 cc 30
Construyaunintervalodeconfianzade95 porcientoparaladiferenciaentrelasmediasde
laspoblaciones.
21. 2Cual es el nive! promedio de bilirrubina ene! suero de los pacientes internados en un
hospitalparaeltratamientodelahepatitis?Unamuestrade10padentesarroj610ssiguien-
tesresultados:
20.5,14.8,21.3, 12.7, 15.2,26.6,23.4,22.9,15.7,19.2
Construyaunintervalodeconfianzade95 pordentoparalamediadelapoblaci6n.
22. SemidieronlasconcentracionesdepHdelasalivaendosmuestrasaleatoriasindependientes
de ninos deescuelaprimaria. Los ninosdela muestraAno teniancaries, mientrasque los
ninosdelamuestraBtenlanunaaltaincidenciadecaries.Losresultadosfueronlossiguientes:
A: 7.14,7.11,7.61,7.98,7.21,7.16,7.89, B: 7.36, 7.04, 7.19,7.41,7.10,7.15, 7.36,
7.24,7.86,7.47,7.82,7.37,7.66,7.62,7.65 7.57,7.64,7.00,7.25,7.19
Construyaunintervalodeconfianzade90porcientoparaladiferenciaentrelas mediasde
laspoblaciones.Supongaquelasvarianciasdelas poblacionessoniguales.
23. Unamuestraaleatoriade12pacientesquepadedaninsomnio,tomaronelmedicamentoA
Otramuestraaleatoria independientede 16pacientes, conel mismo problema, recibio el
197 PREGUNTASYEJERCICIOSDEREPASO
medicamento B. El numero dehoras desuenoexperimentadasdurantelasegundanoche
despuesdeiniciadoel tratamientosonlas siguientes:
A: 3.5,5.7,3.4,6.9,17.8,3.8,3.0,6.4,6.8,3.6,6.9,5.7
B: 4.5, 11.7, 10.8,4.5,6.3,3.8,6.2, 6.6, 7.1,6.4,4.5,
5.1,3.2,4.7,4.5,3.0
Construyaunintervalodeconfianzade95porcientoparaladiferenciaentrelasmediasde
laspoblaciones.Supongaquelasvarianciasdeambaspoblacionessoniguales.
24. Milliezet at. (A-27) realizaronunestudiodeembarazosdealtoriesgo. Se trabajoconuna
muestrade23mujeresprimerizasquetuvieronbebesconunpesode2958gramosydesvia-
cion estindar de 620. En una segunda muestra de 26 mujeres multiparas, la mediay la
desviaci6nest<indardelos pesosdelosbebesque nacieronfueron de3085 y704gramos,
respectivamente. Establezca las consideraciones necesariasacerca delas muestras ydelas
poblacionesdelasquepuedenutilizarselosdatosparahacerinferencias.Elaboreunintervalo
deconfianzade95 porcientoparala diferencia entrelamediadelos pesosdelos recien
nacidosparalas dospoblaciones.
25. EIobjetivodeestudiodeMartinet al. (A-28) eracompararlafunci6ndelosneutrofilospresen-
tesenlasangredelaarteriapulmonaryenel fluido dellavadopulmonardepacientesenla
etapatempranadelsindromedeinsuficienciarespiratoriadeladulto. Existentres funciones
antibacterialesimportantes:liberaci6ndeespeciesquereaccionananteeloxigeno,actividad
bactericidacontraorganismosexternos,comoelestafilococodorado,ylaquimiotaxis.Para18
delosindividuosestudiados,lamediadelpHdelfluidodelavadobroncoalveolares de7.39
conunadesviacionestandarde.39.Elaboreunintervalodeconfianzade90porcientopara
lamediadelpHenlapob1acion.Establezcalassuposicionesnecesariasparaqueelprocedi-
mientoseavalido.
26. Harrisonet al.(A-29) condujeron unestudio acerca depersonas de la tercera edadenun
municipiodeLondres.Ademasdeotrascaracterfsticas,reunierondatosacercadelgradode
depresionentrelosresidentesdelmunicipio.Enunamuestrade158individuospreviamen-
tediagnosticadoscomopersonasdepresivas,48fueronclasificadasdurantelaencuestacomo
"condepresi6n". Enlamuestrade 745 individuossinundiagnosticopreviadedepresion,
311 fueronclasificados"condepresion"enlamismaencuesta.Elaboreunintervalodecon-
fianza de99 porcientoparala diferencia entrelas proporciones delas poblaciones. Esta-
blezcalas suposicionesnecesariasparaqueelprocedimientoseavalido.
27. UnestudiodeThurnauet at. (A-30) tienecomopropositoevaluarlaexactituddelindicede
desproporcioncefalopelvicaylaviadenacimientoenmujeresembarazadasqueintentanel
partoviavaginalcuandoyatuvieronconanterioridadnacimientosporviacesarea.Entrelos
datosreportadosestanlossiguientespesos(engramos)delosreciennacidos:
Viadenacimiento b Media Desviaci6nesUindar
Vaginal 47 3325 514
Elaboreunintervalodeconfianzade95 parala diferenciaentrelasmedias. Establezcalas
suposicionesnecesariasparaqueelprocedimientoseavalido.
28. Enunestudio dela funci6n delas grasas enlaetiologiadeenfermedadesisquemicas del
coraz6n se seleccionaron las siguientes poblaciones: 60 individuos varones entre 40 y60
aliosdeedad,quieneshabiantenidouninfartodelmiocardio,y50individuosvaronesapa-
rentementesanos,delamismaedadycondicionsocial. Unadelasvariablesdeintereserala
proporcion delacido linoleico (A. L.) enlos acidos grasos trigliceridos del plasmadelos
individuos. Losdatosparaestavariablesonlossiguientes:
198 CAPiTULO 6 ESTIMACION
Individuos con infarto del miocardio
Individuo A.L. Individuo A.L. Individuo A.L. Individuo A.L.
1 18.0 2 17.6 3 9.6 4 5.5
5. 16.8 6 12.9 7 14.0 8 8.0
9 8.9 10 15.0 11 9.3 12 5.8
13 8.3 14 4.8 15 6.9 16 18.3
17 24.0 18 16.8 19 12.1 20 12.9
21 16.9 22 15.1 23 6.1 24 16.6
25 8.7 26 15.6 27 12.3 28 14.9
~ .. ~
29 16.9 30 5.7 31 14.3 32 14.1
33 14.1 34 15.1 35 10.6 36 13.6
37 16.4 38 10.7 39 18.1 40 14.3
41 6.9 42 6.5 43 17.7 44 13.4
45 15.6 46 10.9 47 13.0 48 10.6
49 7.9 50 2.8 51 15.2 52 22.3
53 9.7 54 15.2 55 10.1 56 11.5
57 15.4 58 17.8 59 12.6 60 7.2
Individuos saludables
Individuo A.L. Individuo A.L. Individuo A.L. Individuo A.L.
1 17.1 2 22.9 3 10.4 4 30.9
5 32.7 6 9.1 7 20.1 8 19.2
9 18.9 10 20.3 11 35.6 12 17.2
13 5.8 14 15.2 15 22.2 16 21.2
17 19.3 18 25.6 19 42.4 20 5.9
21 29.6 22 18.2 23 21.7 24 29.7
25 12.4 26 15.4 27 21.7 28 19.3
29 16.4 30 23.1 31 19.0 32 12.9
33 18.5 34 27.6 35 25.0 36 20.0
37 51.7 38 20.5 39 25.9 40 24.6
41 22.4 42 27.1 43 11.1 44 32.7
45 13.2 46 22.1 47 13.5 48 5.3
49 29.0 50 20.2
Elabore un intervalo de confianza de 95 por ciento para la d.irerencia entre las medias. cQuees 10
que sugieren estos datos respecto a los niveles de acido linoleico en las dos poblaciones muestreadas?
29. Osberg et al. (A-31) condujeron un estudio para identificar los factores que predicen si los
nifios con lesiones similares, tratados en clinicas de traumatologia, son 0 no dados de alta y
transferidos al area de rehabilitaci6n intrahospitalaria. De entre los hallazgos de los investi-
gadores estan los siguientes: en una muestra de U5 individuos dados de alta de la clfnica de
traumatologia y transferidos para rehabilitaci6n, 98.3 por ciento tuvieron lesiones cef.ilicas;
68.5 por ciento de 200 individuos dados de alta para regresar a sus hogares tuvieron heridas
en la cabeza. Elabore un intervalo de confianza de 95 por dento para la diferencia entre las
199 PREGUNTASYEJERCICIOSDEREPASO
proporciones dela poblaci6n. Establezca las suposiciones necesarias para que el procedi-
mientoseavalido.
30. Unainvestigaci6ndeSteinhardtet al. (A-32) tienedosprop6sitos. Primero, determinar si el
niveldeactividadnsicaylasaludcardiovascularestanrelacionadosconelausentismoysolici-
tuddeatenci6nmedicaentrelospolicfasduranteunperiododeunano.Segundo,determinar
si los niveles moderados de actividad flsica y la salud estan inversamente asociados con la
reduccion de ausentismo ysolicitud deatencion medica. Los sujetos de estudio fueron los
polidasdelaciudaddeAustindelestadodeTexas, Estados Unidos. Entreotroshallazgos,
losinvestigadoresreportaronque65 individuoscuyoniveldeactividadflsicasedasificocomo
sedentario,tuvieronunausentismopromediode10.04diasporano,yunadesviaci6nestandar
de9.65.Para275individuosconactividadflsicadetresvecesporsemana,seobtuvounamedia
yunadesviaci6nestandarde6.04y6.59,respectivamente.Elaboreunintervalodeconfianzade
95porcientoparaladiferenciaentrelasmedias. Establezcalassuposicionesnecesarias para
queel procedimientoseavalido. (Quecondusionespuedenobtenersedelresultado?
31. Engeneral,seprefierenlosintervalosdeconfianzaestrechosmasquelosintervalosamplios.
Sepuedenelaborar intervalos deconfianza estrechos pormedio del usodecoeficientes de
confianzapequenos.Paraunconjuntodadodeotrascondiciones, (quepasaconel nivel
deconfianzacuandoelcoeficientedeconfianzaespequeno? pasariaconlaamplituddel
intervaloyelnivel deconfianzasiseutilizarauncoeficientedeconfianzaigualacero?
32. Engeneral,uncoeficientedeconfianzaaltoseprefiereenlugardeuncoeficientemenor.
Paraotrocon juntodadodecondiciones,supongaqueelcoeficientedeconfianzaes de100
porciento. seriaelefectodeestasituacionenla amplituddelintervalo?
33. EIinvestigadorelFikyet al. (A-33) midieronlafracci6ndeladerivacionmedianteuncateter
enlaarteriapulmonarde22 pacientessometidosacirugiaselectivaenlaarteriacoronaria.
Apartirdelos resultados, los investigadorescalcularonunamediade19.6yelaboraronel
intervalodeconfianzade90porcientoparalamediadelapoblaci6nconpuntosextremos
de 18.8y20.4. (Cualpuedeserelfactordeconfiabilidadadecuadoparaelintervalo,z0 t?
Justifiquesuelecci6n. eslaprecisiondelaestimacionyel margendeerror?
34. Dunkan et at. (A-34) informaron acerca del estudio disenadoparavalorar la relaci6n de
lactanciamaternaexdusiva,independientedelosfactoresderiesgoidentificados,ylaotitis
media,agudayrecurrentedurantelosprimeros12mesesdevida.Losindividuosestudiados
fueron 1220infantesqueutilizaronunmetododecuidadosdesalud. fuelapoblacion
objetivo? ,CuMfuelapoblaci6nmuestreada?
35. UnestudiodeKayet at. (A-35) tienecomoprop6sitodeterminarlaseguridadyeficaciadela
ablaci6nporradiofrecuenciacomoterapiadefinitivadetaquicardiasauricularesprimarias.
Se estudiarona 15 pacientes con arritmias auriculares primarias, enunaetapaenque el
tratamientomedicoya nocontrolabala enfermedad. Los autoresconduyeronquelaabla-
ci6nconuncateterderadiofrecuenciaparedaserunatecnicasegurayeficazparaeltrata-
mientodearritmiasauricularesprimariasquenosontratablesconmedicamentos. cCua!es
lapoblaci6nobjetivo?cCuaIeslapoblacionmuestreada?
36. Bellomoet al. (A-36) condujeronunestudioparacuantificarlaperdidadeinsulinayabsor-
ci6ndeglucosadurantehemofiltracionescontinuasagudascondialisis,yevaluarlaimpor-
tanciamedicadeestoscambios.Losindividuosestudiadoseran16pacientesdelaunidadde
cuidadosintensivosconinsuficienciarenalaguda,enunadinicamedicauniversitaria.Los
autores conduyeron que una absorci6n significativa de la glucosa ocurre durante hemo-
filtracionesagudascontinuascondialisisyestavinculadaconperdidasmenoresdeinsulina
a traves del filtro. cCuaI es lapoblaci6nobjetivo? cCuaIes la poblaci6nmuestreada? Como
partedel analisis, los autores construyeron unintervalo deconfianza paravarias medias.
Conbaseenla informacionpresentada, es elvalornumericoadecuadoparaelfactor
deconfiabilidaddelosintervalos?
---------
200 CAPITULO6 ESTlMACION
37. Conbaseene1 ejercicio2.3.11,elaboreunintervalodeconfianzade95porcientoparalaraz6n
SIR delas medias poblacionales. utilizariat 0 z como coeficiente deconfiabilidad? <Por
que?Describalaspoblacionesdelasqueesposiblehacerinferendas,conbaseenesteestudio.
38. Consulteelejercido2.3.12ye1aboreunintervalodeconfianzade90porcientoparalamedia
de la talla delapoblaci6n. utilizariat 0 z como coeficiente deconfiabilidad? que?
Describalaspobladonesdelasqueesposiblehacerinferencias,conbaseenesteanalisis.
39. Enelcapitulo 2, revise el ejercicio 35 paraelaborarun intervalo deconfianza de 99 por
dentoparalamediadelestadodenutrici6ndelapoblaci6n. t 0 z comocoefieiente
deconfiabilidad? que?Describalaspoblaeionesdelasqueesposiblehacerinferencias,
conbaseenesteamilisis.
Ejerciciosparautilizarcongrandesvolumenesdedatosalmacenadoseneldiscopara
computadora,suministradoporeleditor.
1. Enreferenciaalosnivelesdecolesterolpara1000individuos(CHOLEST),seleccioneunamues-
traaleatoriasimpledetamano 15 deestapoblaci6nyelaboreunintervalodeconfianzade95
poreientoparalamediadelapoblaci6n.ComparelosresultadoscontralosdeoOOScompane-
ros. suposicionessonnecesariasparaqueelprocedimientodeestimacionseavalido?
2 Enreferenciaa los nivelesdecolesterolpara1000individuos(CHOLEST), seleccione una
muestraaleatoriasimpledetamano50apartirdeestapoblaci6nyelaboreunintervalo de
confianzade95porcientodelaproporci6ndeindividuosenlapoblaci6nquetienenlectu-
rasmayoresa225.Comparelosresultadoscontralosdeotroscompaneros.
3. Delapoblaci6ndelospesosde 1200bebesreciennaeidos(BABYWGTS) enunaclinicade
beneficencia,extraigaunamuestraaleatoriasimpledetamano20,yconstruyauninterva-
10 deconfianza de 95 porciento parala mediadelapoblacion. Comparelos resultados
contralosdeotroscompafieros. suposicionessonnecesariasparaqueelprocedimien-
todeestimacionseavalido?
4. Delapoblaci6ndelospesosde 1200bebesreciennacidos(BABYWGTS) enunacHnicade
beneficencia,seleceioneunamuestraaleatoriasimpledetamano35,yconstruyauninterva-
10 deconfianzade95pordentoparalamediadelapoblaei6n.Compareesteintervalocon
elconstruidoenelejercieioanterior.
5. Delapoblaei6ndelasestaturasde1000muchachosde12anosdeedad(BOYHGTS),selec-
eioneunamuestraaleatoriasimpledetamano 15,yconstruyaunintt:rvalodeconflanzade
99porcientoparalamediadelapoblacion. suposicionessonnecesariasparaqueel
procedimientoseavalido?
6. Apartirdelapoblaci6ndelasestaturasde1000muchachosde12anosdeedad(BOYHGTS),
seleccioneunamuestraaleatoriasimpledetamano35,yconstruyaunintervalodeconfianza
de99pordentoparalamediadelapoblaci6n.Compareesteintervalocontraelconstruido
enelejercicio5anterior.
BmUOGRAFfA
Bibliografiademetodologia
I. JohnA. Rice, Mathematical Statistics and Data Analysis, segundaedici6n, Duxbury, Belmont,
CA.
2. W. S. Gosset("Student"),"TheProbableErrorofaMean",Biometrika, 6, 1-25.
BIBLIOGRAFlA 201
3. W. V. Behrens, "Ein Beitrag zu Fehlerberechnung bei wenige Bcobachtungen", Land-
wirtsschaftlichejahrbucher, 68,807-837.
4. R.A. Fisher,"TheComparisonofSampleswithPossiblyUnequalVariances",Annals ofEugenics,
9,174-180.
5. R. A. Fisher, "TheAsymptoticApproachto Behrens' IntegralwithFurtherTables for thed
TestofSignificance",Annals ofEugenics, 11, 141-172.
6. J. Neyman, "Fiducial Argument and the Theory ofConfidence Intervals", Biometrika, 32,
128-150.
7. H. Scheffe, "OnSolutionsoftheBehrens-FisherProblemBasedonthet-Distribution", The
Annals ofMathematical Statistics, 14,35-44.
8. H.Scheffe,''ANoteontheBehrens-FisherProblem",The Annals ofMathematical Statistics, 15,
430-432.
9. B. L. Welch, "TheSignificanceoftheDifferenceBetweenTwo MeansWhenthePopulation
VariancesAreUnequal",Biometrika, 29,350-361.
10. B.L. Welch, "TheGeneralizationof'Student's'ProblemWhenSeveralDifferentPopulation
VariancesAreInvolved",Biometrika, 34,28-35.
11. WilliamG.Cochran,''ApproximateSignificanceLevelsof theBehrens-FisherTest",Biometrics,
20,191-195.
12. R. F. Tate y G. W. Klett, "Optimal Confidence Intervals for theVariance ofa Normal
Distribution",journal ofthe American Statistical Association, 54,674-682.
13. WayneW. Daniel,Applied Nonparametric Statistics, segundaedici6n,PWS-KENT, Boston.
BibliografiadeapIicaciones
A-I. MaureenMcCauley,"TheEffectof BodyMechanicsInstructiononWorkPerformanceAmong
YoungWorkers",The Americanjournal ofOccupational Therapy, 44,402- 407.Copyright, 1990,
AmericanOccupationalTherapyAssociation, Inc.Reimpresoconlicencia.
A-2. C. Tantucci, C. Corbeil,M. Chasse,J.Braidy, N. MataryJ.Milic-Emili, "FlowResistance in
PatientswithChronicObstructivePulmonaryDiseaseinAcuteRespiratoryFailure",American
Review ofRespiratory Disease, 144,384-389.
A-S. RicardoV. UoydyJoeMaillouxAnalysisofS-100ProteinPositiveFolliculo-StellateCells in
RatPituitaryTissues",American journal ofPathology, 133,338-346.
A-4. KrzysztofKaminskiyTomasz Rechberger, "ConcentrationofDigoxin-like Immunoreactive
SubstanceinPatientswith PreeclampsiaandItsRelation toSeverity ofPregnancy-Induced
Hypertension",Americanjournal ofObstetrics and Gynecology, 165,733-736.
A-5. JackM. Gorman,RobertKertzner,ThomasCooper,RaymondR. Goetz,IsabelLagomasino,
HanaNovacenko,JanetB. W. Williams,Yaakov Stern,RichardMayeuxyAnkeA. Ehrhardt,
"GlucocorticoidLevelandNeuropsychiatricSymptomsin HomosexualMenwithHN Positive
Infection",Americanjournal ofPsychiatry, 148,41-45.
A-6. William].Stone,DebraE. RothsteinyCynthiaL. Shoenhair,"CoronaryHealthDiseaseRisk
FactorsandHealthRelated Fitness inLong-Term ExcercisingversusSedentaryCorporate
Executives",Americanjournal ofHealth Promotion, 5, 169-173.
A-7. PhillipS. Buckner, DavidA. Todd, Kei Lui yElizabeth]ohn,"EffectofShort-Term Muscle
RelaxationonNeonatalPlasmaVolume", Critical Care Medicine, 19, 1357-1361,Williams &
Wilkins.
202 CAPITULO 6 ESTIMACION
AS. Peter E ZuckeryMichael C. Archer, "Alterations in Pancreatic Islet function Produced by
CarcinogenicNitrosaminesintheSyrianHamster",American journal ofPathology, 133, 573-
577.
A-9. BarbaraL. Davies,LouiseMatte-Lewis,AnnetteM. O'Connor,CorinneS. DulbergyElizabeth
R. Drake,"Evaluationof the'TimetoQuit'Self-HelpSmokingCessationProgram",Canadian
journal ofPublic Health, 83, 19-23.
AIO. AliA. Khraibi,"DirectRenalInterstitialVolumeExpansionCausesExaggeratedNatriuresis
inSHR",Americanjournal ofPhysiology, 30, F567-F570.
A-ll. J.ScottOsbergyCarlaDiScala, "MorbidityAmongPediatricMotorVehicleCrashVictims:
TheEffectivenessofSeatBelts",Americanjournal ofPublic Health, 82,422-425.
A-12. D. C. Mathers,A. H.Ghodse,A. W. CaanyS.A. Scott,"CannabisUseinaLargeSampleof
AcutePsychiatricAdmissions",Britishjournal ofAddiction, 86,779-784,SocietyfortheStudy
ofAddictiontoAlcoholandOtherDrugs.
A-13. George R. Brown y Bradley Anderson, "Psychiatric Morbidity inAdult Inpatients with
ChildhoodHistoriesofSexualandPhysicalAbuse",Americanjournal ofPsychiatry, 148,55-61.
A-I4. JosephA. Catania, Thomas]. Coates, Susan Kegeles, Mindy Thompson Fullilove, John
Peterson, Barbara Marin, David Siegel y Stephen Hully, "Condom Use in Multi-ethnic
Neighborhoods ofSan francisco: The Population-BasedAMEN (AIDS in Multi-Ethnic
Neighborhoods)Study",American journal ofPublic Health, 82, 284-287.
A-15. AlanD.RothbergyBereniceLits,"PsychosocialSupportforMaternalStressDuringPregnancy:
EffectonBirthWeight",Americanjournal ofObstetrics and Gynecology, 165,403-407.
A-I6. Sophie R. Borst, Gil G. Noam yJohnA. Bartok, "Adolescent Suicidality: A Clinical-
DevelopmentApproach",journal ofthe American Academy ofChild and Adolescent Psychiatry, 30,
796-803, deAm.Acad.ofChild& Adol.Psychiatry.
A-I7. ChristinaHartgers,AnnekeU. A. R.)vandenHock,PietaKrijnenyRoelA.Coutinho,"Hrv
Prevalence and Risk BehaviorAmong, Injecting Drugs Users Who Participate in 'Low-
Threshold'MethadoneProgramsin Amsterdam",Americanjournal ofPublic Health, 82,547-
551.
AIS. DorothyS. Lane,AnthonyP. PolednakyMaryAnnBurg,"BreastCancerScreeningPractices
Among Users ofCounty-Funded Health Centers vs Women in the Entire Community",
Amencanjournal ofPublic Health, 82,199-203.
A19. EttaWilliams,LeclairBissellyEleanorSullivan,"TheEffectsofCo-dependenceonPhysicians
and Nurses", Britishjournal of Addiction, 86,37-42, Society for the Study ofAddiction to
AlcoholandOtherDrugs.\
A20. WilbertAronow e ItzhakKronzon, "Prevalence ofCoronary Risk Factors inElderly Blacks
andWhites",journal ofthe American Geriatrics Society, 39,567-570,AmericanGeriatricsSociety.
A.2I.GeorginaRassias,MarkKestinyPauIJ.Nestel,"LinoleicAcidLowersLDLCholesterolWithout
aProportionateDisplacementof SaturatedFattyAcid",Europeanjournal ofClinical Nutrition,
45,315-320. i
I
A22. LorianE. KennedyyYageshN.Bhambhani,"TheBaltimoreTherapeuticEquipmentWork
Simulator: ReliabilityandValidity atThreeWorkIntensities",Archives Of Physical Medicine
and Rehabilitation, 72,511-516.
7.1 INTRODUCCION
7.2 PRUEBADEHIPOTESIS PARA
LA MEDIADEUNASOLA
POBLACION
7.3 PRUEBADEHIPOTESIS PARA
LA DIFERENCIAENTRE LAS
MEDIAS DEDOS POBLACIONES
7.4 COMPARACION PORPAREJAS
7.5 PRUEBADEHIPOTESISPARA
LA PROPORCIONDE UNA SOLA
POBLACION
7.6 PRUEBADEHIPOTESIS PARA
LA DIFERENCIAENTRE LAS
PROPORCIONES DE DOS
POBLACIONES
7.1 INTRODUCCION
7.7 PRUEBADEHIPOTESISPARA
LA V ARIANCIA DEUNA SOLA
POBLACION
7.8 PRUEBADEHIPOTESIS PARA
LA RAZON DELAS VARIANCIAS
DEDOSPOBLACIONES
7.9 ERRORTIPOII YLA
POTENCIADELA PRUEBA
7.10 CALCULO DELTAMANO DELA
MUESTRAPARA CONTROLAR
ELERRORTIPOII
7.11 RESUMEN
En el capitulo anterior se estudi6 un tipo de inferencia estadistica, la estimaci6n.
El otro tipo, la prueba de hip6tesis, es el tema de estudio en este capitulo. Como
ocurre con la estimaci6n, el proposito de la prueba de hipotesis es ayudar al medico,
investigador 0 administrador a tomar una decision acerca de una poblacion mediante el
examen de una muestra de ella. La estimaci6n y la prueba de hip6tesis no son tan
distintas como se podria suponer por el hecho de que en la mayorfa de los libros
de texto se dedica un capitulo por separado a cada una. Como se explica mas
adelante, es posible utilizar intervalos de confianza para llegar a las mismas
conclusiones que se alcanzan al utilizar los procedirnientos de prueba de
hip6tesis que se estudian en este capitulo.
Conceptos br'isicos Se presentan en esta secci6n algunos conceptos basic os,
indispensables para comprender la prueba de hip6tesis. Los detalles espedficos de
pruebas particulares aparecen en las secciones siguientes.
204
BIBLIOGRAFlA 203
A23. Virginia L. Kubic, Paul T. Kubic y Richard D. Brunning, "The Morphologic and Immu-
nophenotypicAssessmentof theLymphocytosisAccompanyingBordetellapertussisInfection",
AmericanjournalofClinical Pathology, 95, 809-815.
A-24. Terry E. Goldberg, Llewellyn B. Bigelow, DanielR. Weinberger, David G. DanielyJoel E.
Kleinman,"CognitiveandBehavioralEffectsof theCoadministrationofDextroamphetarnine
andHaloperidolinSchizophrenia",AmericanjournalofPsychiatry, 148,78-84.
A25. R. G. Hahn,A. W. Jones,B. BillingyH. P. Stalberg,"Expired-BreathEthanolMeasurement
in Chronic Obstructive Pulmonary Disease: Implications forTransurethralSurgery",Acta
Anaesthesiologica Scandinavica, 35, 393-397, Munkagaard International Publishers Ltd.,
Copenhagen,Denmark.
A-26. StevenM. Southwick,RachelYehudayEarlL. GillerJr.,"CharacterizationofDepressionin
War-RelatedPosttraumaticStressDisorder",AmericanjournalofPsychiatry,148,179-183.
A-27. Jacques M. Milliez, DenisJannet, ClaudineTouboul, Mahfoudh EI Medjadjiy BernardJ.
Paniel, "Maturationofthe UterineCervixby Repeated IntracervicalInstillationofProsta-
glandinE
2
",AmericanjournalofObstetricsandGynecology, 165,523-528.
A28. Thomas R. M;Jtin, Brent P. Pistorese, Leonard D. Hudson y RichardJ. Maunder, "The
Function ofLung and Blood Neutrophils in Patients with the Adult Respiratory Distress
Syndrome",AmericanReviewofRespiratory Disease, 144,254-262.
A-29. RobertHarrison,NavinSavlayKalmanKafetz,"Dementia,DepressionandPhysicalDisability
in a London Borough: A Survey ofElderly People in and outofResidential Care and
Implicationsfor FutureDevelopments",AgeandAgeing, 19,97-103. Uso autorizadoporla
OxfordUniversityPress.
A-30. GaryR.Thurnau,DavidH.ScatesyMarkA. Morgan,"TheFetal-PelvicIndex:AMethodof
Identifmg Fetal-Pelvic Disproportion inWomen Attempting Vaginal Birth Mter Previous
CesareanDelivery",AmericanjournalofObstetricsandGynecology, 165,353-358.
A-31. J. Scott Osberg, Carla DiScala y Bruce M. Gans, "Utilization ofInpatient Rehabilitation
ServicesAmongTraumaticallyInjuredChildrenDischargedfromPediatricTraumaCenters",
AmericanjournalofPhysicalMedicine & Medicine Rehabilitation, 69,67-72.
A-32. MarySteinhardt,LindaGreenhowyJoyStewart,"TheRelationshipofPhysicalActivityand
CardiovascularFitnesstoAbsenteeismandMedical CareClaimsAmongLaw Enforcement
Officers",AmericanjournalofHealth Promotion,5,455-460.
A33. M. M. el Fiky, D. P. Taggart, R. Carter, M. C. Stockwell, B. H. Maule y D. J. Wheatley,
"RespiratoryDysfunctionFollowingCardiopulmonaryBypass:VerificationofaNon-invasive
TechniquetoMeasureShuntFraction",RespiratoryMedicine,87, 193-198.
A34. B. Duncan,J. Ey, C.J. Holberg,A. L. Wright, F. D. Martinezy L. M. Taussig, "Exclusive
Breast-feedingforatLeast4MonthsProtectsAgainstOtitisMedia",Pediatrics, 91,867-872.
A-35. G. N. Kay, F. Chong,A. E. Epstein,S. M. DaileyyV. J. Plumb,"RadiofrequencyAblationfor
TreatmentofPrimaryAtrial Tachycardias",journalof theAmerican College ofCardiology, 21,
901-909.
A36. R. Bellomo, P. G. Colman,J. CaudwellyN. Boyce, "Acute ContinuousHemofiltrationwith
Dialysis: Effect onInsulinConcentrationsandGlycemic Control in Critically III Patients",
Critical CareMedicine, 20,1672-1676.
205 7.1 INTRODUCCION
DEFINICION
Una hipotesis se define simplemente como una proposici6n
acerca de una 0 mas poblaciones.
En general, la hipotesis se refiere a los parametros de las poblaciones para las
cuales se hace la proposicion. El administrador de un hospital puede suponer que
el periodo promedio de permanencia de los pacientes internados en el hospital es de
cinco dias; una enfermera del area de salud publica puede suponer que un deter-
minado programa educativo hara que mejore la comunicacion entre enfermera y
paciente; un medico puede suponer que cierto medicamento sera eficaz en 90 por
ciento de los casos en que se utilice. Por medio de la prueba de hipotesis se determi-
na si tales proposiciones son compatibles 0 no con los datos disponibles.
Tipos de hipotesis Los investigadores se interesan en dos tipos de hipotesis:
de investigaci6n y estadisticas.
DEFINICION
La hip6tesis de investigaci6n es la conjetura 0 suposici6n
que motiva la investigaci6n.
Puede ser el resultado de afios de observacion por parte del investigador. Una
enfermera en salud publica, por ejemplo, puede haber nota do que ciertos pacien-
tes respondieron mas rapidamente a un tipo particular de programa de educacion
sanitaria. Un medico recordara. numerosos casos en los cuales ciertas combinacio-
nes de medidas terapeuticas fueron mas efectivas que cualquiera de ellas por sepa-
rado. Los proyectos de investigacion a menudo se llevan a cabo gracias al deseo de
tales profesionales de la salud para determinar si sus teorfas 0 sospechas se pueden
sostener 0 no al ser sometidas a los rigores de la investigacion cientifica.
Las hipotesis de investigacion conducen directamente a las hipotesis esta-
dfsticas.
DEFINICION
Las hip6tesis estadisticas se establecen de tal forma que
pueden ser evaluadas por medio de tecnicas estadisticas
adecuadas.
En este texto, las hipotesis que se estudian son de este tipo. Para los ejemplos
y ejercicios se supone que las hipotesis de investigacion ya se han considerado.
206 CAPITULO 7 PRUEBA DE HIPOTESIS
Pasos para laprueba de hip6tesis Por conveniencia, la prueba de hip6te-
sis se presenta como un procedimiento de diez pasos. Nada hay de magico 0 sagra-
do acerca de este formato particular; simplemente divide el proceso enuna secuencia
l6gica de acciones y decisiones.
1. Datos. Es necesario comprender la naturaleza de los datos que forman la
base de los procedimientos de prueba, ya que esto detemina la prueba parti-
cular que se ha de utilizar. Se debe determinar, por ejemplo, si los datos cons-
tan de conteos 0 medidas.
2. Supuestos(restricciones). Como se estudi6 en el capitulo relacionado con
la estimaci6n, diferentes suposiciones conducen a modificar los intervalos de
confianza. Lo mismo ocurre en la prueba de hip6tesis: un procedimiento ge-
neral se modifica seglin las suposiciones. De hecho, las mismas suposiciones
que son importantes en la estimaci6n, tambien 10 son para la prueba de hip6-
tesis. Se ha visto que estas incluyen, entre otras, suposiciones respecto a la
normalidad de la distribuci6n de la poblaci6n, igualdad de variancias e inde-
pendencia de las muestras.
3. Hip6tesis. En la prueba de hip6tesis se trabaja con dos hip6tesis estadfsti-
cas que deben anunciarse explfcitamente. La primera es la hipotesis que debe
probarse, mejor conocida como hip6tesis nula, y que se designa por el simbolo
Ho' La hip6tesis nula a veces se conoce como hipotesis de no diferencia, ya que
es una proposici6n de conformidad con (0 sin diferencia respecto a) condi-
ciones que se suponen ciertas en la poblaci6n de interes. En general, la hip6-
tesis nula se establece con el prop6sito expreso de ser rechazada. En
consecuencia, el complemento de la conclusi6n que el investigador desea al-
canzar se convierte en el enunciado de la hip6tesis nula. En el proceso de
prueba, la hip6tesis nula se rechaza 0 no se rechaza. Si la hip6tesis nula no se
rechaza, se dira que los datos sobre los cuales se basa la prueba no proporcio-
nan evidencia suficiente que cause el rechazo. Si el procedimiento de prueba
conduce al rechazo, se concluye que los datos disponibles no son compatibles
con la hip6tesis nula, pero sirven como apoyo a alguna otra hip6tesis. La
hipotesis alternativa, identificada mediante el simbolo H
A
, es una proposici6n
que se creera cierta si los datos de la muestra.llevan al rechazo de la hip6tesis
nula. Por 10 general, la hip6tesis alternativa y la hip6tesis de investigaci6n son
la misma, y de hecho, se utilizan los dos terminos indistintamente.
Reglas para establecer la hip6tesis estadistica Cuando las hip6tesis
son del tipo considerado en este capitulo, el indicador de igualdad :5 02:: ) debe
aparecer en la hip6tesis nula. Por ejemplo, suponga que se requiere responder a la
pregunta: ~ e puede concluir que la media de una poblaci6n es diferente de 50?
La hip6tesis nula es: .
207 7.1 INTRODUCCION
ylahipotesisalternativaes
Supongaque se desea sabersi puedeconcluirse que la mediade la poblacion es
mayorque50.Se tienenlashipotesis:
Sise quieresabersi esposibleconcluirquelamediadelapoblacionesmenorque
50,las hipotesisson
HA :Il <50
Enresumen,esposibleestablecerlassiguientesreglasempiricasparadecidir
queproposicionseutilizacomohipotesisnulaycualcomohipotesisalternativa.
a) Laconclusionalaque se desea0 esperallegarcomoresultadodelaprueba
generalmenteseusacomohipotesisalternativa.
b) Lahipotesisnuladebecontenerunaproposiciondeigualdad,yasea =,$; 0 .
c) Lahipotesisnulaeslaquedebesercomprobada.
d) Las hipotesis nulayalternativasoncomplementarias. Es decir, las doscon-
templandemaneraexhaustivatodoslosvaloresposiblesquelosparametros
desuposicionpuedenasumir.
Precauci6n Debesefialarseque,engeneral,nilapruebadehipotesisnilainfe-
rencia estadfstica conducen a la pruebade una hipotesis, sino que simplemente
indicansiestaesapoyada0 noporlosdatosdisponibles.Por10tanto,cuandonoes
posiblerechazarunahipotesisnula,nosedicequeesverdadera,sinoqueprobable-
mentees verdadera. Cuandose habladeaceptarunahipotesisnula, se tienepre-
senteestalimitacionynosedeseacomunicarlaideadequelaaceptacionimplicala
demostracion.
4. Estadisticadeprueba. Laestadisticadepruebaesalgunaestadisticaque
se puedeca1cular a partirdelos datos delamuestra. ComoregIa, existen
muchosvaloresposiblesquepuedeasumirlaestadfsticadeprueba,yel va-
lorparticularobservadodependedelamuestraparticularextrafda. Como
se veramasadelante,laestadisticadepruebasirvecomounproductorde
decisiones,yaqueladecisionderechazar0 nolahipotesisnuladependedela
magnituddelaestadisticadeprueba. Unejemplodeestadfsticadeprueba
eslacantidad
X Ilo
z=---
(7.1.1)
(J/-J;;
208 CAPITULO 7 PRUEBADE HIPOTESIS
dondefloesunvalorsupuestodelamediadeunapoblaci6n. Estaestadistica
depruebaestarelacionadaconlaestadistica
(7.l.2)
queyanosesfamiliar.
Formula general para la estadistica de prueba Lasiguientees la for-
mulageneralparaunaestadisticadepruebaqueseaplicaenmuchasdelas prue-
basdehip6tesisquese estudianenestelibro:
. d b estadsticarelevante- parmetro supuesto
estad sHea eprue a= ~
errorestndar delaestadstiearelevante
Enla ecuacion7.1.1., x es la estadisticarelevante, flo esel parametrosupuesto, y
(jI,.J;; elerrorestandarde x.
5. Distribuciondelaestadisticadeprueba. Se haseftaladoquelaclavepara
lainferenciaestadfsticaesladistribuci6nmuestral.Esnecesariorecordaresto
enlos casos enquesea necesarioespecificarladistribuci6ndeprobabilidad
dela estadisticadeprueba, Porejemplo, la distribuci6ndelaestadistica de
prueba
z
sigueunadistribuci6nnormalestandarsi lahip6tesisnulaesverdaderay si
satisfacelassuposiciones.
6. RegIa dedecision. Todoslos valores posibles quela estadisticadeprueba
puedeasumirsonpuntossobreelejehorizontaldelagraficadeladistribu-
ci6nparaestaestadisticaysedividenendosgrupos:unodeeUos constituye
10 queseconocecomoregion de rechazo yelotroformalaregion de no rechazo.
Losvalores delaestadisticadepruebaqueformanlaregi6nderechazoson
aqueUos que tienenla menorprobabilidaddeocurrir, mientras que losque
formanlaregiondenorechazotienenlamayorprobabilidaddeocurrir,si la
hip6tesisnulaesverdaderaparaambasregiones.La regia de decision senaLa que
se debe rechazar La hipotesis nula si el valor de la estadistica de prueba que se calcula a
partir de La muestra es uno de los valores de la regi6n de rechazo, y que no se debe
rechazar la hipotesis nula si el valor calculado de la estadistica de prueba es uno de los
valores de la region de no rechazo.
Nivel de significacion Ladecisi6nencuantoaquevaloresvanhacialaregion
derechazoycualesvanhacialaregiondenorechazosetomaconbaseenel nivel de
significacion deseado, designado porcx. EI termino nivel de significacion refleja el
209 7.1 INTRODUCCION
.hechodequealgunasveceslapruebadehipotesisrecibeelnombrede"pruebade
significacion",yunvalorcalculadoparalaestadfsticadepruebaquecaeenlare-
gionderechazose dicequeessignificativo. Elniveldesignificacion, ex, designael
areabajolacurvadeladistribuciondela depruebaqueestaporencima
delosvalores, sobreelejehorizontal,queconstituyenlaregionderechazo.
DEFINICION
EIniveldesignificaci6n0" esunaprobabilidady, de
hecho,eslaprobabilidad de rechazar una hip6tesis nula
verdadera.
Dadoquerechazarunahipotesisnulaverdaderaserfaunerror, parecerazo-
nablequesedebahacerpequenalaprobabilidaddecometerloy, dehecho,estoes
10 quese hace. Seeligeunvalorpequenodeex parahacerquelaprobabilidadde
rechazo paraunahipotesisnulaseapequena. Losvalores que se encuentrancon
masfrecuenciason.01,.05Y.lO.
Tipos de errores EIerrorquesecometecuandoserechazaunahipotesisnula
verdaderaseconocecomoerror del tipo I. EIerror del tipo II secometecuandonose
rechazaunahipotesisnuIafalsa. LaprobabilidaddecometerunerrordeltipoII
sedesignapor
Siemprequese rechazaunahipotesisnulase tieneelriesgo decometerun
errordeltipoI,alrechazarunahipotesisnuiaverdadera.Siemprequenoserecha-
zaunahipotesisnula, existeel riesgodenorechazarunahipotesisnuIafalsa. En
general,aunquesedeunvalorpequenoaanoseejercecontrolsobre aunquese
sabequeenlamayoriadelassituacionespracticasesmayorque a.
Nuncasesabesisehacometido0 nounodeestoserrorescuandoserechaza
onoserechazaunahip6tesisnula,yaquesedesconoceelverdaderoestadodelas
cosas. Sielprocedimientodepruebaconducealrechazodelahipotesisnula,pue-
deserunconsueloelhechodequealdarunvalorpequenoaa laprobabilidadde
cometerunerrordeltipoI tambienespequefia.Sinoserechazalahip6tesisnula,
noseconoceelriesgoconcurrentedecometerunerrordeltipoII,ya quepor10
comunse desconoce pero comosehasenalado,enlamayoriadesituaciones
practicas,sesabequeesmayorquea.
La figura7.1.1 muestralasposiblesaccionesqueelinvestigadorpuedeem-
prenderparavariascondicionesdeunapruebadehipotesis,as!comolascondicio-
nesenlasquese producecadaunodelosdostiposdeerror. .
7. Calculodelaestadisticadeprueba. Apartirdelosdatoscontenidosenla
muestra, secalculaunvalordelaestadfsticadepruebaysecomparacontra
lasregionesdenorechazoyrechazoqueyafueronespecificadas.
8. Decisionestadistica. La decisionestadisticaconsisteenelrechazo0 nore-
chazodelahipotesisnuIa.Serechazasielvalorcalculadodelaestadisticade
210 CAPITULO7 PRUEBADEHIPOTESIS
C d'" d I h' 't' I on lClon e a IpO eSlsnua
Acci6n
posible
Norechazar
Ho
RechazarHo
'-"
Verdadera Falsa
Accioncorrecta ErrortipoII
ErrortipoI Acci6ncorrecta
FIGURA7.1.1 Condicionesenlas quees posiblecometerunerror
detipoI0 unerrordetipoII..
pruebacaeenlaregionderechazo,ynoserechazasi elvalorcalculadodela
estadfsticadepruebacaeenlaregiondenorechazo.
9. Condusi6n. SiHo serechaza,seconcluyequeHA esverdadera.SiHo nose
recha'za, seconcluyequeHo puedeserverdadera.
10. Valordep. Elvalordepesunacantidadqueindicaquetanins6litossonlos
resultadosdelamuestra,considerandoquela hip6tesisnulaseaverdadera.
Unvalordepindicaquenoesmuyprobablequelosresultadosdelamuestra
hayanocurrido;ofrecelajustificaci6nparadudardelacertezadelahip6te-
sis nula, si estaesverdadera.
Esimportanteaclararquecuandolahip6tesisnulanoesrechazada,tampoco
sepuededecirqueseacepta.Sedebedecirquelahip6tesisnula"noserechaza".Se
evitaelusodelapalabra"aceptar"enestecasoporquepudierahabersecometido
el error de tipo II. Dado que, frecuentemente, la probabilidad de cometer un
errordetipoIIpuedeserrealmentealta,nosepretendecometerloalaceptarla
hip6tesisnula.
La figura7.1.2muestraundiagramadeflujodelospasosa seguircuandose
aplicaunapruebadehip6tesis.
Proposilo deprobar la hlpolesi'l Unodelos prop6sitosdela pruebade
hipotesisesayudaralosadministradoresymedicosenlatomadedecisiones. En
general,ladecisi6nclfnica0 administrativadependedeladecisi6nestadfstica.Si
serechazalahip6tesisnula,ladecisi6nclfnica0 administrativarefleja,por10gene-
ral, el hecho de que la decisi6n escompatiblecon la hip6tesis alternativa. En
general, secumple10opuestosi nose rechazalahip6tesisnula.Sinembargo,la
decisi6nadministrativa0 clfnica puedetenerotrasformas, comola decisi6nde
reunirmasdatos. .
Sinembargo,enestepuntoesnecesariodestacarqueelresultadodelaesta-
dlstica de pruebas6lo es unapartedela evidencia queinfluye sobre la decisi6n
administrativaoclinica.La decisi6nestarnsticanodebeinterpretarsecomodefini-
tiva, sino considerarsejuntocon toda la demas informaci6n importante deque
dispongaelexperimentador.
Conbaseenestoscomentariosgeneralesseestudianacontinuaci6npruebas
dehip6tesisespedficas.
211 7.2 PRUEBA DE HIPOTESrS PARA LA MEDIA DE UNA SOLA POBLACrON
FIGLRA 7.1.2 Pasos del procedimiento para prueba de hip6tesis.
7.2 PRUEBA DE HlPOTESIS PARA lA
NIEDIA DE UNA SOlA POBlACION
En esta secci6n se estudia la prueba de una hip6tesis en lOrno a la media de una
poblaci6n seglin tres condiciones distintas: I) cuando el muestreo se realiza a partir
de una poblaci6n de valores que siguen una distribud6n normal con variancia co-
nocida; 2) cuando el muestreo se realiza a partir de una poblaci6n con distribuci6n
212 CAPITULO 7 PRUEBA DE HIPOTESIS
nOImal y con variancia desconocida, y 3) cuando el muestreo se realiza a partir de
una poblacion que no presenta una distribucion normal. Aunque la teorIa para las
condiciones 1 y 2 depende de poblaciones con distribucion normal, es una practica
comun aplicar la teorIa cuando las poblaciones importantes solo estan distribuidas
en forma aproximadamente normal. Esto es satisfactorio siempre que la desviacion
de la normalidad es moderada. Cuando el muestreo se realiza a partir de una po-
blacion que sigue una distribucion normal y se conoce la variancia de la poblacion,
la estadistica de prueba para Ho: Il Ilo es
x Ilo
z
(7.2.1)
cr/{;;
La cual, cuando Hoes verdadera, tiene una distribucion normal estandar. Los ejem-
plos 7.2.1 y 7.2.2 ilustran la prueba de hipotesis en estas condiciones.
Muestreo a partir depoblaeiones con distribuewn nornral y varian-
eias eonoeidas Como se hizo notar en el capitulo 6, nuevamente se destaca
que las situaciones en las que la variable de interes sigue una distribucion normal
con variancia conocida son casos poco comunes. EI siguiente ejemplo, sin embargo,
sirve para ilustrar el procedimiento.
FJEMPLO 7.2.1
Un grupo de investigadores esta interesado en conocer la edad media de cierta
poblacion. Por decirlo asi, se preguntan 10 siguiente: ~ e puede concluir que la
edad media de la poblacion es diferente de 30 alios?
Solucion: Con base en el conocimiento de pruebas de hipotesis, se puede contes-
tar que es posible concluir que la edad media de la poblacion es diferen-
te de 30, s610 si se puede rechazar la hipotesis nula que indica que la
media es igual a 30. Mediante el uso del procedimiento de diez pasos
para la prueba de hipotesis, explicado en la secci6n anterior, se puede
ayudar a los investigadores a tomar una decision.
1. Datos. Los datos disponibles para los investigadores son las eda-
des de una muestra aleatoria simple de 10 individuos, extraida de la
poblaci6n de interes. A partir de esta muestra se calcula que la me-
dia de x 27.
2. Supuestos. Se supone que la muestra de valores proviene de una
poblacion cuyas edades siguen una distribucion aproximadamente
normal. Suponga tambien que la poblacion dene una variancia co-
nocida de cr
2
= 20.
3. Hipatesis. La hip6tesis por probar, 0 hipotesis nuIa, es la siguien-
te: la edadmedia de la poblacion es igual a 30. La hipotesis alterria-
tiva indica que la edad media es diferente de 30. Es importantenotar
que se esta identificando la hipotesis altemativa con la conclusion a
la que quieren llegar los investigadores, de manera que si los datos
permiten rechazar la hipotesis nuIa, Ia conclusion de los investiga-
dores tendra mayor peso, dado que la probabilidad complementa-
7.2 PRUEBADEHIPOTESISPARALAMEDIADEUNASOLAPOBLACION 213
riaderechazarunahipotesisnulaverdaderaserapequena.Esnece-
sario asegurarsedeestoalasignarunvalor pequenoa ex, queesla
probabilidaddecometerunerrordetipo1. Se puedepresentar
lahipotesisrelevanteenformaabreviadadelasiguientemanera:
Ho: 11=30
H
A
: 11 '* 30
4. Estadistieadeprueba. Dadoqueseestaprobandounahipotesis
acercadelamediadeunapoblacion,yquesesuponequeestasigue
unadistribucionnormal,ypuestoqueseconocelavariancia,laes-
tadisticadepruebaseobtienemediantelaecuacion7.2.1.
5. Distribuciondelaestadistieadeprueba. Conbaseenelconoci-
mientoacercadelas distribuciones muestralesydeladistribucion
normal, se sabe quela estadisticade pruebatieneunadistribu-
cion normal, con una media de 0 y una variancia de 1, si Ho es
verdadera. Existen muchos valores posibles parala estadistica de
pruebaquesepuedengenerarenestasituadon:unoporcadamues-
traposible de tamano 10quepuedaserextraidade la poblacion.
Dado que se extrajo unasola muestra, se tiene solo uno de esos
valoresposiblesenelqueseapoyaladecision.
6. Regiadedecision. La regIadedecisionindicaqueHo se hadere-
chazarsielvalorcalculadodelaestadisticadepruebacaeenIaregion
derechazo,ynosehaderecbazarsicaeenlaregiondenorechazo.A
continuad6nesnecesarioespecificarlasregionesderechazoynore-
chazo.SepuedeempezarporpreguntarcualdebeserIamagnitudde
losvaloresdeIaestadfsticadepruebapararechazaraH o' Silahipote-
sisnulaesfalsa, estopuedeserporqueIamediarealesmenorque0
mayor que 30. Por 10 tanto, los valores de la estadfstica de prueba
suficientemente pequefios0 suficientemente grandescausaranel
rechazodelahipotesisnula. Estosvaloresextremosconstituyenlare-
gionderechazo. ~ u e tanextremodebeserunvalorposibledela
estadfsticadepruebaparaserclasificadodentrodelaregiondere-
chazo? Larespuesta depende del nivel de significadon elegido, es
decir, dettamanodelaprobabilidaddecometerunerrordeltipoI .
. Supongaquesequierequelaprobabilidadderechazarunahipotesis
nulaverdaderaseaex = .05. Dadoquelaregionderechazoesmfor-
madapordospartes,losvaloressuficientementepequenosylossufi-
cientementegran desdelaestadfsticadeprueba,unapartede0:est.a
asociadaconlosvaloresgrandesylaotraparteconlosvalorespeque-
nos.Parecelogicoquesepuedadividira0:enpartesiguales,quea/2
= .025esteasociadaconvalorespequenosyquelaotra(mitadde)
a/2= .025seasocieconvaloresgrandes.
Valorendeodelaestadfstieadeprueba
~ u e valordelaestadfsticaestangrandeque,cuandolahipotesisnulaes
verdadera,laprobabilidaddeobtenerunvalorigual0 mayoresde.025?
214 CAPITULO 7 PRUEBA DE HIPOTESIS
a/2= .025 a/2 = .025
-1.96 o 1.96
x
Regi6n de
no rechazo
Regi6n de rechazo Regi6n de rechazo
FIGURA 7.2.1 Regiones de rechazo y no rechazo para eI ejemplo 7.2.1.
En otras palabras, (cu;H es el valor de z ala derecha del cual esta .025 del
area bajo la distribucion normal estandar? EI valor de z a la derecha
del cual esta .025 del area es el mismo valor que tiene .975 del area
entre este valor y 00. Se busca en el cuerpo de la tabla D hasta encontrar
.975 0 su valor mas cercano y se leen las anotaciones correspondientes al
margen para obtener el valor de z. Para el presente ejemplo, z = 1.96.
Un razonamiento similar permite encontrar que -1.96 es el valor de la
estadistica de prueba tan pequeno que, cuando la hipotesis nula es ver-
dadera, la probabilidad deobtener un valor as! de pequeno 0 menor es
de .025. Nuestra region de rechazo, entonces, consiste en todos los valo-
res de la estadfstica de prueba mayores 0 iguales que 1.96 0 menores 0
iguales que -1.96. La region de no rechazo se compone de todos los
valores intermedios. Se puede establecer la regia de decision para esta
prueba como sigue: rechazar Ho si el valor calculado de La estadistica de prue-
ba es;;::: 1.96 0 - 1.96. De otra forma, no se rechaza Ho' Las regiones de
rechazo y no rechazo se muestran en la figura 7.2.1. A los valores de la
estadfstica de prueba que separan las regiones de rechazo y no rechazo
se les llama valores criticos de la estadfstica de prueba, y a la region de
rechazo se Ie conoce tambien como region critica.
La regia de decision indica que se calcule un valor para la estadfs-
tica de prueba a partir de los datos de la muestra y que se rechace Ho si
se obtiene un valor mayor 0 igual que 1.960 menor 0 igual que -1.96, y
que no se rechace Ho si se obtiene cualquier otro valor. EI valor de 0; y, en
consecuencia, la regiade decision deben ser establecidos antes de reunir
los datos. Esto evita que los resultados de la muestra influyan en la deci-
sion qlle se va a tomar acerca de a. Esta condicion de objetividad es muy
importante y debe conservarse en todas las pruebas.
7. CaIculo de la estadfstica de prueba. A partir de la muestra se calcula
-3
-2.12
1.4142
z
7.2 PRUEBADEHIPOTESISPARALAMEDIADEUNASOLAPOBLACION 215
8. Decisionestadistica. Conbaseenla regIa dedecision, se puede
rechazarlahipotesisnulaporque-2.12estaenlaregionderechazo.
Sepuededecirqueelvalorcalculadodelapruebaestadisticatiene
unniveldesignificacionde.05.
9. Conclusion. Seconcluyeque/lnoesigualque30yquelasaccio-
nes deladministrador0 medicodeberanestardeacuerdoconesta
conclusion.
10.Valordep. Enlugardedecirqueunvalorobservadodelaestadis-
tica de prueba es.o no significativo, muchos autores de obras de
investigacionprefiereninformarlaprobabilidadexactadeobtener
unvalortanto0 masextremaqueel observado, silahip6tesisnula
esverdadera.Enelpresentecaso, estosinvestigadoresdarianelva-
lorcalculado.delaestadfsticadepruebajuntoconlaproposici6n
p =.0340.Dichaproposici6nsignificaquelaprobabilidaddeobte-
nerunvalortanextremocomo2.12encualquierdirecd6n,cuando
lahip6tesis nulaesverdadera, es de.0340. Estevalorse obtiene
delatablaDyeslaprobabilidaddeobservarz 2.120a z 2.12
cuandolahipotesisnulaesverdadera.Es decir,cuandoHoesverda-
dera, la prohabilidadde obtenerunvalor dezmayor 0 igual que
2.12es .0170,ylaprobabilidaddeobservarunvalordezmenor0
igualque- 2.12 es de .0170. Laprobabilidaddequeocurracual-
quieradeestoscasos,cuandoHoesverdadera,esigualalasumade
lasdosprobabilidadesindividuales,yenconsecuencia,enesteejem-
plo,sedicequep =.0170 + .0170 = .0340.Lacantidadpseconoce
comoelvalor p para laprueba. .
DEFINICION
EIvalorp paralapruebadeunabipotesisesla
probabilidaddeobtener,cuandoHoes
verdadera,unvalordelaestadisticadeprueba
tanextremo0 mas(enladireccionadecuada
paraH A) queelvalorcalculadoenrealidad.
EIvalor p paraunapruebapl,lededefinirsetambiencomoel valor
maspequenodea porelcuallahip6tesisnulasepuederechazar.Puesto
que, enelejemplo7.2.1, elvalor dep es .0340,sesabeque se podria
haberseleccionadounvalora tanpequenocomo.0340yaunrechazar
lahip6tesisnula. Si sehubieraelegidounvalordea menorque.0340,
no hubiera sido posiblerechazar la hip6tesis nula. UnaregIa general
quevalelapenarecordares: si el valor p es menor 0 igual que a,es posible
rechazar la hip6tesis nula; si el valor p es mayor que ano es posible rechazar la
hip6tesis nula.
216 CAPITULO 7 PRUEBA DE HIPOTESIS
EI informe de valores p como parte de los resultados de una inves-
tigacion proporciona mas informacion allector que afirmaciones como
"la hipotesis nula se rechaza conun nivel de significaci6n de .05" 0 "los
resultados no fueron significativos en el nivel.05". AI informar el valorp
asociado con una prueba se permite al lector saber con exactitud que
tan extrano 0 que tan comlin es el valor calculado de la estadfstica de
prueba dado que Ho esverdadera.
Prueba de Hopor medio de un intervalo de conjianza Anteriormente
se estableci6 que es posible utilizar intervalos de confianza para probar hipotesis.
En el ejemplo 7 :2.1 se utilizo un procedimiento de prueba de hipotesis para probar
Ho: Il = 30 contra la hip6tesis alternativa H
A
: Il :t:. 30. Fue posible rechazar la hipo-
tesis nula Ho porque el valor calculado de la estadfstica de prueba cayo en la region
de rechazo.
A continuacion semuestracomo se hubiera podido Uegar a esta misma con-
chisionmediante el uso de un intervalo de confianza de 100(1 - a.) por ciento. El
'ntervalo de confianza de 95 por ciento para Il es
. 27 1.96 2 /10
27 1.96(1.4142)
27 2.7718
24.2282,29.7718
Dado que este intervalo nO incluye a 30, se dice que 30 no es un candidato para la
media que se esta. estitnando y, porlo tanto, Il no es igual a 30 y se rechaza a Ho' Esta
es la misma conclusion a la que se lleg6 mediante el procedimiento de prueba de
hipotesis. .
Si el parametro supuesto, 30, sehubiera incluido en el intervalo de confianza
de 95 por ciento, se habria dicho que Ho no se rechaza en el nivel.05 de significa-
cion. En general, cuando se prueba una hip6tesis nula por media de un intervalo de con-
Jianza Oilateral, se rechaza a H 0 en el nivel a. de significaci6n si el parametro supuesto no
estri contenido dentro del intervalo de confianza de 100(1 a.) por ciento. Si el parametro
supuesto estd contenido dentro de dicho intervalo, no es posible rechazar Ho en e l nivel a. de
significaci6n.
Prueba de hipotesis unilateral El intervalo de hipotesis ill!.strado por el
ejemplo 7.2.1 es un ejemplo de prueba bilateral, Hamada asf porque la region de
rechazo sedivide entre los dos lados 0 colas de la distribucion de la estadistica
de prueba; Una prueba de hipotesis puede ser unilateral, en cuyo caso toda la re-
gion de rechazo esta en una u otra cola de la distribucion. El quese utilice una
prueba unilateral 0 bilateral depende de la naturaleza de la cuestion planteada por
el investigador.
Si tanto los valorespequenos como los grandes causan el rechazo de una hi-
potesis Hula, 10 indicado es utili'zar una prueba bilateral. Cuando linicamente los
valores suficientemente "pequenos" 0 suficientemente "grandes" causan el rechazo
de la hip6tesis nula, 10 indicado es utilizar una prueba unilateral.
7.2 PRUEBADEHIPOTESISPARALAMEDIADEUNASOLAPOBLACION 217
FJEMPLO 7.2.2
Conbase enelejercicio 7.2.1, enlugardepreguntarsela posibilidaddeconcluir
que ~ *- 30, supongaquelos investigadores se hubieran preguntado: msposible
concluirque~ < 30?Larespuestaaestapreguntaesquepuedellegarseaestacon-
clusionsi es posiblerechazarlahipotesisnula ~ 30.
Solucion: Medianteelusodelprocedimientodelosdiezpasosyconbaseenuna
pruebaunilateralse llegaa unadecisi6n.
1. Datos. Verelejemploanterior.
2. Suposiciones. Verelejemploanterior.
3. Hipotesis.
Ho: ~ ~ 3
H
A
: ~ < 30
Ladesigualdadenlahipotesisnulaimplicaqueestacomprendeun
niimeroinfinitodehip6tesis.La pruebasehacesoloparaelpuntode
igualdad,porquepuedemostrasequesiHo serechazacuandolaprue-
basehiKeenelpuntodeigualdad,estaserfarechazadasilapruebase
hicieraparacualquierotrovalorde~ inrucadoenlahipotesisnula.
4. Estadisticadeprueba.
5. DistribuciondeIaestadisticadeprueba. Verelejemploanterior.
6. RegIadedecision. Seanuevamentea =.05.Paradeterminardon-
deubicarlaregi6nderechazo,es necesariopreguntarrespectoala
magnitud de los valores que causarfan el rechazo de la hipotesis
nula.5iseobservalahipotesis,sevequelosvaloressuficientemente
pequenoscausarfanelrechazoy quelosvaloresgrandestenderiana
reforzarlahipotesisnula.Esdedesearquelaregionderechazoeste
.dondeestanlosvalorespequeiios,esdecir,.enlacolainferiorde la
distribucion.Estavez,dadoquesetieneunapruebaunilateral,toda
a iraenlaunicacoladeladistribuci6n.AI consultarlatablaD, se
encuentraqueelvalordezalaizquierdadelcualesta.05delarea
bajolacurvanormalestandares-: 1.645,despuesdelainterpolaci6n.
Finalmente,seespecificanlasregioriesderechazoysemuestranen
lafigura7.2.2.
La regIadedecisionseiialaqueserechazaHo sielvalorcalcu-
ladodelaestadisticadepruebaesmenor0 igualque-1.645.
218 CAPITULO7 PRUEBADE HIPOTESIS
.05
27-30
z=
-1.645 o
z
Region de rechazo Region de no rechazo
FIGURA 7.2.2 Regionesderechazoy norechazoparael ejemplo7.2.2.
7. Calculo de la estadistica de prueba. A partir de los datos, se
calculaque
==-2.12
8. Decisionestadistica. Nosepuederechazarlahipotesisnuladebi-
doaque -2.12 < -1.645.
9. Conclusion.Seconcluyequelamedia dela poblaciones menora
30yse deberaactuarenconsecuencia.
10. EIvalordep. El valor de pparaestapruebaes.0170;porqueP(z
-2.12),cuandoHo esverdadera,esde.0170,valorquese presenta
en la tabla D cuando se determina la magnitud del area a la iz-
quierda de -2.12 bajo la curva normal estandar. Puede probarse
unahipotesisnulaunilateralpormediodeunintervalodeconfian-
zaunilateral.Sinembargo,enestelibronoseestudialaelaboracion
einterpretaciondeestetipodeintervalosdeconfianza.
Silapreguntadelosinvestigadoreshubierasido: "(Esposibleconcluir
quelamediaes mayorque3D?", alseguirel procedimientodelosdiez
pasos, sehabrfallegadoaunapruebaunilateralcontodala region de
rechazoenlacolasuperiordeladistribuciondelaestadfsticadeprueba
yaunvalorcrfticode+1.645.
, . .
illuestreo a partir de una poblaci6n con distribuci6n normal y va-
riancia desconocida Comoya se hasefialado, engeneral, se desconoce la
varianciadelapoblacionensituacionesreales'quetienenqueverconlainferen-
ciaestadisticaentomoalamediadeunapoblaci6n.Cuandoel muestreoserealizaa
partirdeunapoblaci6nquesigueunadistribucionnormalconunavarianciades-
conocidalaestadisticadepruebaHo: 11 =110 es
X-Il
t= 0
(7.2.2)
7.2 PRUEBADEHIPOTESISPARALAMEDIADEUNA SOLAPOBLACION 219
lacual,cuandoHoesverdadera,sigueunadistribuci6ntdeStudentconn-1grados
de libertad. EI siguienteejemploilustra elprocedimientodepruebade hip6tesis
cuandosesuponequelapoblaci6nsigueunadistribuci6nnormalysedesconocela
variancia. Estasituaci6nesmuycomunenlavidareal.
Los investigadores Castillo y Lillioja (A-I) describieron una tecnica, desarrollada
porellos,paralacanulaci6nJinfaticaperifericaensereshumanos.Losautoresafir-
manquesutecnicasimplificaelprocedimientoypermitelarecolecci6ndevolume-
nes convenientes de linfa para estudios metab6licos y cineticos. Los individuos
estudiadosfueron 14adultosvaronessanosrepresentativosdeunrangoampliode
pesoscorporales. Unadelasvariablesdemedici6nfue elindicedemasacorporal
(IMC) == peso (kg)/estatura
2
(m
2
). Los resultados se muestranenlatabla 7.2.1. Se
pretendesabersi esposibleconduitquelamediadelIMCparalapoblaci6ndela
queseextrcyolamuestranoes 35.
Solucion: Selograraconcluirquelamediadelapoblaci6nnoes35silosinvestiga-
dores pueden rechazar la hip6tesis nula que dice que la media de la
poblaci6nes iguala 35.
1. Datos. Los datos consisten enlas mediciones del IMC de los 14
individuos, talcomose describi6previamente.
2. Supuestos. Los 14 individuos constituyen una muestra aleatoria
deunapoblaci6ndeindividuosconlasmismascaracterfsticas.
3. Hipotesis.
Ho: Il=35
H :Il:t:35
A
TABlA7.2.1 Indicedemasacorporal(IMC),
medicionesparalosindhiduosvaronesdescritos
enelejemplo7.2.3
Individuo IMC Individuo lMC Individuo IMC
1 23 6 21 11 23
2 25 7 23 12 26
3 21 8 24 13 31
4 37 9 32 14 45
5 39 .10 57
...
FUENTE: Charles E. Castillo y Stephen LtlhoJa, "Penphenal Lymphatic
Cannulationfor PhysiologicalAnalysis ofInterstitial Fluid Compartment
.. in Humans", AmericanJournal ofPhysiology, 261 (Heart and Circulation
Physiology, 30), H1324-H1328.
220 CAPITULO7 PRUEBADEHIP6TESIS
.05
-1.645 o
Region de rechazo Region de no rechazo
FIGURA7.2.3 Regionesderechazoynorechazoparaelejemplo7.2.3.
4. Estadisticadeprueba. Dadoquesedesconocelavarianciadela po-
blad6n,laestadfsticadepruebaseobtienemediantelaecuaci6n7.2.2.
5. Distribuciondelaestadfsticadeprueba. Laestadisticadeprue-
basigueunadistribuci6nt deStudent,conn - 1= 14- 1 13 gra-
dosdelibertad,siRo esverdadera.
6. RegIadedecision. Seaa = .05.Dadoquesetieneunapruebabila-
teral,se ponea/2 = .025encadacoladeladistribuci6ndelaesta-
dfstica de prueba. Los valores detaladerecha e izquierdade los
cualesesta.025delareason2.1604,y-2.1604.Estosvaloresapare-
cenenlatablaE. Lasregionesderechazoydenorechazosemues-
tranenlafigura 7.2.3.
LaregIa de decisi6n indicaque es necesario calcularunvalor
paralaestadfsticadepruebayquesedeberechazarRo sielvalorde
t calculadoesmayor0 igualque2.16040 menor0 igualque-2.1604.
7. CaIculodeIaestadisticadeprueba. A partirdelos datos de la
muestrasecalculaunamediaiguala30.5yunadesviaci6nestandar
de10.6392.AI sustituirestosdatosenlaecuaci6n7.2.2se dene:
-4.5
--=-1.58
2.8434
8. Decision estadistica. No se rechaza Ro' ya que-1.58 cae en la
regi6ndenorechazo.
9. Conclusion. Laconclusi6n,conbaseenestosdatos,esquelame-
diadelapoblaciondelacualseextrajolamuestrapuedeser35.
10. EIvalordep. EI valorexactodep paraestapruebanosepuede
obtenerdelatabla Edebidoa que solopresentavaloresdet para
percentilesseleccionados.Sinembargo,elvalorppuedeenundarse
comounintervalo. Enesteejemplo,-1.58esmenorque-1.350,el
valordetalaizquierdadelcualestft.10delareabajot con13 gra-
dosdelibertad,peromayorque-1. 7709,alaizquierdadelcualestft
7.2 PRUEBADE HIP6TESISPARALAMEDIADEUNASOLAPOBLACI6N 221
Area=.10 Area .10
.10> p/2 >.05 .10> p/2 >.05
,
Area= .05 Area=.05
----"------
-1.7709 -1.58 -1.350 o 1.3501.58 1.7709
.20> p> .10
FIGURA 7.2.4 Caculodelvalordep paraelejemplo7.2.3.
.05delarea. Enconsecuencia,wandoHoesverdadera,laprobabi-
lidad deobtenerunvalordet menor0 igual que-1.58es menor
que .10, pero mayor que .05. Es decir, .05 < pet ....,1.58) < .10.
Dadoquelapruebaes bilateral, debepermitirselaposibilidadde
unvalorcalculadodelaestadfsticadeprueba tangrandeenladi-
recci6nopuestacomoelobservado. La ~ b l Erevelaque.05 < pet
1.58)< .10.EIvalorde p, entonces,esde.10<P< .20.Lafigura
7.2.4muestraelvalorpparaesteejemplo.
Sienelejemploanteriorlahip6tesishubierasido
Ho: fl235
H
A
: fl <35
el procedimientodepruebahabriaconducidoaunapruebaunilateral
contodalaregi6nderechazoenlacolainferiordeladistribuci6n,ysila
hip6tesishubierasido
Ho: fl:::; 35
H
A
: fl>35
sehabriatenidounapruebaunilateralcontodalaregi6nderechazoen
lacolasuperiordeladistribuci6n.
Muestreo a partir de una poblacion que nopresenta una distribu-
cion normal Si, comoocurreconfrecuencia, lamuestraenlacualsebasala
pruebadelahip6tesisacercadelamediadeunapoblaci6nprovienedeunapo-
blaci6nquenopresentaunadistribuci6nnormal,ysilamuestraesgrande(ma-
yor0 igualque30),esposibleutilizarelteoremadellimitecentralyusarz= (x - flo);
(cr;..[;;)comolaestadisticadeprueba.Sinoseconoceladesviaci6nestandardela
poblaci6n,lapracticacomtinesutilizarladesviaci6nestandardelamuestracomo
unaestimaci6n. Laestadisticadepruebaparalapruebadelahip6tesisnulaHo: fl
flo, entonces,es
X flo
z::::--
(7.2.3)
s;..[;;
222 CAPITULO 7 PRUEBADEHIPOTESIS
lacual,cuandoHo esverdadera,sigueunadistribuci6nsemejantealadistribuci6n
normalestandarsin esgrande. El razonamientoparasustituircons aa esquela
muestra grande, necesaria para que el teorema del li:mite central sea aplicable,
proporcionaniunadesviaci6nestiindardelamuestraqueseacercalosuficienteaa.
FJEMPLO 7.2.4
LosobjetivosdeunestudiodelosinvestigadoresWilburet al. (A-2) erandescubrir
los estadosmenopausicos, los smtomas, la energia utilizaday la condici6n fisica
aer6bica enmujeresdeedad maduray, ademas, determinarlas relaciones entre
estosfactores. Entrelasvariablesmedidasestabael consumomaximodeoxfgeno
(V02ma)' Lacalificaci6nmediade(V02m.J paraunamuestrade242mujeresfue de
33.3 conunadesviaci6n estandar de 12.14 (Fuente: Family and Community Health,
Vol. 13:3,p.73,AspenPublishers,Inc., ). Sepretendesabersi, conbaseenestos
datos,esposibleconduirquelacalificaci6nmediaparaunapoblaci6ndemujeres
conestascaracteristicasesmayorque30.
Soluci6n: Se dice que los datos proporcionan suficiente evidencia paraconduir
que la media de la poblaci6n es mayor que 30si puederechazarse la
hip6tesisnulaquedicequelamediaes menor0 igualque30. Para tal
fin, puedellevarseacabolasiguienteprueba:
1. Datos. LosdatossonlaspuntuacionesdeV0
2m
a.x paralas242mu-
jerescon if 33.3ys 12.14.
2. Supuestos. Losdatosconstituyenunamuestraaleatoriasimplede
unapoblaci6ndemujeresdeedadmaduraconlas caracterfsticassi-
milaresalasquesepresentanenlamuestra.Seconsideraquelasme-
dicionesdeV02max siguenunadistribuci6nnormalentalpoblaci6n.
3. Hipotesis.
Ho: Jl ~ 30
H
A
: Jl>30
4. Estarusticadeprueba. Laestadistica depruebaesta dadaporla
ecuaci6n7.2.3, dadoquea sedesconoce.
5. DistribuciondeIaestadisticadeprueba. Envirtuddel teorema
dellfmitecentral, la estadfsticadepruebasigue, enel peordelos
casos,unadistribuci6naproximadamentenormalconJl 0siHo es
verdadera.
6. RegIadedecision. Sea(X = .OS.EIvalorcriticodelaestadisticade
prueba es de 1.64S. Lasregiones de rechazo y de no rechazo se
ilustranenlafigura7.2.S.SerechazaHo si secalculaz2 1.64S.
7. CaiculodeIaestadisticadeprueba.
33.3-30 3.3
z= = =4.23
1 2 1 4 / ~ 2 4 2 .7804
7.2 PRUEBADEHIPOTESIS PARALAMEDIADEUNASOLAPOBLACION 223
.05
o 1.645
z
Regi6n de no rechazo Regi6n de rechazo
l'lGURA7.2.5 Regionesderechazoy norechazoparael ejemplo7.2.4.
8. Decisionestadistica. SerechazaHoporque4.23 > 1.645.
9. Conclusion. SeconduyequeelvalormedioV0
2max
paralapobla-
cionmuestreadaesmayorque 30.
10. Elvalordep. El valordep paraesta pruebaes < .001, porque
4.23esmayorque3.89.
Procedimien1ospara oiras condiciones Sisehubieraconocidolavariancia
delapoblacion, el procedimientohabrfasido identicoal anterior, exceptoqueel
valorconocidodecr, enlugardel valors delamuestra, se habriautilizado como
denominadordela estadfsticadeprueba.
Seglin10 quedesearanconcluirlosinvestigadores,losdatosob!enidossepodran
utilizarparapruebasunilaterales0 bilaterales,conlaregionderechazoenlacola
inferiordeladistribucion.
Cuandosepruebaunahipotesisrespectoaunasolamediadeunapoblacion,
sepuedeutilizarlafigura6.3.3paradecidirrapidamentesilaestadfsticadeprueba
esZ 0 t.
Analisis por computadora Parailustrarel usodelacomputadoraparapro-
barhipotesisse empleael siguienteejemplo.
FJEMPLO7.2.5
Los siguientesdatossondelacircunferenciacraneaL(encentimetros)de15 nifios
reciennacidos.
33.38
34.34
33.46
32.15
33.95
34.13
33.99
33.85
34.45
34.10
34.23
34.19
33.97
32.73
34.05
SedeseaprobarH
o
:11 = 34.5contraH
A
: 11 *' 34.5.
224 CAPITULO7 PRUEBADEHIPOTESIS
Caja de dialogo: Comandos de la sesi6n:
Stat> Basic Statistics> 1-Sample t MTB > TTEST 34.5 Cl
TeclearCl enVariables.Seleccionar
Testmeany teclear34.5enlacajade
texto. ClicOK.
Resultados:
T-Test of the Mean
TEST OF MU 34.500 VS MU N.E. 34.500
N MEAN STDEV SE MEAN T P VALUE
15 33.798 0.630 0.163 -4.31 0.0007
FIGURA7.2.6 Procedimientoy resultadosdelpaqueteMINITABparael ejemplo7.2.5.
Solndon: Sesnponequelascondicionesparautilizarla estadlsticatsecumplen.Se
registranlos datosenlacolumna 1yse procedecomosemuestraenla
figura7.2.6.
Cadaunodelos comandos delpaquete MINITAB parapruebas
unilateralesnecesitaunsubcomando,EIsubcomandoes +1paraprue-
basunilateralesconlaregi6nderechazoenlacoladerechadeladistri-
buci6ndet; -1 eselsubcomandoparapruebasunilateralesconlaregi6n
de rechazo en la cola izquierda de la distribuci6n. Por ejemplo, si la
hip6tesisalternativaparaesteejemplohubierasidoIl > 34.5,elcoman-
dodelprogramaMINITABserfa
TTEST 34.5 Cli
ALTERNATIVE +1.
Silahip6tesisalternativahubierasidoIl < 34.5,loscomandosdelpro-
gramaMINITABserian:
~ ~
TTEST 34.5 Cli
ALTERNATIVE -1.
Paraindicarquesetratadeunapruebaunilateral,enWindows,se hace
dicconelmouseparaseleccionarsobrelaflechaqueestiaunladodela
caja identificada comoAlternative, y se elige la opci6n "less than" 0
"greaterthan"segUnseaelrequerimiento.Siladistribuci6nzeslaesta-
disticadepruebaqueconviene, laprimerapalabracomandodelpro-
gramaMINITABesZTEST. EnWindowsseescogeparaladistribuci6nz
I-SampledesdeelmenuBasicStatistics. Los demascomandosson los
mismosqueseutilizanparalapruebadeladistribuci6nt.
FJERCICIOS
EJERCICIOS 225
Apartirdelaimpresi6nsededucequeelvalorcalculadoparalaestadis-
tica de pruebaes -4.31 yque elvalorp parala pruebaes .0007. Los
usuariosque utilizanelpaqueteSAS puedenobtenerestosresultados
mediantelosprocedimientosPROCMEANS0 PROCUNIVARIATEpara
pruebasdehip6tesis.
Cuandolas estadisticasz yt sonpruebasestadisticasinadecuadas
parautilizarlasconlosdatosdisponibles,esdeseableelusodeunatec-
nicanoparametricaparaprobarunahip6tesisrespectoaunasolamedi-
dade tendencia central. Uno de estos procedimientos, la prueba del
signo,seestudiaenelcapitulo 13.
Paracadaunodelossiguientesejerciciosutilizarelprocedimientodepruebadehip6tesisde
los diezpasosparalosnivelesdesignificaci6ndados. Paracadaejercicio, dondeseaconve-
niente, explique la raz6n porla cual se escogi6 el tipo de prueba: unilateral 0 bilateraL
Analice c6mopodrfan los investigadoresymedicos utilizarlosresultados delapruebade
hip6tesis deestos ejercicios. Para los medicos e investigadores 'quedecisionesy acciones
sedanlasmasconvenientesseglinlosresultadosdelas pruebasrealizadas?
7.2.1 LosinvestigadoresBertinoet al. (A-3) condujeronunestudioparaexaminarlosdatosreco-
lectadoscorrespondientesalafarmacocineticadelagentamicinaentrespoblacionesmayores
de 18 afios: pacientesconleucemiaaguda, pacientesconotrospadecimientosmalignosno
leucemicosypacientes sinenfermedadmalignaoculta0 fisiopatologfasdistintasdelainsu-
ficienciarenalquesesabealteranlafarmacocineticadelagentamicina.Entrelasestadisticas
reportadas porlos investigadores estaba elvalor 59.1 como media inicial calculada de la
depuraci6ndecreatina,conunadesviaci6nestandarde25.6paraunamuestrade211 pa-
cientes con enfermedad maligna distinta de la leucemia. Se pretende saber si es posible
conduirquelamediaparalapoblaci6ndeindividuosquepresentaelmismocuadropatol6-
gicoesmenorque60. Seaex: 10.
7.2.2 UnodelosestudiosdelosinvestigadoresKlesgeset al. (A-4)tienecomoprop6sitoaveriguarlos
factoresasociadosconlasdiscrepanciasentrelosnivelesdecarboxihemoglobinayel estadode
tabaquismoautodedarado. Unamuestrade3918 nofumadoresautodedaradospresent6un
nive!medio decarboxihemoglobinade .9conunadesviaci6n estandarde .96. Se pretende
sabersi esposibleconduirquelamediadelapoblaci6nes menorque 1.0.Seaex: =.01.
7.2.3 El doctorJeffrey M. Barrett (A-5) deLakeland, en el estado deFlorida, Estados Unidos,
report6losdatoscorrespondientesa 8casosdeprolapsodelcordonumbilical. Lasedades
delas madreserande25, 28, 17, 26, 27, 22, 25Y30afios. Se pretendesabersi es posible
conduirquelamediadelapoblaci6ndelaquesesuponefue extrafdalamuestraes mayor
a20afios.Seaex: =.01.
7.2.4 Sehizounestudiodeunamuestrade25expedientesdeenfermoscr6nicosatendidoscomo
pacientesexternos. El niimero mediodeconsultas porpacientefue de 4.8yladesviaci6n
estandardelamuestrafuede2. msposibleconduirapartirdeestosdatosquelamediade
lapoblaci6nesmayorquecuatrovisitasporpaciente?Supongaquelaprobabilidaddecome-
terunerrordetipoIesde.05. ~ u a l e s sonlossupuestosquesedebencumplir?
7.2.5 Enunamuestrade49adolescentesqueseprestaroncomosujetosparaunestudioinmunol6gico,
unavariabledeinteresfue lapruebadeldiametrodereacci6ndelapie!aunantfgeno.La
mediadelamuestrayladesviaci6nestandarfueroneritemade21 y11 mm,respectivamen-
teo ,Esposibleconduirapartirdeestosdatosquelamediadelapoblaci6nesmenorque30?
Seaex: =.05.
226 CAPiTULO 7 PRUEBA DE HIPOTESIS
7.2.6 Nueve animales de laboratorio fueron infectados con cierta bacteria y luego inmunosuprimi-
dos. El numero medio de organismos aislados posteriormente de los tejidos de dichos ani-
males fue de 6.5 (datos codificados) con una desviaci6n estandar de .6. iEs posible concluir
a partir de estos datos que la media de la poblaci6n es mayor que 6? Sea ex = .05.
supuestos se deben cumplir?
7.2.7 Una muestra de 25 estudiantes de enfermeria de primer ano tuvo una calificaci6n media de
77 en una prueba para medir su actitud hacia el paciente moribundo. La desviaci6n estandar
de la muestra fue de 10. tProporcionan estos datos evidencia suficiente como para indicar,
en un nive1 de significaci6n de .05, que la media de la poblaci6n es menor que 80? tQue
supuestos se deben cumplir?
7.2.8 Se desea saber si es posible concluir que el consumo medio diario de calorias de la poblaci6n
rural de un pais en desarrollo es de menos de 2000. Una muestra de 500 individuos produjo
un consumo medio de 1985 y una desviaci6n estandar de 210. Sea ex = .05.
7.2.9 Una encuesta de 100 hospitales de tamano similar revel6 un censo medio diario en el servi-
cio de pediatria de 27 con una desviad6n estandar de 6.5. estos datos sufi-
dente evidenda para indicar que la media de la poblaci6n es mayor que 25? Sea ex = .05.
7.2.10 Despues de seguir un programa de capacitaci6n en supervisi6n de hospitales durante una se-
mana, 16 administradores de hospital obtuvieron una calificaci6n media de 74 en una prueba
llevada a cabo como parte de la evaluaci6n del programa de capacitacion. La desviaci6n
estandar de 1a muestra fue de 12. <.Es posible concluir a partir de estos datos que la media de
la poblad6n es mayor que 70? Sea ex .05. cCuales son los supuestos que se deben cumplir?
7.2.11 Se extrajo una muestra aleatoria de 16 informes de urgencias de los archivos de un servicio
de ambu1ancias. El tiempo medio (calculado a partir de los datos de la muestra) para que las
ambulancias llegaran a sus destinos fue de 13 minutos. Suponga que la poblaci6n de tiempos
sigue una distribuci6n normal con una variancia de 9. posible conduir, en un nivel de
significaci6n de .05, que la media de la poblaci6n es mayor que 10 minutos?
7.2.12 Los siguientes datos son los consumos de oxigeno (en ml) durante la incubaci6n de una
muestra aleatoria de 15 suspensiones celulares:
14.0,14.1,14.5,13.2,11.2,14.0,14.1,12.2,
ILl, 13.7, 13.2, 16.0, 12.8, 14.4, 12.9
cProporcionan estos datos suficiente evidencia, en un nivel de significaci6n de .05, de que la
media de la poblaci6n no es igual a 12 ml? <.Que supuestos se deben cumplir?
7.2.13 Una muestra aleatoria de 20 profesores universitarios aparentemente sanos proporcion610s
siguientes valores de capacidad respiratoria maxima. posible concluir que la media maxima
de respiraci6n no es de 110 litros por minuto?
132,33,91,108,67,169,54,203,190,133,
96,30, 187,21,63, 166,84, 1l0, 157, 138
Sea ex = .01. supuestos se deben cumplir?
EJERCICIOS 227
7.2.14 Los siguientes datos son las presiones sistolicas sanguineas (en mm Hg) de 12 pacientes
sometidos a terapia con medicamentos contra la hipertension:
183, 152, 178, 157, 194, 163, 144, 114, 178, 152, 118, 158
Es posible concluir con base en estos datos que la media de la poblacion esmenor que 165?
Sea ex .05. ~ u e supuestos se deben cumplir?
7.2.15 (Es posible concluir que la edad media de defuncion por la enfermedad de celulas falciformes
homocigotica es menor que 30 afios? Una muestra de 50 pacientes proporciona las siguien-
tes edades en aiios:
15.5 2.0 45.1 1.7 .8 1.1 18.2 9.7 28.1 18.2
27.6 45.0 1.0 66.4 2.0 67.4 2.5 61.7 16.2 31.7
6.9 13.5 1.9 31.2 9.0 2.6 29.7 13.5 2.6 14.4
20.7 30.9 36.6 1.1 23.6 .9 7.6 23.5 6.3 40.2
23.7 4.8 33.2 27.1 36.7 3.2 38.0 3.5 21.8 2.4
Sea ex .05. cQue supuestos deben cumplirse?
7.2.16 Los siguientes datos se refieren a los niveles de presion intraocular (en mm Hg) registrados
en una muestra de 21 individuos de edad avanzada:
14.5 12.9 14.0 16.1 12.0 17.5 14.1 12.9 17.9 12.0
16.4 24.2 12.2 14.4 17.0 10.0 18.5 20.8 16.2 14.9
19.6
(Es posible conduir a partir de estos datos que la media de la poblacion de la cual se extrajo
la muestra es mayor que 14? Sea ex = .05. cQue supuestos se deben cumplir?
7.2.17 Suponga que las calificaciones para el IQ (coeficiente de inteligencia) de una poblacion
adulta siguen una distribucion aproximadamente normal, con una desviacion estandar de
15. Una muestra aleatoria simple de 25 adultos procedentes de esta poblacion tiene un IQ
medio de 105. Con base en estos datos, ~ e s posible conc1uir que el IQ medio para la pobla-
cion es diferente de 100? La probabilidad de cometer un error de tipo 1 es de .05.
7.2.18 Un equipo de investigacion se inc1ina a suponer que la presion sist6lica sanguinea en una
poblaci6n de hombres sigue una distribuci6n aproximadamente normal con una desvia-
cion estandar de 16. Una muestra aleatoria simple de 64 hombres present6 una media de
presi6n sist6lica sanguinea de 133. cProporcionan estos datos suficiente evidencia para con-
c1uir, con un nivel de significaci6n de .05, que la media de la poblaci6n es mayor que ISO?
228 cAPiTULO7 PRUEBADE HIPOTESIS
7.2.19 Unamuestraaleatoriasimple de 16 individuosextrafdadeunapoblaci6ndeadultos pro-
porcion6unpeso promedio de 63 kg. Supongaque los pesos dela poblaci6n siguen una
distribuci6naproximadamentenormalconunavarianciade49. los datosde
la muestrasuficienteevidenciaparaconcluirqueel peso medio dela poblaci6nes menor
que70kg?LaprobabilidaddecometerunerrordetipoIesde.01.
7.3 PRUEBA DE IIIPOTESIS PARA
lA ENTRE lAS
MEDIAS DE DOS POBlACIONES
Lapruebadehip6tesis que involucraladiferenciaentrelas mediasdedospobla-
donesse utilizaconmasfrecuenciaparadeterminarsi es razonable0 noconcluir
quelasdossondistintasentreS1. Entalescasos,sepuedeformularunauotradelas
siguientes,hip6tesis:
1. Ho :III - 112 = 0,
HA :IlJ - 112 * 0
2. Ho :III - 112 0, HA :III 112 < 0
3. Ho :IlJ - 112 S0, HA :III - 112 > 0
Sinembargo,esposibleprobarlahip6tesisdequeladiferenciaes igualque,
mayor0 igualque0 menor0 igualquealg6.nvalordistintodecero.
Comosehizoenlasecci6nanterior,lapruebadehip6tesisquetienequever
conladiferenciaentrelasmediasdedospoblacionesseanalizaentresdiferentescon-
textos: 1) cuando el muestreo se realiza a partirde poblacionescon distribuci6n
normalyvarianciasconocidas; 2) cuandoel muestreoseefecruaapartirdepobla-
cionescondistribuci6nnormalyconvarianciasdesconocidas,y3)cuandoel mues-
treosellevaacaboapartirdepoblacionesquenopresentandistribuci6nnormal.
Muestreo a partir de poblaciones que signen una distribucion nor-
Inal con variancia conocida Cuandocadaunadelasdosmuestrasaleatorias
simplese independientessonextrafdasdeunapoblaci6nquesigueunadistribu-
ci6nnormalconvarianciaconocida,laestadisticadepruebaparalahip6tesisnula
delasmediasigualesdedospoblacioneses
(7.3.1)
dondeel subindice0indicaqueladiferenciaesunparametrosupuesto.CuandoHo
esverdadera,laestadlsticadepruebadelaecuaci6n7.3.1 sigueunadistribucion
normalestandar.
7.3 PRUEBADEHlP6TESISPAKALADlFERENCIAENTRELASMEDIAS 229
EJEMPIJO 7.3.1
Unequipodeinvestigadoresdeseasabersi losdatosquehanrecolectadopropor-
cionanlaevidenciasuficienteparaindicarunadiferenciaentrelasconcentraciones
mediasdeacidouricoenelsuerodeindividuosnormalese individuosconsindro-
medeDown. Los datosconsistenenlas lecturasdeacidourico enelsuerode 12
individuos cansindromedeDowny 15 individuossanos. Lasmediasson Xl = 4.5
mg/100mly x
2
=3.4mg/m!.
Solucion: Sepodradecirquelosdatosofrecenevidenciadequelasmediaspobla-
cionalessondiferentessiesposiblerechazarlahipotesisnulaqueindica
quelasmediassoniguales.Laconclusionseobtienemedianteelproce-
dimientodelos diezpasosdelapruebadehipotesis
1. Datos. Verelplanteamientodelproblema.
2. Supuestos. Losdatoscorrespondenadosmuestrasaleatoriassim-
ples e independientes,cadaunaextraidadeunapoblacionque si-
gue unadistribucion normal, con unavariancia iguala 1 para la
poblaci6nconsfndromedeDown,yde 1.5 paralapoblacionsana.
3. Hipotesis.
Ho: 111 - 112 0
H
A
: 111 112 ;:t; 0
Unaformaalternativaparaenunci;rrlahipotesiseslasiguiente:
Ho: III=:: 112
H
A
: III;:t; 112
4. Estadisticadeprueba. Laestadisticadepruebaestadadaporla
ecuaci6n7.3.1.
5. DistribuciondeIaestadisticadeprueba. Cuandolahipotesisnula
esverdadera,laestadisticadepruebasigueunadistribucionnormal
esrandar.
6. RegIadedecision. Seaa .05.Losvalorescrfticosdezson1.96.
Se rechazaHo a menosque-1.96 < zcalculada <1.96. Las regionesde
rechazoynorechazosemuestranenlafigura 7.3.1.
-1.96 o 1.96
z
Regionderechazo Regiondenorechazo Regionderechazo
FIGURA7.3. t Regionesderechazoynorechazoparaelejemplo7.3.1.
230 CAPITULO7 PRUEBADEHIP6TESIS
7. Calculodelaestadisticadepruebao
(4.5-3.4)-0 1.1
--=2.57
.4282
8. Decisionestadisticao SerechazaHo porque2.57 > 1.96.
90 Conclusion. Seconcluyeque,deacuerdoconestosdatos,hay in-
diciosdequelasmediasdelaspoblacionessondiferentes.
10.Valordep. Paraestaprueba,p= .OlO2.

Imervalo de conJianza de 95 por ciento para J.L
1
- J.L
2
Enel capitulo
anterior, se encontr6queel intervalodeconfianzade95 porcientoparaJ.L
1
J.L
2
,
calculadoapartirdelosmismosdatos,vade.26a1.94.Dadoqueesteintervalono
incluyeel 0, sediceque0noesunvalorcandidatoparaserladiferenciaentrelas
mediaspoblacionales,yseconcluyequeladiferencianoescero. Deestaforma se
llegaalamismaconclusi6npormediodeunintervalodeconfianza.
Muestreo a partir de poblaciones que siguen una distribucion nor-
mal con variancia desconocida Talcomo se dijoanteriormente,cuando
lasvarianciaspoblacionalesnoseconocen,existendosposibilidades.Lasvariancias
dedospoblacionespuedenseriguales0 puedenserdiferentes. Seconsiderapri-
meroel casodondesesabe, 0 es razonablesuponer, quesoniguales.
Poblaciones con variancias iguales Cuandosedesconocenlasvariancias
delaspoblaciones,perosesuponequesoniguales,seconsidera,deacuerdocon10
aprendidoenelcapitulo6, quees adecuadoponderarlasvarianciasdelas mues-
traspormediodelasiguientef6rmula:
(nl -1)si+(n
2
-1)si
s; = --------
nj +n
2
-2
Cuandocadaunadelasdosmuestrasaleatoriassimpleseindependientesseextrae
deunapoblaci6nquesigueunadistribuci6nnormalylasdos poblacionestienen
varianciasdesconocidasperoiguales, laestadisticadepruebaparaHo: J.L
1
= J.L
2
se
obtienemediantelasiguientef6rmula:
(x -
t
z=
= _l_-r===-__
(7.3.2)
lacual,cuandoHo esverdadera,sigueunadistribuci6nt deStudentconn
1
+n
2
- 2
gradosdelibertad.
7.3 PRUEBADEHIPOTESISPARALADIFERENCIAENTRELAS MEDIAS 231
EJEMPLO7.3.2
UnestudiodelosinvestigadoresEidelmanet al. (A-6) tienecomoobjetivoexami-
narlas caracteristicas de destrucci6n pulmonaren personas que fuman cigarros
antesdedesarrollarunmarcadoenfisemapulmonar.Sepracticaronmedicionesde
tresindicesdedestrucci6npulmonarenlospulmonesdepersonaslongevasqueno
fumaban yenpersonas con tabaquismo que murieronrepentinamentefuera del
hospital porcausas no respiratorias. Unacalificaci6n alta indica unmayor dano
pulmonar.Enlatabla7.3.1 semuestranlascalificacionesproducidas.paraunode
los fndices de destrucci6n pulmonarde unamuestra de nueve personas que no
fumany16fumadores. Se pretendesabersi esposibleconcluir, conbaseenlos da-
tos, quelas personasquesf fuman, engeneral, tienenlospulmonesmasdanados
quelaspersonasnofumadoras,como10 indicanlasmediciones.
Solucion:
1. Datos. Verelplanteamientodelproblema.
2. Supuestos. Losdatoscorrespondenadosmuestrasaleatoriassim-
plese independientes;unamuestracorrespondealapoblaci6nde
personasquenofuman(NF),ylaotraalapoblaci6ndefumadores
(F). Lascalificacionesparalosindicesdedestrucci6npulmonaren
ambaspoblacionessiguenunadistribuci6naproximadamentenor-
mal.Noseconocenlasvarianciaspoblacionales,pemsesuponeque
soniguales.
3. Hipotesis. Ho: Il
s
::;; Il
NS
' HA == Ils > ).1NS
4. Estadistica deprueba. La estadfstica de prueba se obtiene me-
diantelaecuaci6n7.3.2.
5. Distribuciondelaestadisticadeprueba. Cuandolahip6tesisnula
esverdadera. la estadistica de prueba sigue una distribuci6nt de
Studentconn
1
+ n
2
- 2gradosdelibertad.
6. RegIa de decision. Sea a, = .05. Los valores criticos de t son
2.0687.Se rechazaHo a menosque-2.0687 < tcalculado < 2.0687.
7. CaIculodelaestadisticadeprueba. Apartirdelos datosmues-
tralessecalcula:
Xs 17.5,ss4.4711, XNS 12.4,SNS 4.8492
Despues,secombinanlasvarianciasdelasmuestrasparaobtener
S2
15
(4.4711)2 + 8(4.8492)2 21.2165
p 15+8
TABlA7.3.1 Calificacionesdelosindicesdedestruccion
pulmonarparaelejemplo7.3.2
Nofumadores: IS.1, 6.0, lO.S, 11.0, 7.7, 17.9, S.5, 13.0, 18.9
Fumadores: 16.6, 13.9, 11.3, 26.5, 17.4, 15.3, 15.S, 12.3, 18.6,
12.0, 24.1, 16.5, 21.S, 16.3, 23.4, IS.S
FUENTE: D.H.EidelmanH. Ghezzo,W D. KimyM. G. Cosio,"TheDestructiveIndexandEarlyLung
DestructioninSmokers",American Review ofRespiratory Disease, 144, 156-159.
232 CAPITULO7 PRUEBADE HIPOTESIS
Ahorase calcula
(17.5-12.4)-0
8. Decisionestadistica. Se rechazaHo porque 2.6573 > 2.0687, es
decir, 2.6573eaedentrodelaregionderechazo.
9. Conclusion. Conbaseenestos resultados, se puedeconcluirque
las dos medias poblacionales son diferentes, es decir, se concluye
que,seglinindieanl?sindicesdel estudio,laspersonasquesffuman
tienenlospulmonesmasdaiiadosquelaspersonasquenofuman.
10. Valordep. Paraestaprueba.01>P>.005,porque2.500< 2.6573
< 2.8073.
Poblaciones con variancias diJerentes Cuando dos muestrasaleatorias
simplesindependienteshansidoextrafdasdepoblacionesquesiguenunadistribu-
cionnormalconvarianciasdesconocidasydiferentes,laestadisticadepruebapara
Ho: III =112 es
2.6573
(7.3.3)
EIvalorcrftieodet' paraunniveldesignificaciona,yunapruebabilateralesaproxi-
madamente
, wltl +w2t2
(7.3.4)
t 1-( "12) =----'---------
WI +W2
donde WI S1
2
~ w
2
= si /n2,tl = t1-1/2) , paran
1
1gradosdelibertad,yt2 =t
1
_(a!2)
paran
2
- 1gradosdelibertad.EI valorcdtieodet
f
paraunapruebaunilateralse
encuentraal calculart'l-iJ. mediantela ecuacion 7.3.4, enla que se utilizatl tJ-iJ.
paranj- 1gradosdelibertadyt2 =tJ-iJ. paran
2
- 1gradosdelibertad.
Paraunapruebabilateralse rechazaHo si elvalorealculadodet' esmayor0
igualalvalorcdticodadoporlaecuacion7.3.4,0 esmenor0 igualalnegativode
esevalor.
Paraunapruebaunilateralconlaregionderechazoenlacoladerechadela
distribucion muestral, se rechazaHo si el cilculo det' es igual 0 mayor quelat'
cdtiea.Paraunapruebaunilateralconunaregionderechazoenlacolaizquierda,
serechazaHosit' esigual0 menoralnegativodelat' critieaealculadapormediode
laadaptaciondelaecuacion7.3.4.
FJEMPLO 7.3.3
Ungrupodeinvestigadoresquieresabersi laspoblacionesdifierenconrespectoal
valor mediodelaactividad delcomplementodelsuero total (C
H50
). Los datos se
7.3 PRUEBADEHIPOTESISPARALADIFERENCIAENTRELASMEDIAS 233
componendelasmedicionesdeC enn = 20individuosaparentementesanosY n
l H50 2
= 10individuosenfermos.Lasmediasdelas muestrasydesviacionesestandarson:
XI = 62.6, 33.8
x
2
=47.2, 10.1
Solucion:
1. Datos. Verelplanteamientodelproblema.
2. Supuestos. Losdatoscorrespondenadosmuestrasaleatoriasinde-
pendientes;unaextraldadeunapoblaci6ndesujetosaparentemente
normales,ylaotraseleccionadadeunapoblaci6ndeindividuosen-
fermos. Se supone que los valores deC
H50
siguenunadistribuci6n
aproximadamentenormalenambaspoblaciones.Lasvarianciasde
laspoblacionesse desconocenysondiferentes.
3. Hipotesis.
Ho :III-11
2
=0
H A : III-11
2
:#= 0
4. Estadistica de prueba. La estadistica de prueba se obtiene me-
diantelaecuaci6n7.3.3.
5. Distribuciondelaestamsticadeprueba. Laestadlsticaqueseobtie-
neporlaecuaci6n7.3.3nosigueunadistribuci6nt deStudent.Por10
tanto,losvalorescdticosseobtienenpormediodelaecuaci6n7.3.4.
6. RegIadedecision. Sea0: .05.Antesdecalculart' secalculaWI =
(33.8)21 10 114.244Yw
2
= (10.1)2/20 =5.1005. EnlatablaEse
encuentraquetl = 2.2622Yt2 = 2.0930. Pormediodelaecuaci6n
7.3.4se calcula
t'= 114.244(2.2622)+5.1005(2.0930) =2.225
114.244+5.1005
Laregiadedeeisi6nes,entonees,reehazarHo si alcalculart ocurre
quees <:: 2.2550 -2.255.
7. Calculo delaestadfstica de prueba. Por medio de la eeuaei6n
7.3.3 se caleula
(62.6 47.2)-0 15.4
t'= =-- 1.41
!(33.8) (10.1)2 10.92
:_-+---
10 20
8. Decisionestadistica. Puestoque-2.255<1.41 <2.255,noespo-
siblereehazarH
o
'
9. Conclusion. Conbase enestos resultados, nose puedeconduir
quelasdosmediasdelas poblacionessondiferentes.
10. Valordep. Paraestapruebap > .05.
234 CAPITULO7 PRUEBADEHIPOTESIS
Muestreo a partir depoblaciones que no presentan distribucion
normal Cuandoelmuestreoserealizaapartirdepoblacionesquenopresentan
distribuci6nnormal,esposibleutilizarlosresultadosdelteoremadellfmitecentral
si eltamafiodelas muestrasesgrande(porejemplo, 30). Estopermiteeluso de
lateorfanormalpuesladistribuci6ndeladiferenciaentrelas mediasdelasmues-
tras sera aproximadamente normal. Cuando se extraen dos muestras aleatorias
simplesindependientesdegranmagnituddeunapoblaci6nquenosigueunadis-
tribuci6nnormal,laestadisticadepruebaparaHo: JI
1
= JI
2
es
(7.3.5)
lacual,cuandoHoesverdadera,sigueunadistribuci6nnormalestandar.Sisecono-
cenlasvarianciasdelaspoblaciones,seutilizan;perosisedesconocen, comosuele
ocurrir, se usancomoestimacioneslasvarianciasdelasmuestras, quepornecesi-
dad se basan enmuestras grandes. Las variancias de las muestras nocombinan,
porquelaigualdaddelasvarianciasdelaspoblacionesnosonunasuposici6nnece-
sariacuandoseutilizalaestadfsticaz.
FJEMPLO 7.3.4
UnarticulopublicadoporBeckeret al. (A-7)enlarevistaAmerican Journal ofHealth
Promotion describeeldesarrollodeunaherramientaparamedirlasbarreraspara
promoverlasaludentrepersonasdiscapadtadas.Losautoresafirmanquelospro-
blemas debarrerassobresalen especialmente de personas discapacitadas que las
experimentanensituadonescomo: empleo, transporte, alojamiento, educaci6n,
seguros devida, acceso arquitect6nico, programas subtituladosy actitudes de la
sociedad.Losestudiossugierenquelasmedicionesdelasbarreraspuedenmejorar
lacomprensi6ndelosprofesionalesde-lasaludrespectoalaprobabilidaddequela
genteparticipeenvariasconductas0 actividadesdepromod6ndelasalud,y pro-
bablementeseanunconstructoimportanteenlaevaluaci6ndeconductasdesalud
delaspersonasdiscapacitadas.Paramediresteconstructo,losinvestigadoresdesa-
rrollaronlaEscaladebarrerasenlasactividadesdepromociondelasaludenper-
sonas discapacitadas. Se obtuvieronlos siguientes resultadosalaplicarla escalaa
unamuestrade 132 discapacitados (D) y a 137 personasnodiscapadtadas(ND):
Muestra Calificaci6nmedia Desviaci6nestandar
D 31.83 7.93
ND 25.07 4.80
FUENTE: Con el permiso de Heather Becker, Alexa K. Stuifbergen y Dolores Sands,
"Developmentofa Scale to MeasureBarriers to HealthPromotionActivities Among
PersonswithDisabilities",AmericanJournal ofHealth Promotion, 5,449-454.
7.3 PRUEBADEHIPOTESISPARALA DIFERENCIAENTRELAS MEDIAS 235
Sepretendesabersiesposibleconcluir,conbaseenestosresultados,que,engene-
ral, las personascondiscapacidad,enpromedio,calificanmasaltoenlaescalade
barreras.
Solucion:
1. Datos. Verlaproposici6ndelproblema.
2. Supuestos. Lasestadfsticasfueroncalculadasapartirdedosmues-
trasindependientesquesecomportancomomuestrasaleatoriassim-
ples deunapoblaci6n de personascondiscapacidady de otra de
personassindiscapacidad. Puestoquesedesconocenlasvariancias
delaspoblaciones;seutilizanlasvarianciasdelasmuestrasparael
dilculodelaestadisticadeprueba.
3. Hipotesis.
Ho: Il
n
- IlNn :::; 0
H
A
: Il
n
- IlNn > 0
0, demaneraalterna,
Ho: Il
n
:::; IlNn
H
A
: Il
n
> IlNn
4. Estadistica de prueba. Dado quese tiene muestras grandes, el
teoremadellfmitecentralpermiteutilizarlaecuaci6n 7.3.5 como
estadfsticadeprueba.
5. DistribuciondeIa estadisticadeprueba. Cuandolahip6tesisnula
esverdadera,laestadfsticadepruebasigueaproximadamenteuna
distribuci6nnormalestandar.
6. RegIadedecision. Seaex .01.Estaesunapruebaunilateralcon
unvalorcriticodez iguala2.33. Se rechazaHo sizcalculada 2.33.
7. Calculodela estadisticadeprueba.
(31.83-25.07)- 0
Z= =8.42
(7.93)2 (4.80)2
---+---
132 137
8. Decision estadistica. Se rechaza Ho porque z = 8.42 esta en la
regi6nderechazo.
9. Conclusion. Estosdatosindicanqueenpromediolaspersonascon
discapacidadcalificanmasaltoenlaescaladebarrerasquelasper-
sonassindiscapacidad.
10. Valordep. Paraestapruebap< .001, porque8.42> 3.89.Cuan-
dose pruebanhip6tesis respecto a la diferenciaentrelas medias
de dos poblaciones, se puede utilizar la figura 6.4.1 paradecidir
r<ipidamentesi laestadisticadepruebadebeserz0 t.
236 CAPITULO 7 PRUEBA DE HIPOTESIS
Con el paquete MINITAB es posible aplicar la prueba de t para dos muestras.
Para ejemplificar, se utilizan los datos de la tabla 7.3.1. Se ponen los datos de los
fumadores y los no fumadores en las columnas 1 y 2, respectivamente, y se procede
como se muestra en la figura 7.3.2.
El paquete estadfstico SAS puede aplicarse a la prueba de t para medias
iguales de dos poblaciones bajo ambas suposiciones respecto a las variancias
poblacionales: que sean iguales 0 diferentes. EI paquete SAS tambien realiza prue-
ba para variancias iguales, tal como se describe en la secci6n 7.8. La figura 7.3.3
muestra los resultados de este paquete para el ejemplo 7.3.2.
Alternativaspara ,t; y t Algunas veces las estadfsticas z y t no son estadfsticas
de prueba adecuadas para utilizarlas con los datos disponibles. Cuando esto ocurre,
es conveniente el uso de una tecnica no parametrica para probar una hip6tesis res-
pecto a la diferencia entre las medidas de tendencia central de dos poblaciones. La
prueba de la mediana yla estadistica de prueba de Mann-Whitney, que se estudian en
el capitulo 13, se utilizan con frecuencia como altemativa para las estadfsticas z y t.
Caja de dialogo: Comandos de la sesi6n:
Stat> Basic Statistics> 2-Sample t MTB > TwoSample 95.0 C2 C1i
SUBC> Alternative 1,
Seleccionar Samples in different columns. SUBC> Pooled.
Teclear C2 en First y Cl en Second.
Selecionar "greater than" en el cuadro de
Alternative. Verificar Assume equal variances.
ClicOK.
Resultados:
Two Sample T-Test and Confidence Interval
Twosample T for C2 vs C1
N Mean StDev SE Mean
C2 16 17.54 4.48 1.1
C1 9 12.43 4.85 1.6
95% C.r. for mu C2 mu C1: (1.1, 9.1)
T-Test mu C2 = mu C1 (vs : T= 2.66 P=0.0070 DF= 23
Both use Pooled StDev 4.61
FIGURA 7.3.2 Procedimiento y resultados de la prueba t para dos muestras, ejemplo
7.3.2 (los datos estan en la tabla 7.3.1). Programa MINITAB.
- - - - - - - - - - - - - - - -
EJERCICIOS 237
The SAS System
TTEST PROCEDURE
Variable: SCORES
GROUP N Mean Std Dev Std Error Minimum Maximum
A 16 17.53750000 4.47524673 1.11881168 11.30000000 26.50000000
N 9 12.43333333 4.84922674 1.61640891 6.00000000 18.90000000
variances T DF Prob>ITI
Unequal 2.5964 15.6 0.0198
Equal 2.6580 23.0 0.0141
For HO: Variances are equal, F' 1.17 DF ( 8, 15) Prob > F' 0.7498
FIGURA7.3.3 Resultadosparaelejemplo7.3.2,medianteelprogramaSAS (datosdela
tabla7.3.1).
EJERCICIOS
En cadauno de los siguientes ejerdcios siga el procedimiento de los diez pasos parala
pruebadehipotesis,establezcalas suposicionesqueseannecesariasparaqueel procedi-
mientoseavalido. Paracada ejercicio,cuandoseaoportuno,expliqueporqueseescogi6
lapruebaunilateral0 bilateral.Analicedequemanerapuedenservirlosresultadosdeesta
pruebade hip6tesis a investigadoresymedicos. cQue decisiones0 acciones medicasyde
investigacionpuedenseradecuadasalaluzdelosresultadosdelas pruebas?
7.3.1 Evanset at. (A-B) realizaronunestudioparadeterminarsi lafrecuenciaylascaracteristicas
delosproblemaspodiatricosenpacientesdelaterceraedadenfermosdediabetespresentan
diferencias con respecto a pacientes de la misma edad pero sin diabetes. Los individuos
estudiados,internadosenunaclfnica,tentande70a90afiosdeedad.Entreloshallazgosde
los investigadores estan las siguientes estadisticas.con respecto a las calificaciones enlas
medidonesdelosreflejostendinososprofundos:
Muestra n Media Desviaci6nestandar
Sindiabetes 79 2.1 1.1
Condiabetes 74 1.6 1.2.
FUENTE: ScottL.Evans,BrentP. Nixon,IrvinLee,DavidLeeyArshag
D. Mooradian,"ThePrevalenceandNatureofPodiatricProblemsin
ElderlyDiabeticPatients",Journal ofthe American Geriatrics Society, 39,
241-245. AmericanGeriatricsSociety.
238
CAPiTULO7 PRUEBADEHIPOTESIS
Sepretendesabersiesposibleconduir,conbaseenlosdatos,que,enpromedio,lospacien-
tes diabeticostienenreflejos tendinososprofundosreducidosencomparaci6nconpacientes
sindiabetesdelamismaedad.SeaIX =.01.
7.3.2 UnestudiodelosinvestigadoresHommesetal. (A-9) tienedosprop6sitos: 1)investigarsi el
gastodeenergfaenreposoaumentaenlaetapaprimaria,sinsfntomasdeinfecci6ndeVIH,
y2)estudiarlascontribucionesrelativasdelaoxidaci6ndecarbohidratosdegrasasdurante
elgastodeenergfaenreposoenlospacientes.Losindividuosestudiadoseran11 pacientes
externosvaronesinfectadosdeVIH,quenopresentabansfntomasycuyasedadeseranentre
23 y 50 afios. EI grupo decontrol estabafarmado por 11 voluntarios varones sanos, con
edadesentre25y51 anos,queresultaronfisicamentenormalesensusexamenesyexpedien-
tesmedicos.Entreloshallazgossetienenlasestadfsticasrespectoalamedici6ndelgastode
energiaenreposo.
Muestra Media ErroresUindardela media
IndividuosconVIH 7116 173
Individuosdecontrol 7058 205
FUENTE: MiIjamj.T. Hommes,johannesA. Romijn, ErikEndertyHansP.
Sauerwein,"RestingEnergyExpenditureandSubstrateOxidationinHuman
ImunodeficiencyVirus(HIV)-InfectedAsymptomaticMen:HIVAffectsHost
Metabolismin theEarly AsymptomaticStage",AmericanJournal ofClinical
Nutrition, 54, 311-315.
cOfrecenestos datossuficienteevidenciaque permitaconduirqueel gasto deenergiaen
reposoaumentadurantelaprimeraetapa,cuandonohaysfntomaspresentesdelainfecci6n
deVIH?SeaIX = .05.
7.3.3 Frigerioetal. (A-I0)midieronlaenergfaconsumidaen32mujeresdeGambia.Dieciseisdelos
individuos estudiados eranmujeresenperiododelactancia (L)y el resto eranm ~ j r s no
embarazadasquenoestabanenetapadelactancia(NENL).Sereportaronlossiguientesdatos:
Muestra Consumodeenergia(kJ/d)
L 5289,6209,6054,6665,6343,7699,5678,6954,6916,
4770,5979,6305,6502,6113,6347,5657
NENL 9920,8581,9305,10765,8079,9046,7134,
8736,10230,7121,8665,5167,8527,7791,8782,6883
FUENTE: ChistianFrigerio,YvesSchutz,RogerWhiteheady Ericjequier,''A NewProcedure
toAssesstheEnergyRequirementsofLactationinGambianWomen",AmericanJournalof
ClinicalNutrition, 54,526-533. AmericanSocietyforClinicalNutrition.
cProveenestosdatossuficienteevidenciaquepermitaconduirquelaspoblacionesmuestreadas
difierenrespectoalamediadeconsumodeenergia?Seaa = .05.
7.3.4 tEs posibleconduirquelos ninos cr6nicamenteenfermos tienden, enpromedio, a tener
menos confianza enSI mismos que los ninos sanos? Se aplic6 unapruebadisenadapara
EJERCICIOS 239
estimarlaconfianzaenSl mismosen16niiioscr6nicamenteenfermosy 21 niiiossanos.Las
calificacionesmediasydesviacionesestandarfueronlassiguientes:
x s
Grupoenfermo 22.5 4.1
Gruposano 26.9 3.2
Seaa = .05.
7.3.5 Uninvestigadordeenfermerfadeseasabersilosgraduadosdelosprogramasdeenfermerfa
anivelbachilleratoy losgraduadosenprogramasasociadosdeenfermerfadifierenencuan-
toalascalificacionesmediasobtenidasenunestudiodepersonalidad. Unamuestrade50
graduadosdeprogramasasociados(grupoA)y unamuestrade60graduadosdebachillera-
to (grupoB) proporcionaronlassiguientesmediasy desviacionesestandar:
Muestra s
A 52.5 10.5
B 49.6 11.2
Conbaseenestosdatos, ~ q u puedeconcluirelinvestigador?Seaa .05.
7.3.6 Unapruebadiseiiadaparamedirlasactitudesdelasmadresencuantoal trabajodepartoy
elperiododeexpulsi6nseaplic6adosgruposdemadresprimerizas.Lamuestra1(asisten-
tes) acudieronadasesdeinstrucci6nprenatalimpartidaseneldepartamentodesalud. La
muestra2(ausentes)noasistieronadases.Eltamaiiodelasmuestras,mediasy desviaciones
estandardelascalificacionesparalaspruebassonlassiguientes:
Muestra n s
1 15 4.75 1.0
2 22 3.00 1.5
cProporcionanestosdatoslaevidenciasuficienteparaindicarquelasasistentes,enprome-
dio, tienencalificacionesmasaltasquelasausentes?Seaa = .05.
7.3.7 Semidieronlasconcentracionesdecortisolendosgruposdemujeresalmomentodedara
luz. AI grupo 1se Ie practic6 unaoperaci6ncesarea de urgencia despues deinducido el
parto. Las delgrupo 2 dierona luzmedianteoperaci6ncesarea0 viavaginaldespues de
presentarseel trabajo de parto espontaneamente. El tamano de las muestras, los niveles
mediosdelcortisoly lasdesviacionesestandarfueronlossiguientes:
Muestra n s
1 10 435 65
2 12 645 80
240 CAPITULO7 PRUEBADE HIPOTESIS
estosdatoslaevidenciasuficienteparaindicarqueexisteunadiferencia en
lasconcentracionesmediasdelcortisolenlasdospoblaciones?Seaa; := .05.
7.3.8 Semidieronlasconcentracionesdeprotoporfirinaendosmuestrasdeindividuos.Lamues-
tra 1consisti6 en 50 varones adultos alcoh6licos con sideroblastos anulares enla medula
6sea.Lamuestra2consisti6en40varonesadultosnoalcoh6licosaparentementesanos. Los
niveles medios deprotoporfirinaylas desviaciones estandardelas dos muestras sonlos si-
guientes:
Muestra x s
1 340 250
2 45 25
posibleconc1uirconbaseenestosdatosquelosnivelesdeprotoporfirinasonmas altos
enlapoblaci6ndealcoh61icosqueenlapoblaci6nnoalcoh6lica? Seaa; =.Ol.
7.3.9 Uninvestigadoresta interesadoensabersi los niiios nacidos prematuramentecon acidosis
metab6licatardiaylosniiiosprematurosquenotienendichaenfermedad,difierenen10que
respecta a las concentracionesenlaorinadecierta sustancia qufmica. Las concentraciones
medias,desviacionesestandaryel tamaiiodelamuestraparaambosgrupossonlossiguientes:
Muestra n s
Conacidosis 35 8.5 5.5
Sinacidosis 40 4.8 3.6
puedeconc1uirelinvestigadorconbaseenestosresultados?Seaa; := .05.
7.3.10 Variosinvestigadoresdeseansabersies posibleconduirquedospoblacionesdeniiiosdifie-
renrespectoalaedadpromedioenlacualpuedencaminarporsfsolos. Losinvestigadores
obtuvieronlos siguientesdatos(edadesenmeses).
Muestradelapoblaci6nA: 9.5,10.5,9.0,9.75,10.0,13.0,
10.0, 13.5, 10.0,9.5, 10.0,9.75
Muestradelapoblaci6nB: 12.5,9.5,13.5, 13.75, 12.0,13.75,
12.5,9.5, 12.0, 13.5, 12.0, 12.0
2Quepuedenconduirlosinvestigadores?Seaa; = .05.
7.3.11 privaci6nsensorialtienealgu.nefectosobrelafrecuenciadelasondasalfadelasperso-
nas?Sedividealeatoriamenteendosgruposaveintevoluntarios.Losindividuosenelgrupo
Asesometieronaunperiododeprivaci6nsensorialdurante10dias,mientrasquelosindi-
241 7.4 COMPARACIONPORPAREJAS
viduosdelgrupoBsirvieroncomogrupodecontrol.AI terminarelperiodoexperimen-
tal,se midi6lafrecuenciadelasondasalfaapartirdeloselectroencefalogramasdeestas
personas.Losresultadossonlossiguientes:
GrupoA: 10.2,9.5,10.1,10.0,9.8, 10.9, 11.4, 10.8,9.7, 10.4
GrupoB: 11.0,11.2,10.1,11.4,11.7,11.2,10.8,11.6,10.9,10.9
Seaa =.05.
7.3.12 msposibleconcluirque, enpromedio,loslinfocitosy lascelulas tumoralesdifierenen
tamafio?Lossiguientesdatossoneldiametrocelular(enwn) de40linfocitosy 50ceIu-
lastumoralesobtenidasapartirdelabiopsiadeltejidodepacientesconmelanoma.
Linfocitos
9.0 9.4 4.7 4.8 8.9 4.9 8.4 5.9
6.3 5.7 5.0 3.5 7.8 10.4 8.0 8.0
8.6 7.0 6.8 7.1 5.7 7.6 6.2 7.1
7.4 8.7 4.9 7.4 6.4 7.1 6.3 8.8
8.8 5.2 7.1 5.3 4.7 S.4 6.4 S.3
Celulas tumorales
12.6 14.6 16.2 23.9 23.3 17.1 20.0 21.0 19.1 19.4
16.7 15.9 15.8 16.0 17.9 3.4 19.1 16.6 IS.9 lS.7
20.0 17.8 13.9 22.1 13.9 18.3 22.S 13.0 17.9 15.2
17.7 15.1 16.9 16.4 22.8 19.4 19.6 18.4 IS.2 20.7
16.3 17.7 18.1 24.3 11.2 19.5 18.6 16.4 16.1 21.5
Seaa = .05.
7.4 COMPARACION POR PAREJAS
Enelamllisisreferentea ladiferenciaentrelas mediasdedos poblaciones,se
supone que las muestras son independientes. Un metodo que se utiliza con
frecuenciaparaaveriguarlaeficaciadeuntratamiento0 procedimientoexperi-
mental es aquel que hace uso de observaciones relacionadas que resultan de
muestrasnoindependientes. Unapruebadehip6tesisquesebasaenestetipo
dedatosseconocecomopruebadecamparacianes par parejas.
242 CAPITULO 7 PRUEBA DE HIPOTESIS
Justificaci6n para uliUzar comparaciones por parejas Con frecuen-
cia sucede que las diferencias reales no existen entre dos poblaciones con respecto
a la variable de interes, pero la presencia de Fuentes extranas de variaci6n pueden
causar el rechazo de la hip6tesis nula de no diferencia. Por otro lado, las diferencias
reales tambien pueden estar enmascaradas por la presencia de factores extranos.
Por ejemplo, supongase que se pretende comparar dos protectores solares
para la piel. Existen al menos dos maneras de llevar a cabo el experimento. Un
metodo seria seleccionar una muestra aleatoria simple de individuos que recibie-
ran el protector solar A y una segunda muestra aleatoria simple e independiente
que recibiera el protector solar B. Se pide a todos los individuos que salgan a bron-
cearse a la luz del sol durante un tiempo espedfico, y despues se mide el dana
causado por los rayos solares. Suponga que se aplica este metodo, pero inadverti-
damente la mayo ria de losindividuos que recibieron el protector solar A tienen pie1
oscura y por naturaleza son menos sensibles a los rayos solares. Digamos que al
terminar el experimento, se encuentra que los individuos que recibieron el protec-
tor solar A tienen menos dafio provocado por la luz del sol. No sena posible saber
si tuvieron menos dana porque el protector solar A fue mas eficaz que el protector
solar B 0 porque la naturaleza de su piel oscura es menos sensible al sol.
Una mejor manera de disenar el experimento sena seleccionar solo una mues-
tra aleatoria simple de individuos y que a cada uno de ellos se Ie aplicaran ambos
protectores solares. Por ejemplo, se asignanan aleatoriamente los protectores sola-
res al lado derecho 0 izquierdo de la espalda de cada individuo de manera que
recibieran ambos productos. Despues de un tiempo espedfico de exposici6n solar,
se.medinan los danos provocados par la luz del sol, en cada mitad de la espalda. Si
la mitad de la espalda que recibi6 el protector solar A tiende a estar menos danado,
puede atribuirse con mas confianza el resultado al protector solar, porque en cada
caso ambos protectores fueron aplicados en una misma piel.
El objetivo en pruebas de comparaci6n por parejas es eliminar un maximo nu-
mero de Fuentes de variaci6n extrafia haciendo parejas similares con respecto a tantas
variables como sea posible.
Las observaciones relacionadas 0 por pares se pueden obtener de muchas for-
mas. Los mismos individuos pueden ser examinados antes y despues de recibir algtin
tratamiento. Se pueden formar parejas de animales del mismo sexo de una misma
camada para asignarles aleatoriamente un tratamiento 0 un placebo. A los pares de
gemelos 0 hermanos se les puede asignar aleatoriamente que reciban dos tratamien-
tos, de tal forma que los miembros de una sola pareja reciban diferentes trata-
mientos. AI comparar dos metodos de anaIisis, el material que se va a analizar se
divide en partes iguales, de modo que una de las partes sea analizada mediante un
metodo y la otra mediante otro. 0 bien, se puede formar parejas de individuos que
compartan una caracterfstica, por ejemplo, la destreza digital, que este relacionada
estrechamente con la medicion de interes, por ejemplo, la calificaci6n obtenida
despues de un tratamiento en alguna prueba que requiera manipulaci6n digital.
En lugar de lIevar a cabo el amilisis con observaciones individuales, se puede
utilizar d
i
, la diferencia entre pares de observaciones, como variables de intens.
Cuando las n diferencias de las muestras calculadas de los n pares de medicio-
nes forman una muestra aleatoria simple extraida de una poblacion de diferencias
243 7.4 COMPARACIONPORPAREJAS
que siguen una distribucion normal, la estadistica de prueba para hipotesis respec-
to a la diferencia de la media poblacional fld es
i1
t=--.::..
(7.4.1)
donde i1 es la diferencia de media muestral, fla es la diferencia de la media
o
poblacional supuesta, sJ Sd /{;;,n es el numero de diferencias muestrales, y sa es
la desviacion estandar de las diferencias muestrales. Cuando Ho es verdadera, la
estadlstica de prueba sigue una distribucion t de Student con n - 1 grados de libertad.
Aunque para empezar se tiene dos muestras, por ejemplo, niveles antes y
despues, no hay por que preocuparse de la igualdad de las variancias, como con las
muestras independientes, porque la variable es la diferencia entre las lecturas en el
mismo individuo, 0 en los individuosque forman elpar, y por 10 tanto, existe una
sola variable. Los calculos aritmeticos al aplicar la prueba de comparacion por pa-
rejas, por 10 tanto, son los mismos que se aplican en pruebas que involucran una
sola muestra, tal como se describe en la seccion 7.2.
El siguiente ejemplo muestra los procedimientos relacionados con la prueba
de comparacion por parejas.
FJEMPLO 7.4.1
Nancy Stearns Burgess (A-ll) condujo un estudio para determinar la perdida de
peso, la composicion corporal, la distribuci6n de grasa corporal y la tasa metab6lica
en reposo en individuos obesos antes y despues de 12 semanas de tratamiento con
dieta muy baja en calorfas (DMBC), y comparar la hidrodensitometria con el an;Hi-
sis de impedancia bioelectrica. Los 17 individuos (nueve mujeres y ocho hombres)
que participaron en el estudio eran pacientes externos de un programa de trata-
miento con base hospitalaria para la obesidad. Los pesos de las mujeres antes y
despues del tratamiento de 12 semanas de DMBC se muestran en la tabla 7.4.1. Se
pretende saber si estos datos ofrecen suficiente evidencia que permita concluir que
el tratamiento es eficaz para reducir elpeso en mujeres obesas.
Soludon: Se puede decir que existe la suficiente evidencia para concluir que el
programa de dietas es eficaz si es posible rechazar la hip6tesis nula que
indica que el cambio en la media de la poblacion fld es cero 0 positivo. Es
posible tomar una decision por medio del procedimiento de los diez
pasos de la prueba de hipotesis.
TABlA7.4.1 Pesos(kg)demujeresobesasantes(A) ydespues(D)
deltratamientode12semanasconDMBC
A: 117.3 111.4 98.6 lO4.3 105.4 100.4 81.7 89.5 78.2
D: 83.3 85.9 75.8 82.9 82.3 77.7 62.7 69.0 63.9
FUENTE: R!nniso otorgado por Nancy Steams Burgess.
244 CAPITULO7 PRUEBADEHIPOTESIS
1. Datos. Losdatoscorrespondenalpesodenueveindividuosantes
y despuesdelprogram aexperimentaldedieta.EIamilisisestadisti-
co se aplica sobreladiferenciaentrelos pesosdeantesydespues.
Lasdiferenciassepuedenobtenerdedosmaneras:primero,seresta
elpesodeantesalpesodedespues(D A); segundoserestaelpeso
dedespuesalpesodeantes(A- D). Seoptaporobtenerlasdiferen-
ciasdelospesosconlaprimeraopci6n:lasdiferenciasd
j
:: D- Ason
-34.0,-25.5,-22.8,-21.4,-23.1,-22.7,-19.0,-20.5,-14.3.
2. Supuestos. Las diferendas que se observan forman la muestra
aleatoriasimpleextraidadeunapoblaci6ndediferenciascondis-
tribuci6n normal quepodrfan sergeneradas bajolas mismas cir-
cunstancias.
3. Hip6tesis. Las hip6tesisnulayalternativa debenestablecerse de
acuerdoconlamaneradeefectruirlarestadelasmediciones para
obtenerlas diferendas. Eneste ejemplo, se pretende sabersi es
posibleconduirqueelprogramaDMBCeseficazparareducirelpeso.
Si resultaeficaz, seesperaria, entonces, quelos pesosdedespues
tendierana sermenoresquelos pesos deantes. Si, por10 tanto, se
restanlospesosdeantesalospesosdedespues(D - A), seespera-
riaquelasdiferenciastendieranasernegativas.Ademas,seespe-
rari'aquelamediadelapoblad6ndecadadiferenciafueranegativa.
Asi que, bajoestascondiciones, preguntarse si es posible conduir
queelprogramaDMBCeseficaz,es10 mismoquepreguntarsesila
diferenciadelamediapoblacionalesnegativa(menorquecero).
Laship6tesisnulay laalternativasonlas siguientes:
Ho: Il
d
;::: 0
H
A
: Ild <0
Si se obtienenlas diferencias restando los pesos dedespues a los
pesosdeantes(A- D) laship6tesispuedenser:
Ho: Ild:5 0
H
A
: Ild> 0
Silapreguntanecesitaraunapruebabilateral,laship6tesisserfan:
independientementedela maneradehacerlaresta paraobtener
lasdiferencias.
4. Estadisticadeprueba. Laestadisticadepruebaadecuadase ob-
tienemediantelaecuaci6n7.1.1.
245 7.4 COMPARACIONPORPAREJAS
a .05
-1.8595 0
I
Region de rechazo Region de no rechazo
FIGURA7.4.1 Regionesderechazoynorechazoparaelejemplo7.4.1.
5. Distribuciondelaestadisticadeprueba. Si la hipotesis nulaes
verdadera,laestadisticadepruebasigueunadistribuci6nt deStudent
conn - 1gradosdelibertad.
6. RegIadedecision. Seaa .05. EIvalorcrlticodet es-1.8595.Se
rechazaHo si el valorcalculadodet es menor0 igual quee1 valor
critico.Lasregionesderechazoy norechazosemuestranenlafigu-
ra7.4.1.
7. Calculodelaestadisticadeprueba. Apartirdelasn 9diferen-
ciasdi' secalculanlassiguientesmedidasdescriptivas:
d= IA (-34.0)+(-25.5)+.. +(-14.3)=-203.3
-22.5889
n 9 9
L(d
i
d)2 nLd
i
2
-(LdY 9(4818.69)-(-203.3)2
= = = =28.2961
n-l n(n-l) 9(8)
-22.5889- 0 -22.5889 7
t= =-12. 395
/9 1.77314
8. Decision estadistica. Se rechaza Ho porque -12.7395 esta enla
regionderechazo.
9. Conclusion. Sepuedeconcluirquee1 programadedietaeseficaz.
10. Valordep.. Para estaprueba,p < .005 porque-12.7395 <
-.3554.

lntervalo de conjianzapara!1d Unintervalodeconfianzade95porciento
para!1
d
sepuedeobtenercomosigue:
d t
J
_(aI2)SJ
-22.5889 2.3060
-22.5889 4.0888
-26.68,-18.50
246 CAPITULO 7 PRUEBADEHIPOTESIS
z
Empleo de la estadistica z Enelanalisisdedatosporparejas,siseconocela
varianciadelapoblaciondelasdiferencias, laestadisticadepruebaadecuadaes
(7.4.2)
Es improbableque(id seconozcaenlapractica.
Sinose puedehacerlasuposiciondequelosvaloresd
i
siguenunadistribu-
cionnormal,esposibleutilizarelteoremadellfmitecentralsin esgrande.Ental caso,
laestadisticadepruebaeslaecuacion7.4.2,y seutilizas
d
paraestimar(id cuando,como
es elcasogeneralmente,sedesconoceestaultima.
SepuedeutilizarelpaqueteMINITABparaprobarhipotesiscondatospor
pares;primero,seobtienenlasdiferenciasdelosparesdedatosy, despues,seapli-
calaoperacionsobrelasdiferencias. Paraejemplificarestecaso,setienenlosdatos
delatabla7.4.1:primerosemeteelgrupodeobservacionesAenlacolumnaIy las
observacionesdelgrupoDenlacolumna2,y despuesseprocedecomosemuestra
enlafigura7.4.2.
Desventajas Elusodelapruebadecomparacionesporparejasnodejadetener
susproblemas.Sisonutilizadosdiferentesindividuosyselesasignaaleatoriamente
dostratamientos, tratardeformarparejasconlosindividuosconrespectoauna0
Caja de Dialogo: Comandos de la sesion:
Calc> Mathematical Expressions MTB > Name C3 = 'diff'
TedearDiffenVariable. MTB > Let 'diff' = C2 C1
EnlacajadeExpressiontedear
C2- Cl. ClicOK.
Stat> Basic Statistics> 1-Sample t MTB > TTest 0.0 'diff';
SUBC> Alternative -1
TedearDiffenVariables.Seleccionar
"lessthan" enlacajadeAlternative.
ClicOK.
Resultados:
Test of mu 0.00 vs mu < 0.00
variable N Mean StDev SE Mean T P-Value
diff 9 -22.59 5.32 1.77 -12.74 0.0000
FIGURA 7.4.2 Procedimientoy resultadosparapruebade comparacionesporparejas.
Ejemplo7.4.1 (datosdellatabla7.4.1).ProgramaMINITAB.
FJERCICIOS
EJERCICIOS 247
masvariablesimportantespuederequerirunagraninversionentiempoydinero.
Otradesventajaeslaperdidadegradosdelibertad.Sinoseutilizanobservaciones
porparejassetienen2n 2gradosdelibertaddisponibles,comparadosconn - 1
cuandose utilizaesteprocedimiento.
Engeneral,paradecidirsiseutiliza0 noelprocedimientodecomparaciones
porparejas,sedebetenerencuentatantolosaspectoseconomicoscomolasventa-
jasqueproveeelcontroldevariacionesextrafias.
Alternativas Silasestadisticasdepruebaz y t nosonadecuadasparautilizarlas
conlos datosdisponibles, elinvestigadortalvezquierautilizaralgunatecnicano
parametricaparaprobarunahipotesisacercadeladiferenciaentrelas medianas.
Enelcapitulo 13 se presentalapruebadelsigno, quepuedeserutilizadaenesos
casos.
Enlossiguientesejercicios,pongaenpracticael procedimientodelosdiezpasosdelaprue-
hadehipotesisconniveldesignificacionespecificado. Paracadaejercicio,dondeseaopor-
tuno, explique porque convieneutilizar lapruebabilateral 0 la unilateral. Analice como
puedenutilizarlos resultadosdelapruebadehipotesislosinvestigadoresymedicos. ~ u e
decisiones0 accionesmedicasydeinvestigacionpuedenseradecuadasalconocerlosresul-
tadosdelaspruebas?
7.4.1 UnarticulopublicadoporKashimaet ai. (A-12) describeunainvestigacionrelacionadacon
lospadresdeniftosconretrasomental,enlacualsepresentainformaci6nsobrelaenseftan-
zadeautocuidadosenunprogramaapoyadoendiferentesmediosdecomunicaci6n,princi-
palmenteatravesdevideotapesymanualesdeinstruccion.Comopartedelestudio,participaron
17familiasenel programadecapacitaci6nimpartidoporpersonalconampliaexperiencia
enproyectosdecapacitaci6npaterna.Antesydespuesdelprogramadecapacitaci6n,seaplico
unapruebadecomportamientoydescripci6na cadajefedefamilia 0 padre principal. EI
examenevahlaelconocimientodelosprincipiosdemodificaciondelcomportamiento.Una
.calificaci6naltaindicamayorconocimiento.Lassiguientescalificacionescorrespondenalas
pruebasdelosjefesdefamilia, antesydespuesdelprogramadecapacitacion:
Antes: 7 6 10 16 8 13 8 14 16 11 12 13 9 10 17 8 5
Despues: 11 14 16 17 9 15 9 17 20 12 14 15 14 15 18 15 9
FUENTE: Datosutilizadosconel permisodeBruceL. Baker,Ph.D.
2Es posibleconduir,conbaseenestosdatos, que elprogramadecapacitaci6naumentael
conocimientorespectoalosprincipiosdemodificaci6ndelcomportamiento? SeaIX := .01.
7.4.2 Schwartzet al. (A-13) realizaronunestudioparaprobarlahipotesisdequeperderpesoen
pacientesapneicoscausadisminuci6ndelapresioncriticadelasviasrespiratoriassuperiores
(Pcrit)yque estas disminuciones estan asociadas con disminuciones enla severidaddela
apnea.LosindividuosestudiadoseranpacientesdelarenombradaClinicadetrastornosdel
248 CAPiTULO7 PRUEBADE HIPOTESIS
sueftoJohnHopkins,aquienessediagnostico,denuevacuenta,apneadelsueftoobstructiva.
Se invitoa los pacientesa participarenunodedosprogramas: elprogramaparabajar de
peso(grupoexperimental)0 elprogramade generales"(gropodecontrol).Entre
losdatosrecolectadosduranteelcursodelestudioestanlassiguientescalificacionesdePcrit
(cmH
2
0)antesydespuesparalosindividuosque perdieronpeso:
Antes: -2.3 5.4 4.1 12.5 .4 -.6 2.7 2.7 -.3 3.1 4.9 8.9 -1.5
Despues: -6.3 .2 -5.1 6.6 -6.8 -6.9 -2.0 -6.6 -5.2 3.5 2.2 -1.5 -3.2
FUENTE: ConelpermisodeAlanR. Schwartz, M. D.
posibleconduir,conbaseenestosdatos, queelprogramaparabajardepesoeseficaz
paradisminuirlapresioncrfticadelasviasrespiratoriassuperiores(Pcrit)? Seaex =.01.
7.4.3 EI propositodeunadelasinvestigacionesrealizadasporAlahuhtaet al. (A-I4)esevaluarla
influenciadelbloqueoextraduralparalaoperaci6ncesareaendiversasvariableshemodinamicas
maternas y fetales, simultaneamente, y determinar si el bloqueo modifica la funci6n del
miocardiofetal. Losindividuosestudiadoseranochoparturientassanascon38a42semanas
deembarazodeunsolofeto, sincomplicaciones,queseriansometidasaoperaci6ncesarea
conanestesiaparabloqueoextradural.Lossiguientesdatoscorrespondenalosvaloresinfe-
rioresdeestavariableenlasdosetapas:
Etapa 1: 70 87 72 70 73 66 63 57
Etapa2: 79 87 73 77 80 64 64 60
FUENTE: ConelpermisodeSeppoAlahuhta, M. D.
suficienteevidenciaestosdatos,conunniveldesignificacionde.05, paraindicar
que,bajocondiciones similaresygenerales,lamediadelapresionarterialdiastolicaenlas
madreses diferenteenlasdosetapas?
7.4.4 Wolinet aI. (A-I5)demostraronquelaluzultravioletadeondalarga(UV) promueveelrela-
jamiento,incrementaelmetabolismodeH
2
0
2
a travesdelacatalasa,yestimulaelconsumo
nomitocondrial de02enelmusculolisavasculardelaarteriapulmonarbovina.Tambien
demostraronquelahipoxiayel cianuroinhibenlarelajaci6nproducidaporlaluzUV yel
metabolismo deH
2
0
2
que dependedelacatalasaenlos musculos delaarteriapulmonar
bovina. Entre lasmedicionesrealizadas porlos investigadores se reportaronlas siguientes
mediciones (nmol/g1min) de la formacion de formaldehidos a partir del metanol por el
musculolisadelaarteriapulmonardurantelairradiaci6nconluzUV enausenciade(A) y
presencia(P) decianuro(1 mMNaCN).
A: 1.850 .177 .564 .140 .128 .500 .000 .759 .332
P: .000 .000 .000 .140 .000 .000 .000 .000 .332
FUEYfE: conelpermisodeMichaelS. Wolin, Ph. D.
estosdatossuficienteevidencia,enunniveldesignificaci6nde .05,paraapoyarlas
afirmacionesdelosinvestigadoresdequeelcianuroimpideelrelajamientoproducidoporla
luzUV?
7.4.5 Los propositosdeunadelasinvestigacionesrealizadasporManceboet aI. (A-16)fueron: I)
evaluarlosefectosmaspeligrososdelainhalaci6ndealbuterolbroncodilatorfl2-agonistaenun
estudiodetrabajorespiratorio (TR), intercambiodegasesypatronesdeventilaci6nenpa-
cientesintubadosconrespiraci6nespontaneaduranteelretirodelventiladormecanico,y2)
YaveriguarsiloscambiosinducidosenTRportalinhalaci6nestan0 norelacionadoscanun
EJERCICIOS 249
efecto broncodilator espedfico. Los individuos eran pacientes adultos intubados (edad me-
dia de 59.5 afios) que se recuperaban de insuficiencia respiratoria aguda y cumplfan otros
criterios tecnicos. Los. siguientes valores de TR Goules/min) se obtuyieron de los individuos
estudiados antes (I) y despues (2) de inhalar el albuterol: .
Paciente COND TR
1 1 6.972
1 2 5.642
2 4.850
2 2 3.634
3 8.280
3 2 5.904
4 1 19.437
4 2 18.865
5 1 14.500
5 2 13.400
6 1 10.404
6 2 8.832
7 1 9.856
7 2 7.560
8 4.531
8 2 4.546
9 1 6.732
9 2 5.893
10 1 7.371
10 2 5.512
11 1 6.037
11 2 4.239
12 12.600
12 2 11.784
13 1 11.067
13 2 12.621
14 5.959
14 2 4.978
15 1 11.739
15 2 11.590
FUENTE: Utilizada conpermiso
del Dr. Jorge Mancebo.
(Ofrecen estos datos suficiente evidencia que permita concluir que, en general, bajo condi-
ciones similares, la inhalaci6n de albuterol tiene efectos en la media de TR? Sea a =.01.
250 CAPiTULO 7 PRUEBADE HIP6TESIS
7.5 PRLlEBADEIUPOTESISPARALA
PROPORCIONDEUNASOLAPOBLACION
Lapruebadehip6tesisdeproporcionespoblacionalesse realizacasi enla misma
formautilizadaparalas mediascuandosonsatisfechas lascondicionesnecesarias
paraemplearlacurvanormaL Puedenefectuarsepruebasunilaterales0 bilatera-
les,dependiendodelacuesti6nqueseplantee.Cuandosedisponedeunamuestra
10 suficientemente grande para la aplicaci6n del teorema del limite central, tal
comoseestudiaenlasecci6n5.5, laestadisticadepruebaes
(7.5.1)
la cual,cuandoHo esverdadera,sigueaproximadamenteunadistribud6nnormal
esGindar.
EJEMPLO 7.5.1
Enunainvestigaci6ndeconsumidoresdedrogasintravenosasenunaciudadgran-
de, Coateset al. (A-17) encontrarona 18 de423 individuosconVIRpositivo. Se
pretendesabersiesposibleconcluirquemenQsde5pordentodelosconsumido-
resdedrogasintravenosasenlapoblacionmuestreadatienenVIRpositivo.
Solucion:
1. Datos. Losdatosseobtienenapartirdelarespuestade423indivi-
duosdeloscuales 18 tenianlacaracteristicadeinteres(VIRpositi-
yo), es dedr, P= 18/423 = .0426.
2. Supuestos. Ladistribucionmuestralde psigueunadistribucion
aproximadamente normal de acuerdo con el teorema del limite
central.
3. Hipotesis.
H: p? .05
o
H:p < .05
A
Se realizaestapruebaenelpuntodeigualdad. La conclusi6na la
quesepuedelIegarseriaigualalaqueselIegariadellevarseacabo
lapruebautilizandounvalorsupuestodep mayorque.05.SiHo es
verdadero,p =.05Yelerrorestandar (Jp No-
tese que se utilizaelvalor supuestodep calcular (Jp' Esto se
hace porque la pruebaentera se basa en la suposici6n de que la
hipotesisnulaesverdadera.Utilizarlaproporcionmuestral, p, para
calcular (Jfj noseriacompatibleconesteconcepto.
4. Estamstica deprueba. La estadistica de prueba se obtieneme-
diantelaecuaci6n7.5.1.
FJERCICIOS
EJERCICIOS 251
5. Distribuciondela estadisticadeprueba. Si lahipotesisnula es
verdadera, laestadistica depruebasigue unadistribucion aproxi-
madamentenormalconunamediadecero.
6. RegIadedecision. Seaa. = .05. El valorcriticodezes-1.645.Se
rechazaHo si el valorcalculadodezes::;; -1.645.
7. Calculodelaestadisticadeprueba.
.0426-.05 = -70
z
I .

8. Decisionestadistica. NoserechazaHo porque-.70>-1.645.
9. Conclusion. Se concluye que la proporcion de lapoblacion que
tieneVIHpositivoprobablementesea.050 mas.
10. Valordep. p =.2420.
Paracadaunode los siguientes ejercicios, Ueve a caboel procedimientodelos diez pasos
paralapruebadehipotesisenelniveldesignificaciondesignado.Paracadaejercicio,cuan-
doseaoportunoexpliqueporqueconvieneutilizarlapruebaunilateral0 labilateral.Anali-
ce que tanutiles pueden serlos resultados de la pruebade hipotesis paralos medicos e
investigadores. acciones0 decisionesmedicas0 deinvestigacionpuedenseradecuadas
alaluzdelosresultadosdelaspruebas?
7.5.1 Diana M. Bailey condujounestudio para exarninar las causas porlas que los terapeutas
ocupacionalesabandonanel campodelaterapiaocupacional(A-IS).Lamuestraesta(orma-
dapormujeres terapeutas ocupacionalescertificadas que dejaronla profesi6ndemanera
temporal0 permanente. De 696individuosquerespondieron a unaencuestaparareunir
datos, 63 porciento decidieron dejar sus empleos para dedicarse a tenery euidara sus
propioshijos. Conbaseenestosdatos, posibleconduirque, engeneral,masde60por
cientodelosindividuosenlapoblaci6nmuestreadadecidierondejarsusempleosparadedi-
carsea tenerycuidara sus propioshijos? Seaex, .05. ,Cuales la poblacionmuestreada?
,Quesuposicionessonnecesariasparaqueel procedimientoseavaJido?
7.5.2 Enunarticulopublicadoenla revistaAmerican Journal of Puhlic Health, Colsheret al. (A-I9)
describenlosresultadosdeunaencuestadesaludaplicadaa 119convictosvaronesde50mos
de edady mayores residentes de las instalaciones de uncentro de readaptacion social del
estado. Se encontro que 21.6 porciento delos encuestados dijeron tener antecedentesde
enfermedadesvenereas. Conbaseenestoshallazgos, posibleconduirqueenlapoblacion
muestreadamasde15porcientotieneantecedentesdeenfermedadesvenereas?Seaex, = .05.
7.5.3 Henninget al. (A-20) encontraronque66porcientodelos niftos enuna muestrade670
completarontodalaseriedevacunascontralahepatitisB. ,Esposibleconduirque,conbase
enestosdatos,enlapoblaci6nmuestreada,masde60porcientotienenlaseriecompletade
vacunascontralahepatitisB? Seaex, = .05.
252 CAPiTULO 7 PRUEBADE HIP6TESIS
7.5.4 Elsiguientecuestionariofuerespondidopor unamuestraaleatoriasimplede250ginec610gos.
Enlosrecuadrosapareceelnumerodeginec610gosqueeligi61arespuestacorrespondiente:
1. tienelaoportunidaddeelegir,queprocedimientoprefiereparaobtenermues-
trasdelendometrio?
a)Dilataci6nylegrado11751
b)Aspirad6nVobra
2. iAtendi6duranteelaiiopasadoa una0masmujeresembarazadasconaltasconcentra-
cionesdeplomoenlasa:Qgre?

b) No12251
3. como rutinaponeral tantoa sus pacientes embarazadasdequefumar es
riesgosoparaelfeto?
a) S1 12381
b) No [gJ
msposibleconduirapartirdeestosdatosque,dela poblaci6nmuestreada,masde60por
cientoprefiereel metododedilataci6ny legradoparaobtenermuestras del endometrio?
Seaa .01.
7.5.5 Deacuerdoconlos datos delejercicio 7.5.4, posibleconduirque, dela poblacion
muestreada,menosde15 porcientodelosginec610gosatendieronduranteelaiiopasa-
doa una0masmujeresembarazadasconaltasconcentracionesdeplomoenlasangre?
Seaa == .05.
7.5.6 De acuerdo con los datos del ejercicio 7.5.4, posible conduir que mas de 90 por
cientodelosmedicosponealtantoasuspacientesdequefumaresriesgosoparaelfeto?
Seaa == .05.
7.6 PRUEBADEHIPOTESISPARA
lADIFERENCIAENTRE lAS
PROPORCIONESDEDOSPOBIACIONES
Lapruebaque se utilizaconmasfrecuencia conrelaci6n aladiferenciaentrelas
proporciones de dos poblaciones es aquella en la que su diferencia es cero. Sin
embargo, es posible probarque dicha diferencia es igual a algt1n otro valor. Es
posibleefectuarpruebastantounilateralescomobilaterales.
Cuandolahip6tesisnulaquevaaprobarseesPI - P2 0, sesuponequelas
proporcionesdelasdospoblacionessoniguales. Estoseutilizacomojustificaci6n
paracombinarlosresultadosdelasdosmuestrasyobtenerunaestimaci6nponde-
radadelaproporci6ncomlinsupuesta.Siseadoptaesteprocedimiento,secalcula
7.6 PRUEBADE HIPOTESISPARALADIFERENCIAENTRELAS PROPORCIONES 253
dondeXI YX
2
son, respectivamente, el numerodelaprimeraysegundamuestraque
poseenlacaracteristicadeinteres.EstaestimacionponderadadeP= PI =P
z
seutiliza
paracalcular (Jp,_p,' elerroresrandarestimadoparaelestimadorescomosigue:
(7.6.1)
Laestadisticadepruebaseconvierteen
(7.6.2)
la cual sigue unadistribucion aproximadamente normal estandar si la hipotesis
nulaesverdadera.
EJEMPLO7.6.1
Enunestudiodecuidadosnutricionalesenasilosparaancianos,LanyJustice(A-21)
encontraronqueentre55pacientesconhipertension,24tenianunadietaconres-
tricciondesodio.De149pacientessinhipertension,36tenfanunadietasinsodio.
msposibleconcluirque,enlaspoblacionesniuestreadas,laproporciondepacien-
tescondietarestringidaensodioes mayorentrepacientesconhipertensionque
entrepacientessinhipertension?
Solucion:
l. Datos. Los datoscorrespondena la informaciondelconsumode
sodibenlasdietasdelospacientesintemadosenelasilodeancia-
nosconysinhipertension, talcomosedescribeenlaproposicion
delejemplo.
2. Supuestos. Se supone que los pacientes estudiados forman una
muestraaleatoriaindependienteextraidadepoblacionesconysin
hipertension.
3. Hipatesis.
Ho: PH '5; PH 0 PH - PH '5; 0
H
A
: PH> PH 0 PH PH >0
dondePH eslaproporciondelapoblaciondepacienteshipertensos
con dietas bajasensal, y PH es la proporcion de la de
pacientessinhipertensioncondietasbajasensal.
4. Estadfstica deprueha. Laestadfsticade prueba se obtiene me-
diantelaecuacion7.6.2.
5. Distrihuciondelaestadisticadeprueha. Si lahip6tesisnulaes
verdadera,laestadisticadepruebasigueaproximadamenteunadis-
tribucionnormalestandar.
254 CAPITULO7 PRUEBADE HIPOTESIS
6. RegIadedecision. Seaa. = .05. El valorcriticodezes 1.645. Se
rechazaHo si elvalordezes mayorque 1.645.
7. CaIculodelaestadisticadeprueba. Apartirde los datos de la
muestrasecalcula PH = 24/55 .4364, hi. 36/149::= .2416,y P
= (24+36)/(55+ 149) .2941.Elvalorcalculadoparalaestadistica
es,entonces:
z=--;===(=.4=36=4=.=24=1=6=)====2.71
/(.2941)(.7059) (.2941)(.7059)
55 +
149
8. Decisionestadistica. Se rechazaHo porque2.71 > 1.645.
9. Conclusion. La proporciondepacientescondietarestringidaen
sodioesmayorentrelospacienteshipertensosqueentrelospacien-
tes sinhipertension.
10. Valordep. Paraestaprueba,p = .0034.

EJERCICIOS
Paracadaunodelos siguientesejercicios, llevea cabo elprocedimiento de los diezpasos
paralapruebadehip6tesis. Paracadaejercicio, cuandoseaoportuno,expliqueporque se
utilizalapruebaunilateral,0 labilateral.Analicequetan utilespuedenserlosresultadosde
lapruebadehip6tesisparalosmedicoseinvestigadores.(Queaccionesydecisionesmedicas
odeinvestigaci6npuedenseradecuadasalaluzdelosresultadosdelaspruebas?
7.6.1 BabaianyCamps(A-22) afirmanqueelantigenoespedficoprostiitico(AEP), encontradoen
las celulas ductales epiteliales de lapr6stata, es espedfico para el tejido prostiitico y es
detectableenel suero de hombres con pr6statanormaly enhombres conenfermedades
benignas0 malignasdeestaglandula. Los investigadoresdeterminaronlosvaloresdeAEP
enunamuestrade124 hombresquesesometierona unabiopsiadelapr6stata.Sesentay
siete hombres ternan concentraciones elevadas de AEP (>4 ng/ml). De estos, a 46 se les
diagn6sticocancer.Diezdelos57hombresconvaloresaeAEP 4ng/mltentancancer,Con
baseenestosdatos,(esposibleconduirque,engeneral,loshombresconvaloreselevadosde
AEP tienenmayorprobabilidaddetenercancerdepr6stata?Seaa =.01.
7.6.2 Lamayoriadelaspersonasquedejandefumar, sequejandequealhacerlosubendepeso.
Hallet al. (A-23) diseftaronunanuevatecnicaparaprevenirquelagentesubadepeso, la
cualcompararoncontraotrasdoscondicionesqueindutanunacondici6ncontroldetrata-
mientoestandarideadapararepresentarlaatenci6nestandardelsobrepeso inducido por
dejardefumar. Unadelaship6tesisdelosinvestigadoreseraquelastasasdeabstinenciade
tabacosenanmayoresconlanuevatecnicaquelasregistradasenlasotrasdoscondiciones.
De53 individuosasignadosalanuevacondici6n, 11 dejarondefumaralfmalde52sema-
nas.Diecinuevedelos54individuosasignadosalacondici6ndecontrolseabstuvieronhasta
e1 final delmismo periodo. (Ofrecenestos datossuficiente evidenciaparaapoyar, con un
niveldesignificaci6nde.05,lahip6tesisdelosinvestigadores?
255 7.7 PRUEBADEHIPOTESISPARALAV ARIANCIADEUNASOLAPOBLACION
7.6.3 Ciertas investigaciones sugieren que entre pacientes con depresi6n unipolar primaria se
registraunatasaaltadealcoholismo. Unainvestigaci6nrealizadaporWinokuryCOrYell
(A-24) profundizanenestaposiblerelaci6n. Entre210familiasdemujerescondepresi6n
unipolarprimariagrave,losinvestigadoresencontraronqueelalcoholismoestabapresen-
te en89. Entre 299familias catalogadascomofamiIias decontrolenlainvestigaci6n, el
alcoholismoestuvopresenteen94. ~ f r e c e n estosdatossuficienteevidenciaparaconcluir
queel alcoholismoes masprobabledeencontrarenfamilias conintegrantesquetienen
depresionunipolar?Seaex; ==.05.
7.6.4 Enunestudiosobreobesidadseobtuvieronlossiguientesresultadosapartirdemuestrasde
hombresymujeresentrelasedadesde20y75 aDos:
n Consohrepeso
Hombres 150 21
Mujeres 200 48
msposibleconcluirapartirdeestosdatos queenlas poblacionesmuestreadasexistedife-
renciaenlasproporcionesdeindividuosconsobrepeso?Seaex; = .05.
7.7 PRUEBA DE IDPOTESIS PARA IA
VARIANCIA DE UNA SOIA POBIACION
Enlasecci6n6.9seestudialamaneradeconstruirunintervalodeconfianzaparala
varianciadeunapoblaci6ncondistribuci6nnormal.Losprincipiosgeneralesque
sepresentanendichasecci6npuedenserutilizadosparaprobarunahip6tesisres-
pectoalavarianciadeunapoblaci6n.Cuandolosdatosdisponiblesparaelamilisis
formanunamuestraaleatoriasimpleextrafdadepoblacionesquesiguenunadis-
tribuci6nnormal,laestadfsticadepruebaparalahip6tesisacercadelavarianciade
unapoblaci6nes
(7.7.1)
la cual. cuandoHo es verdadera, sigue una distribud6n%2 conn - 1 grados de
libertad.
FJEMPLO 7.7.1
El prop6sitodeunestudiodeGundelet al. (A-25) fue examinar1a liberaci6n de
mediadores generados nuevos y preformadosenrespuestaa la inhalad6ndeun
alergenoenprimatesalergicos.Losindividuosestudiadoseran12monosmacacos
adultosmachos, redentementecapturadosy quecumplfandertoscriteriosdeles-
tudio.Entrelosdatosreportadosporlosinvestigadoresestabaunerrorestandarde
1amediadelamuestrade.4paraunodelosmediadoresrecuperadosenlosindivi-
duosdelestudiomediantelavadobroncoalveolar. Sepretendesabersies posible
condUITapartirdeestosdatosquelavarianciade1a poblaci6nesdiferentede4.
256 CAPiTULO7 PRUEBADE HIPOTESIS
Solucion:
1. Datos. Veaselaproposiciondelejemplo.
2. Supuestos. Lamuestradelestudioes unamuestraaleatoriasim-
pleextrafdadeunapoblaciondeanimalessimilares.Losvaloresde
losmediadoressiguenunadistribuci6nnormal.
3. Hipotesis.
Ho: 0'2;;:: 4
H : 0'2 =/. 4
A
4. Estadistica de prueba. La estadfstica de prueba se obtiene me-
diantelaecuaci6n7.7.1.
5. Distribuciondelaestadisticadeprueba. Cuandolahip6tesisnula
es verdadera,laestadfsticadepruebasigueunadistribuci6ndeX2
conn - 1gradosdelibertad.
6. RegIadedecisi6n. Seaa = .05.LosvalorescriticosdeX2 son3.816
y21.920.SerechazaHo amenosqueelvalorcalculadodelaestadfs-
ticadepruebaesteentre3.816y21.920.Lasregionesdeaceptaci6n
yrechazoaparecenenlafigura7.7.1.
7. CaIculodelaestadisticadeprueba.
52 == 12(2.4}2 1.92
(U}(1.92)
X2;;:: =5.28
4
8. Decisionestadistica. No se rechazaHo porque 3.816 < 5.28
< 21.920.
9. Conclusion.Conbaseenestosdatos,noesposibleconduirque la
varianciadelapoblaci6nesdiferentede4.
10. Valordep. Ladeterminaci6ndelvalor pparaestapruebaescom-
plicadaporelhechodequesetratadeunapruebabilateralyuna
distribucionmuestralasimetrica.Cuandose tieneunapruebabila-

.025

2
o 3.816 21.920
X11
____Al__________ __-.r-______JL________
Regi6n de rechazo Regi6n de no rechazo Regi6n de rechazo
FlGURA7.7.1 Regionesderechazoy norechazoparael 7.7.1..
FJERCICIOS
EJERCICIOS 257
teral y una distribuci6n muestral simetrica, como la normal estandar
a t, es posible, como ya se seiial6, duplicar el valor p unilateral. EI
problema surge cuando se intenta hacer esto con una distribuci6n
muestral asimetrica, como la distribuci6n de ji-cuadrada. En esta
situaci6n se sugiere que se registre en el informe el valor dep unila-
teral junto can la direcci6n de la desviaci6n observada de la hip6te-
sis nula. De hecho, es posible seguir este procedimiento en el caso
de distribuciones muestrales simetricas. Sin embargo, se via previa-
mente que favorece duplicar el valor de punilateral cuando la prue-
ba es bilateral e involucra una distribuci6n muestral simetrica.
Para este ejemplo, entonces, se reporta el valor de pcomo sigue:
p > .05 (prueba bilateral). Los datos de la muestra sugieren una
variancia menor que 4, pero esta hip6tesis no esta apoyada de ma-
nera suficiente par la prueba.
Si el problema se plantea en terminos de la desviaci6n estandar,
es posible elevarla al cuadrado y efectuar la prueha como se indica
en los parrafos anteriores.
Prueba unila1eral Aunque este ejemplo tuvo una prueba bilateral, la prueba
unilateral tambien puede hacerse can modificaciones 16gicas del procedimiento:
Para H A : cr
2
> se rechaza Hn si el valor calculado de X2
Para H A : cr
2
< se rechaza H 0 si el valor calculado de X
2

Para cada uno de los siguientes ejercicios, lleve a cabo el procedimiento de los diez pasos
para la prueba de hip6tesis. Para cada ejercicio, donde sea oportuno, explique por que se
utiliza la prueba unilateral 0 la bilateral. Analice que tan utiles pueden ser los resultados de
la prueba de hip6tesis para los medicos e investigadores. (Que acciones 0 decisiones medi-
cas 0 de investigaci6n pueden ser adecuadas a la Luz de los resultados de las pruebas?
7.7.1 Infanteetal. (A-26) llevaron a cabo un estudio devalidaci6n del metodo de dosis aplicadade
soluci6n de deuterio a mujeres en etapa de lactaci6n para medir el consumo de leche mater-
na por parte de los bebes. Los individuos estudiados eran 10 lactantes hospitalizados en una
clinica de recuperaci6n y nutrici6n en la ciudad de Santiago de Chile. Entre los datos reco-
lectados y analizados estaba la medici6n del agua ingerida a partir de la cuallos investigado-
res calcularon una desviaci6n estandar de 124 (mlldfa). Se pretende saber si es posible concluir
que la desviaci6n estandar de la poblaci6n es menor que 175. Sea a = .05.
7.7.2 Greenwald y Henke (A-27) compararon el tratamiento y los riesgos de mortalidad entre los
pacientes con cancer de prostata que recibfan atencion en una clfnica de salud publica y
aquellos que recibfan atenci6n medica en alguna organizaci6n de cuidados de la salud (OCS).
Entre los hallazgos, los investigadores reportaron, para una muestra de 44 pacientes atendi-
dos en OCS, un error estandar de 2.33 para los resultados de la media de la muestra.
cen estos datos suficiente evidencia para indicar que la desviaci6n estandar de la poblaci6n
es menor que IS? Sea a .01.
258 CAPITULO 7 PRUEBADE HIPOTESIS
7.7.3 Seregistraronlosvaloresdelacapacidadvital deunamuestrade 10pacientescon obs-
truccioncr6nicaseveradelasviasrespiratorias.Lavarianciadelas 10observacionesfue
de .75. Pruebelahip6tesis nulaque indicaquelavarianciadela poblaci6nes de 1.00.
Seaa. =.05.
7.7.4 Se registraronlosvaloresdehemoglobina(g%) deunamuestrade20ninosqueformaban
partedeunestudiodeleucemiaaguda. Lavarianciadelasobservacionesfuede5.
cionanestosdatossuficienteevidenciaparaindicarquelavarianciadelapoblacionesmayor
que4?Seaa. =.05.
7.7.5 Una muestra de 25 administradores de hospitales grandes particip6 en un estudio para
investigarlanaturalezayelgradodefrustraci6nytensionemocionalasociadosconeltraba-
jo. A cada participante se Ie hizo una prueba con el fin de estimar el grado de tensi6n
emocionalqueexperimentabacomoresultadodelosdeberesyresponsabilidadesasociados
asutrabajo.Lavarianciadelosresultadosobtenidosfuede30. posibleconcluirapartir
deestosdatosquelavarianciadelapoblaciones mayorque25?Seaa. .05.
7.7.6 Enunestudiorealizadoen15pacientesconenfermedadsarcoidepulmonar,semidieronlas
concentracionesdegasesenlasangre.LavarianciadelosvaloresdePao (enmmHg)fuede
450.Pruebelahipotesisnulasegtinlacuallavarianciadelapoblaci6nes
2
mayorque250.Sea
a. = .05.
7.7.7 Unanalisisdelliquidoamnioticodeunamuestraaleatoriasimplede15mujeresembaraza-
dasproporcionolas siguientescantidadesdeltotaldeproteina(gramosporcada 100ml):
.69, 1.04, .39, .37, .64,.73, .69,l.04,
.83, 1.00, .19, .61, .42, .20, .79
estosdatoslaevidenciasuficienteparaindicarquelavarianciadelapobla-
ci6nesmayorque .05?Seaa. = .05. suposicionessonnecesarias?
7.8 PRlJEBA DE mPOTESIS PARA LA RAZON
DE lAS VARIANCIAS DE DOS POBLACIONES
Comosemencion6,el usodeladistribud6nt paraconstruirintervalosdeconfian-
zayprobarhip6tesisparaladiferenciaentrelasmediasdedospoblacionessupone
quelasvarianciasdelaspoblacionessoniguales.ComoregIa,lasiinicasindicacio-
nesacercadelasmagnitudesdelasvarianciasrespectivassonlasvariandascalcula-
dasapartirdelasmuestrasextraidasdelaspoblaciones.Serfaconvenientesabersi
ladiferenciaqueindudablementeexisteentrelasvarianciasdelasmuestrasindica
unadiferendaverdaderaenlasvariandasdelaspobladones,0 siladiferenciaesde
talmagnitudquepudierahaberaparecidocomoresultados610delazarcuandolas
varianciasdelaspobladonessoniguales.
Dos metodosdeam1lisis qufmicopuedendarlos mismos resultadosenpro-
medio.Sinembargo,es posiblequelosresultadosobtenidospormediodeunme-
todoseanmasvariablesquelosresultadosdelotro. Seriaconvenientecontarcon
algiinmetodoquepermitieradeterminarsiesprobablequeestoseaderto.
259 7.8 PRUEBA DE HlPOTESIS PARA LA RAZON DE LAS VARIANCIAS
Prueba de la ra,.,onpara la variancia Las decisiones referentes ala compa-
rabilidad de las variancias de dos poblaciones se basan por 10 general en la prueba de fa
raz6n para fa variancia, que es una prueba de la hipotesis nula que indica que las varian-
cias de dos poblaciones son iguales. Cuando se prueba esta hipotesis, de hecho se esta
probando la hipotesis de que la razon de dichas poblaciones es igual a 1.
En e1 capitulo anterior se estudio que, cuando son satisfechas ciertas suposi-
ciones, la cantidad (st 1 an s ~ 1aD sigue una distribucion F con los grados de
libertad nj -I en el numerador y n
2
1 en el denominador. Si la hipotesis indica que
af a ~ , se supone que la hipotesis es verdadera y que las dos variancias se anulan
en la expresion anterior y queda sl21 s:, la cual sigue la misma distribucion E La
razon S]2 1s ~ se designa mediante las siglas RV., la razon de la variancia.
Para una prueba bilateral, se sigue la convencion de colocar la variancia ma-
yor en e1 numerador y se obtiene el valor cntico de F para a)2 y los grados de libertad
adecuados. Sin embargo, para una prueba unilateral, se determina cmil de las dos .
variancias se ha de poner sobre el numerador mediante el enunciado de la hipote-
sis nula. Por ejemplo, para la hip6tesis nula que dice que af ::;; a ~ , la estadfstica de
prueba adecuada es R.V. = Sl2 1s:. Se obtiene el valor crftico de F para a. (y no para
a)2) y los grados de libertad adecuados. De modo semejante, si la hipotesis nula es
af ~ a ~ , la estadistica de prueba adecuada es R.V. s: 1S12. En todos los casos, la
regia de decisi6n es rechazar la hipotesis nula si la RV. calculada es mayor 0 igual
que el valor critico de E
EJEMPLO 7.8.1
Behr et al. (A-28) investigaron las alteraciones de la termorregulaci6n en pacientes
con determinados adenomas pituitarios (P). La desviacion estandar de los pesos de
una muestra de 12 pacientes fue de 21.4 kg. Los pesos de la muestra formada por
cinco individuos de control (C) produjo una desviacion estandar de 12.4 kg. Se
pretende saber si es posible conduir que los pesos de la poblacion representada por
los pacientes de la muestra ofrecen mayor variabilidad que los pesos de la pobla-
ci6n representada por la muestra de individuos de control.
Soluci6n:
1. Datos. Vease la proposici6n del ejemplo.
2. Supuestos. Cada una de las muestras es una muestra aleatoria sim-
ple extraida de una poblacion de individuos similares. Las muestras
son independientes, y los pesos de ambas poblaciones siguen una
distribucion aproximadamente normal.
3. Hip6tesis.
Ho : a ~ ::;; a ~
HA :a; > a ~
4. Estadlsticadeprueba.
RV. s; /s ~
260 CAPiTULO7 PRUEBADE HIPOTESIS
EJERCICIOS
Regi6n de no rechazo Regi6n de rechazo
FIGURA7.8.1 Regionesderechazoy norechazoparael ejemplo7.8.1.
5. DistribuciondeIaestadisticadeprueba. Cuandolahip6tesisnula
esverdadera,laestadfsticadepruebasigueunadistribuci6nF con
np - 1gradosde comonumeradorync - 1comodenomi-
nador.
6. RegIadedecision. Sea(l == .05.ElvaloruiticodeF, extraidodela
tablaG, es5.91. Esimportanteobservarquela tablaGnocontiene
unaentradaparael numeradorde 11 gradosdelibertad,ypor10
tanto, 5.91 se obtienemediante el usode 12, que es el valor mas
cercanoa11 enlatabla.SerechazaHosiR.v. 5.9LLasregionesde
rechazoynorechazoaparecenenlafigura7.8.1.
7. CaIcuiodeIaestadisticadeprueba.
R.V.=(21.4)2 2.98
(12.4)2
8. Decisionestadistica. NoesposiblerechazaraHo porque2.98 <
5.91; es decir, laraz6ncalculadacaedentrodelaregi6ndeno re-
chazo.
9. Conclusion. Esposiblequelospesosdelapoblaci6ndepacientes
notengamayorvariabilidadquelaquepresentanlos pesos de los
individuosdecontrol.
10. Valor dep. Puesto que el valorcalculado de R.V. 2.98 es menor
que3.90,el valorp paraestapruebaesmayorque.10.
En los siguientes ejercicios aplique el procedimientode los diez pasos parala pruebade
hip6tesis. Paracadaejercicioexpliqueporqueesconvenienteutilizarlapruebaunilateral0
labilateral.Analiceque tanutilespuedenserlosresultados dela pruebadehip6tesispara
losmedicoseinvestigadores. accionesy decisionesmedicas0 deinvestigaci6npueden
seradecuadasalaluzdelosresultadosdelaspruebas?
EJERCICIOS 261
7.8.1 Perryetal. (A-29)realizaronunestudioparadeterminarsiexistecorrelaci6nentrelaconcen-
traci6ndedozapinaylarespuestaterapeutica.Losindividuosestudiadoseranpacientescon
diagn6stico de esquizofrenia paraquienes se cumplfan otros criterios. AI final de cuatro
semanas de tratamiento a base dedozapina, se dasific6 a los sujetos comopacientes que
respondieronypacientesquenorespondieronaltratamiento.Lasdesviacionesestandarde
lascalificaciones,conbaseenlaEscalabrevededasificaci6npsiquiatricafuede2.6entrelos
11 pacientesquerespondieronaltratamientoy7.7entre18pacientesquenorespondieron
al tratamiento,cuandoestetermin6. En general, conbase enestosdatos, ,esposiblecon-
duirquelavarianciadelascalificacionesdelaescaladelospacientesquenorespondieron
altratamientoesmayorquelavarianciadelascalificacionesdelos pacientesquesf10hicie-
ron?SeaIX =.05.
7.8.2 Studenskietal. (A-30)condujeronunestudioenelqueparticiparonindividuosdelatercera
edadquesufriancafdassinmotivoaparente(grupoconcaidas)ypersonasdelaterceraedad
fisicamente sanas(grupodecontrol). Entreloshallazgosreportadosporlosinvestigadores
estanlasestadisticasrespectoalalatencia(ms)delatibiaanterior(TA).Ladesviaci6nestandar
fue de23.7 parala muestrade 10 individuoscondisfunci6ny15.7 parala muestrade24
individuosdelgrupodecontrol.(Ofrecenestosdatossuficienteevidenciaparaconduirque
lavariabilidaddelascaIificacionesparaestavariabledifiereentrelaspoblacionesrepresen-
tadasporlosdosgrupos?SeaIX =.05.
7.8.3 Seefectu6unapruebaparaestimarelnive!deangustiadeunamuestradepacientesvarones
y deunamuestra de pacientes mujeres poco antes de practicarles la mismaintervenci6n
quirfugica. Lostamaiiosdelasmuestrasylasvarianciasca1culadasa partirdelospuntajes
obtenidossonlos siguientes:
Varones: n =16, S2 =150
Mujeres: n 21, S2 =275
(Proporcionanestosdatoslaevidenciasuficienteparaindicarque,enlaspoblacionesrepre-
sentadas,lospuntajesobtenidosporlasmujeressonmasvariablesquelosobtenidosporlos
hombres?SeaIX =.05.
7.8A En unexperimentoparaestimarlosefectosdelhumodedgarrillosobrelasratas,seexpusoa11
animalesalhumodecigarrillossinfittro,yotms11animalesdecontrolnofueronexpuestos.AI
terminodelexperimentosemidi6lafrecuenciadeparpadeo(parpadeoI mina200C) encada
animal.Lavariandaparaelgrupoexpuestofuede3400yde1200paraelgruponoexpuesto.
andicanestosdatosquelasvarianciasdelaspoblacionessondiferentes?SeaIX .05.
7.8.5 Secompar6laeficaciadedosanalgesicosconbaseeneltiempotranscurridodesdesuadmi-
nistraci6nhastaelmomentadelcesedeldolor.Treintapacientesrecibieronelmedicamento
2
1,yotros13elmedicamento2. Lasvarianciasdelasmuestrasson 5
1
64y si = 16.Pruebe
la hip6tesis nula que indica que las variancias de las dos poblaciones representadas son
iguales.SeaIX =.05.
7.8.6 Se efectuarondeterminacionesdelvolumendelpaquetecelularendosgruposdeniiioscon
enfermedadcardiacacian6ticacongenita.Lostamaiiosdelasmuestrasylasvariandasfueron:
Grupo n
1 10 40
2 16 84
dProporcionanestosdatosevidenciasuficienteparaconduirquelavarianciadelapoblaci6n
2es mayorquelavarianciadelapoblad6nI?SeaIX .05.
262 CAPiTULO 7 PRUEBADEHIPOTESIS
7.8.7 Las muestrasaleatoriassimplesindependientesdedoscepasderatonesutilizadas paraun
experimentoproporcionaronlassiguientesmedicionesdelos nivelesdeglucosaenla san-
gre, despuesdeunaexperienciatraumatica.
CepaA:54,99,105,46,70,87,55,58,139,91
CepaB:93,91,93,150,80,104, 128,83,88,95,94,97
estosdatosevidenciasuficienteparaindicarquelavarianciaenlapoblaci6n
deratonesdelacepaAesmayorquelavarianciaenlapoblaci6ndelacepaB? Seaa =.05.
suposicionessonnecesarias?
7.9 ERROR TIrO nY IA
POTENCIA DE IA PRUEBA
Enelanalisis delapruebadehipotesis, laatencionprincipalesUi puestaena,la
probabilidaddecometerelerrordetipoI(rechazarunahipotesisnulaverdadera).
Es pocalaatencionqueseIe hadadoa laprobabilidaddecometerelerrorde
tipoII(norechazarunahipotesisnulafalsa). Hayunarazonquejustificaestadife-
rencia. Paraunapruebadada, a es unsolo mimero asignado porel investigador
antes derealizar laprueba. Es unamedida delriesgo aceptablederechazaruna
hipotesisnulaverdadera. Porotraparte, puedeadoptarunodemuchosvalores.
SupongasequesepretendeprobarIahipotesisnuiadequeel panimetrodealguna
poblacionesigualaalglinvalorespedfico.SiHo esfalsaynoserechaza,secometeel
errordetipoII.Sielvalorsupuestodelpanimetronoeselvalorcorrecto,elvalorde
(laprobabilidaddecometerelerrordetipoII)dependedelossiguientesfactores:
1)valorcorrectodelparametrodeinteres,2)valorsupuestodelparametro,3)valor
d.eay4)tamafion delamuestra.Por10 tanto,antesdeaplicarlapruebadehipotesis,
paralosvalores dea yn puedencalcularseunagrancantidaddevalorespara
proponiendo muchos valores paralos panimetrosde interes dado que el valor
supuestoesfalso.
Paraunapruebadehipotesisdada,es interesantesaberquetantocontrolse
tienesobreelerrordetipoII.SiHo esfalsaydehecho10 es, eslaprobabili-
dadderechazarla? Lainformacionparacontestarestapreguntaradicaenla pa-
lencia delaprueba,designadacomo 1- Lacantidad1 eslaprobabilidadde
rechazar la hipotesis nula falsa; esta puede calcularse paracualquiervalor del
parametrorespectoalcualsepruebaunahipotesis. Por10 tanto, 1- eslaproba-
bilidaddetomarlaaccioncorrectacuandoHoesfalsaporqueelvalorcorrectodel
parametroesigualaalgunoparalosquesecalculo 1- Paraunapruebadadaes
posibleespecificarcualquiermimerodeposiblesvaloresdelparametrodeinteresy
paracadauno,calcularelvalorde1- AI resultadoseIellamajUncian de potencia.
AlagraficaparalafunciondepotenciaseIellamacurva de potencia, yesunmecanis-
moutilparaevaluarnipidamentelanaturalezadelapotenciadeunapruebadada.
Lossiguientesejemplosmuestranelprocedimientoquese utilizaparaanalizar la
potenciadelaprueba.
263 7.9 ERRORTIPOIIYLAPOTENCIADE LA PRUEBA
EJEMPI,O 7.9.1
Supongaquese tieneunavariableconvaloresqueformanunapoblacionconuna
desviacionesUindarde3.6. Deestapoblacionseextraeunamuestraaleatoriasim-
pledetamaiion =100.Seescogeunvalorde<X =.05paralas siguienteshipotesis:
Ho: Il 17.5, H
A
: 1l:;C 17.5
Soludon: Cuandoseestudialapotenciadeunaprueba, se localizanlas regiones
derechazoynorechazosobrela escaladexenlugarde laescaladez.
Los valores crfticos de xpara la prueba bilateral se calculan con las
siguientesformulas:
(J
Ilo +Z -r;;
(7.9.1)
y
(J
XL Ilo +z--;=
(7.9.2)
-vn
donde XuY XL sonlosvalorescrfticossuperioreinferior,respectivamen-
te,de x; + ZY - Z sonlosvalorescrfticosdeZ; YIlo eselvalorsupuestode
Il. Paraesteejemplo,setiene:
. (3.6)
17.50+ 1.96 - == 17.50+ 1.96(.36)
(10)
== 17.50+ .7056== IS.21
Y
XL == 17.50- 1.96(.36)== 17.50- .7056 16.79
SupongaqueHo es falsa, esdecir, que Il es diferentede 17.5. En
estecaso, Ilesigualacualquierotrovalorquenosea17.5.Noseconoce
elvalorverdaderodeIl, perosiHoesfalsa, Il esunodemuchosvalores
mayores0 menoresque17.5.Supongaquelamediapoblacionalcorrec-
ta es III = 16.5. Por 10 tanto, la distribucion muestral de XI tambien
sigueunadistribucionaproximadamentenormal,con Ilx =Il =16.5.A
estadistribucionmuestralseIellamaj( XI)' Ya ladistribucionmuestral
lahipotesisnulase Ie llamaf(x )'
o
la probabilidaddecometerel error tipo II alnorechazaruna
hip6tesisnulafalsa, esel areabajolacurva dej( Xl) quetraslapalare-
giondenorechazoespecificada lahip6tesisHo' Paradeterminarel
valorde secalculaelareabajolacurvaenel tramodej( Xl)' porenci-
madeleje yentrelosvalores X 16.79y X
igualaP(l6.79::; X::; IS.21)cuandoIl =16.5.Estoesiguala:
p[16.79-16.5 ::; Z::; IS.2,1-16.5J p[.29::; z::; 1.71J
.36 .36 .36 .36
== P(.SI ::; Z::; 4.75)
"'" 1- .7910 .2090
264 CAPITULO 7 PRUEBA DE HIPOTESIS
Regionde
Regionde rechazo - _ ~ no rechazo .......1-.-- Regionde rechazo
a/2
- - - - ~ ~ = = ~ ~ - - ~ - ~ ~ ~ = = ~ - - - - - - - - x
19
FIGURA 7.9. t Tamaiio de ~ para valores espedficos de H
j
para el ejemplo 7.9.1.
Asi, la probabilidad de tomar una acci6n adecuada (es decir, rechazar a
Ho) cuando la hip6tesis nula establece que !l= 17.5, pero de hecho !l
= 16.5, es 1 - .2090 = .7910. Como puede verse, !lpuede ser uno de
una gran cantidad de valores posibles cuando Ho es falsa. En la figura
7.9.1 aparece una grafica con algunas de estas posibilidades. La tabla
7.9.1 muestra los valores correspondientes de ~ y 1 - ~ (que son aproxi-
mados), junto con los valores de ~ para algunas alternativas adicionales.
Observe que en la figura 7.9.1 y la tabla 7.9.1 los valores de !lbajo la
hip6tesis alternativa que estan mas cercanos al valor de !lespecificado por
Ho tienen valores ~ mas grandes asociados. Por ejemplo, cuando !l== 18
265 7.9 ERRORTIPOIIYLAPOTENClADELAPRUEBA
TABlA7.9.1 VaJoresde ~ y 1 - ~ para
valoresalternativosespecfficosde 1-1
1
,
paraelejemplo7.9.1
Valoresposiblesde11 bajo
HIcuandoHoesfalsa 1 - ~
16.0
16.5
17.0
18.0
18.5
19.0
0.0143
0.2090
0.7190
0.7190
0.2090
0.0143
0.9857
0.7910
0.2810
0.2810
0.7910
0.9857
1-f3
1.00
0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
0
16.0 17.0 18.0 19.0
Valores alternativos de Jl
FIGURA7.9.2 Curvadepotenciaparael ejemplo7.9.1.
b ~ j o lahipotesisalternativa,~ = .7190;ycuando11 = 19.0bajolahip6te-
sisHI' ~ =.0143.Lapotenciadelapruebaparaestasdosalternativas
es, por10 tanto, 1 .7190= .2810Y1- .0143 = .9857,respectivamente.
Se muestralapotenciadelapruebaenla curvadepotenciadelafigura
7.9.2.N6tesequeentremasaltasealacurvamayoreslapotencia.
Aunquesolounvalordea estaasociadoconunapruebadehip6tesisdada,existen
muchosvaloresde~ unoparacadavalorposibledeIt si lto noeselvalorrealpara
elvalorsupuestode11. Amenosquelos valoresaltemosde 11 seanmasgrandes0
maspequenosquelto' ~ esrelativamentemayorcomparadacona. Generalmente,
seutilizanlosprocedimientosdepruebadehipotesisconmasfrecuenciaenloscasos
enque,cuandoHoesfalsa,el valorverdaderodelpanimetroesrnbastantecercadel
valor supuesto. Enmuchos casos, ~ la probabilidadcalculada de no rechazar la
hipotesisnuiafalsa, esmayorquea, laprobabilidadderechazarunahipotesisnula
verdadera.Estoshechossoncompatiblesconlaproposiciondequeladecisionba-
sadaenel rechazodelahipotesisnulaesmasconcluyentequeladecisionbasadaen
266 CAPITULO 7 PRUEBA DE HIPOTESIS
la hip6tesis nula que no es rechazada. La probabilidad de estar equivocado en este
ultimo caso es, por 10 general, mayor que la probabilidad de estar equivocado en el
primer caso.
La figura 7.9.2 muestra la apariencia de la curva de potencia en forma de V
para pruebas bilaterales. En general, las pruebas bilaterales que distinguen correc-
tamente entre el valor del panimetro en Ho Y los valores en HI' dan como resultado
una curva de potencia en forma de V un poco cerrada. Una curva amplia en forma
de V indica que la prueba hace una distinci6n limitada sobre un intervalo relativa-
mente amplio de valores altemativos del parametro.
Curvas de potencia para pruebas unilaterales La forma de una curva
de potencia para pruebas unilaterales con regi6n de rechazo sobre la cola superior,
es una S alargada. Si la region de rechazo de una prueba unilateral se localiza en la
cola inferior de la distribucion, la curva de potencia toma forma de una S invertida y
alargada. EI siguiente ejemplo muestra las caracterfsticas de la curva de potencia
para pruebas unilaterales.
FJEMPLO 7.9.2
EI tiempo promedio que utilizan los empleados de laboratorio para hacer cierto
tipo de tarea en una maquina es de 65 segundos, con una desviaci6n estandar de 15
segundos. Los tiempos siguen una distribucion aproximadamente normal. Los fa-
bricantes de una nueva maquina aseguran que su maquina reduce el tiempo pro-
medio necesario para hacer dicha tarea. EI supervisor de control de calidad disen6
una prueba para determinar si era 0 no posible creer la afirmacion de los fabrican-
tes de la nueva maquina. Se escogio un nivel de significaci6n de ex, = 0.01, Y se
seleccionaron aleatoriamente 20 empleados para realizar la tarea en la nueva ma-
quina. Las hipotesis son:
Ho:/-L;::: 65, H
A
: /-L < 65
EI supervisor de control de calidad tambien quiere construir una curva de potencia
para la prueba.
Solucion: El supervisor de control de calidad calcula, por ejemplo, el siguiente
valor de 1 para el valor altemativo de Jl 55. El valor crftico de Xi
para la prueba es
65 57
Fa
se calcula como sigue:
p(z> 57 Jlo)=P(Z>.60)
15/ 20
1 .7257 .2743
Consecuentemente, 1 - = .2743 = .7257. La figura 7.9.3 muestra
el calculo de Calculos analogos para otros val ores altemativos de /-L,
tambien producen valores de 1 - Cuando se grafican otra vez los valo-
EJERCICIOS 267

55 57 65
F1GURI\ 7.9.3 calculada para 11 = 55.
1-

0.90
0.80
0.70
0.60
0.50
0.40
0.30
0.20
0.10
FIGUM 7.9.4
Val ores alternativos de I-l
Curva de potencia para el ejemplo 7.9.2.
res de estos generan una curva de potencia como la que se muestra en
la figura 7.9.4.
Curvas caracteristicas de operacion Otra manera de evaluar la prueba es
ver la curva caracteristica de operaci6n (CO). Para construir una curva caracterfstica de
operacion, se grafican los valores de y no los de 1 - sobre el eje vertical. As{ la
curva caracterfstica de operacion es el complemento de la curva de potencia.
EJERCICIOS
Construya y grafique la funci6n de potencia en cada uno de los siguientes casos:
7.9.1 Ho: 11 S 516, H
A
: 11 > 516, n = 16, (j = 32, a = 0.05.
7.9.2 Ho: 11 = 3, H
A
: 11 # 3, n = 100, (j = 1, a = 0.05.
7.9.3 Ho: 11 S 4.25, H
A
: 11 > 4.25, n = 81, (j = 1.8, a = 0.01.
263 CAPITULO7 PRUEBADE HIPOTESIS
7.10 cALCULODELTAMANODE lAMUESTHA
PARACONTROlARELERRORT1POn
Enelcapitulo6seestudiac6mocalculareltamafiodelasmuestrasnecesariopara
construirlosintervalosdeconfianzaparamediasy proporcionesdelapoblaci6n,con
nivelesespedficosdeconfianza.Enelcapitulo7semencionaquelosintervalosde
confianzasepuedenutilizarparaprobarhip6tesis. EI metodoparadeterminarel
tamafiodelamuestra,presentadoenelcapitulo6,tomaencuentalasprobabilida-
desdecometerelerrordetipoI, peronolasdelerrordetipoIIporqueelnivelde
confianzaestadeterminadoporelcoeficientedeconfianza, I a.
Enmuchosprocedimientosdeinferenciaestadistica,losinvestigadoresquerran
considerarelerrordetipoIIas!comoelerrordetipoIcuandodeterminaneltamafio
delamuestra.Parailustraresteprocedimiento,elejemplo7.9.2puedeservir.
7.10.1
Enelejemplo7.9.2,laship6tesisson:
Ladesviaci6nestandardelapoblaci6nes 15ylaprobabilidaddeunerrortipoIes.0L
SupongaquesepretendequelaprobabilidaddenorechazarHo sea. 05siHo esfalsa
porquelamediaverdaderaes55ynoelvalorsupuestode65. tan grandedebe
serlamuestraparalograr,simultaneamente,losnivelesdeseadosdea y
Saludon: Para a .01 yn = 20, es igual a .2743. EI valor critico es 57. De
acuerdoconlasnuevascondiciones,el valorcriticosedesconoce.Aeste
nuevovalorcriticoseIepuedellamarC. SeaJl lamediasupuestaY Jl la
o 1
mediacorrespondientealahip6tesisalternativa.Esposibletransformar
acadaunadelas distribucionesmuestralespertinentesde conme-
diasdeJl YJl
p
enunadistribuci6nz. Por10 tanto,sepuedeconvertiraC
o
enunvalordeZ sobrelaescalahorizontaldecadaunadelasdosdistri-
bucionesnormalesestandar.Cuandosetransformaladistribuci6nmues-
tralde x quetieneunamediaJl enladistribuci6nnormalestindar,ala
o
ZresultanteseIellamaZOo Cuandosetransformaladistribuci6nmuestral
de x quetieneunamediaJll' enladistribuci6nnormalestandar,alaZ
resultanteseIe llamaZI' Lafigura7.10.1 muestralassituacionesdescri-
tashastaaqul.
Sepuedeexpresarel valorcnticoCcomounafunci6ndeZo YJl Y
o
tambiencomofunci6ndeZj YJlj' Estogeneralassiguientesecuaciones:
(7.10.1)
(J
(7.10.2)
7.10 CA.LCULO DEL TAMANO DE LA l\'IUESTRA PARA CONTROLAR EL ERROR TIPO II 269
~ ~ ~ r _ z
~ ~ z
FIGURA 7.10.1 Representaci6n gnifica de las relaciones en los calculos del
tamano de la muestra para controlar enores de tipo I y II.
Igualando los extremos derechos de estas dos ecuaciones y despejando
n, se obtiene:
n =[(ZO +ZI)0']2
(7.10.3)
(110 Ill)
Para calcular n, en este ejemplo, se sustituyen las cantidades co-
rrespondientes en la ecuaci6n 7.10.3. Se dene que 110 65, III = 55 Y
0' = 15. Con la tabla D del apendice, el valor de Z que tiene.01 del area
a su izquierda es -2.33. El valor de z que tiene .05 del area a su derecha
es 1.645, y ambasz y Zl son positivas. Se determina si C queda arriba 0
o
abajo de cualquiera de las medias 110 0 III cuando se sustituyen en las
ecuaciones 7.10.1 y 7.10.2. Asi, se calcula
n [(2.33+1.645)(15)]2 35.55
(65-55)
Se necesita una muestra de tamafio 36 para alcanzar los niveles de ex. y ~
cuando se escoge a Jl
I
55 como valor alternativo de Jl.
Ahora se calcula C, el valor aitico para Ia prueba, y se establece una
regIa de decisi6n adecuada. Para calcular C se sustituyen los valores nume-
ricos conocidos en cualquiera de las ecuaciones 7.10.1 07.10.2. Para ilustrar
esta operaci6n, se despeja C en ambas ecuaciones. Primero se tiene:
C 65-2.33[ )=59.175
Con la ecuaci6n 7.10.2 se tiene:
C =55+1.645[ )=59.1125

270 CAPiTULO7 PRUEBADE HIPOTESIS
Ladiferenciaentrelos dosresultadossedebealerrorderedondeo.
LaregIadedecisi6n,cuandoseutilizael primervalordeC, escomosigue:
Seleccionar una muestra de tamaiio 36Y calcular x. Si x :::; 59.175,se rechaza Ho' Si
x no se rechaza Ho'
SehalimitadoelestudiodelerrortipoIIylapotenciadelapruebaalassitua-
cionesqueinduyenlamediapoblacional,perolosconceptosseextiendenasituaciones
queinvolucranotrosparametros.
FJERCICIOS
7.10.1 DadaHo:11:::; 516,H
A
: 11 > 516,n =16, (J =32,0:=.05, seap=.10YIII =520.Calculen y
C. EstabIezcaIa regIadedecisi6nadecuada.
7.10.2 DadaHo: 11:::; 4.500, H
A
: 11 > 4.500,n = 16, (J = .020, 0: = .01, sea p .05 YIII 4.52.
CalculenyC. EstabIezcaIa regIadedecisi6nadecuada.
7.10.3 DadaHo:11:::; 4.25,H
A
: Il > 4.25,n =81,(J =1.8,0:=.01, seap=.03yIII 5.00.Calculen
yC. EstabIezcaIa regIadedecisi6nadecuada.
7.11 RESUMEN
Enestecapitulose analizanlosconceptosgeneralesdelapruebadehip6tesis. Se
proponeunprocedimientogeneralparallevaracabolapruebadehip6tesis, que
constadelossiguientesdiezpasos.
1. Describirlosdatos.
2. Determinarlossupuestosnecesarios.
3. Determinarlaship6tesisnulayalternativa.
4. Especificarlaestadfsticadeprueba.
5. Especificarladistribuci6ndelaestadfsticadeprueba.
6. ProponerlaregIadedecisi6n.
7. CalcularIaestadisticadepruebaapartirdelosdatosdelamuestra.
8. Establecerladecisi6nestadisticabasadaenlosresultadosdelamuestra.
9. Conclusi6n.
10. Determinarel valordep.
271 PREGUNTASYEJERCICIOSDE REPASO
Sedescribenendetalleyseilustranconejemplosadecuadosalgunas pruebas
dehipotesisespecificas.Estasincluyenpruebasrelacionadasconlasmediaspoblacio-
nales, ladiferenciaentrelasmediasdedospoblaciones,comparacionesporparejas,
proporcion deunapoblacion, diferenciaentrelas proporciones de dos poblacio-
nes, lavarianciade lapoblaciony larazon delasvariancias de dos poblaciones.
Ademas, se analizalapotenciadelapruebayladeterminaciondel tamafio de la
muestraparacontrolarlosdostiposdeerrorIyII.
PREGUNTAS YEJERCICIOS DE REPASO
1. es elprop6sitodelapruebadehip6tesis?
2. esunahip6tesis?
3. Mencioneyexpliquecadaunodelos diezpasosdelprocedimientoparalapruebadehip6-
tesis.
4. Defina:
a) ErrordetipoI b) ErrordetipoII
c) Lapotenciadelaprueba d) Funci6ndepotencia
e) Lacurvadepotencia f) Curvacaracterfsticadeoperaci6n
5. Expliqueladiferenciaentrelascurvasdepotenciaparalaspruebasunilateralybilateral.
6. Explique c6mo decidirque proposici6n establecerenla hip6tesis nula yque proposici6n
plantearenlahip6tesisalternativa.
7. suposicionesapoyanelusodelaestadfsticat enlapruebadehip6tesis paraunasola
mediayparaladiferenciadedosmedias?
8. puedeutilizarzenpruebasdehip6tesispara:
a) lamediadeunasolapoblaci6n?
b) ladiferenciaentrelas mediasdedospoblaciones?
c) laproporci6ndeunasolapoblaci6n?
e) ladiferenciaentrelas proporcionesdedospoblaciones?
9. AI probarunahip6tesisacercadeladiferenciaentrelasmediasdedospoblaciones, es
lajustificaci6nparalacombinaci6ndelasvarianciasdelasmuestras?
10. Expliquelajustificaci6nparaelusodelapruebadecomparaci6nporparejas.
11. Deunejemplorelacionadoconelpropiocampodeinteresendondelapruebadecompara-
ci6nporparejasseaadecuada. Utilicedatosreales0 ficticios ypongaenpracticalaprueba
dehip6tesismasconveniente.
12. Deunejemplo,relacionadoconelpropiocampodeinteres,endondeseaconvenientepro-
barunahip6tesisrespectoaladiferenciaentrelasmediasdedospoblaciones. Utilicedatos
reales0 ficticios, paraponerenpracticaelprocedimientodelosdiezpasosparalapruebade
hip6tesis.
13. Resuelvaelejercicio 12 paralamediadeunasolapoblaci6n.
272 CAPITULO 7 PRUEBADEHIPOTESIS
14. Resuelvaelejercicio 12 paralaproporciondeunasolapoblacion.
15. Resuelvaelejercicio 12 paraladiferenciaentrelas proporcionesdedospoblaciones.
16. Resuelvaelejercicio 12 paralavarianciadeunapoblacion.
17. Resuelvaelejercicio 12 paralarazondelasvarianciasdedos poblaciones.
18. EI doctorYue Chen(A-31), enunarticulopublicadoenlarevistaAmencanJournal of Public
Health, presentainformaciondealgunosfactoresasociadosconlaspracticasdealimentaci6n
deniiiospequeiiosporpartedemadresdelaciudaddeShanghai.Encontroqueentre1706
niiiosvarones, 35.9porcientorecibianalimentacionconbiberones.Entre 1579niiias, 32.9
porciento tambien recibian alimentacionconbiberones. Esta proporcionde infantes que
recibenalimentacionmediantebiberones significativamente mas altaentrelos varones
queentrelas niiias?Seaa = .10.
19. Rodriguez-Roisinet al. (A-32) aseguranquelapruebadeinhalaciondemetacolina(MTH)
es unadelas masutilizadasparaefectuardiagnosticosdeasma. ladesigual-
daddelpatronyeltiempotranscurridoenlaventilacion-profusion (VNQ) despuesdela
pruebaparadefinir mejor el modelo de estimulacionbronquialconMTH enpacientes
asintomaticos de asma ligera. Entre los datos recolectados a partir de los 16 individuos
estudiadosestanlas siguientesmedicionesdePa
o
, antes (A) ydespues (D) delaestimula-
cionconMTH.
Caso# A D
1 88.2 70.6
2 100.9 70.0
3 96.0 7l.0
4 99.1 64.1
5 86.9 79.5
6 103.7 79.5
7 76.0 72.2
8 8l.8 70.6
9 72.1 66.9
10 93.7 67.0
11 98.3 67.2
12 77.5 7l.6
13 73.5 7l.5
14 9l.7 71.1
15 97.4 77.0
16 73.5 66.4
FUENTE: Utilizadaconautorizaci6nde
RobertRodriguez-Roisin. M. D.
estosdatossuficienteevidenciaqueindiquequelaMTHcausadisminuciondela
Pa
o
,? Seaa = .05.
20. Darko et al. (A-33) evaluaronlautilidaddeensayosparalaproliferaciondelinfocitosindu-
cidapormitosis, enunainvestigacionclinicadepsicoinmunologia. Los sujetosdelestudio
273 PREGUNTASYEJERCICIOSDEREPASO
eranpacientes con diagnostico de trastorno depresivo grave, quienes satisfacian tambien
otroscriteriosdeestudio, as!comoindividuossanosdesdeel puntodevista medicoypsi-
quiatrico.Entrelosdatosrecolectadosestanlascalificaciones,conbaseenlaEscalabrevede
clasificacion psiquiatrica, para ambos grupos de individuos. Los pacientes del grupoAse
ajustaron a la hipotesis de que al deprimirse, la respuesta de inmunidaddisminuye, y el
grupodepacientesBtuvomejorrespuestaencomparacionconelotro.Lascalificacionesde
subescaladedepresionincluidaenlaEscalabrevedeclasificaci6npsiquiatricaparalosindi-
viduos deambosgruposes lasiguiente:
GrupoA GrupoB
12 17
13 14
12 19
12 15
9 8
7 19
8 12
5 20
10 9
13 10
15 12
11
7
Fuente: Utilizadaconautoriza-
ciondeDenisF. Darko, M. D.
En general, ~ s posible conduir, conbase enestos datos, que los pacientes del grupo B, en
promedio,tienenmayorcalificaci6nenlasubescaladedepresi6ndelaescala?Seau =.05.
21. Naceet al. (A-34)condujeronunestudioparaevaluarlascomplejasrelacionesentrelaadic-
cionylostrastornosdepersonalidad.Losautoresdeterminaronlafrecuenciadelosdesorde-
nesdepersonalidadenungrupodeindividuosadictosdeclase media,yloscomparoconlos
trastornos depersonalidad de individuos noadictos. Entrelos datosreportadosestabanlas
siguientesestadisticassobreel componentededepresionsegUn el Inventariodepersonali-
dadmultifaceticadeMinnesota:
Con Sin
des6rdenesdepersonalidad des6rdenesdepersonaIidad
n s n s
57 70.63 16.27 43 64.33 12.99
FUENTE: EdgarP. Nace,CarlosW. Davisy JosephP. Gaspari, "Axis IIComorbidityin
SubstanceAbusers",AmericanJournal ofPsychiatry, 148,118-120.
274 CAPiTULO 7 PRUEBADEHIP6TESIS
Engeneral,conbaseenestosdatos,cesposibleconduirquelosindividuosadictoscony sin
trastornosdepersonalidaddifierenconrespectoalascalificacionesmediassobreel compo-
nentededepresi6ndelInventariodepersonalidadmultifaceticadeMinnesota?Seaa. =.05.
22. Ungrupodeinvestigadoresdeseasabersi laspersonasadultasquevivenenciudadesurba-
nasy encomunidadesruralesdepaisesendesarrollodifierenconrespectoalacantidadde
personasciegas. Unaencuestarevel6lasiguienteinformacion:
Tamaftodela
Grupo muestra Cantidaddedegos
Rural 300 24
Urbano 500 15
cOfrecenestos datos suficienteevidencia paraindicarunadiferenciaenla prevalenciade
casosdecegueraenlasdospoblaciones?Seaa. .05. Determineelvalordep.
23. Enunexperimentoconanimalesdelaboratorioserecolectaronlossiguientesdatosrespecto
alflujo sangufneodelacortezarenal,durantecondicionesdecontrolydurantelaadminis-
traci6ndeciertoanestesico:
Flujosanguineodelacortezarenal
(ml/glmin)
Numero Durantelaadministraci6n
deanimal Control delanestesico
1 2.35 2.00
2 2.55 1.71
3 1.95 2.22
4 2.79 2.71
5 3.21 l.83
6 2.97 2.14
7 3.44 3.72
8 2.58 2.10
9 2.66 2.58
10 2.31 l.32
11 3.43 3.70
12 2.37 l.59
13 1.82 2.07
14 2.98 2.15
15 2.53 2.05
(Esposibleconduit;conbaseenestosdatos,queelanestesicoretardaelflujosanguineode
lacOl-tezarenal?Seaa. .05. Determineelvalordep.
275 PREGUNTASYEJERCICIOSDEREPASO
24. Ungropodeinvestigadoresdealergiasllevoa cabounestudioenelquese analizarondos
gropos de individuos. Como parte de la investigaci6n se hicieron determinaciones de
eosin6filossangufneosencadaindividuo,conlossiguientesresultados:
Valoresde
eosin6filos
(no./mm
S
)
Muestra n x s
A 14 584 225
B 16 695 185
C:Ofrecenestosdatossuficienteevidenciaparaindicarquelasmediaspoblacionalessondife-
rentes?Seaa = .05. Determineelvalordep.
25. Unestudioen90 mujeres que habfandadoa luzrecientemente, elegidas al azarentrelos
registrosdeundepartamentodebienestarsocial,reve16 que27 deellastuvieronunproble-
madeinfecci6nintraparto0 posparto.Pruebelahip6tesisnulaquedicequelaproporci6n
de la poblaci6nconunproblemadeinfecci6nintraparto0 pospartoes menor0 igualque
.25.Seaa = .05.Determineelvalorp.
26. Enunamuestrade150pacientesinternadosenunhospitaldeurgenciasconciertodiagn6s-
tico, 128 deellospresentaronv6mito. (Proporcionanestosdatosevidenciasuficientepara
indicar,enelnivel.Ol designificaci6n,quelaproporci6ndelapoblaci6nesmenorque.92?
Determineelvalorp.
27. Ungropodeinvestigadoresmidi6elvolumendeventilacionpulmonaren15 animalesde
laboratorio. Lamediayladesviaci6nestandarson45y5 cc, respectivamente. iProporcio-
nanestosdatosevidenciasuficienteparaindicarquelamediadelapoblaci6nesmayorque
40cc?Seaa = .05.
28. Unamuestradeochopacientesinternadosenunhospitalcondiagnosticodecirrosisbiliar
present6unaconcentraci6nmediadeIgMde 160.55unidadespormililitro. Ladesviaci6n
estandardela muestrafue de50. estos datosevidenciasuficienteparaindi-
carquelamediadelapoblaci6nes mayorque ISO? Seaa = .05. Determineelvalorp.
29. Algunos investigadores han observado una mayor resistencia de las vias respiratorias en
personasfumadoras queenpersonasnofumadoras. Supongaqueenunestudiollevadoa
caboparacompararelporcentajederetenci6ntraqueobronquialdepartfculasengemelos
monocig6ticos,deloscuales s610unodeelIosfuma, sepresentanlosresultadosindicadosen
la tablasiguiente:
Percentajederetenci6n Porcentajederetenci6n
Gemeloquefuma Gemeloquenofuma Gemeloquefuma Gemeloquenofuma
60.6 47.5 57.2 54.3
12.0 13.3 62.7 13.9
56.0 33.0 28.7 8.9
75.2 55.2 66.0 46.1
12.5 21.9 25.2 29.8
29.7 27.9 40.1 36.2
276 CAPITULO7 PRUEBADEHIP6TESIS
estosdatoslahip6tesisdequeladepuraciontraqueobronquialesmenorenperso-
nasquesifuman?Seaa .05. Determineelvalordepparaestaprueba.
30. Semidieronlosnivelesdeestronacirculanteenunamuestrade25mujeresposmenopausicas
quesiguieronuntratamientodeestrOgeno.Lamediadelamuestrayladesviaci6nestandar
son73y 16, respectivamente.Conunniveldesignificaci6nde.05yconbaseenestosdatos
posibleconduirquelamediapoblacionalesmayorque70?
31. Sehicierondeterminaciones delaresistenciavascularsistemicaenunamuestrade 16pa-
cientesconinsuficienciacardiacacongestivaycr6nicaquerecibfadeterminadotratamiento.
Lamediayladesviaci6nestandarsonde1600y700,respectivamente.Conunnivel designi-
ficaci6nde.05, estosdatosevidenciasuficienteparaindicarquelamediaesmenor
que2000?
32. Catorceninosreciennacidosmidieronenpromedio53cmconunadesviaci6nestandarde
9cm. Conbaseenestosresultados,<!es posibleconduirquelamediaesdiferentede50cm?
Sea.10laprobabilidaddecometerel errordetipo1.
Para cadauno de los estudios descritos enlos ejercicios del 33 al 38, responda todas las
preguntasposiblesqueseformulanacontinuaci6n:a) eslavariabledeinteres?;b)
parametroes eldeinteres: la media, ladiferenciaentrelasmedias (de muestrasindepen-
dientes),ladiferenciaentrelasmedias(dedatosporparejas),unaproporci6n,0 ladiferencia
entredosproporciones(demuestrasindependientes)?;c) eslapoblaci6nmuestreada?;
d) (cuales lapoblaci6nobjetivo?; e) '::cuaIes sonlas hip6tesisnulayalternativa?;f) una
alternativa unilateral porlacola izquierda 0 porlacola derecha, 0 es bilateral?; g) (que
erroresdetipoIyIIpuedensuceder?;h) '::fuerechazadalahip6tesis?,yexpliquelascausas
deporquefue 0 norechazada.
33. Jaraet al. (A-35)condujeronunestudioenelqueencontraronconcentracionesdepotasioen
lasalivadepacientesconsindromedeDownennivelesbastanteinferioresalosencontrados
enindividuosdecontrol.
34. Hemminget al. (A-36)estudiaronporespaciodetresanosa50pacientesconsecutivosquese
sometierona resecci6n de unsegmentohepatico. Seutilizaron pruebast deStudentpara
analizarlosdatos.Entreloshallazgosestaelhechodequelospacientescirr6ticosmostraron
incrementossignificativosenlosrequerimientosdetransfusi6nquepasaronde0.7 1.3U
a2.0 1.3 U.
35. Sokaset al. (A-37) reportaronunestudioenel quelosestudiantesdemedicinadesegundo
anoparticiparonenunprograma decapacitaci6nqueseconcentr6principalmenteenlos
riesgosdelaexposici6naenfermedadesdetransmisi6nsanguineayenlastecnicasdeflebo-
tomiaeinyecci6nintravenosaqueutilizanmedidasdeprecauci6nuniversales.Losestudian-
tesrespondieronantesydespuesdelentrenamientopreguntasdeconocimientos,ycalificaron
supreparaci6nenunaescala de5puntos.Los investigadoresencontraronquelos conoci-
mientosdelestudianteylacalificaci6nsobrepreparaci6naumentaronsegiinlaautoevaluaci6n.
36. Wu et ai. (A-38) condujeronunestudioparadeterminarlos efectos delazidovudinaenel
estadofuncionalydebienestardepacientesqueseencontrabanenlaprimeraetapasinto-
maticaproducidaporlainfecci6ndelvirusdeinmunodeficienciahumana(VIH). Selesapli-
c6placeboaleatoriamentea 34individuos,ya 36masseles aplic6zidovudina.Despues,se
compararonloscambiosmediosdelalineadebaseparaaquellosquerecibieronzidovudina
ylosquerecibieronplacebo.Entodaslasareasdebienestar,induyendosaludgeneral,ener-
gia, saludmental,relajamiento,dolorycalidaddevida,losindividuosquerecibieronplace-
boreportaronmejorcalidaddevidaencomparaci6nconlas cifras delfneadebaseque los
individuosquerecibieronzidovudinadurante24semanas.
277 PREGUNTASYEJERCICIOSDEREPASO
37. Stockwellet al. (A-34)clasificarona 15 establecimientosconlicenciaparavenderalcoholen
laciudaddePerthenAustraliaOccidental,comodealtoriesgo(sieteestablecimientos)0 de
bajoriesgo(ochoestablecimientos),conbaseenlaincidenciadelosconsumidoresinvolucrados
enaccidentesautomovilfsticosenlacarreteraydelitosporconducirenestadodeebriedad.
Estudiarona 414individuosquesalierondelos establecimientosseleccionados, entrelas 8
p.m.ylas 12a.m.durantelosdiasviernesysabado.Encontraronquelosestablecimientosde
altoriesgotenianeltripledeconsumidoresconalientoalcoh61icoqueexcediade0.15mg/ml
(p<.0l). Tambien, encontraronquesignificativamentemas dueiios deestablecimientos de
altoriesgoson calificadoscomomoderada0 severamenteintoxicadosencomparaci6ncon
losdueiiosdeestablecimientosdebajoriesgo.Ambostiposdedueiiossenegaronapracticarse
lapruebadealientoalcoh61ico.
38. ~ e r a mayorlafrecuenciadedeficienciadebiotinidasaenniiiosconretardoinexplicabledel
desarrollo0conanormalidadesneuro16gicasqueenlapoblaci6nengeneral?Estapregunta
fueestudiadaporSutherlandet al. (A-40). Losinvestigadoresexaminaron duranteunperio-
do de cuatro aiios 274 casos de niiios atendidos en una clinica para pacientes externos,
quienespresentabanuna0 masdeestasanormalidadesneuro16gicasyparaquienesnoera
posibleencontrarlacausa espedficade sus anormalidades. Ninguno delos pacientescon
hallazgosatipicosdedeficienciadebiotinidasateniadeficienciadelaactividaddelamisma.
39. Paracadaunadelassiguientessituaciones,identifiqueloserroresdetipoIyIIY lasacciones
correctasaseguir:
a) Ho: Unnuevotratamientonoes maseficientequeeltradicional.
1)Adoptarelnuevotratamientocuandoesteesmasefectivo.
2) Continuarconel tratamientotradicionalcuandoelnuevoes masefectivo.
3) Continuarconeltratamientotradicionalcuandoelnuevonoesmasefectivo.
4)Adoptarelnuevotratamientocuandoestenoes masefectivo.
b) Ho: El nuevoprocedimientodeterapiafisica essatisfactorio.
1) Emplearelnuevoprocedimientocuandoestenoes satisfactorio.
2) Noutilizarelnuevoprocedimientocuandoestenoessatisfactorio.
3) Noutilizarelnuevoprocedimientocuandoestees satisfactorio.
4) Emplearelnuevoprocedimientocuandoesteessatisfactorio.
c) Ho: Laproducci6ndeunlotedeunfarmacoesdecalidadsatisfactoria.
1) Rechazarellotedecalidadsatisfactoria.
2) Aceptarellotedecalidadsatisfactoria.
3) Rechazarellotedecalidadnosatisfactoria.
4)Aceptarellotedecalidadnosatisfactoria.
Paracadaunodelos estudiosdescritosenlos ejerciciosdel40a155, haga10 siguiente:
a) Apliqueunanalisisestadisticodelosdatos(queincluyapruebasdehip6tesisylaconstruc-
ci6ndeintervalosdeconfianza)queusted considereproduciriinformaci6nutilparaelin-
vestigador.
b) Establezcatodaslassuposicionesnecesariasparaqueelanalisisseavalido.
c) Encuentrelosvaloresdep paratodaslasestadisticasdepruebascalculadas.
d) DescribalaCs) poblaci6n(es)sobrelaCs) queseharanlasinferenciasquepuedenseraplica-
bles, deacuerdoconelanalisisestadistico.
40. UnestudiorealizadoporBell(A-41) parainvestigarlahip6tesisrespectoaquelaalteraci6n
delsistemaendocrinorelacionadoconlavitaminaDenpersonasdepieloscuraseproduce
porlareducci6nde25-hidroxivitaminaDenelsuero,yquelaalteraci6nesrevertidaconel
tratamientooralde 25-hidroxivitamina, D
3
Estudiarona ochoindividuos (tres hombresy
278 CAPITULO 7 PRUEBADE HIPOTESIS
cincomujeres),primerosinaplicarleseltratamiento(paralasmedicionesdecontrol)y, pos-
teriormente, despues de aplicarles el tratamiento de 25-hidroxivitamina D3 durante siete
dias (25-0HD
3
). Las siguientesmedicionescorrespondenal calciourinario(mg/dia) delos
ochoindividuosexpuestosalas doscondiciones.
Individuo Control 25-0HD
3
A 66 98
B 115 142
C 54 78
D 88 101
E 82 134
F 115 158
G 176 219
H 46 60
FUENTE: Utilizada con autorizaci6n del Dr.
NormanH. Bell.
41. Montneret al. (A-42) condujeron estudios para probarlos efectos de la hiperhidrataci6n
mejoradaconglicerol(HMG)enlaresistenciaduranteeldesempefiociclista.Los 11 indivi-
duosconedadesentre22y 40afios,recorrianregularmentealmenos75millasporsemana.
Lossiguientesresultadoscorrespondenalvolumendeorina(m1)excretadodespuesdeinge-
riraguay glicerolantesdelejercicio.
Experimental,ml Control,m1
Individuo# (glicero1) (placebo)
1 1410 2375
2 610 1610
3 1170 1608
4 1140 1490
5 515 1475
6 580 1445
7 430 885
8 1140 1187
9 720 1445
10 275 890
11 875 1785
FUENTE: Utilizadaconautorizaci6ndelDr. PaulMontner.
42. D'Allessandroet al. (A-43) queriansabersi lapreexistenciadelahiperreactividad (HR) de
lasviasrespiratoriaspredisponiaalosindividuosaunresultadomasseverodespuesdeestar
expuestosalcloro. Losindividuoseranvoluntariossanosconedadesentre18y 50afiosque
fueron clasificados comoindividuoscony sin hiperreactividad. Las siguientes mediciones
correspondenalVEF
1
(volumenespiratorioforzado) y alaresistenciaespedficadelasvias
respiratorias(REVR) tomadasenindividuosantesy despuesdeestarexpuestosalgascloro
adecuadamentediluido:
279 PREGUNTASYEJERCICIOSDEREPASO
Sujetoshiperreactivos
Pre-exposicion Post-exposicion
Individuo VEFI REVR VEFI REVR
1 3.0 5.80 1.8 21.4
2 4.1 9.56 3.7 12.5
3 3.4 7.84 3.0 14.3
4 3.3 6.41 3.0 10.9
5 3.3 9.12 3.0 17.1
Sujetoshiperreactivos
Pre-exposicion Post-exposicion
Individuo VEFI REVR VEFI REVR
4.3 5.52 4.2 8.70
2 3.9 6.43 3.7 6.94
3 3.6 5.67 3.3 10.00
4 3.6 3.77 3.5 4.54
5 5.1 5.53 4.9 7.37
FUENTE: Utilizadoconautorizaci6ndelDr. PaulBlanc.
43. AIdarsecuentadelaescasezdeinformaci6nrespectoalosefectosdelestr6genoenlacom-
posici6ndeacidograsodelamembranadelasplaquetas,Ranganathet aI. (A-44)efectuaron
unestudioparaexaminarlaposibilidaddequeloscambiospuedanpresentarseenmujeres
posmenopausicasy queestospuedanserreversiblescontratamientoa basedeestr6genos.
Las31 mujeresreclutadasparael estudionohabfanmenstruadodesdehaciaalmenostres
meses0 presentabansintomasdemenopausia0 ambascosas. Ningunadeeliashabiarecibi-
dodeformaalgunatratamientoabase terapiadesustituci6ndehormonasalmomentade
reclutarlas. Los siguientesvalores corresponden a las mediciones deacido linoleico de la
membranaplaquetariaantesydespuesdelaterapiadesustituci6nhormonal.
Individuo Antes Despues Individuo Antes Despues Individuo Antes Despues
1 6.06 5.34 12 7.65 5.55 23 5.04 4.74
2 6.68 6.11 13 4.57 4.25 24 7.89 7.48
3 5.22 5.79 14 5.97 5.66 25 7.98 6.24
4 5.79 5.97 15 6.07 5.66 26 6.35 5.66
5 6.26 5.93 16 6.32 5.97 27 4.85 4.26
6 6.41 6.73 17 6.12 6.52 28 6.94 5.15
7 4.23 4.39 18 6.05 5.70 29 6.54 5.30
8 4.61 4.20 19 6.31 3.58 30 4.83 5.58
9 6.79 5.97 20 4.44 4.52 31 4.71 4.1
10 6.16 6.00 21 5.51 4.93
11 6.41 5.35 22 8.48 8.80
FUENTE: Utilizadaconautorizaci6ndelDr. L. Ranganath.
280 CAPiTULO7 PRUEBADEHIPOTESIS
44. Elprop6sitodelestudiodeGoranet al. (A-45) eraexaminarlaexactituddealgunastecnicas
ampliamenteutilizadasparaestablecerlacomposici6ncorporalenninosatravesdelusode
latecnicadeabsorciometriadelaenergiadualconrayosX(ADX). Losindividuosestudiados
eran ninos entre las edades de4 y 10 anos. Las siguientes medicionescorresponden a la
cantidaddeadiposidadregistradaenninoscontrestecnicas:ADX, grosordelplieguecuta-
neo(PC)yresistenciabioelectrica(RB).
Sexo
ADX PC RB (1 =Masculino,0 =Femenino)
3.6483 4.5525 4.2636 1
2.9174 2.8234 6.0888 0
7.5302 3.8888 5.1175 0
6.2417 5.4915 8.0412 0
10.5891 10.4554 14.1576 0
9.5756 11.1779 12.4004 0
2.4424 3.5168 3.7389 1
3.5639 5.8266 4.3359 1
1.2270 2.2467 2.7144 1
2.2632 2.4499 2.4912 1
2.4607 3.1578 1.2400 1
4.0867 5.5272 6.8943 0
4.1850 4.0018 3.0936 1
2.7739 5.1745 1
*
4.4748 3.6897 4.2761 0
4.2329 4.6807 5.2242 0
2.9496 4.4187 4.9795 0
2.9027 3.8341 4.9630 0
5.4831 4.8781 5.4468 0
3.6152 4.1334 4.1018 1
5.3343 3.6211 4.3097 0
3.2341 2.0924 2.5711 1
5.4779 L3890 5.8418 0
4.6087 4.1792 3.9818 0
2.8191 2.1216 1.5406 1
4.1659 4.5373 5.1724 1
3.7384 2.5182 4.6520 1
4.8984 4.8076 6.5432 1
3.9136 3.0082 3.2363 1
12.1196 13.9266 16.3243 1
15.4519 15.9078 18.0300 0
20.0434 19.5560 21.7365 0
9.5300 8.5864 4.7322 1
2.7244 2.8653 2.7251 1
3.8981 5.1352 5.2420 0
(Continua)
281 PREGUNTASYEJERCICIOSDEREPASO
Sexo
ADX PC RB (1 = Masculino,O::; Femenino)
4.9271 8.0535 6.0338 0
3.5753 4.6209 5.6038 1
6.7783 6.5755 6.6942 1
3.2663 4.0034 3.2876 0
1.5457 2.4742 3.6931 0
2.1423 2.1845 2.4433 1
4.1894 3.0594 3.0203 1
1.9863 2.5045 3.2229 1
3.3916 3.1226 3.3839 1
2.3143 2.7677 3.7693 1
1.9062 3.1355 12.4938 1
3.7744 4.0693 5.9229 1
2.3502 2.7872 4.3192 0
4.6797 4.4804 6.2469 0
4.7260 5.4851 7.2809 0
4.2749 4.4954 6.6952 0
2.6462 3.2102 3.8791 0
2.7043 3.0178 5.6841 0
4.6148 4.0118 5.1399 0
3.0896 3.2852 4.4280 0
5.0533 5.6011 4.3556 0
6.8461 7.4328 8.6565 1
11.0554 13.0693 11.7701 1
4.4630 4.0056 7.0398 0
2.4846 3.5805 3.6149 0
7.4703 5.5016 9.5402 0
8.5020 6.3584 9.6492 0
6.6542 6.8948 9.3396 1
4.3528 4.1296 6.9323 0
3.6312 3.8990 4.2405 1
4.5863 5.1113 4.0359 1
2.2948 2.6349 3.8080 1
3.6204 3.7307 4.1255 1
2.3042 3.5027 3.4347 1
4.3425 3.7523 4.3001 1
4.0726 3.0877 5.2256 0
1.7928 2.8417 3.8734 1
4.1428 3.6814 2.9502 1
5.5146 5.2222 6.0072 0
3.2124 2.7632 3.4809 1
5.1687 5.0174 3.7219 1
(Continua)
282 CAPiTULO7 PRUEBADE HIPOTESIS
Sexo
ADX PC RB (1 =Masculiuo,0 =Femenino)
3.9615 4.5117 2.7698 1
3.6698 4.9751 1.8274 1
4.3493 7.3525 4.8862 0.
2.9417 3.6390. 3.4951 1
5.0.380. 4.9351 5.60.38 0.
7.90.95 9.590.7 8.50.24 0.
1.7822 3.0.487 3.0.0.28 1
3.4623 3.3281 2.8628 1
11.420.4 14.9164 lO.7378 1
1.2216 2.2942 2.6263 1
2.9375 3.3124 3.3728 1
4.6931 5.470.6 5.1432 0.
8.1227 7.7552 7.740.1 0.
10.0.142 8.9838 11.2360. 0.
2.5598 2.8520. 4.5943 0.
3.7669 3.7342 4.7384 0.
4.20.59 2.6356 4.0.40.5 0.
6.7340. 6.6878 8.10.53 0.
3.50.71 3.4947 4.4126 1
2.2483 2.810.0. 3.670.5 0.
7.1891 5.4414 6.6332 0.
* Datofaltante.
FUENTE: Utilizadaconautorizaci6ndelDr. Michael!.Coran.
45. Hartardet al. (A-46) condujeronunestudioparadeterminarsiciertoregimendeentrena-
miento podfacontrarrestarla perdidade densidad6seaenmujeres posmenopausicascon
osteopenia.Lassiguientesmedicionescorrespondenalafuerzadecincogrupos
en15 individuosantes(A) y despues(D) deseis mesesdeentrenamiento. \
Pressdepierna Flexordelacadera Extensordelacadera
Individuo (A) (D) (A) (D) (A) (D)
1 lOo. 180. 8 15 10. 20.
2 155 195 10 20. 12 25
3 115 150. 8 13 12 19
4 130. 170. lO 14 12 20.
5 120. 150. 7 12 12 15
(Continua)
233 PREGUNTASYEJERCICIOSDEREPASO
Press de pierna Flexor de la cadera Extensor de la cadera
Individuo (A) (D) (A) (D) (A) (D)
6 60 140 5 12 8 16
7 60 100 4 6 6 9
8 140 215 12 18 14 24
9 110 150 10 13 12 19
10 95 120 6 8 8 14
11 110 130 10 12 10 14
12 150 220 10 13 15 29
13 120 140 9 20 14 25
14 100 150 9 10 15 29
15 110 130 6 9 8 12
Abductor del brazo Aductor del brazo
Individuo (A) (D) (A) (D)
1 10 12 12 19
2 7 20 10 20
3 8 14 8 14
4 8 15 6 16
5 8 13 9 13
6 5 13 6 13
7 4 8 4 8
8 12 15 14 19
9 10 14 8 14
10 6 9 6 10
11 8 11 8 12
12 8 14 13 15
13 8 19 11 18
14 4 7 10 22
15 4 8 8 12
FUENTE: Utilizadaconlaautorizaci6ndelDr. ManfredHartard.
46. Vitacaet ai. (A-47)condujeronunestudioparadeterminarsienposici6nsupina0 sentadoem-
peoraelflujo espiratorioforzadoylas medicionesdelamecanicapulmonar. Los individuos
estud,iadoseranpersonasdelaterceraedadquevivianenunasilo,medicamenteestablesysin
evidenciadinicadeenfermedadescardiorrespiratorias.Entrelos datosrecolectadosestanlos
siguientesvaloresenporcentajedeVEF} paraindividuosenposici6nsupinaysentados.
234 cAPiTULO 7 PRUEBA DE HIPOTESIS
Sentados Posicion Sentados Posicion
64 56 103 94
44 37 109 92
44 39 -99 -99
40 43 169 165
32 32 73 66
70 61 95 94
82 58 -99 -99
74 48 73 58
91 63
FUE1',TE: Utilizada con autorizaci6n del Dr. M. Vitacca.
47. EI pmp6sito de un estudio conducido por Young et al. (A-48) era examinar la eficacia y
seguridad de un aditamento suburetraL Los individuos estudiados eran mujeres que experi-
mentaban incontinencia por estres y que perfilaban con otms criterios. Entre los datos reco-
lectados estan los siguientes val ores (ml) de la capacidad cistometrica pre y postoperatoria.
Pre Post Pre Post Pre Post Pre Post
350 321 340 320 595 557 475 344
700 483 310 336 315 221 427 277
356 336 361 333 363 291 405 514
362 447 339 280 305 310 312 402
361 214 527 492 200 220 385 282
304 285 245 330 270 315 274 317
675 480 313 310 300 230 340 323
367 330 241 230 792 575 524 383
387 325 313 298 275 140 301 279
535 325 323 349 307 192 411 383
328 250 438 345 312 217 250 285
557 410 497 300 375 462 600 618
569 603 302 335 440 414 393 355
260 178 471 630 300 250 232 252
320 362 540 400 379 335 332 331
405 235 275 278 682 339 451 400
351 310 557 381
FUENTE: Utilizada con autorizaci6n de! Dr. Stephen B. Young.
285 PREGUNTASYEJERCICIOSDEREPASO
48. Diamondet al. (A-49) querfansabersilaclasificaci6ncognitivapodrfaser(ltilparaapoyarla
selecci6nadecuadadecandidatospararehabilitaci6nintegralhospitalaria. Estudiaronuna
muestradepacientesenrehabilitaci6ngeriatricamedianteelusodeestrategiasdemedici6n
estandarizadas.Entrelosdatosrecolectadosestanlassiguientescalificacionesregistradasen
elExamendeestadominimentaldelos individuosalingresaryserdadosdealta.
Admitidos Dados de alta Admitidos Dados de alta
9 10 24 26
11 11 24 30
14 19 24 28
15 15 25 26
16 17 25 22
16 15 26 26
16 17 26 28
16 17 26 26
17 14 27 28
17 18 27 28
17 21 27 27
18 21 27 27
18 21 27 27
19 21 28 28
19 25 28 29
19 21 28 29
19 22 28 29
19 19 29 28
20 22 29 28
21 23 29 30
22 22 29 30
22 19 29 30
22 26 29 30
23 21 29 30
24 21 30 30
24 20
FUENTE: Utilizadaconautorizaci6ndelDr. StephenN. M'Icciocchi.
49. Enunestudiorespectoalaposibilidaddealteracioneshormonalesenpersonasenfermasde
asma,Weinsteinet al. (A-50) recolectarondatosdedosgruposconigualnumerodemujeres
posmenopausicasdelasmismasedades,22asmaticasyotras22sinasma.Lossiguientesdatos
recolectadosporlos investigadorescorrespondena losvaloresdelsulfatodedehidroepian-
drosterona:
286 CAPITULO 7 PRUEBA DE HIPOTESIS
Sinasma Conasma Sinasma Conasma
20.59 87.5 15.9 166.02
37.81 111.52 49.77 129.01
76.95 143.75 25.86 31.02
77.54 25.16 55.27 47.66
19.3 68.16 33.83 171.88
35 136.13 56.45 241.88
146.09 89.26 19.91 235.16
166.02 96.88 24.92 25.16
96.58 144.34 76.37 78.71
24.57 97.46 6.64 111.52
53.52 82.81 115.04 54.69
FUENTE: Utilizada con autorizaci6n del Dr. Robert E. Weinstein.
50. Un estudio de Gruber et al. (A-51) fue motivado por el deseo de encontrar un marcador de
suero potencialmente utH en el tratamiento de artritis reumatoide (AR) que reflejara los
mecanismos patogenos subyacentes. Las mediciones obtenidas entre otras variables son
los niveles circulantes de gelatinasa B en el suero y el fluido sinovial (FS) de pacientes con AR
e individuos de controL
Suero Fluidosinovial Suero Fluidosinovial
AR Control AR Control AR Control AR Control
26.8 23.4 71.8 3 36.7
19.1 30.5 29.4 4 57.2
249.6 10.3 185 3.9 71.3
53.6 8 114 6.9 25.2
66.1 7.3 69.6 9.6 46.7
52.6 10.1 52.3 22.1 30.9
14.5 17.3 113.1 13.4 27.5
22.7 24.4 104.7 13.3 17.2
43.5 19.7 60.7 10.3
25.4 8.4 116.8 7.5
29.8 20.4 84.9 31.6
27.6 16.3 215.4 30
106.1 16.5 33.6 42
76.5 22.2 158.3 20.3
FUENTE: Utilizada con autorizaci6n del Dr. Darius Sorbi.
51. Benini et al. (A-52) condujeron un estudio para evaluar la gravedad de la acidez esofagica en
acalasia despues de la dilataci6n exitosa del cardias, y para determinar que factores estan
asociados con la acidez esofagica patol6gica en estos pacientes.Los individuos estudiados
eran 22, siete de ellos varones, con edades entre 28 y 78 anos. Con base en los criterios esta-
________________
237 PREGUNTASYEJERCICIOSDE REPASO
blecidos,losinvestigadoresclasificaronalospacientescomoindividuoscon0 sinreflujo. Los
siguientesvalorescorrespondenalaeliminaci6ndeacidez(min/reflujo)enlos22 individuos.
Con reflujo Sin reflujo
8.9 2.3
30.0 0.2
23.0 0.9
6.2 8.3
11.5 0.0
0.9
0.4
2.0
0.7
3.6
0.5
1.4
0.2
0.7
17.9
2.1
0.0
FUENTE: Utilizadaconautorizad6ndelDr. Luigi Benini.
52. EIobjetivodeunestudiodeBakeret at. (A-53)esdeterminarsiladeformaci6nmedicaaltera
losefectosin vitro delplasmadepacientesconpreeclampsiaenlafunci6ncelularendotelial
paraproducirunparadigmasimilaralestadodelaenfermedadin vivo. Losindividuosestu-
diados eran 24 mujeres embarazadas, primerizas, antes del trabajo de parto: 12 deelIas
tenfan preeclampsiaylas otras 12 eranpacientes con embarazo normal. Entre los datos
recolectados estan los siguientesvalores que correspondena las edades gestacionales (en
semanas)almomentadelparto.
Preeclampsia Embarazo normal
38.000 40.000
32.000 4l.000
42.000 38.000
30.000 40.000
38.000 40.000
35.000 39.000
32.000 39.000
38.000 41.000
39.000 41.000
29.000 40.000
29.000 40.000
32.000 40.000
FUENTE: Utilizadacanautorizaci6ndelDr.JamesM.
Roberts.
288 CAPITULO 7 PRUEBADEHIPOTESIS
53. Zisselmanet al. (A-54)condujeronunestudioparaevaluarelusodela benzodiazepinayel
tratamientodeladepresi6nantesdelingresoaunaunidaddepsiquiatrfageriiitricahospita-
laria,enunamuestradepacientesdelaterceraedad.Entrelosdatosrecolectadosestinlas
siguientes calificaciones delos trastornos deconducta de 27 pacientes tratados con benzo-
diazepina(e)y28pacientesquenorecibieroneltratamiento(8).
C S
.00 1.00 .00 .00
.00 1.00 .00 10.00
.00 .00 .00 .00
.00 .00 .00 18.00
.00 10.00 .00 .00
.00 2.00 .00 2.00
.00 .00 5.00
.00 .00
.00 4.00
.00 1.00
4.00 2.00
3.00 .00
2.00 6.00
.00 .00
10.00 .00
2.00 1.00
.00 2.00
9.00 1.00
.00 22.00 .
1.00 .00
FUEl'iTE: Utilizada con autorizad6n del Dr.
16.00 .00
YochiSchmuely.
54. El objetivo deunestudiodeReinecke et al. (A-55) esinvestigarla actividad funcional y la
expresi6ndelintercambiosarcolemicodeNA+ leaH enelcoraz6nconinsuficienciaenseres
humanos. Los investigadoresobtuvieronmuestrasdelventrfculoizquierdodeloscorazones
enfermosde 11 pacientesvarones (con edadpromediode51 aftos) queseriansometidos a
trasplantesdecoraz6n.Tambien, utilizaroncomocontrolmuestrasdecorazonessinproble-
mas,dedonadoresde6rganos(cuatromujeresydoshombres,conedadpromediode41 aDOS)
cuyocoraz6nnopodiasertrasplantadoporrazonesnocardiacas.Lassiguientesmedicionesco-
rrespondenalaactividaddeintercambiodeNa+/ea
2
+paralos pacientesconinsuficiencia
cardiacaenetapafinal (IC)ypacientesdonadoresdecontrolsininsuficiencia(81).
SI IC
0.075 0.221
0.073 0.231
0.167 0.145
0.085 0.112
0.110 0.170
0.083 0.207
(ContinUa)
289 PREGUNTASYEJERCICIOSDEREPASO
SI IC
0.112
0.291
0.164
0.195
0.185
FUENTE: Utilizadacon
autorizaci6ndel
Dr. HansReinecke.
55. Reichmanet al. (A-56)realizaronunestudioconel prop6sitodedemostrarquelossintomas
negativossonnotablesenpacientesconenfermedaddeAlzheimer,yquesondistintosdelos
sfntomas dela depresi6n. Las siguientes clasificaciones corresponden a las registradas en
pacientesconAlzheimer(PA)yenpersonasdelaterceraedadquenopadecenelsindrome,
cognitivamenteintactos(queformanel grupodecontrolC).Estasmedicionesestanbasadas
enlaescaladevaloraci6ndelossfntomasnegativos delaenfermedaddeAlzheimer.
PA C
19 6
5 5
36 10
22 1
1 1
18 0
24 5
17 5
7 4
19 6
5 6
2 7
14 5
9 3
34 5
13 12
0 0
21 5
30 1
43 2
19 3
31 19
21 3
41 5
24
Fuente: Utilizadacon
autorizaci6ndelDr. Andrew
3
C. Coyne.
290' CAPITULO7 PRUEBADEHIPOTESIS
Lossiguientesejerciciosutilizangruposgrandesdedatosqueseencuentranalmacena-
dosendiscoparacomputadora,queeleditorpuedeproveer.
1. Consultelos datos dela creatinafosfocinasa registradapara 1005 individuos (CFDATOS).
Los investigadoresquieren sabersi psicologicamentelas situacionesestresantescausan un
incrementoenlosnivelesdecreatinafosfocinasaenelsuero(CF)entreindividuosaparente-
mentesanos.Paraayudara los investigadoresatomarunadecision,elobjetivodelejercicio
es tomarunamuestraaleatoriadeestapoblacion, aplicarel analisis pertinentea los datos
muestralesydarunreportenarrativodeloshallazgosycondusiones.Despues,compararlos
resultadoscontralosresultadosdeotroscompaneros.
2. Consuitelosdatosdeltiempodelaprotrombinaen1000infantes.(PRO'IROM).Elejercicio
consiste en seleccionar una muestra aleatoria de tamano 16 a partir de cadaunade estas
poblacionesyrealizarunapruebadehipotesispertinenteparadeterminarsiesposiblecon-
duirquelasdospoblacionesdifierenconrespectoaltiempomediodelaprotrombina.Sea
ex. .05. ~ u e suposicionessonnecesariasparaquelapruebaseavalida?Despues,compare
los resultadoscontralosresultadosdeotroscompaneros.
3. Consultelosdatosdelacircunferenciacranealde 1000individuoscomparados(CIRCRA). EI
siguiente ejercicioconsiste enseleccionarunamuestraaleatoriadetamano20apartirdela
poblacionyaplicarlapruebadehipotesisadecuadaparadeterminarsiesposibleconduirque
los individuosconcromosomas sexualesanormalestiendena tenercabezas mas pequenas
quelos individuosnormales.Seaex. =.05. Elaboreunintervalodeconfianzade 95 porciento
paraladiferenciadelamediadedospoblaciones. 2Quesuposicionessonnecesarias?Despues,
comparelos resultadoscontralos resultadosdeotroscompaneros.
4. Consultelosdatosdehemoglobinade500ninosconanemiapordeficienciadehierroy500
ninosaparentemente sanos (HEMOGLOB). EI siguiente ejercicio consiste en extraer una
muestraaleatoriadetamano 16apartirdelapoblacionA, yunasegundamuestraaleatoria
independientedetamano16delapoblacionB. cProporcionanlosdatosmuestralessuficien-
te evidenciapara indicar que las dos poblaciones difieren conrespectoal valor medio de
Hb? Seaex. =.05. cQue suposiciones sonnecesarias paraque el procedimientoseavalido?
Despues,comparelosresultadoscontralosresultadosdeotroscompaneros.
5. Consultelascalificacionesdedestrezamanualde500ninoscondiscapacidaddeaprendizaje
y500ninossindiscapacidadconocida(DESTMAN). Realice elsiguienteejercicio: extraiga
dos muestrasaleatoriassimplesindependientesdelaspoblacionesAyB, de tamanos lOy
IS, respectivamente. cOfrecen estas muestras suficiente evidencia paraconduirque los
ninosdiscapacitados,enpromedio,tienenmenorcalificacionquelosninosquenosondis-
capacitados?Seaex. = .05.(Quesuposicionesdebencumplirseparaqueelprocedimientosea
valido? Despues de conduirel ejercicio, compare los resultados contra los resultados de
otroscompaneros.
BmLIOGHAI:?IA
Bibliografiadeaplicaciones
A-I. CharlesE. CastilloyStephenLillioja, "PeripheralLymphaticCannulationfor Physiological
Analysis ofInterstitial Fluid Compartmentin Humans",AmericanJournal of Physiology, 261
(Heart and Circulation Physiology, 30), HI324-HI328.
A-2. ]oEllen Wilbur, Alice Dan, Cynthia Hedricks y Karyn Holm, "The Relationship Among
MenopausalStatus,MenopausalSymptoms,andPhysicalActivityinMidlifeWomen",Family
& Community Health, 13,67-78.
BIBLIOGRAFlA 291
A3. Joseph S. Bertino, Jr., Leigh Ann Booker, Patrick Franck y Benjamin Rybicki, "Gentamicin
Pharmacokinetics in Patients with Malignancies", Antimicmbial Agents and Chemotherapy, 35,
1501-1503.
A4. Lisa M. Klesges, Robert C. Klesges y Jeffrey A. Cigrang, "Discrepancies Between Self-reported
Smoking and Carboxyhemoglobin: An Analysis ofthe Second National Health and Nutrition
Survey", AmericanJournal ofPublic Health, 82, 1026-1029.
A-5. Jeffrey M. Barrett, "Funic Reduction for the Management of Umbilical Cord Prolapse",
AmericanJournal ofObstetrics and Ginecoiogy, 165, 654-657.
A6. D. H. Eidelman, H. Ghezzo, W. D. Kim y M. G. Cosio, "The Destructive Index and Early
Lung Destruction in Smokers", American Review ofRespiratory Disease, 144, 156-159.
A7. Heather Becker, Alexa K. Stuifbergen y Dolores Sands, "Development of a Scale to Measure
Barriers to Health Promotion Activities Among Persons with Disabilities" ,American Journal of
Health Promotion, 5, 449-454.
AS. Scott L. Evans, Brent P. Nixon, Irvin Lee, David Yee y Arshag D. Mooradian, "The Prevalence
and Nature ofPodiatric Problems in Elderly Diabetic Patients" ,Journal ofthe American Geriatrics
Society, 39,241-245.
A9. MirjamJ. -[ Hommes, Johannes A Romijn, Erik Endert y Hans P. Sauenvein, "Resting Energy
Expenditure and Substrate Oxidation in Human Immunodeficiency Virus (HIV)-Infected
Asymptomatic Men: HIV Affects Host Metabolism in the Early Asymptomatic Stage" ,American
Journal of Clinical Nutrition, 54, 311-315.
A-IO. Christian Frigerio, Yves Schutz, Roger Whitehead y Eric J equier, "A New Procedure to Assess
the Energy Requirements of Lactation in Gambian Women", American Journal of Clinical
Nutrition, 54, 526-533.
AII. Nancy Stearns Burgess, "Effect of a Very-Law-Calorie Diet on Body Composition and Resting
Metabolic Rate in Obese Men and Women", Journal of the American Dietetic Association, 91,
430-434.
A12. KathleenJ. Kashima, Bruce L. Baker y SandraJ. Landen, "Media-Based Versus Professionally
Led Training for Parents of Mentally Retarded Children", American Journal on Mental
Retardation, 93,209-217.
A13. Alan R. Schwartz, Avram R. Gold, Norman Schubert, Alexandra Stryzak, Robert A. Wise,
Solbert Permutt y Philip L. Smith, "Effect of Weight Loss on Upper Airway Collapsibility in
Obstructive Sleep Apnea", American Review ofRespiratory Disease, 144, 494-498.
A14. S. Alahuhta, J. Rasanen, R. Jouppila, P. Jouppila, T. Kangas-Saarela y A. 1. Hollmen,
"Uteroplacental and Fetal Haemodynamics During Extradural Anaesthesia for Caesarean
Section", British Journal ofAnaesthesia, 66, 319-323.
A15. Michael S. Wolin, Hatim A. Omar, Michael P. Mortelliti y Peter D. Cherry, "Association of
Pulmonary Artery Photorelaxation with H
2
0
2
Metabolism by Catalase", AmericanJournal of
Physiology, 261 (Heart Circulation Physiology, 30), H 1141-Hl147.
A-16. Jorge Mancebo, Piedade Amaro, Hubert Lorino, Fran<;ois Lemaire, Alain Harfy Laurent
Brochard, "Effects of Albuterol Inhalation on the Work of Breathing During Weaning from
Mechanical Ventilation", American Review of Respiratory Disease, 144, 95-100.
A17. Randall Coates, Margaret Millson, Ted Myers,J ames Rankin, Bernadette McLaughlin, Carol
Major, Janet Rigby y William Mindell, "The Benefits of HIV Antibody Testing of Saliva in
Field Research", CanadianJournal ofPublic Health, 82, 397-398.
292 CAPITULO 7 l'RUEBADEHIPOTESIS
A-18. DianaM. Bailey,"ReasonsforAttritionfromOccupationalTherapy",The AmericanJournal of
Occupational Therajly, 44,23-29.CopyrightbytheAmericanOccupationalTherapyAssociation,
Inc.Reimpresoconautorizaci6n.
A-19. PatriciaL. Colsher,RobertB.Wallace,PaulL. LoeffelholzyMarilynSales,"HealthStatusofOlder
MalePrisoners:AComprehensiveSurvey",AmericanJournal ofPublic Health, 82,881-884.
A-20. Kelly]. Henning, Daphna M. Pollack y Stephen M. Friedman, ''A Neonatal Hepatitis B
Surveillance andVaccination Program: New York City, 1987 to 1988",American Journal of
Public Health, 82, 885-888.
A-2l. Shu-:Jan].LanyCatherineL. Justice,"Useof ModifiedDietsinNursingHomes,"Copyright
TheAmericanDieteticAssociation. Reimpreso con autorizaci6n deJournal of the American
Dietetic Association, 91,46-5I.
A22. RJosephBabaianyJosephL. Camps,"TheRoleofProstate-SpecificAntigenasPartofthe
DiagnosticTriadandasaGuideWhentoPerformaBiopsy",Cancer, 68, 2060-2063.
A-23. Sharon M. Hall, Chrystal D. Tunstall, Katharine L. Vila yJoanne Duffy, "Weight Gain
PreventionandSmokingCessation: CautionaryFindings",AmericanJournal ofPublic Health,
82,799-803.
A-24. GeorgeWinokuryWilliamCoryell,"FamilialAlcoholisminPrimaryUnipolarMajorDepressive
Disorder",AmericanJournal of Psychiatry, 148, 184-188.
A-25. RobertH.Gundel,PeterKinkade,CarolA. Torcellini,CosmosA. Clarke, JaneWatrous,Sudha
Desai, Carol A. Homon, Peter R. Farina y CraigD. Wegner, ''Antigen-Induced Mediator
ReleaseinPrimates",American Review of Respiratory Disease, 144,76-82.
A-26. C. Infante,]. Hurtado, G. Salazar, A. Pollastri, E. Aguirre y F. Vio, "The Dose-to-Mother
Method to Measure Milk Intake in Infants by Deuterium Dilution: AValidation Study",
EuropeanJournal of Clinical Nutrition, 45, 121-129.
A27. HowardP. GreenwaldyCurtis].Henke,"HMOMembership,Treatment,andMortalityRisk
AmongProstaticCancerPatients",AmericanJournal of Public Health, 82, 1099-1104.
A28. R Behr,G. Hildebrandt,M.Kocay'K.Bruck,"ModificationsofThermoregulationinPatients
with SuprasellarPituitaryAdenomas", Brain, 114, 697-708. Utilizadocon autorizaci6n de
OxfordUniversityPress.
A29. Paul J.Perry,DelD.Miller,StephanV.ArndtyRemiJ.Cadoret,"ClozapineandNordozapine
Plasma Concentrations and Clinical Response ofTreatment-Refractory Schizophrenic
Patients",AmericanJournal ofPsychiatry, 148,231-235.
A30. StephanieStudenski,PamelaW. DuncanyJulieChandler,"PosturalResponsesandEffector
Factors in Personswith UnexplainedFalls: Results andMethodologicIssues",Journal of the
American Geriatrics Society, 39,229-235. AmericanGeriatricsSociety.
A3l. YueChen,"FactorsAssociatedwithArtificialFeedinginShanghai",AmericanJournal ofPublic
Health, 82,264-266.
A32. RobertRodriguez-Roisin,AntoniFerrer,DanielNavajas,AlvarG. N.Agusti,PeterD.Wagner
yJosepRoca, "Ventilation-Perfusion Mismatch After Methacholine Challenge in Patients
withMildBronchialAsthma",American Review of Respiratory Disease, 144,88-94.
A-33. DenisF. Darko,NevinW. Wilson,].ChristianGillinyShahrokhGolshan,''A CriticalAppraisal
ofMitogen-Induced Lymphocyte Proliferation in Depressed Patients",American Journal of
Psychiatry, 148,337-344.
BIBUOGRAFIA 293
A-34. EdgarP. Nace,CarlosWDavisyJosephP. Gaspari,"AxisIIComorbidityinSubstanceAbusers",
American j ourna! ofPsychiatry, 148, 118-120.
A-35. L. Jara,A Ondarza,R. BlancoyL.Rivera,"CompositionoftheParotidSalivainChileanChildren
withDown'sSyndrome",Archivos de Biologia Medici:na Experimentales (Santiago), 24,57-60.
A-36. A. W Hemming,C. H.Scudamore,A. DavidsonyS. R. Erb,"Evaluationof50Consecutive
SegmentalHepaticResections",American journal ofSurgery, 65,621-624.
A-37. R. K. Sokas,S. SimmensyJ.Scott,"ATrainingPrograminUniversalPrecautionsforSecond-
YearMedicalStudents",Academic Medicine, 68, 374-376.
A-38. A W Wu, H. R. Rubin, W C. Mathavs, L. M. Brysk, S. A. Bozzette, W D. Hardy,J. H.
Atkinson,L Grant,S. A Spector,J.A. McCutchanyD. D. Richman,"FunctionalStatusand
Well-beinginaPlacebo-ControlledTrialofZidovudineinEarlySymptomaticHIVInfection",
journal ofAcquired Immune Deficiency Syndrome, 6,452-458.
A39. T. Stockwell,P. Rydon,S. Gianatti,EJenkins,C. OvendenyD.Syed,"Levelsof Drunkenness
of CustomersLeavingLicensedPremisesinPerth,WesternAustralia:AComparisonofHigh
andLow'Risk'Premises",Britishjournal ofAddiction, 87,873-881.
A-40. S. J. Sutherland, R. D. Olsen, V. Michels, M. A. SchmidtyJ. F. O'Brien, "Screeningfor
Biotinidase Deficiency in Children with Unexplained Neurologic or Developmental
Abnormalities",Clinical Pediatrics Philadelphia, 30, 81-84.
A41. NormanH. Bell, "25-Hydroxyvitamin D3 Reverses Alteration oftheVitamin D-Endocrine
SysteminBlacks",The American journal ofMedicine, 99, 597-599.
A42. P. Montner, D. M. Stark, M. L. Riedesel, G. Murata, R. Robergs, M. TimmsyT. W Chick,
"Pre-exerciseGlycerolHydrationImprovesCyclingEnduranceTime",International journal
ofSports Medicine, 17,27-33.
A43. AlessandraD'Aiessandro,Ware Kushner, HoferWong, HomerA. BousheyyPaulD. Blanc,
"Exaggerated Responses to Chlorine InhalationAmong Persons with NonspecificAirway
Hyperreactivity",Chest, 109,331-337.
A44. L. R. Ranganath,J.A. Christofides,J.W WrightYV. Marks, "EffectofHormoneReplacement
TherapyonPlateletMembraneFattyAcidComposition",journal ofEndocrinology, 148,207-212.
A-45. MichaelI. Goran, Patricia Driscoll, RachelJohnson,TimR. Nagy yGaryHunter,"Crosscali-
brationof Body-CompositionTechniquesAgainstDual-EnergyX-RayAbsorptiometryinYoung
Children",American journal ofClinical Nutrition, 299-305.
A-46. Manfred Hartard, Paul Haber, Diana Ilieva, Elisabeth Preisinger, GeorgSeidlyJohannes
Huber, "Systematic StrengthTrainingas a Model ofTherapeutic Intervention",American
journal ofPhysical Medicine &Rehabilitation, 75,21-28.
A-47. M. Vitacca,E. CHni,W Spassini,L. Scaglia,P. Negrini,A. Quadri,"DoestheSupinePosition
WorsenRespiratoryFunctioninElderlySubjects?",Gerontology, 42,46-53.
A-48. StephenB. Young, PeterL. Rosenblatt, DianeM. Pingeton,Allison E. HowardyStephenP.
Baker, "The Mersilene Mesh Suburethral Sling: A Clinical and Urodynamic Evaluation",
American journal of Obstetrics and Gynecology, 173, 1719-1726.
A49. Paul T. Diamond, Gerald Felsenthal, Stephen N. Macciocchi, Donna H. Butler y Denise
Lally-Cassady,"EffectofCognitiveImpairmentonRehabilitationOutcome",American journal
ofPhysical Medicine & Rehabilitation, 40-43.
294 cAPiTULO 7 PRUEBA DE HIPOTESIS
A50. Robert E. Weinstein, Catherine A. Lobocki, Sharon Gravett, Hillman Hum, Ronald Negrich,
Jonathan Herbst, Dana Greenberg y David R. Pieper, "Decreased Adrenal Sex Steroid Levels
in the Absence of Glucocorticoid Suppression in Postmenopausal Asthmatic Women" ,Joumal
ofAllergy and Clinical Immunology, 97, 1-8.
A51. Barry L. Gruber, Darius Sorbi, Deborah L. French, Mary J. Marchese, Gerard J. Nuovo,
Richard R. Kew y Leonard A. Arbeit, "Markedly Elevated Serum MMP-9 (Gelatinase B) Levels
in Rheumatoid Arthritis: A Potentially Useful Laboratory Marker", Clinical Immunology and
Immunopathology, 78, 161-171.
A52. Luigi Benini, Carlo Sembenini, Greta Castellani, Enrico Bardelli, Maria Teresa Brentegani,
Piergiorgio Giorgetti e Italo Vantini, "Pathological Esophageal Acidification and Pneumatic
Dilatation in Achalasic Patients: Too Much or Not Enough?" Digestive Diseases and Sciences,
41, 365-371.
A53. Philip N. Baker, Christopher P. Stranko, Sandra T. Davidge, Paul S. Davies y James M. Roberts,
"Mechanical Stress Eliminates the Effects of Plasma from Patients with Preeclampsia on
Endothelial Cells", AmericanJOUTnal ofObstetrics and Gynecology, 174, 703-706.
a.54. Marc H. Zisselman, Barry W. Rovner y Yochi Shmuely, "Benzodiazepine Use in the Elderly
Prior to Psychiatric Hospitalization", Psychosomatics, 37, 38-42.
A55. Hans Reinecke, Roland Struder, Roland Vetter, Jurgen Holtz y Helmut Drexler, "Cardiac
Na+/Ca2+ Exchange Activity in Patients with End-Stage Heart Failure", Cardiovascular Research,
31,48-54.
A56. William E. Reichman, Andrew C. Coyne, Satish Amirneni, Bruno Molino y Sandra Egan,
"N egative Symptoms in Alzheimer's Disease", AmericanJournal ofPsychiatry, 153, 424-426.
~ ..----... ~ ....~ ... ~ . --...--... ~ . ... ---...----... ~
8.1 INTRODUCCION 8.4 DISENO DEMEDICIONES
REPETIDAS
8.2 DISENOCOMPLETAMENTE
ALEATORIZADO 8.5 EXPERIMENTO FACTORIAL
8.3 DISENO PORBLOQUES 8.6 RESUMEN
COMPLETOS YALEATORIZADOS
8.t INTRODUCCION
En los capftulos anteriores se estudian los conceptos elementales de estadfstica,
los cuales constituyen las bases para este y los capitulos siguientes.
En este capitulo se estudia el antilisis de La variancia, el eual se define como
una ticnica en La que La variancia total de un conjunto de datos se divide en dos 0 mas
componentes, y cada uno de ellos se asocia con una fuente especifica de variaci6n, de
manera que durante el antilisis es posible encontrar la magnitud con la que contribuye
cada una de esas fuentes en fa variacion total.
El desarrollo del analisis de la variancia (ANOVA) se debe principalmente al
trabajo de R. A. Fisher (1), cuyas contribuciones a la estadistica, desde 1912 hasta
1962, tuvieron una gran influencia en toda la estadistiea moderna (2, 3).
Aplicaeiones El amllisis de variancia tiene amplia aplicacion en el amHisis de
datos derivados de experimentos. Los principios para el disefio de experimentos
se estudian en varias obras, entre elIas las de Hinkelmann y Kempthorne (4),
Montgomery (5), y Myers y Well (6). No se estudia aqui con detalle este tema,
porque de hacerlo serfa necesario por 10 menos un capftulo adicional. Sin embar-
go, algunos conceptos importantes del disefio experimental apareeen conforme
se estudia el analisis de la variancia.
EI analisis de la variancia se utiliza para cumplir dos objetivos: 1) estimar y
probar hipotesis respecto a las variancias de las poblaciones y 2) estimar y probar
hip6tesis respecto a las medias de las poblaciones. En esta secci6n el objetivo es
295
296 CAPITULO 8 ANALISIS DE LA VARIANCIA
estimar y probar hipotesis respecto a las medias de las pobladones. Sin embargo,
tal como se puede apredar, las condusiones respecto a las medias dependen de la
magnitud de las variandas observadas.
Es posible observar que los conceptos y tecnicas cubiertas bajo el titulo de
amilisis de la variancia son extensiones de los conceptos y tecnicas que se tratan en
el capitulo 7. En dicho capitulo se aprendio a probar la hipotesis nula que dice que
dos medias son iguales. En este capitulo se estudia como probar la hipotesis nula
que afirma que tres 0 mas medias son iguales. Por ejemplo, mientras que en el
capitulo 7 se aprendio a determinar si es posible conduir que dos tratamientos
difieren en eficada, aqui se aprendera a determinar si es posible conduir que tres 0
mas tratamientos difieren en eficacia. Los siguientes ejemplos ilustran algunas ideas
basicas reladonadas con la aplicacion del analisis de la variancia, las cuales se am-
pliaran y explicaran en las siguientes secciones.
FJEMPLO 8.1.1
Suponga que se pretende saber si tres medicamentos difieren en su eficada para
disminuir las concentraciones sericas de colesterol en los seres humanos. Se aplican
a tres grupos de individuos, respectivamente, los medicamentos A, B YC. Despues
de transcurrido derto periodo se toman medidones para identificar el grado en
que se redujo el nivel de colesterol serico en cada individuo. Se encuentra que el
cole sterol disminuyo en diferente medida en cada individuo, es decir, existe variabi-
lidad entre las mediciones. La pregunta es: ~ p o r que son diferentes las mediciones?
Probablemente, porque cada individuo redbi6 diferente medicamento. AI revisar
las mediciones hechas en los individuos que recibieron el medicamento A, se en-
cuentra que la cantidad de colesterol disminuyo en diferente grado en cada indivi-
duo. Yal revisar las mediciones de los individuos que recibieron los medicamentos
B y C, se encuentra que tambien ocurre la misma situaci6n: existe variabilidad entre
las medidones de los tres grupos. Otra vez la pregunta ~ p o r que son diferentes las
mediciones? Entre las causas posibles estan las diferencias geneticas de cada indivi-
duo y la diferencia en sus dietas. A traves del analisis de la variabilidad observada es
posible llegar a la conclusion de que los tres medicamentos tienen igual eficacia.
Para hacer esto, es necesario utilizar tecnicas y conceptos de variancia.
Variables En el ejemplo se mencionan tres tipos de variables. Se tiene que estas
variables estan presentes en todas las situaciones en las que se utiliza el analisis de
la variancia como la tecnica mas conveniente. Primero se tiene la variable tratamien-
to, que en el ejemplo se identifica como "medicamento". Se tienen tres "categorias"
para esta variable: medicamentosA, By C. El segundo tipo de variable es la variable
respuesta; para este ejemplo, se refiere al nivel de colesterol antes y despues. La
variable respuesta es la variable que se espera que presente diferentes valores cuan-
do se utilicen diferentes "categorias" para la variable tratamiento . .Fi.nalmente, se
mencionan otras variables: composicion genetica y dieta, llamadas variables extra-
nas. Estas pueden tener efecto sobre la variable respuesta, pero no son el foeo de
atenci6n para el experimento porque la variable tratamiento es la variable de inte-
res principal. La pregunta que es necesario responder es: ~ l s diferentes "catego-
297
.----.-_...__...._--_.... ---_...__._-_...__..__.
8.1 INTRODUCCION
rias" delavariable tratamientoproducendiferencias,enpromedio,enlavariable
respuesta?
Supuestos Parautilizarcorrectamenteel analisis devarianciacomo una he-
rramientadelainferenciaestadisticaesnecesariosatisfacerunconjuntodesupo-
siciones fundamentales. Aunqueelinvestigadorexperto noesperaque todas las
suposicionessecumplanalaperfecci6n, es importantequelaspersonasqueutili-
zanlastecnicasdelanalisisdelavarianciaestenenteradas delassuposicionesbasicas
yseancapacesdeidentificarcuandotalessuposicionesnosonsatisfechas.Debido
aquelosexperimentosenlosquelassuposicionessonsatisfechasperfectamente
no se presentan con frecuencia, se sugiere que los resultados del analisis de
varianciasseanconsideradosmascomoaproximacionesquecomoresultadosexac-
tos. Estassuposicionesse exponenenlassiguientessecciones.
El analisis de lavariancia se estudia seg(m la forma en que se utiliza para
analizarlos resultadosdedosdiseiiosdeexperimentaci6ndiferentes: los disefios
completamentealeatorizadosylosdisefiosporbloquescompletosyaleatorizados.
Aunadoaesto,elconceptodeexperimentofactorialseutilizaendiseiioscompleta-
mentealeatorizados,sinqueestoagotelasposibilidades. Enlasreferenciasbiblio-
graficas (4-6)seencuentranalgunosestudiosacercadeotrosdisefios.
ProcedimieldoANOVA Enlapresentaci6ndelanalisisdevarianciaparadiferen-
tesdiseiios,sesigueelprocedimientodelosdiezpasospresentadoenelcapitulo7.
Acontinuaci6nse replanteael procedimientodelosdiezpasosparaincluirnuevos
conceptos,necesariosparaadaptare1 procedimientoalanalisisdelavariancia.
1. Descripciondedatos. Ademas dedescribir los datos de la muestraenla
formausual,estossedesplieganenformatabular.
2. Supuestos. Juntoconlassuposicionesquefundamentanelanalisis, sepre-
senta e1 modelo de cada diseiio estudiado. El modelo se compone de una
representaci6nsimb61icadeunvalorrepresentativodelosdatosquesehan de
analizar.
3. Hipotesis.
4. Estadisticadeprueba.
5. DistribuciondeIaestadisticadeprueba.
6. RegIadedecision.
7. CaIculodelaestadisticadeprueba. Elresultadodeloscilculosaritmeticos
se resume enuna tabla Hamada analisis de lavariancia (ANOVA, siglas en
ingles). Las entradasenlatablafacilitan laevaluaciondelos resultadosdel
analisis.
8. DecisiOnestadistica.
9. Conclusion.
10. Calculodelvalorp.
Estospasosseestudiancon::nas detalleenlasecci6n8.2.
298 CAPITULO 8 ANALISIS DE LA V ARIANCIA
El usa de computadoras Los caJculos que se requieren para el analisis de la
variancia son mas largos y omplicados que los que se presentan en los capitulos
anteriores. Por esta razon lacomputadora asume una flindon importante para este
analisis. Todos los ejercidos que aparecen en este capitulo pueden ser realizados
con una computadora utilizando los paquetes que se mencionan en el capItulo 1.
Los resultados de los paquetes estadisticos pueden variar ligeramente de los que se
presentan en este capItulo, pero esto no es un problema grave para quienes utilizan
computadora para analizar los datos de los ejercidos. Los conceptos basicos del
analisis de la variancia que se presentan en este capitulo proporcionan las bases
necesarias para entender la descripcion de los programas y los resultados de cual-
quiera de los paquetes estadisticos.
8.2 DISENO COMPLETMfENTE
ALEATORIZADO
En el capItulo 7 se estudia la forma de probar la hip6tesis nula de no diferencia entre
las medias de dos poblaciones. A menudo, el investigador tendra interes en probar
una hip6tesis de esta clase para mas de dos poblaciones. EI estudiante, al enfrentar
por primera vez este problema, puede inclinarse a sugerir que todos los pares posi-
bles de medias muestrales se deben probar por separado mediante la prueba t
de Student. Suponga que hay cinco poblaciones involucradas. EI numero posible de
pares de medias muestrales es 5C2 = 10. Dado que es muy laborioso llevar a cabo
muchas pruebas t, serfa deseable disponer de un metodo de analisis mas eficiente.
Sin embargo, una consecuencia muy importante que podrfa desprenderse de la
realizaci6n de todas las pruebas t posibles es que es muy probable lIe gar a una
conclusion falsa.
Suponga que se extrajeron cinco muestras a partir de poblaciones que tie-
nen medias iguales. Como se vio en el parrafo precedente, seria necesario efectuar
10 pruebas si estas se efectuaran por separado. Si se elige un nivel de significacion
ex .05 para cada prueba, la probabilidad de no rechazar una hipotesis de no
diferencia en cada caso serfa de .95. Mediante la regIa de multiplicacion para la
probabilidad, si las pruebas fueran independientes una de otra, la probabilidad de
no rechazar la hipotesis de no diferenda en los 10 casos serfa (.95)10 = .5987. La
probabilidad de rechazar al menos una hipotesis de no diferencia, entonces, seria
de 1- .5987 .4013. Puesto que se sabe que lahipotesis nula es verdadera en todos
los casos de este ejemplo, al rechazar la hipotesis nula se comete un error de tipo I.
Entonces, a la larga, al probar todos los posibles pares de medias a partir de las
cinco muestras, se podrfa cometer un error de tipo I en 40 por ciento de los casos.
EI problema se hace mas complicado en la pnictica, porque tres 0 mas pruebas t con
base en los mismos datos de las muestras no serfan independientes entre sf.
Dado 10 anterior, es claro que se requiere un metodo para hallar una deferencia
significativa entre varias medias. EI analisis de variancias constituye dicho metodo.
ANOVA unilateral El tipo mas simple de analisis de variancia es el que se conoce
como aruilisis de la variancia unilateral, en el cual se investiga una sola fuente de varia-
299 8.2 DISENO COMPLETAt)1E:'-l'TE ALEATORIZADO
ci6n 0 factor. Esto es una extensi6n a tres 0 mas muestras del procedimiento de la
prueba t (estudiado en el capitulo 7), para utilizarlo en dos muestras independientes.
Dicho de otra forma, se puede afirmar que utilizar la prueba t con dos muestras
independientes es un caso espedfico del analisis de la variancia unilateraL
En una situaci6n caracterfstica, se quiere utilizar el analisis de la variancia unila-
teral para probar la hip6tesis nula que indica que tres 0 mas tratamientos son igual-
mente eficaces. EI experimento se disefia en tal forma que los tratamientos de interes
se asignan de manera totalmente aleatoria a los individuos u objetos en los que se
han de realizar las determinaciones para medir la eficacia de los tratamientos. Por
esta razon, el disefio se llama disefto de experimentaci6n completamente aleatorizado.
Es posible asignar aleatoriamente individuos para tratamiento como sigue.
Suponga que se cuenta con 16 individuos para participar en un experimento, en el
que se pretende comparar cuatro medicamentos. Se numeran a los individuos del 1
al 16; despues, a partir de la tabla de numeros aleatorios se seleccionan consecuti-
vamente, sin repetir, los numeros dell a116. Para ilustrar esto, se utiliza la tabla D y
se comienza aleatoriamente desde un punto que esta, digamos, en la interseccion
del renglon 4 y las columnas 11 y 12. EI numero de dos dfgitos que esta en esa
interseccion es 9S. Los siguientes 16 numeros consecutivos de dos dfgitos, entre 1 y
16, son 16,09,06, 15, 14, 11,02,04, 10,07,05, 13,03, 12,01 YOS. Se asignan los
individuos 16,09,06 Y 15 al primer grupo, para aplicarles el medicamentoA. EI
medicamento B se aplica a los individuos 14, 11,02 Y 04; los individuos 10,07, 05
Y 13 reciben el medicamento C, y los individuos 03, 12,01 YOS reciben el medica-
mento D. Es importante decir que la cantidad de individuos en cada grupo no dene
que ser el mismo. La figura S.2.1 muestra el esquema de asignacion aleatoria.
Pasos dela prueba dehip6tesis Despues de haber decidido que el disefio
completamente aleatorizado es el disefio adecuado, se procede con los pasos de la
prueba de hipotesis. Primero se analizan con detalle y despues se da un ejemplo.
1. Descripciondelos datos. Las mediciones (u observaciones) que resultan de
un disefio experimental completamente aleatorizado, junto con las medias y
Individuos
disponibles
Numeros
aleatorios
Tratamiento A B c D
FIGURA 8.2.1 Asignaci6n de los individuos a los grupos de tratamiento en un diseiio
completamente aleatorizado.
300 CAPITULO8 ANALISIS DELAVARIANClA
TABlA8.2.1 Tabladevaloresdela
muestraparaeldiseiio
complementamentealeatorizado
Tratamientos
1 2 3 k
X
XII X!3 Xu
12
X X x X
21 22 23 2k
X X X
X33 31 32 3k
xn!) xn,l,
Total
T.J T..
T.k
Media
x.
2 x.
3
x.
k
lostotalesquepuedancalcularseapartirdelosdatos,puedenpresentarse,si
asiconviene,enlaformaquesemuestraenlatabla8.2.1.Lossimbolosutili-
zadosenlatabla8.2.1 se definencomosigue:
Xij =lai-esimaobservaci6nresultantea partirdel j-esimotratamiento
(entotalexistenktratamientos)
i:::: 1, 2...,nJ'j:::: 1,2,...,k
:::: i xi} == totaldel j-esimotratamiento
i=1
- T. j
x.j == - medidadelj-esimotratamiento
nj
If. Ii nj
T LT. j =LLxi} totaldetodaslasobservaciones
.=1 j=1 .=1
x = T.. N
.. N'
2. Supuestos. Antes deestablecerlassuposiciones, esnecesarioespecificarel
modeloparaelexperimentodescritoaqui.
Elmodelo
Talcomosehabranotado,unmodeloesunarepresentaci6nsimb61icadeunvalor
representativodelconjuntodedatos.Paraescribirelmode1oparael ~ s e i i o experi-
mentalcompletamentealeatorizado, se debe identificarel valor representativo a
partirde los datosrepresentadosporlamuestradesplegadaenlatabla8.2.1. Se
utilizae1 simboloxi}pararepresentardichovalor.
301 8.2 DISENOCOMPLETAMENTEALEATORIZADO
EI ami1isisdelavarianciaunilateralpuedeescribirsecomosigue:
(8.2.1)
Losterminosenestemodelose definendelasiguienteforma:
1. Jl representa la media de todas las k-medias poblacionales, y se Ie conoce
comolagranmedia.
2. 't
j
representa la diferencia entrela media de laj-esimapoblaci6ny la gran
media.SeIe conocecomoejecta del tratamiento.
3. eijrepresentalacantidadenquedifierenunamedici6nindividualdelamedia
poblacionala laquepertenece.SeIeconocecomofirmino del error.
Componentesdelmodelo Al revisarelmodeloesposibleapreciarqueuna
observaci6n representativa a partirdelconjuntocompleto de datos bajo estudio
estacompuesto de: 1) la gran media, 2) efecto del tratamiento,y 3) terminodel
errorquerepresentaladesviaci6ndelaobservaci6na partirdesumediagrupal.
Enlamayoriadelassituaciones,elinteresestasolamenteenlosk-tratamien-
tosrepresentadosenelejemplo.Cualquierinferenciaquesehaga,seaplieaunica-
mentea estostratamientosynosepretendeampliarlainferenciaa cualquierotro
conjuntomayordetratamientos.Cuandoseestablecentalesrestriccionesparalos
objetivosinferenciales,elmodeloseconocecomomodeloI0modelode eJectosfijos. El
anaIisisenestelibroselimitaa estemodelo.
Supuestosdelmodelo
Lassuposicionesparaelmodelodeefectosfijos sonlas siguientes:
a) Loskconjuntosdedatosobservadosformank muestrasaleatoriassimplesa
partirdelaspoblacionesrespectivas.
b) Cadaunadelas poblacionesde las que se extraenlas muestras siguenuna
distribucionnormalconmediaJl yvariancia 0"2.
} }
c) Cadaunade las poblaciones tienenla mismavariancia. Es decir, =
... = cri =(J'2 ,variancia
d) Las't
j
sonconstantesdesconocidasy L 'tj =0, puestoquelasumadetodaslas
desviacionesdeJl
j
a partirdesumedia,Jl, escero.
e) Lase.. tienenunamediaigualacero,porquela mediadex. esJl.
v v J
f) Lase.. tienenunavarianciaiguala lavarianciadelasx.,porquelase.. ylasx.
l) 1) I} Y
difierens610porunaconstante;esdecir,lavarianciadelerroresiguala(J2, la
varianciacomun,especificadaenelincisoc.
g) Laseijsiguenunadistribucionnormal(e independiente).
302 CAPITULO8 ANALISISDELAVARIANCIA
3. Hipotesis. Pruebe la hip6tesis que dice que todas las poblaciones0 trata-
mientostienenmediasigualescontralahip6tesisalternativa,quedicequeal
menosunparde poblacionesnotienenmediasiguales. Las hip6tesis se re-
dactanr:omosigue:
Ho :111 =11
2
=... Ilk
H A : notodaslas11j soniguales
Silasmediasdelaspoblacionessoniguales,yelefectodecadatratamientoes
igualacero,detalmaneraque,alternativamente,laship6tesispuedenescri-
birsecomosigue:
Ho :'tj =O,j 1,2,... ,k
HA : notodaslas1: j 0
SiHo esverdaderaylassuposicionessecumplenrespectoaquelasvarianciasson
igualesyquelaspoblacionessiguenunadistribuci6nnormal,entoncesesposibleapre-
ciarunafotografiadelapoblaci6ncomosemuestraenlafigura8.2.2.CuandoHo es
verdadera,lasmediasdelapoblaci6nsontodasigualesylaspoblacionesestancen-
tradassobreelmismopunto(lamediacomun)enelejehorizontal.Sitodaslaspobla-
cionessiguenunadistribuci6nnormalconvarianciasiguales,ladistribuci6nesidentica,
detalmaneraqueenlafotograffacadaunadeellasestasobrepuestasobrelasotras,
yunasolafotograffaessuficientepararepresentarlasatodas.
CuandolaHo esfalsa,probablemente10 esporquelamediadeunadelaspobla-
cionesesdiferentedelasdemasqueSI puedenseriguales.0,talvez,todaslasmedias
poblacionalessondiferentes.Estassonunicamentedosdelasposibilidadescuando
Ho es falsa. Existenmuchasotrasposiblescombinacionesdemediasigualesyme-
diasdiferentes.Lafigura8.2.3muestraunafotograffadelaspoblacionescuandose
cumplenlassuposiciones, peroHo esfalsaporquenohaydosmediasdepoblacio-
nesqueseaniguales.
4. Estadisticadeprueba. Laestadlsticadepruebaparaelanalisisdelavariancia
unilateraleselcalculodelaraz6n, designadacomoR.V, talcomoseestudia
enelcapitulo7. Las dosvarianciasconlas quesecalculalaR.V sonlas mis-
FIGURA8.2.2 Descripci6ndelaspoblacionesrepresentadasenundisefiocompletamen-
tealeatorizadocuandoHo esverdaderaysecumplenlas suposiciones.
303 8.2 DISENOCOMPLETAMENTEALEATORIZADO
I I
1\
I
IL1 IL2 ILk
FIGURA8.2.3 Descripci6ndelaspoblacionesrepresentadaseneldiseftocompletamente
aleatorizadocuando las suposiciones devariancias iguales ypoblaciones con distribuci6n
normalsecumplen, peroHoesfalsaporqueningunadelas mediaspoblacionaleses igual.
mas variancias calculadas a partirde los datos de la muestra. Los metodos
medianteloscualesesposiblecalcularlasvarianciasseestudianmasadelan-
teo
S. Distribuci6ndelaestadisticadeprueba. Enla seccion7.8 se dijoqueR.V.
sigueunadistribucionF cuandoHoesverdaderaysecumplenlassuposiciones.
6. RegIadedecision. Engeneral,laregIadedecisionesrechazarlahip6tesis
nulasi elvalorcalculadoparaR.V. es mayor0 igualqueelvalorcriticodeF
connivel0:.
7. CaIcuIodelaestadisticadeprueba. Se defini6 al analisisdela variancia
comounprocesoporelquelavariaciontotalpresenteenelconjuntodedatos
sedivideencomponentesquesonatribuiblesadiferentesfuentes.EItermino
variaci6n se utilizaeneste contexto parareferirse a lasuma de desviaciones at
cuadradode las observacionesde sumedia 0 sumade cuadrados.
Los calculos iniciales aplicados parauna unilateral consisten en la
divisiondelavariaci6ntotalpresenteenlosdatosobservadosdentrodesuscompo-
nentesbasicos, cadaunodeloscualesesatribuibleaunaFuenteidentificable.
Aquellosqueutilizancomputadoraspararealizarloscalculosprobablemente
quieranpasarporaltoelestudiodeloscalculosasociadosparaobtenerlaestadisti-
cadeprueba.
Swnatotaldecuadrados Antesdehacercualquierdivision,primeroes ne-
cesariocalcularlasumatotaldecuadrados.Lasumatotaldecuadradoseslasuma
deloscuadradosdelasdesviacionesdelasobservacionesindividualesapartirdela
mediadetodaslasobservacionestomadasjuntas.Lasumatotalde cuadrados (SCtotal)
sedefinecomo
k u
J
SCrotal =L L (Xij - xy
(8.2.2)
j=1 j=1
donde indicaquehayquesumarlasdesviacionesalcuadradoparacadagrupode
tratamiento, yr;=1 indicaque hayque snmarlos totales de losk gruposquese
obtienenalaplicar .Ellectorpuedeidentificarlaecuaci6n8.2.2comoelnu-
meradorde lavarianciaquepuedecalcularse a partirdel conjuntocompletode
observacionesjuntas.
~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~
304 CAPITULO 8 ANALISIS DE LA V ARIANCIA
Suma de cuadrados dentro de los grupos Ahora se muestra c6mo calcu-
lar los primeros dos componentes de la suma total de cuadrados.
EI primer paso para calcular estos componentes es realizar ciertos calculos
dentro de cada grupo. Estos calculos implican realizar dentro de cada grupo, la
suma de las desviaciones al cuadrado de las observaciones individuales, a partir
de su media. Despues de realizar estos calculos dentro de cada grupo, se obtiene la
suma de los resultados individuales del grupo. A este componente de variaci6n se
Ie llama suma de cuadrados dentro de los grupos y se Ie designa como SCdenlm' A esta
cantidad algunas veces se Ie conoce como suma de cuadrados residuales 0 de errores.
La expresi6n matematica para estos calculos es la siguiente:
k nj
SCdenlm = LL(xij - )2
(8.2.3)
j ~ l i ~ l
Suma de cuadrados entre los grupos Para obtener el segundo compo-
nente de la suma total de cuadrados, se calcula para cada grupo la desviacion al
cuadrado de la media del grupo a partir de la gran media, y se multiplica el resul-
tado por el tamano del grupo. Finalmente, se suman los resultados de todos los
grupos. Esta cantidad es una medida de la variacion entre los grupos y se conoce
como suma de cuadrados entre los grupos 0 SC La formula para calcular esta
entre
cantidad es como sigue:
k
SC "(- -X.. )2
entre = "'"' nj X.j .. (8.2.4)
j=1
Entonces, para resumir, se encuentra que la suma total de cuadrados es igual
ala suma de cuadrados entre los grupos mas la suma de los cuadrados dentro de los
grupos. Esta relacion se expresa asf:
Con la suma de cuadrados, recien descrita, es posible calcular dos estimaciones de
la variancia comun de la poblacion, (52. Puede demostrarse que cuando las suposi-
ciones se cumplen y las medias de las poblaciones son todas iguales, tanto la suma
de cuadrados dentro de los grupos como la suma de cuadrados entre grupos, si se
dividen entre sus respectivos grados de libertad, producen estimaciones de (52
insesgadas e independientes.
Primera estimacion de (f,l Dentro de cualquier muestra, la expresion ma-
tematica:
306 CAPITULO 8 ANALISIS DE LA V ARIANCL;\
Ellector reconocera el numerador de la ecuad6n R2.7 como la suma de cua-
drados entre los grupos para el caso especial en que todos los tamafios de las mues-
tras son iguales. Cuando se divide esta suma de cuadrados entre los grados de libertad
asociados k - 1, se obtiene 10 que se conoce como el cuadrado medio entre los grupos.
Cuando no todos los tamafios de las muestras son iguales, una estimaci6n de
0'2 con base en la variabilidarlentre las medias de las muestras se obtiene mediante
k
'" n.(x
.J
.
... J
j=!
(8.2.8)
k 1
Si, ademas, la hip6tesis nula es verdadera, puede esperarse que esas dos esti-
madones de 0'2 tengan una magnitud muy semejante. Si la hip6tesis nula es falsa,
esto es, si todas las medias de las poblaciones son diferentes, se puede esperar que
el cuadrado medio entre los grupos, que se calcula mediante el uso de las desviacio-
nes al cuadrado de las medias de las muestras a partir de toda la media, sea mayor
que el cuadrado medio dentro de los grupos.
Para comprender el amilisis de la variancia es necesario tener en cuenta que el
cuadrado medio entre grupos proporciona una estimaci6n valida de 0'2 cuando la
suposid6n de igualdad de las variancias de las poblaciones se cumple y cuando Ho
es verdadera. Ambas condiciones, una hip6tesis nula verdadera y variancias iguales
en las poblaciones, se deben cumplir para que el cuadrado medio entre grupos sea
una estimaci6n valida para 0'2.
La razon de variancias Lo que se necesita ahora es comparar las dos estima-
dones de 0'2 mediante el calculo de la siguiente relaci6n de varian cia, que represen-
ta la estadfstica de prueba requerida.
cuadrado medio entre los
R V = ~ ~
cuadrado medio dentro de los grupos
Si las dos estimaciones son aproximadamente iguales, la R.V. sera casi igual a 1.
Vna raz6n pr6xima a 1 tiende a apoyar la hip6tesis de que las medias son iguales
para las poblaciones. Por otra parte, si el cuadrado medio entre los grupos es con-
siderablemente mayor que el cuadrado medio dentro de los grupos, la R.V. sera, a
su vez, considerablemente mayor que 1. Vn valor de RV. con esta caracterfstica
ocasionara dudas sobre la hip6tesis de igualdad de las medias de las poblaciones.
Se sabe que debido a la variabilidad del muestreo, aun cuando la hip6tesis
nula es verdadera, es poco probable la igualdad de los cuadrados m.:dios entre y
dentro de los grupos. Por 10 tanto, antes de conc1uir que las diferencias no se deben
a la fluctuaci6n del muestreo, es necesario decidir que tan grande debe ser la dife-
rencia observada. Dicho de otra forma, (que tan grande debe ser un valor de RV.
para concluir que la diferenda observada entre las dos estimaciones de 0'2 no es
resultado unicamente del azar?
Praeba de F Para responder a la pregunta anterior se debe considerar la distri-
buci6n muestral de la raz6n de las variancias para dos muestras. En el capitulo 6 se
305 8.2 DISENOCOMPLETAMENTEALEATORIZADO
proporcionaunaestimaci6ninsesgadadelavarianciarealparalapoblaci6ndela
cualprovienelamuestra.Bajolasuposici6ndequetodaslasvarianciasdelapobla-
ci6nsoniguales, es posiblecontinuarlask estimacionesparaobtener
(8.2.5)
Estaes.laprimeraestimaci6ndea
2
, yseIepuedellamarvariancia dentro de los grupos,
dadoquelaexpresioncorrespondealasumadecuadradosdentrodelosgruposdela
ecuaci6n8.2.3divididaentrelosrespectivosgradosdelibertad.Elestudianteadver-
tinlqueestaesunaextensi6nparalask muestrasdelprocedimientodecombinaci6n
devarianciasque se plante6enlos capitulos 6y 7,.clondelacombinaci6n de las
variancias se utiliza paraladistribuci6nt. Alacantidad enlaecuaci6n8.2.5 casi
siempreseIellamacuadrado medio dentrodelosgrupos,enlugardevarianciaden-
trodelos grupos.
Elcuadradomediodentrodelosgruposesunaestimaci6nvalidadea
2
s610 si
lasvarianciasdelas poblacionessoniguales. Sinembargo,noes necesarioqueHo
seaverdaderaparaqueelcuadradomediodentrodelosgruposseaunaestimaci6n
validadea
2
Estoes, elcuadradomediodentrodelosgruposestimaaa
2
sinimpor-
tar si Ho esverdadera 0 falsa, siemprequelasvariancias de las poblacionessean
iguales.
Segundo estimaci6n de a 2 La segundaestimaci6n.dea
2
sepuedeobtenera
partirde la f6rmulaya conocidaparalavariancia delas medias de las muestras,
a; =a
2
/ n. Silaecuaci6nesresueltaparaa
2
, lavarianciadela poblaciona partir
delacualse extrajeronlas muestras,setiene
(8.2.6)
Unaestimaci6ninsesgadade ai, calculadaapartirdelosdatosdelamuestra, es
proporcionadapor
k-l
Si estacantidadsesustituyeenlaecuaci6n8.2.6,seobtienelaestimaci6nparaa
2
,
k
n.2,(x.
j
-xy
(8.2.7)
k-l
307 8.2 DISENO COMPLETAMENTEALEATORIZADO
vio quelacantidad (S12 1an I(s= 1 ~ sigueunadistribucionF cuandolasvariancias
delasmuestrassecakulanapartirdemuestrasextraidasdeformaindependiente
yaleatoriadeunapobladonquesigueunadistribucionnormal.LadistribucionF,
presentadaporR.A. FisheraprincipiosdeIadecadade1920,sehaconvertidoen
unadelasdistribucionesdemayorusoenlaestadisticamoderna.Yasetienecono-
cimientodesuusoenlaconstrucciondeintervalosdeconfianzaparalasvariancias
delapobladonyparaprobarhipotesisacercadeestas.Enestecapituloseaprecia-
raqueladistribucionF esfundamentalparaelanalisisdevariancias.Por10 tanto,
a laoperacionidentificadacomoR.V confrecuencia se Ie identificacomoF, y al
procedimientodepruebaseIe llamapruebadeF.
Enelcapitulo7seestudiaque,cuandolasvarianciasdelapoblacionsonigua-
les,seanulanenlaexpresion (S12 / ai) I( ~ 1 ~ , paradejar, S1
2
1 ~ , lacualsigueuna
distribudonF. LadistribucionF esrealmenteunafamiliadedistribuciones,yladistri-
budonF queseutilizaenunasituaciondeterminadadependedelnumerodegra-
dosdelibertadasociadosconlavarianciamuestraldelnumerador(grados de libertad
del numerador) ydelnumerodegradosdelibertadasociadosconlavarianciamuestral
eneldenominador(grados de libertad del denominador).
Unavez quese determina la distribucionF adecuada, el tamanodela R.V
observadaquecausaraelrechazodelahipotesisdelaigualdaddelasmediasdela
poblaciondependedelniveldesignificacionelegido. El niveldesignificacionele-
gidodeterminaelvalorcriticodeF, queeselvalorqueseparalaregiondeacepta-
ciondelaregionderechazo.
Comose havisto, laR.V secakula,ensituadonesdeestetipo,colocandoel
cuadradomedioentrelosgruposenelnumeradoryelcuadradomediodentrode
losgruposeneldenominador,par10queelvalordelosgradosdelibertaddelnume-
radores igual al numero de grupos menos 1, (k - 1), Yel valordelos grados de
libertaddeldenominadoresiguala:
k
1)=L,nj-k N-k
}=1
LatablaANOVA
Losdikulosquesehanefectuadosepuedenresumirymostrarenunatablacomo
la8.2.2,conoddacomotablaANOVA.
8. Decisionestadistica. ParatomarunadecisionesnecesariocompararlaR.V
cakuladacontraelvalorcriticodeF, quepuedeobtenersedelatablaGcon
los correspondientesgradosdelibertadk - 1enel numeradoryN - kenel
denominador.
Si elvalorcakuladoparaR.Y. es mayor0 igual queelvalorcriticoF, lahipotesis
nulaesrechazada;perosi es menorqueelvalorcducodeF, noserechazalahipo-
tesisnula.
Explicaci6n de par que se rechaza la hlp6tesis nula Existendosposi-
biesexplicacionesdeporquepuedeserrechazadalahipotesisnula.Si lahipotesis
308 CAPITULO8 ANALISIS DELAVARIANCIA
TABlA8.2.2 Tablaparaelanalisisdelavarianciaparaeldisefiocompletamente
aleatOlizado
Fuentede Sumade Gradosde Cuadrado Razondela
variacion cuadrados libertad medio variacion
k
CM
Entremuestras SC
entre
=Lnj(x.
j
-xY
k 1
CM
emre
=SC
entre
j(k
1)R.V.= entre
j-I
CM
dentro
k fij
Dentrodelasmuestras
u
X,),)2 N - k C
-
k) SC
den

o ..t.....t..., Mdentro =SCdentro j(N


k nj
Total
SCtOtal =LL(Xij XY
N-l
j=! ;=!
nulaesverdadera,esdecir,silas delasdosmuestrassonestimacionesde
unavariancia comun, se sabe que laprobabilidadde obtenerunvalor paraRV.
mayor 0 19ual queel valor criticoF es igualal nivel de signification. Es posible
conduir, si sedesea, que lahipotesisnulaes verdaderay suponerquedebido a la
casualidadseobtuvo unconjuntodedatosqueoriginaronunevento extraiio. Por
otrolado,posiblementeseprefierasuponerqueelvalorcalculadodeR.v. norepre-
sentauneventoextranoproductodelazar,sinoque,enlugardeelio,reflejaelhecho
dequeexistealgoqueacruayquenoeselazar.Seconduyequeeseotro"algo"esuna
hipotesisnulafalsa.
EstaultimaeslaexplicacionqueengeneralsedaparalosvaloresdeRV.que
sonmayoresqueelvalorcriticodeF. Dichodeotraforma, si elvalorcalculado de
RV.esmayorqueelvalorcrfticodeF, lahipotesisnulase rechaza.
Vale lapenarecordarquelahipotesisoriginalquesedeseaprobares:
rechazodelahipotesisacercadelasvarianciasimplicaunrechazodelahipote-
sisdelaigualdaddelasmediaspoblacionales?Larespuestaesafirmativa.Unvalor
grandedeRV. result6 del hechodequeel cuadradomedio entrelos gruposera
considerablementemayorqueelcuadradomediodentrodelosgrupos.Dadoqueel
cuadradomedioentrelosgrupossebasaenladispersi6ndelasmediasmuestralesen
tornoa su media, estacantidadseragrandecuandoexistaunagrandiscrepancia
entrelostamanosdelasmediasmuestrales.Debidoaesto,unvalorsignificativode
laR.v. indicaqueserechacelahipotesisnuladelaigualdaddelasmediaspobla-
cionales.
9. Conclusion. Cuando se rechaza Ho se conduye que no todas las medias
poblacionalessoniguales. CuandonoserechazaHo seconcluyeque proba-
blementetodaslas mediaspoblacionalessoniguales.
10. Calculodelvalorp.
...----...- ... ... --- ..--... ..
8.2 DISENOCOMPLETAMENTEALEATORIZADO 309
EJEMPLO8.2.1
ElobjetivodeunestudiorealizadoporMakynenet al. (A-I)fueeldeinvestigarsiel
cakioqueseconsumediariamenteenladietacomotratamientonofarmacol6gico
delapresi6nsangufneaelevadapuedeinfluirbeneficamentelafunci6nendotelialen
lahipertensi6nexperimentalmineralo-corticoide-NaCl.Losinvestigadoresforma-
roncuatrogruposconratasmachoWistar-Kyotodesietesemanasdeedad,lascuales
registraronunpromedioigualenla presi6nsangufneasist6lica. Los gruposfueron
los siguientes: grupo de ratas sin tratamiento con dieta normal (WKY), grupo de
ratas sin tratamiento con dieta rica encakio (WKY-Ca), grupo de ratas con dieta
normaltratadascondeoxicorticosteronayNaCI(DOC), yuncuartogrupoderatas
que recibi6 dieta rica encakioy tratamiento (DOC-Ca). Se pretendesaber si las
cuatrocondicionestienendiferentesefectosenel pesopromediodelasratasmacho.
Solucion:
1. Descripciondedatos. Los datoscorrespondenalos pesosdelas
ratasalfinaldelestudio,juntoconlostotalesdeltratamientoylasme-
dias, tal como se muestra en la tabla 8.2.3. En la figura 8.2.4 se
muestralagrafica delos datosenforma degrrifica de puntos. Esta
graficaresaltalascaracterfsticasprincipalesdelosdatosyaclaralas
diferenciasenlasrespuestasporeltratamiento.
TABlA8.2.3 Pesoalfinaldelestudio,en
gramos,deratasWistar-Kyotoestudiadas
bajocuatrocondicionesdiferentes
Condici6n
DOC WKY DOC-Ca WKY-Ca
336 328 304 342
346 315 292 284
269 343 299 334
346 368 293 348
323 353 277 315
309 374 303 313
322 356 303 301
316 339
320
354
300 343 324 346
309 343 340 319
276 334 299 289
306 333 279 322
310 313 305 308
302 333 290 325
269 372 300
Total 4950 5147 4840 4500 19437
Media 309.38 343.13 302.50 321.43 318.64
FUENTE: Utilizadaconautorizaci6ndelDr. HeiRkiMakynen.

310 CAPITULO8 ANAuSISDELAVARIANCIA


380

370

360
350

340

Vi

0 330
E

f!1

.9 320

f,l

Q)
0..
310

300
290

280


270
260
250
DOC WKY DOC-Ca WKY-Ca
Condici6n
FIGUUA8.2.4 Peso deratasWistar-Kyotoestudiadasbajocuatrocondicionesdiferentes.
WRy ratas sin tratamiento con dietas normales. vVKY-Ca =ratas sin tratamiento con
dietasaltasencaleio, DOC ratascondietasnormalestratadascondeoxycorticosteronay
NaCl, DOC-Ca = ratastratadasycondietasaltasencaleio.
2. Supuestos. Se supone que los cuatroconjuntos dedatosforman
muestras aleatorias simples e independientes, extraidas de cuatro
poblacionesque son similaresexcepto porlacondici6nestudiada.
Sesuponequelascuatropoblacionesdemedicionessiguenunadis-
tribuci6nnormalconvarianciasiguales.
3. Hipotesis.
Ho= J..l = J..l J..l = J.l (enpromediolascuatrocondicionesproducen
1 2 3 4
lamismarespuesta).
H
A
: notodaslas J.l soniguales(almenosunacondici6nproduceuna
respuestapromediodiferentedelpromediodecuandomenosunade
lasdemascondiciones)
4. Estadisticadeprueba. LaestadisticadepruebaesR.v. = CMenu/
CMdentro'
.. - ..- ..---...--..---------------------
8.2 DISENOCOMPJ.ETA..'\mNTEALEATORIZADO 311
TABLA 8.2.4 TablaANOVA paraelejemplo8.2.1
Fuente SC g. I. CM R.V.
Entremuestras 14649.1514 3 4883.0503 11.99
Dentrodelasmuestras 23210.9023 57 407.2088
Total 37860.0547 60
5. Distribuciondelaestadisticadeprueba. SiHo esverdaderay se
cumplenlascondiciones,entoncesR.v.sigueunadistribucionF con
los grados de libertadcorrespondientes, respectivamente, del nu-
meradorydenominador:4-1 =3Y61 - 4 57.
6. RegIadedecision. Supongaquea = .05. El valorcrftico deF a
partirdelatablaGes3.34.LaregIadedecision,entonces,esrecha-
zarHo si elvalorcalculadodeR.V: esmayor0 iguala 3.34.
7. C31culodeIaestadisticadeprueba. Laecuaci6n8.2.2produceel
siguienteresultado:
SC,ataj= 37860.0547
Mediantelaecuaci6n8.2.4secalcula
14649.1514 SC
entre
SCdentro =37860.0547- 14649.1514 =23210.9023
EI resultadodeloscuatrodilculossemuestraenlatabla8.2.4.
8. Decisionestadfstica. Debido a que el valorcalculado paraR.V:,
11.99,esmayorqueelvalorcriticoF, 3.34,serechazaHo'
9. Conclusion. DadoqueserechazoH ' seconcluyequelahipotesis
o
alternativaes verdadera. Es decir, se COnclUye que los cuatro trata-
mientosnotienenelmismoefectoenpromedio.
10. Valordep. Puesto que 11.99 > 4.77 (elvalordeF995 para3y57
gradosdelibertad,obtenidoporinterpolaci6n),p < .005 paraesta
prueba.
Advertencia El diseiiocompletamentealeatorizadoessencilloy, por10 tanto,
amplialllenteutilizado.Sinembargo,sedebeutilizarsolocuandolasunidadesque
recibenlos tratamientossonhomogeneas. Silas unidadesexperimentalesnoson
homogeneas, elinvestigadordeberausarotrodiseiio, comoalgunodelos quese
estudianmasadelanteenestecapitulo.
312 CAPITULO 8 ANALISIS DE LA VARIANCIA
En el ejemplo anterior los tratamientos son tales en el sentido usual de la
palabra. Sin embargo, este rio es siempre el caso, ya que el termino "tratamiento" se
usa en forma generica en el disefio experimental. Es posible que uno quiera anali-
zar la respuesta al mismo tratamiento (en el sentido usual de la palabra) de algunas
cepas de animales. Sin embargo, uno podrfa referirse a la cepa de animales como el
"tratamiento" .
Tambien hay que precisar que, aunque todas las tecnicas de analisis de varian cia
se aplican frecuentemente a datos que resultan de los experimentos controlados,
las tecnicas tambien se utilizan para analizar datos recolectados en encuestas, siem-
pre que las suposiciones basicas sean satisfechas en forma razonable.
Amilisis por computadora La figura 8.2.5 muestra los resultados para el
ejemplo 8.2.1 proporcionados por el programa de analisis de variancia unilateral,
el cual se encuentra incluido en el paquete de software MINITAB. Los datos fueron
registrados en columnas desde la 1 hasta la 4. Compare las salidas impresas de la
tabla ANOVA contra los resultados de la tabla 8.2.4 para observar que la etiqueta
Cajadedialogo: Comandosdelasesi6n:
Stat> ANOVA> Oneway(Unstacked) MTB > AOVONEWAY Cl- C4
Teclear CI-C4 en Responses (in separate columns).
Clic OK.
Resultados:
Analisisdelavarianciaunilateral
Analysis of Variance on Cl
Source DF SS MS F P
C2 3 14649 4883 11.99 0.000
Error 57 23211 407
Total 60 37860
Individual 95% CIs For Mean
Based on Pooled StDev
Level N Mean StDev ---+---------+---------+------ -+
1 15 343.13 .18.71 (-----+----)
2 14 321.43 21.72 -----*----)
3 16 309.37 23.54 (--- *----)
4 16 302.50 16.05 (--- *----)
---+- -------+--- -----+-- ------+--
300 320 340 360
Pooled StDev = 20.18
FIGURA 8.2.5 Procedimiento MINITAB Y resultados para el ejemplo 8.2.1.
313 8.2 DISENO COMPLETAMENTE ALEATORIZADO
Sistema SAS
Procedimiento de amllisis de la variancia
Dependent Variable: SERUM
Source DF Sum of Squares Mean Square F Value Pr > F
Model 3 14649.15366901 4883.05122300 11.99 0.0001
Error 57 23210.91190476 407.20898079
Corrected Total 60 37860.06557377
R-Square C.V. Root MSE SERUM Mean
0.386929 6.332997 20.17941973 318.63934426
FIGURA 8.2.6 Resultados impresos parcialmente por SAS para el ejemplo 8.2.1.
"factor" aparece en lugar de "muestras entre". Los diferentes tratamientos se men-
cionan como niveles en la forma impresa. Un nivel 1 es igual al tratamiento 1, el
nivel 2 es igual al tratamiento 2, yasi sucesivamente. Las salidas impresas presen-
tan medias y desviaciones estandar para las cuatro muestras, as! como la desviaci6n
estandar combinada. Esta ultima cantidad es igual a la rafz cuadrada del cuadrado
medio del error que se muestra en la tabla ANOVA. Finalmente, la computadora
genera una representaci6n grafica de los intervalos de confianza de 95 por ciento
para la media de cada una de las cuatro poblaciones representadas por los datos de
las muestras.
La figura 8.2.6 muestra una parte de los resultados impresos por el paquete
SAS parael ejemplo 8.2.1. Para ellose utiliz6 la instrucci6n PROC ANOVA del
paquete SAS. EI paquete calcu16 algunas cantidades adicionales c0!ll0 se muestra
en la salida. Raiz cuadrada SC Esta cantidad indica que la proporci6n SC
enrn
/
tota1
de la variabilidad total presente en las observaciones se toma en cuenta para dife-
rentes respuestas en lostratamientos. C.Y. = 100 (la raiz de CMre,idua/concentraci6n
media en el suero). La raiz de CMresidual es la rafz cuadrada de CM Y la concentra-
entre
ci6n media en el suero es la media de las 18 observaciones.
Un mecanismo uti! para mostrar las caracterfsticas importantes de un conjun-
to de datos analizados mediante el analisis de la varian cia unilateral es la gcifica
formada por cajas de valores extremos bilateral. Para cada muestra se construye
una caja de valores extremos mediante el metodo descritoen el capitulo 2. La
figura 8.2.7 muestra las cajas de valores extremos para el ejemplo 8.2.1. En la figu-
ra 8.2.7 es posible apreciar que la variable de interes esta representada por el eje
vertical en lugar del eje horizontal.
Alternativas Si los datos disponibles para elanalisis no cumplen las suposicio-
nes para el analisis de la variancia unilateral, tal como se estudia aquf, quiza sea
necesario utilizar otro procedimiento como el de Kruskal-Wallis, tecnica no
parametrica que se estudia en el capitulo 13.
314 CAPITULO 8 ANALISIS DE LA VARIANCIA
370
360
350
340
330
320
310
300
290
280
270
260
250
DOC WKY DOC-Ca WKY-Ca
FIGURA 8.2.7 Caja de puntos extremos bilateral para el ejemplo 8.2.1.
Prueba para diferencias significativa.'l entre pares individuates de
lnedias Siempreque el an,Hisis de variancias conduce a rechazar la hip6tesis
nula de no diferencia entre las medias de las poblaciones, surge la pregunta respec-
to a que par de medias son diferentes. De hecho, 10 que con frecuencia se desea
haeer, aunque no siempre, es llevar a cabo una prueba de signifieaci6n en todos y
eada uno de los pares de medias de los tratamientos. En el ejemplo 8.2.1, en el que se
tienen cuatro tratamientos, se desea saber, despues de reehazar Ho: III 112 Ils = J..l
4
'
emil de las seis hip6tesis individuales posibles debe ser rechazada. Sin embargo, el
experimentador debe tener preeauci6n al probar las diferencias signifieativas entre
las medias individuales, y siempre debe asegurarse de que su proeedimiento es
valido. El punto critico en el proeedimiento es el nivel de significaci6n. Aunque la
probabilidad, a, de rechazar una hip6tesis nula verdadera para la prueba como un
todo sea pequefia, la probabilidad de reehazar al menos una hip6tesis verdadera
cuando se prueban varios pares de medias es, como se ha vis to, mayor que a.
Prueba HSD de Tukey Durante varios afios se han sugerido divers os procedi-
mientos para efeetuar eomparaciones multiples. Un procedimiento de compara-
eiones multiples, desarrollado por Tukey (7) se utiliza con frecuencia para probar la
hip6tesis nula de que todos los pares de medias posibles de tratamientos son igua-
les si el tamafio de todas las muestras es igual. Si se utiliza esta prueba es necesario
315 8.2 DISENO COMPLETAMENTE ALEATORIZADO
seleccionar un nivel de significaci6n total de 0:. Si la probabilidad es 0:, entonces,
una 0 mas de las hip6tesis nulas es falsa.
La pmeba de Tukey, que generalmente se conoce como pmeba de HSD (dift-
renew verdaderamente signifieativa), utiliza un solo valor contra el que se comparan
todas las diferencias; Este valor, Hamada HSD, se obtiene con Ia siguiente f6rmula
(8,2.9)
HSD q",k.N-k
n
donde 0: es el nivel de significaci6n seleccionado, k es el numero de medias en el
experimento, N es la cantidad total de observaciones, n es el numero de observacio-
nes en el tratamiento, CMresidual es el cuadrado medio del error 0 dentro, el cual se
puede ver en la tabla ANOVA, y q se obtiene a partir de la tabla H del apendice con
los par ametros 0:, k y N - k.
La estadistica q, tabulada en la tabla H del apendice, se conoce como estadfs-
tica de amplitud de Student. Se define como la diferencia entre las medias de los
tratamientos mayory menor, a partir de unaANOVA(es decir, es la amplitud de las
medias de los tratamientos), divididaentre el cuadrado medio del error sobre n, el
numero de observaciones en el tratamiento. Laamplitud de Student se estudia de-
talladamente en Winer (8).
Se caIculan todas las diferencias posibles entre los pares de medias y si cualquier
diferencia produce un valor absoluto que excede la HSD se dedara como significativo.
Praeba de Taker para maestra..; con tamafios diferentes Cuando no
todas las muestras son del mismo tamano,como en el ejemplo 8.2.1, la ecuaci6n
8.2.9 no es aplicable para la pmeba de Tukey de HSD. Sin embargo, y
Stoline (9) han extendido el procedimiento de Tukey para los casos en que los
tamanos de las muestras son diferentes. Su procedimiento, que es aplicable en ex-
perimentos que comprenden tres 0 mas tratamientos y niveles de significaci6n de
.050 menos, cOllsiste en Ia sustituci6n de n, en la ecuaci6n 8.2.9, por n;, que es el
mas pequeno de lOs tamanos de muestra asociados con las dos medias de las mues-
tras que se van a comparar. Si esta nueva cantidad se designa como HSD*, se tiene
como un nuevo criterio de pmeba la expresi6n:
CM 'd I
HSD" rest ua
q",k.N-k (8.2.10)
nj
Cualquier valor absoluto de la diferencia entre las medias de dos muestras,
una de las cuales se calcula partir de una muestra de tamano n; (que es mas peque-
no que la muestra de la cual se calcula la otra media), que excede la HSD', se
considera significativo.
EJEMPLO 8.2.2
Mediante los datos del ejemplo 8.2.1 se ilustra el usa de la pmeba de HSD.
Soluci6n: El primer paso es preparar una tabla can todas las posibles diferencias
(ordenadas) entre las medias. Los resultados de este paso para el ejem-
plo se muestran en la tabla 8,2,5.
316 CAPITULO 13 ANALISIS DE LA V ARIANCIA
TABlA 8.2.5 Diferencias entre las medias de las
muestras (valol' absoluto) para el ejemplo 8.2.2
DOC-Ca DOC WKY-Ca WKY
DOC-Ca(DC)
DOC(D)
WKY-Ca(WC)
WKY(W)
6.87 18.93
12.06
40.63
33.76
21.70
Suponga que a. =.05. AI buscar en la tabla H con a. = .05, k 4 Y
N - k = 57, se encuentra que q esta alrededor de 3.75 (se obtiene me-
diante una interpolaci6n). En la tabla 8.2.4 se tiene que CMre5iduai =
407.2088.
En la tabla 8.2.6. se muestran la hip6tesis que debe probarse, el
valor de HSD' y la decisi6n estadfstica para cada prueba.
EI paquete SAS utiliza el procedimiento de Tukey para probar la
hip6tesis de no diferencia entre las medias poblacionales para todos los
pares posibles de medias muestrales. Los resultados que ofrece tambien
incluyen interval os de confianza para la diferencia entre todos los pares
posibles de medias poblacionales. Los resultados para el ejemplo 8.2.1
se muestran en la figura 8.2.8.
TABlA 8.2.6 Prueba de comparaciones multiples con los
datos del ejemplo 8.2.1 y HSD*
Hip6tesis HSD* Decisi6n estadistica

No se rechaza Ho
HSD* = 3.75. =18.92
porque 6.87 < 18.92
16
No se rechaza Ho
20.22
Ho: !loc =!!we HSD* = 3.75 porque 18.93 < 20.22
14
1407.2088 Se rechaza Ho
HSD*= 3.75J =19.54
porque 40.63 > 19.54
. V 15

No se rechaza Ho
HSD* = 3.75 20.22
porque 12.06 < 20.22
14
Se rechaza Ho
HSD* = 3.75,/407.2088 19.54
porque 33.76> 19.54
V 15
Se rechaza Ho

HSD* = 3.75 =20.22 porque 21.7> 20.22
14
317
-.----..... --..--.... ..... ...--.--.... ... -.
8.2 DISENO COMPLETAMENTE ALEATORIZADO
Tambien, es posible utilizar el paquete MINITAB para realizar com-
paraciones multiples con una gran variedad de metodos que incluyen el
de Tukey.Para utilizar esta caracterfstica de MINITAB se agregan todas
las mediciones de todos los tratamientos en una sola columna. En otra,
se meten los c6digos numericos que especifican el tratamiento con el
que esta relacionada cada medici6n. En la rota de Stat se escoge la op-
ci6n ANOVA, despues One-way y se hacen las selecciones adecuadas y
anotaciones en la caja de dialogo.
Sistema SAS
Procedimiento de analisis de la variancia
Tukey's Studentized Range (HSD) Test for variable: WEIGHT
NOTE: This test controls the type I experimentwise error rate.
Alpha = 0.05 Confidence = 0.95 df = 57 MSE = 407.209
Critical Value of Studentized Range 3.743
Comparisons significant at the 0.05 level are indicated by '***'
Simultaneous Simultaneous
Lower Difference Upper
GROUP Confidence Between Confidence
Comparison Limit Means Limit
W WC 1.859 21. 705 41.550 ***
w - D 14.565 33.758 52.952 ***
W - DC 21. 440 40.633 59.827 ***
WC - W -41.550 -21. 705 -1.859. ***
WC - D -7.490 12.054 31.598
WC DC -0.615 18.929 38.473
D - W -52.952 -33.758 -14.565 ***
D WC -31.598 -12.054 7.490
D - DC -12.006 6.875 25.756
DC - W -59.827 -40.633 . -21.440 ***
DC WC -38.473 -18.929 0.615
DC - D -25.756 -6.875 12.006
FIGURAS.2.S Comparaciones multiples para el ejemplo 8.2.1, producidas por el paque-
te SAS.
318 CAPITULO8 ANALISISDELAV ARIANCIA
EJERCICIOS
Enlosejerciciosdel8.2.1aI8.2.7apliqueelprocedimientodelosdiezpasosdelapruebade
hip6tesisparaanalizarlasvarianciasyversiesposibleconduirqueexistendiferenciasentre
lasmediasdelaspoblaciones.Seaa =.05 paracadaprueba. UtiliceelprocedimientoHSD
deTukey paraprobarlas diferencias significativas entrelos paresde medias individuales.
Utilice el mismovalorde a que paralapruebaF. Construya unagra.fica de puntosyuna
graficadecajadevaloresextremosbilateral.
8.2.1 Unainvestigaci6nrealizadapor Singhet al. (A-2)ypublicadaenlarevistaClinical Immunology
and Immunopathology se refierea las anormalidadesinmunol6gicasenninosautistas. Como
partedesuinvestigaci6n,tomaronmedicionesdelaconcentraci6nsericadeunantigenoen
tres muestras de ninos de diez afios 0 menos de edad. Las mediciones enunidades pc.,'
milimetrodesuerosonlassiguientes:
Ninosautistas(n = 23): 755,385,380,215,400,343,415,360,345,
450,410,435,460,360,225,900,365,440,820,400, 170,300,325
Ninosnormales(n = 33); 165,390,290,435,235,345,320,330,205,
375,345,305,220,270,355,360,335,305,325,245,285,370,345,345,
230,370,285,315,195,270,305,375,220
Ninosconretrasomental(sinsindromedeDown) (n 15): 380,510,
315,565,715,380,390,245,155,335,295,200,105,105,245
FUENTE: Utilizadaconautorizaci6nde ~ e n d r a K. Singh, Ph. D.
8.2.2 Elprop6sitodeunadelas investigacionesrealizadasporSchwartzet at. (A-3) es cuantificar
los efectos que produce fumar cigarros sobre las medidas estandar del funcionamiento
pulmonarenpacientes con fibrosis pulmonaridiopatica. Entre las mediciones registradas
estaelporcentaje delvolumen residual pronosticado. Los resultados que se registraronde
tales medicionessonlossiguientes:
Nunca(n = 21) Anterior(n = 44) Actual(n =7)
35.0 62.0 95.0 96.0
120.0 73.0 82.0 107.0
90.0 60.0 141.0 63.0
109.0 77.0 64.0 134.0
82.0 52.0 124.0 140.0
40.0 115.0 65.0 103.0
68.0 82.0 42.0 158.0
84.0 52.0 53.0
124.0 105.0 67.0
77.0 143.0 95.0
140.0 80.0 99.0
127.0 78.0 69.0
58.0 47.0 118.0
110.0 85.0 131.0
42.0 105.0 76.0
57.0 46.0 69.0
93.0 66.0 69.0
(ContinUa)
EJERCICIOS 319
Nunca(n =21) Anterior(n =44) Actual(n =7)
70.0 91.0 97.0
51.0 151.0 137.0
74.0 40.0 103.0
74.0 80.0 108.0
57.0 56.0
FUENTE: Utilizadaconautorizaci6ndeDavidA. Schwartz,M. D.,
M.P. H.
8.2.3 Szad6czkyet at. (A-4)examinaronlascaracterfsticasdelossitiosdeuni6ndela3H-imipramina
enpacientespermanentementedeprimidos(SAD)ypacientesdeprimidosporcortotiempo
(no-SAD),as!comoenindividuossanos(grupodecontrol).Unadelasvariablesenlasquese
hicieron las medicionesesladensidaddelos sitiosdeuni6nparala3H-imipraminaenlas
plaquetassanguineas(Bmf;y,)' Losresultadossonlossiguientes:
SAD No-SAD Control
634 771 1067
585 546 1176
520 552 1040
525 557 1218
693 976 942
660 204 845
520 807
573 526
731
788
736
1007
846
701
584
867
691
FUENTE: Utilizadaconautorizaci6ndeErikaSzad6czky.
8.2.4 MegGulanick(A-5) compar610sefectos dela pruebade enseiianzamas ejercicios, ambos
conysincapacitaci6ndeejercitamiento,sobrelaautoeficaciay eldesempefiodeactividades
durantelaprimeraetapaenrecuperaci6ndeindividuosquetuvieroninfartodelmiocardio
ocirugiacardiovascular.Laautoeficacia(confianza)pararealizaractividadfisicaestadefini-
dacomoelsanojuiciodelapropiacapacidadpararealizardiversasactividadescotidianas.
Seescogi6avariosindividuosaleatoriamenteparaasignarlosaunodetresgrupos.EIgrupo
320 CAPITULO8 ANALISISDELAVARIANCIA
1recibi6ensefianza,pruebasdeejen:iciosderutinayentrenamientodeejen:iciostresveces
porsemana.EI grupo2recibi65610 instruccionesypruebasdeejen:icio. EI grupo3recibi6
s610cuidadosderutinasinsupervisi6nenlosejen:iciosniensefianza.Lassiguientescalifica-
cionessoneltotal de autoeficacias porgrupodespuesdecuatrosemanas del infarto 0 de
practicadalaoperaci6ncardiovascular.
Crupo 1: 156,119,107,108,100;170, 130, 154, 107, 137, 107
Crupo2: 132, 105, 144, 136, 136, 132, 159, 152, 117,89,142, 151,82
Crupo3: 110, 117, 124, 106, 113,94,113,121,101,-119, 77, 90, 66
FUENTE: UtilizadaconeI permisodeMegGulanick,Ph. D.,R. N.
8.2.5 Azoulay-Dupuiset al. (A-6) estudiaronlaeficacia decinco medicamentos paraerradicarel
StreptocoCI;US pneumoniae delospulmonesderatonesdelaboratoriohembrasenvariasocasio-
nesantesdelainfecci6n. Las siguientesmedicionescorrespondena laexistenciadebacte-
riasviables enlos pulmones(loglo cfulmldehomogenadopulmonar)24horasdespues de
aplicarseisinyecciones. Lasdosisse administranporinyecci6n.
Dosisde medicamento
(mglkg) Bacteriasviables
Controles
Amoxicilina,50
Eritromicina,50
Temafloxacina,50
Ofloxacina, 100
Ciprofloxacina, 100
8.80
8.60
8.10
8.40
8.80
2.60
2.60
2.60
2.60
2.60
2.60
2.60
2.60
2.60
7.30
5.30
7.48
7.86
4.60
6.45
FUENTE: Utilizadaconautorizaci6ndeEstherAzoulay-Dupuis.
8.2.6 EI prop6sitodeunestudiorealizadoporRobertD. Budd(A-7) es laexploraci6ndelarela-
cionentreelusodecocafnayelcomportamientoviolentoencasosdondese investiganlas
causasdemuerte.Seregistraronlassiguientesconcentracionesdecocaina(Ilg!ml) envfcti-
masdemuerteviolentasegiineltipodemuerte.
---...- ..- .. .. --.---------------------
EJERCICIOS 321
Homicidio
78 1.71 .19 1.55 .27 4.08 .16
1.88 4.10 .14 3.11 .42 1.52 .35
.25 .38 2.38 2.49 .35 .41 1.49
.81 2.50 .21 4.70 2.39 .35 1.18
.04 1.80 .13 1.81 4.38 1.79 2.26
.04 .12 1.32 1.15 .10 .27 .19
,09
.30 3.58 3.49 1.24 2.77 .47
1.88
Accidente
1.18 1.46 .03 .65 .40 7.62 .04
.05 3.85 .46 .47 2.96
Suicidio
1.15 .54 .92 .35 .3.22 .21 .54
1.82
FUENTE: Utilizadaconautorizaci6ndeRobertD. Budd.
8.%.7 Rosenet al. (A-8) disefiaronunestudioparaprobar1a hip6tesisdequelos sobrevivientes
del holocausto nazi presentanmasydiferentes problemasparadormirencomparaci6n
conindividuosdeprimidosysanos,yquelagravedaddelosproblemasdelossobrevivien-
tesestancorrelacionadosconeltiempoquepasaronenloscamposdeconcentraci6n. Los
individuosestudiadoseransobrevivientesdelholocaustonazi,pacientesdeprimidosein-
dividuos sanos. Los investigadores describieron los patronesde suefio delos individuos
duranteelmesanterioralestudiosegiinelIndicedelacalidaddelsuefiodePittsburgh,un
instrumentodeautomedici6nconpreguntasrespectoalacalidad,latencia,duraci6n,efi-
cienciay disturbiosdelsuefio,usodesomniferosy disfunci6nduranteeldia. Lassiguien-
tes calificaciones globales corresponden a los indices por tipo de.individuo paracada
individuoestudiado.
322 CAPITULO8 ANALISISDELAVARIANCIA
Pacientes Sanos
Sobrevivientes depresivos (grupodecontrol)
8 5 7 2
io 16 12 1 5
8 3 8 2 I
6 6 10 2 2
13 2 12 1 2
3 9 6 4
6 9 3 1
11 6 2 2
4
4
FUENTE: Utilizadaconautorizaci6ndeJulesRosen, M. D.
8.2.8 Regensteinet al. (A-9) presentaronunestudiocuyoobjetivoeradeterminarsihabfaasociaci6n
entreelaumentodeincidenciadelaintoleranciaalaglucosaylaterapiacr6nicadeterbutalina
administradaporvia oral0 como inyecci6n subcutanea. Respectivamente, 38y 31 mujeres
recibieronterbutalinaviaoraleinyecci6nsubcutanea.Secompararonlosresultadosdedas;fi-
cad6ndediabetesgestacionalcontralosresultadosen82 mujeresquenorecibieronterapia.
eslavariabletratamientoenesteestudio?cCuaJeslavariablerespuesta?C:Cualessonlas
variablesex'tranasquepuedencausarefectosquepudieraninduirseenel terminodeerror?
C:CuaIessonlas"categorfas"delavariabletratainiento?Elaboreunatablaparaelanalisisdela
variandaenel queseespecifiquenlasmentesdevariaci6nylosgradosdelibertad.
8.2.9 ]eSseeyCecil(A-l0)condujeronunestudioparacompararlashabilidades,medidasporuna
pruebayporunprocedimientodeclasificaci6n,devariasmujerescapacitadasparasugeriry
priorizarsolucionesantedilemasmedicos. Las77 mujeresse repartieronencuatrogrupos:
visitantesdomiciliariascapacitadasconexperiencia'entreceroyseismeses;visitantesdomi-
ciliariascapacitadasconmasdeseismesesdeexperiencia;enfermerasconcapacitaci6nprofe-
sional,ymujeressinexperiencianicapacitaci6n.(Cualeslavariabletratamiento?C:Cualesla
variablerespuesta?C:Cualessonlas"categorias"delavariabletratamiento?C:Quienessonlos
sttietos del estudio? C:Cuales son las variables extraiias cuyos efectos puedeninduirseenel
terminodeerror?(Cualesel objetivodeinduirenel estudiomujeresconysincapacitaci6n
yexperiencia?ElaboreunatablaANaVA enlaqueseespecifiquenlas fuentesdevariaci6ny
losgradosdelibertad. LosautorescalcularonunaR.V: de11.79.C:Cualeselvalordep?
8.3 DISENOPORBLOQUES

Eldiseiio por bloques completos y aleatorizados fue creadoalrededorde 1925porR. A.
Fisher,quienbuscabametodosparaelmejoramientodeexperimentosenel campo
agricola.Eldisefioporbloquescompletosyaleatorizadosesundisefioenelquelas
unidades(llamadasunidades de experimentaci6n) alasqueseaplicanlostratamientos
son subdivididas en grupos homogeneos llamados bloques, de tal maneraque el
numerodeunidadesdeexperimentacionenunbloqueesigualal numero(0 a un
multiplodelmismo)detratamientosenestudio.Luegoseasignanlostratamientos
323 8.3 DISENO POR BLOQUES COMPLETOS YALEATO.RIZADOS
en forma aleatoria a las unidades experimentales dentro de cada bloque. Es necesa-
rio hacer notar que .cada uno de los tratamientos aparece en todos los bloques, y
cada bloque recibe todos los tratamientos.
Objetivo El objetivo al utilizar el diseiio por bloques completos y aleatorizados
es aislar y eliminar del termino de error la variacion atribuible a los bloques, y
asegurar que las medias del tratamiento esten libres de los efectos del bloque. La
eficacia del diseiio depende de la capacidad de conseguir bloques homogeneos de
unidades de experimentacion. Esta capacidad depende del conocimiento de los
investigadores acerca del material experimental. Cuando el diseiio se utiliza con
eficacia, el cuadrado medio del error en la tabla ANOVA se reduce, aumenta la R.y.
y mejora la probabilidad de rechazar la hip6tesis nula.
En experimentos con animales, si se piensa que las diferentes cepas de anima-
les responderan de manera diferente a un mismo tratamiento, la cepa se puede
utilizar como un factor para formar bloques. Las camadas tambien pueden utilizar-
se como bloques, en cuyo caso un animal de cada camada recibe untratamiento. En
experimentos en los que intervienen seres humanos, si sedesea eliminar las dife-
rencias que resultan de la edad, los individuos pueden agruparse de acuerdo con la
edad, de tal forma que una persona de cada edad recibe el tratamiento respectivo.
El diseiio por bloques completos y aleatorizados tambien se puede utilizar de ma-
nera eficaz cuando el experimento se lleva a cabo en mas de un laboratorio (blo-
que) 0 cuando se-requieren varios dfas (bloques) para terminarlo.
VenJujas Una de las ventajas del di'seiio por bloques completos y aleatorizados
es que se comprende facilmente. Ademas, alglinas complicaciones que podrfan sur-
gir en el transcurso de un experimento son faciles de controlar cuando se utiliza
este diseiio.
Resulta conveniente seiialar que el analisis de comparaciones por parejas que
aparece en el capitulo 7 es un caso especial del diseiio por bloques completos y
aleatorizados. EI ejemplo 7.4.1. puede ser como un diseiio por bloques completos
y ali::atorizados en el que los dos puntos en el tiempo (antes y despues) son los
tratamientos, y los individuos sobre los que se hacen las mediciones son los bloques.
Despliegue de datos En general, los datos de un experimento que utiliza el
diseiio por bloques completos y aleatorizados pueden presentarse en tablas como
la 8.3.1. Se debe observar la siguiente notacion nueva:
el total del t- simo bloque = T;. L
k
xij
j-I
k
LXij

T
I.
la media del i- simo bloque
k k
k "
y el gran total T =
.. I.
="T "T
.. ' .J.)
j-I i-I
10 cual indica que el gran total sepuede obtener sumando los totales de los renglo-
nes 0 sumando los totales de las columnas.
324 CAPITULO8 ANALISISDELAVARIANCIA
TABlAS.3.1 Tabla devaloresaleatoriospara
el disefioporbIoquescompIetosya1eatorizados
Tratamientos
Bloques 1 2 3 k Total Media
I
2
3
Xu
X
21
X
3l
X
I2
X
22
'X
S2
XIS
X
23
X33
. X
lk
X
2k
X
3k
T
I

T
2

Tg.
Xl.
x
2

xg
n
Total
Media
x
nl
T.l
x.
I
,
x
n2
T.2
x' 2
x
n3
T.3
x.
B
x
nk
T.k
X.k
T
n
T ..
X".
ANOVA hUtileral Latecnicaparaanalizarlosdatosdeundisefioporbloques
completosyaleatorizadossellamaandlisis de la variancia bilateral, porqueunaob-
senraci6nseclasificaconbaseendoscriterios:el bloquealqueperteneceyelgrupo
detratamientodelcualformaparte.
Lospasosparalapruebadehip6tesis,siseutilizael disefioporbloquesCOffi-
pletosy aleatorizados,escomosigue:
1. Datos. Despuesdeidentificarlostratamientos,losbloquesylasunidadesde
experimentaci6n,losdatospuedenpresentarseporconveniencia,comoenla'
tablaB.3.1.
2. Supuestos. Elmodeloparaeldisefioporbloquescompletosy aleatorizados
sefundamentaenlassiguientessuposiciones:
El modelo es
Xij Jl+Pi+'tj+eij
(B.3.1)
i = 1,2,...,n; j :=1,2,...,k
Enestemodelo
xij eselvalorrepresentativodetodalapoblaci6n.
Jl esunaconstantedesconocida.
Pi representaunefectodebloquequereflejaelhechodequelaunidadde
experimentaci6ncaeeneli-esimobloque.
't
j
representael efecto deuntratamiento que refleja el hecho ~ que la
unidaddeexperimentaci6nrecibeelj-esimotratamiento.
eij esuncomponenteresidual.querepresentatodalasfuentesdevariaci6n
quenosontratamientosnibloques.
325 8.3 DISENOPORBLOQUES COMPLETOSYALEATORIZADOS
Supuestos del 'I1I,odeio
a) Cadaxij que seobservaconstituyeunamuestraaleatoriaindependiente
detamafio 1apartirdeunadelaskn poblacionesrepresentadas.
b) Cadaunadeestaskn poblacionessigueunadistribucionnormalconuna
mediaJ..t;Y lamismavariancia(5'2. Estoimplicaqueloseijsiguenunadistri-
bucion eindependienteconunamediaiguala0yvariancia(5'2.
c) Losefectosdeltratamientoydelbloquesonaditivos. Estasuposicionse
interpretacomolanoexistencia deinteracci6n entrelos tratamientosy
bloques. En otras palabras, una combinacion particular de bloque-
tratamientonoproduceunefectoqueseamayor0 menorquelasuma
de sus efectos individuales. Es posible demostrar que cuando esta
suposicionsesatisface
k n
L'tj =0
j=! i=1
Las consecuenciasdecontravenirestasuposicionsonresultados enga-
fiosos. Noesnecesariopreocuparseporlasuposiciondeadicion,a me-
nosquelamediamayorseaenmasde50porcientomasgrandequela
mediamenor.
Cuandoestassuposicionessonverdaderas,'t
j
y sonunconjuntodeconstan-
tesf!jas, ysetieneunasituacionquese ajustaalmodelodeefectosf!jos.
3. Hip6tesis. Sepuedeprobar
Ho: 't
j
0, j = 1, 2, ...,k
contralaalternativa
Unapruebadehipotesisrespectoalosefectosdelbloquenoseefectua,por10
general,bajolas suposicionesdelmodelodeefectosf!jospordosrazones.Primero,
elinteresprincipalestaenlosefectosdeltratamiento,siendoelprop6sitogeneral
delosbloquesproporcionarunaformadeeliminarlasfuentes extrafiasdevaria-
cion. Segundo,aunquelasunidadesexperimentalesse asignenalazara los trata-
mientos,losbloquesnoseobtienendemaneraaleatoria.
4. Estadisticadeprueba. LaestarusticadepruebaesR.Y.
5. Distribuci6ndelaestadisticadeprueba. CuandoHoesverdaderaysecum-
plenlassuposiciones,R.Y. sigueunadistribucionF.
6. RegIadedecisi6n. Serechazalahipotesisnulasi elvalorcalculadoparala
estadfsticadepruebaR.Y. esmayor0 igualqueelvalorcdticodeF.
326 CAPITULO8 ANALISIS DELAVARIANCIA
7. Calculodelaestadisticadeprueba. Puedemostrarsequelasumatotalde
los cuadrados para el disefio porbloques completos y aleatorizados puede
dividirseentrescomponentes,cadaunoatribuiblea los tratamientos(SC
trat
),
bloques(SC
bloq
)y error(SCresidual)' Estoes:
SCtotal = SCblOq + SC
trat
+ SCresidual
(8.3.2)
Lasf6rmulas paralascantidadesenlaecuaci6n8.3.2 sonlas siguientes:
k n
SC
total
= L,L,(xij-x.Y
(8.3.3)
j=1 ;=1
k n
SC
b10q
= L,L,(x;.-x.Y
(8.3.4)
j=1 ;=1
k "
SC
trat
= L,L,(x.
j
-x.Y
(8.3.5)
j=1 ;=1
SCresidual = SCtotal - SCb10q - SC
trat
(8.3.6)
Los gradosdelibertadadecuadosparacadacomponenteenlaecuaci6n
8.3.2son: .
total bloques tratamientos (error)residual
kn = 1 = (n - 1) + (k + 1) + (n-l)(k-l)
Los grados de libertad residuales, al igual que la suma de cuadrados
residuales, puedencalcularsemedianteunarestacomosigue:
(kn- 1) - (n- 1) - (k- 1) = kn- 1 - n+1 - k+1
= n(k-1) -1(k-1) = (n-1)(k-1)
TablaANOVA
I;
Losresultadosdelosc:ilculosparaeldisefiopor l o q ~ e s completosy aleatorizados
puedendesplegarseenunatablaANOVAcomola8.3.2.
. .
TABLA 8.3.2 TablaANOVA paraeldisefiopOI" bloquescompletosy
aieatol"izados
Fuente SC g.l. CM R.v.
Tratamientos SC
rrat
(k - 1)
Bloques
Residuales
SC
b10q
SCresidual
(n- 1)
(n-l)(k-l)
Total kn-l
327 8.3 DISENOPORBLOQUESCOMPLETOSYALEATORIZADOS
8. Decisionestadistica. Es posiblemostrarque, cuandoelmodelodeefectos
~ o s seaplicaylahip6tesisnuladenoefectosdeltratamiento(todaslas't
j
0)
esverdadera,tantoelcuadradomediodelerror,0 residual,comoelcuadrado
mediodelostratamientossonestimacionesparalavarianciacomun(12. Por10
tanto,cuandolahip6tesisnulaesverdadera,lacantidad
CMtralCMresidual
sigueunadistribuci6nF conk - 1gradosdelibertadenelnumeradory(n 1)
x(k - 1) gradosdelibertadeneldenominador.Larazondelavarianciacalcu-
lada,por10 tanto, secomparacontraelvalorcriticodeF.
9. Conclusion. SiserechazaH
o
' seconcluyequelahip6tesisalternativaesver-
dadera.Si noserechazaHo. seconcluyequeHo puedeserverdadera.
10. Valordep.
El siguiente ejemplo muestra el uso del disefio por bloques completos y
aleatorizados.
EJEMPLO 3.3.1
Unfisioterapeutateniacomopropositocomparartresmetodosparaensefiarasus
pacientes a utilizar cierto mecanismo protesico. Considero que el porcentaje de
aprendizajeseriadiferenteenpacientescondiferentesedades,yquisodisefiarun
experimentoenelquelaedadfuera tomadaencuenta.
Solucion: El disefioporbloquescompletosyaleatorizadosesundisefioadecuado
paraelfisioterapeuta.
1. Datos. Escogioalazaratrespacientesporgrupoparaformarcin-
co grupos de edad para que participaran enelexperimento,y a
cadaunodelospacientesencadagrupodeedadseIeasignoalazar
unmetododeensefianza. Los metodosdeinstruccionformantres
tratamientos,yloscincogruposdeedadsonlosbloques. Losdatos
. queseobtuvieronsemuestranenlatabla8.3.3.
2. Supuestos. Se suponequecadaunadelas 15 observacionesfor-
manunamuestraaleatoriade tamafio 1a partirdeunade las 15
poblacionesdefinidasporla combinaciondebloquesytratamien-
tos. Porejemplo, sesuponequeel numero7enlatablaformauna
respuestaseleccionadaalazarapartirdeunapoblacionderespues-
tasqueresultarfasi lapoblaciondeindividuosconedadesmenores
a 20 afios recibiera elmetodo de ensefianzaA. Se supone quelas
respuestasenlas 15 poblacionesrepresentadassiguenunadistribu-
cionnormalconvarianciasiguales.
3. Hipotesis.
Ho: 't
j
= 0 j = 1, 2, 3
H
1
: notodaslasT =0
, J
Seaa =.05.
4. Estadistica de prueba. Laestarusticade prueba esRV= CMu",/CMresidual
328 CAPtTUL08 ANALISISDELAV ARIANCIA
TABlA8.3.3 Tiempo(endiaB) necesariopara
aprenderautilizarciertoaparatoprotesico
Metododeenseilanza
Grupodeedad A B C Total Media
Menorde20 7 9 10 26 8.67
20a 29 8 9 10 27 9.00
30a 39 9 9 12 30 10.00
40a4:9 10 9 12 31 10.33
50ymas 11 12 14 37 12.33
Total 45 48 58 151
Media 9.0 9.6 11.6 10.07
5. Distribuciondelaestadisticadeprueba. CuandoHoesverdade-
raylassuposicionessecumplen,R.v. sigueunadistribuci6nF con2
y8gradosdelibertad.
6. Regiadedecision. Rechazarlahip6tesisnulasi elvalorcalculado
deR.v. esmayor0 igualqueelvalorcrfticodeF. EIvalordeF, 4.46,
sepuedelocalizarenlatablaG.
7. CaIculodelaestadisticadeprueba. Secalculanlassiguientessu-
masdecuadrados:
SC
wtal
(7 10.07)2 + (8 10.07)2 + ... + (14- 10.07)2 =46.9335
SC
b10q
3[(8.67 10.07)2 + (9.00- 10.07)2+ ... + (12.33- 10.07)2] =24.855
SC
trat
5[(9 10.07)2 + (9.6- 10.07)2 + (11.6- 10.07)2] =18.5335
SCresidual 46.9335- 24.855- 18.5335 =3.545
Losgradosdelibertadentotalson=(3)(5)- 1=14,bloques
5 1 4,tratamientos 3- 1 =2, Yel (error)residual =(5-
TABlA8.3.4 TablaANOVA parael
ejemplo8.3.1
Fuente SC g.l. CM R.V.
Tratamientos 18.5335 2 9.26675 20.91
Bloques 24.855 4 6.21375
Residuales 3.545 8 .443125
Total 46.9335 14
329 8.3 DISENOPORBLOQUESCOMPLETOSYALEATORIZADOS
1)(3 - 1) =8. Losresultadosdeloscalculospuedendesplegarse en
unatablaANOVAcomolaquese muestraenlatabla8.3.4.
8. Decisi6nestadistica. Puestoquelarazondelavariancia,20.91,es
mayorque4.46, se rechazalahipotesisnuladequenohayefectos
deltratamientobajolasuposiciondequeunaR.v. tangranderefleja
queelcuadradomediodelasdosmuestrasnosonestimacionesdela
mismacantidad.Laotra(micaexplicacionparaesaR.v. tangrande
serfaquelahipotesisnulaesrealmenteverdadera,yqueseobservo
unconjuntoderesultadosinusuales.Sedescartalasegundaexplica-
cionenfavordelaprimera. .
9. Conclusi6n. Seconcluyequenotodoslosefectosdelostratamien-
tossonigualesacero,0 equivalentes,esdecirquenotodoslostrata-
mientossoniguales.
10. Valordep. Paraestapruebap < .005.

Antilisis par (,-OmpulUikJro Muchospaquetesdesoftwareestadfsticoanalizan
losdatosapartirdediseiiosporbloquescompletosyaleatorizados.Acontinuacion
se muestralaentradaylasalidadelpaqueteMINITAB. Losdatosdelexperimento
servicinparaalimentarlahojadetrabajodeMINITABfonnadaportrescolumnas.La
columna1contienelasobservaciones,lacolumna2contienelosnUmerosqueidentifi-
canelbloqueaquecorrespondecadaobservaci6n.La columnatrescontienelosnUme-
( rosqueidentificane1tratamientoaquecorrespondecadaobservacion.La figura8.3.1
muestralahojadetrabajodeMINITABparaelejemplo8.3.1.La figura8.3.2muestra
lascajasdediaIogoparacomenzare1 anaIisisylatablaANOVAqueresulta.
ROW C1 C2 C3
1 7 1 1
2 9 1 2
3 10 1 3
4 8 2 1
5 9 2 2
6 10 2 3
7 9 3 1
8 9 3 2
9 12 3 3
10 10 4 1
11 9 4 2
12 12 4 3
13 11 5 1
14 12 5 2
15 14 5 3
FIGURA8.3.1 HojadetrabajodeMINITABparalosdatosdela figura8.3.2.
330 CAPiTULO8 ANA.LISIS DELAVARIANCIA
Cajadedialogo: Comandosdelasesi6n:
Stat>ANOVA > Twoway MTB > TWOWAY Cl C2 C3
SUBC > MEANS C2 C3.
TedearCl enResponse. TedearC2 enRow factor y
verificarDisplay means. TedearC3 enColumn factQr y
verificarDisplay means. ClicOK.
Resultados:
Analisisdela varianciabilateral
Analysis of Variance.for Cl
Source DF SS MS
C2 4 24.933 6.233
C3 2 18.533 9.267
Error 8 3.467 0.433
Total 14 46.933
Individual 95% Cl
C2 Mean -+------- ------+--
1 8.67 (-----* )
2 9.00 (-----* ---)
3 10.00 ( -*--
4 10.33 ---*---
5 12.33 *---- )
-+------ -------+- -----+--
9.00 10.50 12.00 13.50
Individual 95% CI
C2 Mean ---+---------+----------+---------+--
1 9.00 (- *----)
2 9.60 (-----*---- )
3 11.60 (- *----)
---+-- --'+--- --+---- -+--
9.00 10.00 11.00 12.00
FIGUR\ 8.3.2 Cajadedialogoy resultadosparaelanaIisisdelavarianciabilateral,ejelll-
plo8.3.1.MINITAB.
EJERCICIOS 331
SistemaSAS
Proc:edimiento de analisis de la varlanc:ia
Dependent Variable: DAYS
Source DF Sum of Squares Mean Square F Value Pr > F
Model 6 43.46666667 7.24444444 16.72 0.0004
Error 8 3.46666667 0.43333333
Corrected Total 14 46.93333333
R-Square C.V. Root MSE DAYS Mean
0.926136 6.539211 0.65828059 10.06666667
Source DF Anova SS Mean Square F Value Pr > F
GROUP 2 18.53333333 9.26666667 21. 38 0.0006
AGE 4 24.93333333 6.23333333 14.38 0.0010
.J<1GUR.\ 8.3.3 Resultados impresos parcialmente para el ejemplo B.3.1. Paquete MINITAB .
La tabla ANOVA producida por el paquete SAS para el am'ilisis del ejemplo
8.3.1 se muestraenla figura 8.3.3. Observe que en estos resultados el modele SC es
igual a la suma de SC
b10q
YSCn<at' <
Alternativas Cuando los datos disponibles no cumplen las suposiciones del di-
sefio por bloques completos yaleatorizados tal como se estudia aquf, puede ser
conveniente un procedimiento alternativo nocparametrico como el de Friedman
que se trata en el capftulo 13.
E,JERCICIOS
Para los ejercicios deIB.3.1 aIB.3.5 aplique el procedimiento de los diez pasos de la prueba
de hip6tesis para el amilisis de la variancia.
8.3.1 Druml ct al. (A-ll) tenian como prop6sito, en uno de sus estudios, evaluar el impacto de la
alcalosis respiratoria sobre la eliminaci6n dellactato administrado por via intravenosa. Rea-
lizaron el estudio en ocho individuos que eran 'pacientes con tratamiento de respiraci6n
asistida debido a que presentaban enfermedades neurol6gicas 0 neuromusculares. Se torna-
< ron mediciones, al azar yen dos ocasiones, de las concentraciones plasmaticas de lactato:
primero, durante la respiraci6n normal, y despues durante la alcalosis inducida por
hiperventilaci6n controlada. Se evalu6 la eliminaci6n de lactato cinco minutos despues de
administrar Immol/ kg de peso corporal de acido L-lactico. Los siguientes datos representan
332 CAPiTULO8 ANALISISDELAVARIANCIA
los nivelesdelactatodelplasma(mmo1/1) 90minutosdespuesdeadministrarloacadauno
delospacientesporcadaocasi6n.
Individuo Normoventilaci6n Hiperventilaci6n
1
2
3
4
5
6
7
8
1.3
1.4
1.2
1.1
1.8
1.4
1.3
1.9
2.8
2.0
1.7
2.7
2.1
1.8
2.0
2.8
FUENTE; Wilfred Druml, GeorgGrimm,Anton N. Laggner, Kurt
Lenzy Bruno "LacticAcid Kinetics in Respiratory
Alkalosis", Critical Care Medicine, 19, 1120-1124. Williams &
Wilkins.
Despuesdeeliminarlosefectosenlosindividuos, posibleconduirquelaconcentraci6n
mediadelactatoenelplasmaesdiferentedurantelarespiraci6nnormaly durantelahiper-
ventilaci6n?Seaex = .05.
8.3.2 McConvilleet al. (A-12) informaronacercadelosefectosqueproducemasticarunapiezade
gomademascarconnicotina(2 miligramos)enlafrecuenciaconquese presentaunticen
pacientes con des6rdenes deTourette tratados inadecuadamente con haloperidol. Los si-
guientesdatoscorrespondenalafrecuenciadelticnerviosobajocuatrocondiciones.
Ntimerodeticsduranteunperiodode30minutos
Despuesdeterminardemasticar
Masticando 0-30 30-60
Paciente AI inicio chicle minutos minutos
1 249 108 93 59
2 1095 593 600 861
3 83 27 32 61
4 569 363 342 312
5 368 141 167 180
6 326 134 144 158
7 324 126 312 260
8 95 41 63 71
9 413 365 282 321
10 332 293 525 455
FUENTE: BrianJ. McConville,M. HaroldFogelson,AndrewB. Norman,WilliamM. Klykylo, PatZ.
Manderscheid, Karen W. Parker y Paul R. Sanberg, "Nicotine Potentiation of-Haloperidol in
ReducingTicFrequencyinTourette'sDisorder",AmericanJournal ofPsychiatry, 148,793-794.Co
pyright,TheAmericanPsychiatricAssociation. Reimpresaconautorizaci6n.
EJERCICIOS 333
Despuesdedisiparlosefectosenelpaciente. <!es posibleconduirqueelnumeromediode
ticsdifiereenlascuatrocondiciones?Seaa = .Ol.
8.3.3 Unequipodeespecialistasenremotivacion,enunhospitalpsiquiatrico,condujounexpe-
rimentoparacompararcinco metodospararemotivara lospacientes.Estosfueronagru-
padosdeacuerdoconelniveldemotivaci6ninicial. Encadagrupo, lospacientesfueron
asignados al azara los cinco metodos. AI final del periodoexperimental, unequipo de
trabajo formado porunpsiquiatra, unpsic61ogo, unaenfermerayun trabajadorsocial
evaluaronalospacientes.Ninglinmiembrodelequipodeevaluaci6nsabiadelosmetodos
quefueronasignadosalospacientes.Elequipoasign6acadapacienteunacalificaci6ncomo
medidadesuniveldemotivaci6n.Losresultadossonlossiguientes:
Nivelde Metododeremotivaci6n
motivaci6n
inicial A B C D E
Nulo 58 68 60 68 64
Muybajo 62 70 65 80 69
Bajo 67 78 68 81 70
Promedio 70 81 70 89 74
estosdatosevidenciasuficientequeindiqueunadiferenciaenlascalificacio-
nesmediasentrelos metodos?Seaa == .05.
8.304 Laenfermerasupervisoradeundepartamentodesaludlocalqueriaanalizarelefectodela
horadeldraenladuraciondelasvisitasdomiciliariasrealizadasporelpersonaldeenferme-
ria.Pensabaquelasdiferenciasindividualesentrelasenfermeraspodiansergrandes,por10
queutilizoalasenfermerascomounfactordeformaci6ndebloques. Recolectoademaslos
siguientesdatos:
Duraciondelavisitadomiciliariaseglinlahoradeldia
Enla Amedio Temprano Poria
Enfermera mafuma dia porIatarde tarde
A 27 28 30 23
B 31 30 27 20
C 35 38 34 30
D 20 18 20 14
estosdatosevidenciasuficienteparaindicarunadiferenciaenladuraci6nde
lasvisitasdomiciliariasenlasdiferenteshorasdel dia?Seaa = .05.
8.3.5 Cuatro individuos participaronenunexperimentoparacomparartres metodos delibera-
ci6ndelatensi6nnerviosa.Cadaindividuofuepuestoenunasituaci6ndetensionnerviosaen
tresocasionesdiferentes. Porcadavezseutiliz6unmetododiferenteparareducirelestres
334 CAPITULO8 ANALISISDELAVARIANCIA
encada individuo. Lavariable de respuesta es el total de reduccion del nivel de tension
nerviosaantesydespuesdelaaplicaciondeltratamiento. Losresultadossonlos siguientes:
Tratamiento
Individuo A B C
1 16 26 22
2 16 20 23
3 17 21 22
4 28 29 36
msposibleconduirapartirdeestosdatosquelostresmetodosdifiereneneficacia?Seaa =.05.
8.3.6 EnunestudiorealizadoporValenciaet al. (A-13) semidieronlosefectosdela temperatura
ambiental y la humedad en el gasto energetico durante 24 horas mediante calorimetria
indirectadetodoelcuerpoenochohombresjovenesconpesonormal. Los individuosestu-
diadosutilizaronropaligeraysiguieronunregimendeactividadcontrolada. Seevaluaron
losefectosdelatemperaturamedidaa20,23, 26Y 30gradosCelsiusenunambientehume-
do,yenunambientealtamentehumedocontemperaturasde20y30gradosCelsius. (CuM
eslavariablebloqueo?(Cwileslavariabletratamiento?,:Cwlntosbloquesexisten?<!Cuantos
tratamientoshay? ElaboreunatablaANOVAenlaqueseespecifiquenlas fuentesvariabili-
dadylosgradosdelibertadparacadauna. ~ u a l e s sonlasunidadesexperimentales?tCua-
lessonlasvariablesextrafiasquepuedeninfluirypodrianincluirseenelterminodeerror?
8.3.7 Hodgsonet al. (A-14) realizaronunestudioenelcual indujerondilataci6n gastricaenseis
perrosconanestesia,mantenidoscondosisconstantesdeisofluoranoenoxigeno.Compara-
ronlasmedicionescardiopulmonaresantesdeladistensionestomacal(medidasdelineade
base)contralas mediciones tomadasdurante.1, .5, 1.0, 1.5, 2.5 Y3.5 horasdedistension
estomacalparaanalizarlos cambiosapartirdelas medidasdelineadebase.Despuesdela
distensionestomacal,losindicescardiacosaumentaronde1.5a3.5horas.Nohubocambios
enelvolumensistolico.Durantelainsuflacion,seobserv6unincrementoenlapresionarterial
sistemica,arterialpulmonaryauricularderecha.Nocambiolafrecuenciadelarespiracion.
LaPa
o
-, tendi6adisminuirduranteladilataci6ngastrica. (Cualessonlasunidadesdeexpe-
rimentacion? (CuMessonlosbloques? tCualeslavariabletratamiento?(CuMeslavariable
ovariablesrespuesta? (Quevariablesextrafiaspuedencausarefectosquepudieranincluirse
enelterminodeerror?ElaboreunatablaANOVAparaesteestudioenelqueseidentifiquen
las fue"1tes devariabilidadyseespecifiquenlosgradosdelibertad.
8.4 DISENODEMEDICIONES HEPETIDAS
Unodelosdiseiiosqueseutilizanconmayorfrecuendaenelcampodecienciasde
lasaludes eldiseiiodemediciones repetidas.
DEFINICION
EIdiseftodemediciones repetidas esaquelenelque,para
unarnisrnavariable,sehacen rnedicionessobrecada
individuoendos0 lIlasocasionesdistintas.
Las ocasiones distintas durante las que se tomanlas mediciones puedenser
puntosdistintoseneltiempo0 diferentescondiciones,comotratamientosdiferentes.
335 8.4 DISENO DE MEDICIONES REPETIDAS
Curindo utlli:zar Hledlclones repetldas En general, el motivo principal
para utilizar el disefio de mediciones repetidas es el deseo de controlar la variabili-
dad entre los individuos estudiados. En este disefiocada individuo sirve como su
propio control. Cuando se toman las medici ones s610 en dos ocasiones se tiene el
disefio de un par de comparaciones que se estudian en el capitulo 7. Una de las
situaciones mas usuales que permiten el uso del disefio de mediciones repetidas es
cuandoel investigador esta interesado en respuestas sobre el tiempo.
Velltqjas Tal como se mencion6 con anterioridad, la principal ventaja del dise-
fiode mediciones repetidas es la capacidad para controlar variaciones extrafias
entre los individuos. Una ventaja adicional es que se necesitan menos individuos
para aplicar el disefio de mediciones repetidas que otros disefios en los que se
utilizan diferentes individuos por cada ocasi6n en que se toman las mediciones. Por
ejemplo, suponga que se tienen cuatro tratamientos(en el sentido usual) 0 cuatro
puntos en el tiempo sobre los cuales se quisiera tener lO mediciones. 8i se utiliza
una muestra diferente de individuos para cada uno de los cuatro tratamientos 0
puntas en el tiempo, se necesitarian 40 individuos. 8i fuera posible tomar las medi-
ciones en los mismos i n i ~ i u o s para cada tratamiento 0 punto en el tiempo, es
decir, si se pudiera utilizar el disefio de mediciones repetidas, se necesitarian sola-
mente lO individuos. Esta ventaja resulta conveniente si es dificil 0 caro reclutar
individuos. . .. .
Desventqjas El principal problema potencial sobre el que se debe tener cuida-
do es el ejecta. acarreado. Cuando se evahian dos 0 mas tratamientos, los investigado-
res deben asegurarse de que las respuestas de los individuos para un tratamiento
no reflejan un efecto residual del tratamiento anterior. Este problema frecuente-
mente puederesolverse dejando pasar tiempo suficiente entre los tratamientos.
Otro posible problema es el eJecto de posici6n. Un individuo puede responder
al ultimo tratamiento en secuencia de manera diferente como habrfa respondido si
dicho tratamiento hubiera sido el primero en la secuencia. En ciertos estudios,
como en los que hay participaci6n flsica por parte de los individuos, el entusiasmo
que al principio es alto puede derivar en aburrimiento hacia el final. Una manera de
darle vuelta a este problema es aleatorizar la secuencia de tratamientos independien-
temente para cada individuo.
Dlseiio de medlclolles repetldascoll un solofuctor . EI disefio mas sim-
pie de mediciones repetidas es aquel en el que se agrega una variable adicional ala
variable tratamiento. EI motivo que origina la introducci6n de una variable adicio-
nal es mediry aislar su contribuci6n a la variabilidad total entre las observaciones.
Esta variable adicional se conoce comofactor.
DEFINICION
EI diseiio de lllediciones repetidas en el que se introduce
un factoradicional enel experilllento, se llallla diseiio de
mediciones repetidascon un solofactor.
336 CAPiTULO8 ANALISIS DELAVARIANCIA
EIfactoradicionalse refierealindividuo. Eneldiseiiodemedicionesrepeti-
dasconunsolofactor,cadaindividuorecibecadaunodelostratamientos.EIorden
enelquelosindividuossonexpuestosalostratamientos,sihaylaposibilidad,esal
azar. Laaleatorizaci6nse aplicademaneraindependientesobrecadaindividuo.
Supuestos Sedebenconsiderar,enestetexto,lossiguientessupuestoseneldi-
seiio demediciones repetidasconuns6lo factor. AI diseiio quecumplaconestos
supuestosseIe llamadiseiioaditivo de efectos fijos.
1. Losindividuosestudiadosformanunamuestraaleatoriasimpleextraida de
unapoblaci6nconindividuossimilares.
2. Cadaunade las observaciones es una muestra aleatoria simple e indepen-
dientedetamaiio1extraidadecadaunadelaskn poblaciones,donden esel
nfunerodeindividuosyk eselnfunerodetratamientosalosqueseexponeelin-
dividuo.
3. Laskn poblacionestienenmediaspotencialmentediferentes, perotodas las
poblacionestienenlamismavariancia.
4. Losk tratamientos sonftios, es decir, sonlosunicos tratamientosrespectoa
losquesetieneinteresenlasituaci6nactual.Nosepretendehacerinferencias
paraunconjuntomayordetratamientos.
5. Nohayinteracci6nentrelos tratamientosylos individuos. Estoes, los trata-
mientosylosefectosenlos individuossonaditivos.
Confrecuenciaesposibleencontrarquelosdatosdelosexperimentosnocumplen
conlassuposicionesdetratarrtientosftiosytratamlentosaditivosyefectossobrelos
individuos. Paracadacaso, labibliografiaanotadaalfinaldelcapitulopuededar
unaguiaadecuada.
Modelo EI modeloparael diseiio de repetidas conun s6lo factor
aditivodeefectosftios eselsiguiente:
Xij =f..L + -+ 't) + eij
z=1,2,...,n; j =1,2,...,k (S.4.I)
EI lector recordara que este modelo es igual al modelo del diseiio porbloques
completosyaleatorizadosestudiadoenlasecci6nS.3. Los individuossonlosblo-
ques. Consecuentemente, la notaci6n, los datos desplegados y el procedimiento
parapruebadehip6tesissonlosmismosquesepresentaronanteriormenteparael
diseiioporbloquescompletosyaleatorizados.EIsiguienteejemplomuestralaapli-
caci6ndeldiseiiodemedicionesrepetidas.
EJEMPLO 8.4.1
Hillet al. (A-I5)estudiaronlosefectosdelasalteracionesenlacomposici6ndiete-
ticasobreelgastodeenergiaybalancedenutrientesenlossereshumanos.Unade
lasmedidasempleadasparaelgastoenergeticoeraunacantidadllamadacociente
337 8.4 DISENODEMEDICIONESREPETIDAS
TABL\8.4.1 Cocientesderespiraciondiaria(las
24horas)registradasentresocasionesdiferentes
Individuo Inidal Dia3 Dia7 Total
1 0.800 0.809 0.832 2.441
2 0.819 0.858 0.835 2.512
3 0.886 0.865 0.837 2.588
4 0.824 0.876 0.900 2.600
5 0.820 0.903 0.877 2.600
6 0.906 0.820 0.865 2.591
7 0.800 0.867 0.857 2.524
8 0.837 0.852 0.847 2.536
Total 6.692 6.850 6.850 20.392
FUENTE: JamesO. Hill,JohnC. Peters, GeorgeW. Reed, DavidG. Schlundt,
leresaSharpy HarryL. Greene,"NutrientBalanceinHumans:Effectof Diet
Composition",AmericanJournal ofClinical Nutrition, 54,10-17.AmericanJournal
afClinical Nutrition.
respiratorio(CR). Enlatabla8.4.1 semuestran,para tres puntos diferentes en el
tiempo,loscocientesrespiratoriosdiarios(24horas),conunadietaaltaencalorias
enlosochoindividuosqueparticiparonenel estudio.Sepretendesabersi existe
diferenciaentreelCR medioylostrespuntoseneltiempo.
Solucion: 1. Datos. Veaselatabla8.4.1.
2. Supuestos. Seconsideraquesecumplenlossupuestosdescritospara
el disefiodemedicionesrepetidasconunsolofactoraditivodeefectos
fijos.
3. Hipotesis.
H
A
: notodaslasIlsoniguales
4. Estadisticadeprueba. R.V. =CMtra/CMresidual
5. Distribuciondelaestadisticadeprueba. DistribucionF con3- 1
2gradosdelibertadenelnumeradory23- 2 7= 14gradosde
libertadenel denominador.
6. Regiadedecision. Seaa. = .05. ElvalorcnticodeF es 3.74.Se
rechazaHo siR.v. es mayor0 igualque3.74.
7. CaIculodela estadisticadeprueba. Seutilizoel paqueteMINITAB
pararealizarloscalculos.Primeroseintrodujeronlasmedicionesenla
columna1, losnumerosderenglon(individuos)seintrodujeronen
lacolumna2, loscodigosdetratamientos(periodosdetiempo)enla
columna3,yseprocediocomose muestraenlafigura8.4.1.
338 CAPiTULO 8 ANALISIS DE LA VARIANCIA
Cajadedialogo: Comandosdelasesi6n:
Stat>- ANOVA>- Twoway MTB > TWOWAY C1 C2 C3i
SUBC> MEANS C2 C3.
Tedear CI en Response. Teclear C2 en Row factor y
verificar Display means. Tedear C3 en Column factor y
verifiear Display means. Clie OK.
Resultados:
Analisisdelavarianciabilateral
Analysis of Variance for C1
Source DF SS MS
C2 7 0.007438 0.001063
C3 0.002080 0.001040
Error 14 0.013495 0.000964
Total 23 0.023013
FIGURA8.4.1 Procedimiento MINITAB Y resultados (tabla ANOVA) para el ejemplo 8.4.1.
Sistema SAS
Procedimiento de amilisis de la variancia
Dependent Variable: DRQ
Source DF Sum of Squares Mean Square F Value Pr > F
Model 9 0.00951833 0.00105759 1.10 0.4227
Error 14 0.01349500 0.00096393
Corrected Total 23 0.02301333
R-Square C.V. Root MSE DRQ Mean
0.413601 3.654045 0.03104720 0.84966667
Source DF Anova SS Mean Square F Value Pr > F
SUBJ 7 0.00743800 0.00106257 1.10 0.4131
TIME 2 0.00208033 0.00104017 1. 08 0.3666
FIGUHA 8.4.2 Resultados para el analisis del ejemplo 8.4.1. Paquete SAS.
EJERCICIOS 339
8. Decisionestadistica. Noesposiblerechazarlahip6tesisnulapor-
queR.V. .001040/.000964 1.0788esmenorque3.74.
9. Conclusion. Seconduyequeprobablementenohaydiferenciaen
lastresmediaspoblacionales.
10. Valordep. Puestoque 1.0788es menorque2.73, elvalorcrftico
deF para(l .10,el valordepesmayorque.10.
Lafigura8.4.2 InuestralosresultadosparaelamHisisdelejemplo8.4.1. Paque-
teSAS''')
FJERCICIOS
Paralosejerciciosdel8.4.1 al8.4.3apliqueelprocedimieritode10 pasosparaIapruebade
hip6tesis.Sea(X == .05. .. .
8.4.1 Uno de los prop6sitos de un estudio realizado porBlum et ai. (A-16) era determinar la
farmacocinetica de la fenitofna en presencia y ausencia de la terapia concomitante de
fluconazola. Entrelos datos recolectados durante e1 curso delestudioseobtuvieronlas si-
guientesconcentracionessericasdefluconazolaen10individuosvaronessanos;lasmedicio-
nessehicieronentresdiferentesocasiones.
Individuo Dia14C
min
(Ilglml) Dia18C
min
(Ilglml) Dia21 C
min
(Ilglml)
001 8.28 9.55 11.21
004 4.71 5.05 5.20
005 9.48 11.33 8.45
007 6.04 8.08 8.42
008 6.02 6.32 6.93
012 7.34 7.44 8.12
013 5.86 6.19 5.98
016 6.08 6.03 6.45
017 7.50 8.04 6.26
020 4.92 5.28 6.17
FUENTE: RobertA. Blum,JohnH. Wilton, DonaldM. Hilligoss, MarkJ.Gardner,EugeniaB. Henry,
NedraJ.HarrisonyJeromeJ.Schentag,"EffectofFluconazoleontheDispositionofPhenytoin",
Clinical Pharmacology and Therapeutics, 49,420-425.
8.4.2 Abbrechtet al. (A-17) estudiaronlosefectosrespiratoriosduranteeI ejercicioyvariosgrados
de delosconductosdeaereaci6n. Estudiarona ciI).cO individuos,varonessanos
quenofumaban, dedicadosa ejerciciosprolongadosmientrasrespirabana traves dedife-
rentescargasderesistenciaalflujo. Entrelasmedicionesquetomaronestabanlossiguientes
volumenesinspiratorios(Vmin)encincoocasionessucesivasbajounadelascondicionesde
resistenciaalflujo.
340 CAPITULO8 ANALISISDELAV ARIANCIA
Intervalodetiempo
Individuo 1 2 3 4 5
1 39.65 36.60 39.96 40.37 37.82
2 44.88 40.84 43.96 44.10 45.4l
3 32.98 33.79 34.32 33.89 32.8l
4 38.49 35.50 39.63 35.21 37.51
5 39.71 41.90 36.50 40.36 42.48
FUENTE: Utilizadaconautorizaci6ndePeterH.Abbrecht,M. D., Ph. D.
8.4.3 Kabat-Zinnet ai. (A-I8)disenaronunestudioparadetenninarlaeficaciadeunprogramade
reducci6n de estresconbaseenlameditaci6n enpacientescon trastomosdeansiedad. Los
individuosestudiadosfueronseleccionadosdeentrelosqueestabanenelprogramaderelaja-
ci6ny reducci6n del estres. Entre los datos querecolectaron los investigadores estaban las
calificacionesobtenidasconbaseenlaEscaladeclasificaci6ndelaansiedaddeHamilton,en
tres ocasiones diferentes: al momenta del recluciuniento inici<iI (RI), antes del tratamiento
(Pre),despuesdeltratamiento(Post)yalostresmesesdeseguimiento(3-M).Seobtuvieronlos
siguientesdatoscorrespondientesalosresultadosdelos 14individuos.
RI Pre Post 3M
21 21 16 19
30 38 10 21
38 19 15 6
43 33 30 24
35 34 25 10
40 40 31 30
27 15 11 6
18 11 4 7
31 42 23 27
21 23 21 17
18 24 16 13
28 8 5 2
40 37 31 19
35 32 12 21
FUENTE: Utilizadaconautorizaci6ndeKennethE. Fletcher,
Ph.D.
8.4.4 EIprop6sitodelestudiodeSpeechleyet ai. (A-19) eracompararloscambiosenlaautoeva-
luaci6ndelaconfianzacHnicaentredosgrupos demedicosposgraduadosqueejercianla
medicinafamiliar,enunperiododedosanosderesidencia.Ungrupocomenz6enuncentro
depr:kticafamiliaryelotrocomenz6en\unhospital.Ungrupoconcuarentaydosresiden
tes participaronenla medici6ninicial, de los cuales 24 presentaronrespuestascompletas
despuesdedosanos.Seevalu6laseguridaddelmedicorespectoa 177temasconcentrados
en19temasgenerales,mediantecuestionariosquelesfueronaplicadosdespuesdeseis, 12
y24meses.Losresidentescambiabancadaseismesesdeunlugaraotro,yaproximadamen-
telamitadiniciaronencHnicaylaotramitadenhospitaL Lasasignacionesalsitiodeinicio
8.5 EXPERIMENTOFACTORIAL 341
sehicierontomandoencuentalaspreferencias'delosresidentes.':Quienessonlosindividuos
examinadosenesteestudio?(Cuileslavariabletratamiento?':Cualeslavariablerespuesta?
Comentesobreelefectoacarreadoyelefectodeposici6n,yc6mopueden0 noinfluirene1
estudio.ElaboreunatablaANOVA.paraesteesiudio,enlaqueseidentifiquenlasfuentesde
variabilidady seespecifiquenlosgradosqelibertadparacac;la,una,
8.4.5 Barnetty Maughan(A-20) efectuaronunestudioparadeterminarsiexistenefectosdeadi-
mataci6ncuandolos deportistasvarones que noestinacostumbradosaldimaejercitana
plenaluz dedfaenintervalossemanales. Cincoindividuosestudiadosejercitarondurante
unahoraencondicionesdeV0
2max
al 55 porcientodurantecuatroocasionesdiferentes. El
primerejercitamientofuebajocondicionesmoderadas.Los tresejercitamientossubsecuen-
tesfueronenintervalossemanalesaplenaluzdedfa. Nohubocambiossignificativosentrelas
pruebasenelcalorparael ritmocardiaco,temperaturarectal0 V0
2
':Cuilessonlosindividuos
paraesteestudio? (CuaIes lavariabletratamiento? ':Cuiles lavariablerespuesta? Comente
respectoa los efectosdeacarreadoydeposici6n,yc6mopueden0 noinfluirenelestudio.
ElaboreunatablaANOVAparaesteestudio,enlaqueseidentifiquenlasfuentesdevariabili-
dadyseespecifiquenlosgradosdelibertadparacadauna.
8.5 EXPERIMENTOFACTORIAL
En, los diseiiosexperimentalesquese hanconsideradohilsta ahora, el interes ha
recaidoenlosefectosdeunasolavariable,lostratamientos.Sinembargo,confre-
cuenciasedeseaestudiarsimultaneamentelosefectosdedos0 masvariables. Las
variablesdeinteresrecibenelnombredefactores. Elexperimentoenqueseinvesti-
gandos0 masfactoresenformasimult.:measellamaexperimento factorial.
Lasdiferentescategoriasdesignadasdelosfactores seconocencomoniveles.
Porejemplo, supongaquese analizan los efectosdetres dosis deciertomedica-
mentosobreeltiempodereaccion. Se dicequeelfactor medicamentoocurreen
tresniveles.Supongaqueelsegundofactordeinteresenel'analisiseslaedad,y se
piensaquedebeninduirsedosgruposdeedaddemenosde65y de65aiiosy mas.
Por10 tanto, se tieriendosniveles paraelfactoredad. Engeneral, se dice que el
factorA ocurreenlosnivelesa y elfactorB enlosnivelesb.
Enunexperimentofactorialnosoloesposibleestudiarlosefectosdefactores
individuales,sinotambien,sielexperimentoseefect6.aadecuadamente,lainteraccwn
entrelosfactores. Parailustrarelconceptodeinteraccion,considereseelsiguiente
ejemplo.
EJEMPLO8.5.1
Suponga,enterminosdelosefectossobreeltiempodereacci6n,queseconocela
verdaderarelacionentrelostresnivelesdedosisdeciertomedicamentoy laedad
delaspersonasquetomandichcimedicamento.Suponga,ademas,quelaedadocu-
rreendosniveles:'Jovenes"(menoresde65afios)y "viejos"(de65aftosy mas).Si
seconocelaverdaderarelaci6nentreestosdosfactores, se conocera,paralostres
nivelesdedosis, el efectomediosobreeltiempodereacciondelos individuosen
losdosgruposdeedades.Supongaqueelefectosemideenterminosdelareduc-
ci6neneltiempodereacci6naalgtinestimulo,y quelasmediassonlasquesemues-
tranenlatabla8.5.1.
342 CAPiTULO8 ANAl-ISIS DELAV ARIANCIA
TABLA3.5.1 Reduecionmediaenel .
tiempodereaccion(milisegundos)de
individuosendos edadesen
tresilivelesdedosisdemedieamento
.FactorB:dosisdelmedicamento
FactorA: edad j=l j=2 j=3
J6venes(i == I!
flJl
S fll'2 ::::: 10 illS =20
Viejos (i == 2)
fl2l
10
1122 =IS fl23
2S
Sedebennotarlas siguientescaracteristicas importantes de los datos de la
tabla:8.S.1. .' .
1. Paraambosnivelesdel factorA, ladiferenciaentrelasmediasparadosnive-
les cualesquiera del factor B es la misma. Es decir, para ambos niveles del
factorA, la diferencia entre las mediasparalos niveles 1y 2esS,paralos
niveles 2y3ladiferenciaes IO,Yparalosniveles 1y3ladiferenciaes IS.
2. ParatodoslosnivelesdelfactorB, ladiferenciaentrelasmediasparalosdos
riivelesdelfactorA eslamisma.Enestecaso,ladiferenciaesSenlostresniveles
delfactorB.
3. Unaterceracaracteristicaaparececuandolosdatossegraficancomosemues-
traenlafigura8.5.1.Seobservaquetodaslascurvasquecorrespondena los
distintosnivelesdeunfactorsonparalelas.
Cuandolosdatosdelapobl<ilci6nposeenlastrescaracteristicasmencionadas,
sedicequenoexisteinteracci6n. .
Lapresenciadeinteracci6nentredosfactorespuedeafectarlascaracteristicasde
losdatosenvariasformas, dependiendodelanaturalezadefa interacci6n. EIefecto
deuntipodeinteracci6nseilustracambiandolosdatosdelatabla8.5.1 comosemues-
traenlatapla8.S.2.
c
'0
'0

30
",.
,,'
!!!
25
0
a.
E 20
'"
"" 15
1ii
c
Q)
10
c
-0
'13
(.)
5
"
::l
0
(l)
0::
c
<l
'13
Edad
l;l
!!!
30
82
Q)
"
25
8,
0
a.
E 20

1ii 15
c
Q)
c
-0
10
'0
"
5
::l
"
Q)
0::
0
Dosisdelmedicamento
Dosisdelmedicamenlo

"


8, 82
Edad
FIGl'R4.8.5.1 Efectosdelaedadydelosmedicamentos, sininteracci6n.
343 8.5 EXPERIMENTOFACTORIAL
TABIAB.5.2 DatosdelatablaB.5.1 alterados
paramostrarlosefectosdeuntipodeinteraccion
FactorB: dosisdelmedicamento
FactorB: edad j=l j=2 j=3
J6venes(i = 1)
1111 =5 1112 =10 1113
20
Viejos (i = 2)
1121 =15 1122 =10 11 23=5
Lascaracteristicasimportantesdelosdatosenlatabla8.5.2sonlassiguientes:
1. LadiferenciaentrelasmediasparadosnivelescualesquieradelfactorBnoes
la misma paraambos nivelesdel factorA. Se observaenla tabla 8.5.2, por
ejemplo, quela diferencia entrelos niveles 1y 2 delfactorB es -5parael
grupodeedadesmasj6venesy +5paraelgrupodeedadesmasgrandes.
2. Ladiferenciaentrelasmediasparaambosnivelesdelfactor A noeslamisma
entodoslosnivelesdelfactorB.LasdiferenciasentrelasmediasdelfactorA
son-10,0Y15paralosniveles 1, 2Y3, respectivamente,delfactorB.
3. Lascurvasdelos.nivelesdelosfactoresnosonparalelas,comose muestraen
lafigura8.5.2.
CuandolosdatosdeJapoblacl6npresentanlas queaparecenen
latabla8.5.2ylafigura 8.5.2, sedice quehayinteracci6nentrelos dosfactores. Es
importanteindiearqueel tipodeinteracci6nquesemuestraenesteejemploess6lo
unodelosmuchostiposdeinteracci6nquepuedenocurrirentredosfactores.
Enresumen, entonces,esposible decirque existe interaccion entre dos factores si un
cambia en uno de losfactores produce uncambia en la respuesta en unniveldel otrofactor
diferentedel queseproduceen otros nivelesde estefactor.
c:
-0
'0

l!: .30
'"
25
o
"
c.
E 20
!
(jj
c:
c: '"
-0
'8
4l
::>
0::
t::
-0
Oosisdelmedicamento
Edad 25
0

20

'"
15
ai 10 b
2
c::
. 82
:Q
o
5
.;
'- b
3 ><"
'0
"
::>
0
1
4l b
2
b
3
0::
8, 82
Dosisdelmedicamento Edad
nGURA8.5.2 Efectosdelaedadyelmedicamento,coninteracci6n.
344 CAPiTULO8 ANALISIS DELAVARIANCIA
Ventajas Lasventajasdelexperimentofactorial incluyenlassiguientes:
1. Lainteracdondelosfactoressepuedeestudiar.
2. Seahorratiempoyesfuerzo.
Enel experimento factorial todas las observaciones se puedenutilizarpara
estudiarlos efectos decadaunode los factores sujetos a estudio. La alternativa,
cuandoseinvestigandosfactores, serfaefectuardosexperimentosdiferentes, uno
paraestudiarcadaunodelosdosfactores.Sisehideraesto,algunasdelasobserva-
dones proporcionarfan informacion solo deuno delos factores, y el resto darfa
informacionunicamentedelotrofactor. Paralograrelniveldeexactituddelexpe-
rimentofactorial, senecesitarfanmasunidadesdeexperimentadonsi losfactores
fueran estudiados a traves dedos experimentos.Por10 tanto, se aprecia que un
experimentodedosfactoresesmasaccesibleenterminosecon6micosquedosex-
perimentosdeunfactor.
3. Dadoquelosdiversos factores secombinanenunexperimento,elresultado
tieneuncampodeaplicadonmasamplio.
Diseiio compietamente aleatamado para das factares Un arreglo
factorialse puedeestudiarconcualquieradelosdisefios quese hanexplicado.A
continuacion, se ilustraelanalisis deunexperimentofactorial pormedio de un
disefiocompletamentealeatorizadoparadosfactores.
1. Datos. Los resultados deundisefio completamentealeatorizadoparados
factorespuedepresentarseenformatabular,comosemuestraenlatabla8.5.3.
Enestatablasetienena nivelesparaelfactorA, b nivelesparaelfactorB
yn observacionesparacadacombinaciondeniveles.Cadaunadelasab com-
binacionesdelosnivelesdelfactorA conlosnivelesdelfactorB seconsideran
comountratamiento.Ademasdelostotalesymediasquesemuestranenla
tabla8.5.3,esposibleapreciarqueeltotalylamediadelaij-esimaceldason,
n
T;j = ~ i j k Yxi) = T,j./ n
1=1
respectivamente.EI subfndicei vade 1aa yj vade 1ab. EI totaldeobserva-
cionesesnab.
Paramostrarquelatabla8.5.3representadatosdeundisefiocompleta-
mentealeatorizado,seconsideraquecadacombinaciondenivelesdefactores
esuntratamientoyquesecuentaconn observacionesparacadatratamiento.
Unarregloalternativodelosdatosseobtendriaalnumerarlasobservaciones
decadatratamientoenunacolumnaaparte.Latabla8.5.3tambiense puede
utilizarparapresentardatosdeundisefio debloquesaleatorizadoparados
factores,.siseconsideralaprimeraobservadonencadaceldacomopartedel
bloque1,lasegundaobservationencadaceldacomopartedelbloque2,yasi
sucesivamente, hastala n-esimaobservacionencadacelda, lacual se puede
considerarcomopartedelbloquen.
345 8.5 EXPERIMENTOFACTORIAL
TABUS.5.3 Tabladedatosdelamuestraa
partirdeunexperimentocompletamente
aleatorizadodedoblefactor
FactorB
FactorA 1 2 b Totales Medias
x x X
III 121 I"
T
I
., Xl"
X X X
,.. 110
''''
x X X 2
221
'" '"
T2" x2 "
x x X
",
'''' '!""
a x x x
.11 021
"I
1'... X.,.
X X x
,I, ,,,,
"'"
Totales T T
,2
T
." ".
T".
x.,. x.,.
.x.,. x..
Es importante notar la similitud entre los datos para el experimento
factorial, anotadosenlatabla8.5.3,ylosdatosdeldiseiioporbloquescom-
pletosyaleatorizados dela tabla 8.3.1. Paraque elexperimentadorpueda
probarqueexisteinteraccion,elexperimentofactorial requieredeal menos
dosobservacionesporcelda,mientrasqueeldiseiioporbloquescompletosy
aleatonzadossolorequieredeunaobservaci6nporcelda.SeutilizaelanaIisis
devarianciabilateralparaanalizarlosdatosdeunexperimentofactorialdel
tipoquesepresentaaquf.
2. Supuestos. Paraanalizarestosdatos,sesuponeunmodelodeefectosftiosy
undiseiiocompletamentealeatorizadoparadosfactores:
El modelo EI modelo de efectos ftios para el diseiio completamente
aleatorizadodedosfactores seescribeasf
= J.l +a.
i
+ +eijk X
iik
1,2,...,a; j 1,2,...,b; k 1,2,...,n (8.5.1)
dondexij' esunaobservaci6nrepresentativa,Jlesunaconstante,a.representa
el efectodebidoalfactorA, representaunefecto debido al factorB,
representaunefectodebidoalainteracciondelosfactoresAyB, yeij!< repre-
sentaelerrorexperimental.
346 CAPITULOS ANALISISDELAVARIANCIA
Supuestosparael modelo
a. Las observaciones en cadaunade lasab celdas constituyen unamuestra
aleatoriaindependientedetamafion, extrafdadeunapoblaciondefinida
porlacombinacionparticulardelos nivelesdelosdosfactores.
b. Cadaunadelasah poblacionessigueunadistribucionnormal.
c. Todaslaspoblacionestienenlamismavariancia.
3. Hipotesis. Lassiguienteshipotesispuedenprobarse:
a. Ho: a
i
0 I, 2, ... ,a
H
A
: notodaslasa
i
=0
j 1,2, ... ,b
H
A
: notodaslas =0
c. Ho: 0 i = 1,2, ... ,a; j =1,2,...,b
H
A
: notodaslas 0
Antesderecolectarlosdatos,losinvestigadoresprobablementedecidanprobar
solounadelas hipotesisposibles. En estecasoseleccionanlahipotesisqueprefie-
ren,eligenunniveldesignificaciona, yprocedenenlaformasencillayaconocida.
Esteprocedimientonoofrecelascomplicacionesquepodrfanaparecersilosinves-
tigadoresquisieranprobartodaslashipotesis.
Cuandosepruebanlas treshipotesis,lasituacionsecomplicaporelhecho de
quelastrespruebasnosonindependientesenelsentidodelaprobabilidad.Sia esel
nive!designificacionasociadoalapruebacomountodo,ya, a' ya fit sonlosniveles
designificacionasociadosconlashipotesis I,2, Y3, respectivamente,setiene
a < 1 (l -a')(1 a')(l- a"') (8.5.2)
Sia a" =a" .05,entoncesa < 1- (.95)3, 0 a < .143.Estosignificaquela
probabilidadderechazaruna0 masdelastreshipotesisesunpocomenorque.143
cuandoseeligeunniveldesignificacionde.05paralashipotesisytodassonverda-
deras. Para demostrarelprocedimientodepruebadehipotesisparacadacaso,se
efectuantrespruebas.Sinembargo,ellectordebeenterarsedelosproblemasque
implicalainterpretaciondelosresultados. .
4. Estadisticadeprueba. Laestadlsticadepruebapara cadacon juntodehi-
potesiseslaR.v.
5. DistribuciondeIaestadisticadeprueba. CuandoHo esverdaderaysecum-
pleDlassuposiciones,cadaunadelasestadisticasdepruebasigueunadistri-
bucionF.
6. RegIa dedecision. Se rechazaHosi elvalorcalculado delaestadfstica de
pruebaesmayor0 igualqueelvalorcdtieodeF.
7. CaIcuIodelaestadisticadeprueba. Medianteunaadaptaci6ndelprocedi-
miento que se utiliza paradividirla suma total de cuadrados enel disefio
347 8.5 EXPERIMENTOFACTORIAL
completamentealeatorizado, se puededemostrarquelasumatotal decua-
dradosbajoelpresentemodelopuededividirseendosterminoscomosigue:
a b n
LLL(Xij. -
i=1 )=1 k=1 i=1 j=1 k=1
a b n
(8.5.3)
+ " ""(X .., - X )2
..J ..J.J 9". lj.
i=1 )=1 <=1
obien
(8.5.4)
La suma decuadrados paralos tratamientos puedeseccionarseentres terminos
comoslgue:
;=1 j=1 k=1 i=1 )=1 k=1
a b n
+ LLL(X.). _X...)2 (8.5.5)
;=1 )=1 k=1
a b n
+"""(X - X X.+X...)2
..J.J.Lt l). to. .).
obien
SC
lfa
,=SC
A
+SC
B
+ SCAB
TablaANOVA
Engeneral, los resultados de los calculos para el modelo de efectos ftios enun
experimentocompletamentealeatorizadodedosfactoressepuedenpresentarcomo
semuestraenlatabla8.5.4.
TABlA8.5.4 Tabladelamilisisdelavarianciaparaun
experimentocompletamentealeatorizadodedoblefactor(modelo
deefectosfijos)
Fuente SC g.l. CM R.V.
A
SCA a-I CM
A
= SC)(a - 1)
CM
A
/CM""idual
B SC
B
b-l CM
B
SClJ/(b - 1)
CM
B
/CM",sidual
AB
SCAB
(a - l)(b - 1) CM
AB
=SCAB/(a - 1)(b - 1)
CMAB /CMresidual
Tratamientos
SCtra'
ab-l
Residual
SCresidual
ab(n 1)
CMresidual
SC",sidual/ab(n
1)
Total
SC,otal
abn-:-l
348 CAPITULO8 ANillsISDELAV ARIANCIA
8. Decisionestadistica. . Sisecumplenlassuposicionesestablecidasalprinci-
pio,ysicadahip6tesisesverdadera,puededemostrarsequecadaunade las
relacionesdevarianciaanotadasenlatabla8.5.4sigueunadistribuci6nF con
losgradosdelibertadindicados.SerechazaHo silos valorescalculadospara
R.v. sonmayores0 igualesquelosvalorescriticoscorrespondientescomo10
determinanlosgradosdelibertadylosnivelesdesignificaci6nseleccionados.
9. Conclusion. Si se rechazaH ' se conduye que HA es verdadera. Si no se
o
rechazaH
o
' seconduyequeHo puedeserverdadera.
10. Valordep.
EJEMPLO 8.5.2
Enunanalisis.del.tiempoinvertidoenvisitasdomiciliariasindividualesrealizadaspor
enfermerasdesaludpublica,seobtuvierondatosdeladuraci6ndelavisita, enminu-
tos,para unamuestrade80enfermeras.Tambienseregistr6laedaddecadaunadelas
enfermerasyeltipodeenfermedaddecadapacientevisitado.Los investigadoresque-
nanobtener;apartirdesuinvestigaci6n,respuestasalassiguientespreguntas:
1. mltiempomediodevisita difiere entrelosdistintos gruposdeedadde las
enfermeras?
2. mltipodepacienteinfluyeeneltiempomediodevisita?
3. mxisteinteracci6nentrelasedadesdelasenfermerasyeltipodepaciente?
Solucion: 1. Datos. Losdatosacercadeladuraci6ndelavisitadomiciliariaque
se obtuvieronduranteelanalisissemuestranenlatabla8.5.5.
2. Supuestos. Paraanalizarestosdatos,sesuponeunmodelodeefec-
tosfgosyundiseiiocompletamentealeatorizadoparadosfactores.
3. Hipotesis. Paraesteejemplo,esposibleprobarlassiguienteship6-
tesisqueseapeganalascondicionesmencionadasanteriormente.
a. Ho: (X.l = (X.2 = (X.3 (X.4 = 0
H
A
: notodaslas(X.j = 0
H
A
: notodaslas =0
c. Ho: todaslas = 0
H
A
: notodaslas = 0
Sea(X. = .05.
4. Estadisticadeprueba. Laestadisticadepruebaparacadaconjun-
todehip6tesiseslaR.v.
5. Distribuci6ndelaestadisticadeprueba. CuandoHoesverdadera
ysecumplenlassuposiciones,cadaunadelasestadisticasdeprueba
sigueunadistribuci6nF.
349 8.5 EXPERIMENTOFACTORIAL
TABU8.5.5 Duraciondelasmitasdomiciliarias
realizadasporenfermerasdesaludpublicaporgrnposde
edaddelasenfermerasy tiposdepacientes
NivelesdelfactorB(grupodeedaddelasenfermeras)
Nivelesdel
factorA(tipos 1 2 3 4
depacientes) (20a29) (30a 39) (40a49) (500mas)
1(Cardiacos) 20 25 24 28
25 30 28 31
22 29 24 26
27 28 25 29
21 30 30 32
2(Cancerosos) 30 30 39 40
45 29 42 45
30 31 36 50
35 30 42 45
36 30 40 60
3(A.V.C.) 31 32 41 42
30 35 45 50
40 30 40 40
35 40 40 55
30 30 35 45
4 (Tuberculosos) 20 23 24 29
21 25 25 30
20 28 30 28
20 30 26 27
19 31 23 30
6. RegIadedecision. Se rechazaH si elvalorcalculadodelaesta-
o
dfstica de pruebaes mayor 0 igual que elvalor critico deF. Los
valores crfticos deF paraprobarlas tres hip6tesisdeeste ejemplo
son 2.76, 2.76 Y2.04, respectivamente. Puesto que los grados de
libertadiguala64enel denominadornosemuestranenlatablaG,
60seutilizani comolosgradosdelibertadeneldenominador.
7. CaIculodelaestadfsticadeprueba. Paratalefecto,seutilizarael
programaMINITAB. Se incluyenlas medicionesenlacolumna 1,
losnumerosderengl6n(factor A) enlacolumna2,yenlacolumna
3losnumerosdecolumna(factorB). Elcontenidodelascolumnas
resuItantes se muestra en la tabla 8.5.6. Las cajas de dialogo del
programaMINITAB, los comandosdelasesi6nylosresultadosse
muestranenlafigura8.5.3.
350 CAPITID,08 ANALISISDELAVARIANCIA
TABLA8.5.6 Contenido de las columnas para los c8lculos
con el paquete MINITAB, ejemplo 8.5.2
R ~ n g 6 n
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
.29
30
31
32
33
34
35
36
37
38
39
40
CI C2 C3
20
25
22
27
21
25
30
29
28
30
24
28
24
25
30
28
31
26
29
32
30
45
30
35
36
30
29
31
30
30
39
42
36
42
40
40
45
50
45
60
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
4
1
1
1
1
1
2
2
2
2
2
3
3
3
3
3
4
4
4
4
4
Reng16n CI C2 C3
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
31 3 1
30 3 1
40 3 1
35 3 1
30 3 1
32 3 2
35 3 2
30 3 2
40 3 2
30 3 2
41 3 3
45 3 3
40 3 3
40 3 3
35 3 3
42 3 4
50 3 4
40 3 4
55 3 4
45 3 4
20 4 1
21 4 1
20 4 1
20 4 1
19 4 1
23 4 2
25 4 2
28 4 2
30 4 2
31 4 2
24 4 3
25 4 3
30 4 3
26 4 3
23 4 3
29 4 4
30 4 4
28 4 4
27 4 4
30 4 4
----...--..... ..... ----...---.---.....---- .----- .. -_...__...._---_..... --------------
8.5 EXPERlMENTOFACTORIAL 351
Cajadedialogo: Comandosdelasesion:
Stat :> ANOVA :> Twoway MTB > TWOWAY Cl C2 C3i
SUBC> MEANS C2 C3.
TeclearCl enResponse.TedearC2enRowfactory
verificarDisplaymeans.TeclearC3 enColumnfactory
verificarDisplaymeans.ClicOK.
Resultados:
Analisisdelavarianciabilateral
Analysis of Variance for C1
Source DF SS MS
C2 3 2992.4 997.5
C3 3 1201.1 400.4
Interaction 9 608;5 67.6
Error 64 939.6 14.7
Total 79 5741.5
Individual 95% CI
C2 Mean -+----------+--- -----+------ ---+---------+
1 26.70 (----*---)
2 38.25
(---*_.- )
3 38.30 (---*- )
4 25.45 (----* ---)
-+- -------+----
--+-- -+---------+
24.00 28.00 32.00 36.00 40.00
Individual 95% CI
C3 Mean -----+---------+---------+-- ----+------
1 27.85 *--)
2 29.80 ( -*--)
3 32.95 (---*--)
4 38.10 (---*-- )
-----+---------+---------+----------+------
28.00 31.50 35.00 38.50
FIGURA8.5.3 ProcedimientoMINITABY tablaANOVApara elejemplo8.5.2.
8. Decisionestadfstica. Las razonesdelasvariancias sonR.V:(A) =
997.5/14.7 67.86,R.V:(B) = 400.4/14.7 27.24yR.V:(AB) = 67.61
14.7 = 4.60. Puesto que los tres valores calculados para R.V: son
mayores quelos correspondientesvalorescrlticos, se rechazalahi-
p6tesisnula.
352 CAPITUW 8 ANALISIS DE LA VARIANCIA
9. Conclusion. Cuando se rechaza Ho: 0.
1
= 0.
2
= 0.
3
= 0.
4
, se concluye
que existen diferencias entre los niveles de A, es decir, en el tiempo
promedio empleado en las visitas domiciliarias con diferentes tipos
de pacientes. De forma amiloga, ruando se rechaza Ho: = =
= se concluye que existen diferencias entre los niveles de B, 0
diferencias en el tiempo promedio empleado en las visitas domici-
liarias entre las diferentes enfermeras cuando se agrupan por eda-
des. Cuando se rechaza Ho: =0, se concluye que los factoresA y
B interacruan; es decir, combinaciones diferentes de los niveles de los
dos factores producen diferentes efectos.
10. Valor dep. Puesto que 67.86, 27.24 y 4.60 son mayoresque los
val ores criticos de P995 para los grados de libertad adecuados, el va-
lor de ppara cada una de las pruebas es menor que .005. Cuando se
rechazan las hipotesis de no interaccion, el interes en los niveles de
.los factores A y B en general se subordinan al interes en los efectos
de la interaccion. Es decir, se tiene mayor interes en aprender que
combinaciones de niveles presentan diferencias significativas.
La figura 8.5.4 muestra el resultado del analisis para el ejemplo 8.5.2,
producido por el paquete SAS.
Sistema SAS
Procedimiento de analisis de la variancia
Dependent Variable: TIME
Source DF Sum of Squares Mean Square F Value Pr > F
Model 15 4801.95000000 320.13000000 21.81 0.0001
Error 64 939.60000000 14.68125000
Corrected Total 79 5741.55000000
R-Square C.V. Root MSE TIME Mean
0.836351 11.90866 3.83161193 32.17500000
Source DF Anova SS . Mean Square F Value Pr > F
FACTORB 3 1201.05000000 400.35000000 27.27 0.0001
FACTORA 3 2992.45000000 997.48333333 67.94 0.0001
FACTORB*FACTORA 9 608.450000000 67. 4.60 0.0001
FIGURA8.5.4 Resultados del paquete SAS para el ejemplo 8.5.2.
FJERCICIOS
EJERCICIOS 353
Hasta este punto, solamente se han tratado casos donde la cantidad de obser-
vaciones en cada una de las celdas es la misma. Cuando la cantidad de observacio-
nes por celda no es el mismo para cada celda, el analisis se vuelve mas complicado.
En estos casos, se dice que el disefio esta desbalanceado. Para el amilisis de
estos disefios con el paquete MINITAB se utiliza el procedimiento lineal general
(GLM). Otros paquetes de software como SAS tambien acomodan tamafios des-
iguales.
Para los ejercicios del 8.5.1 al 8.5.4 aplique el analisis de la variancia, pruebe las hip6tesis
adecuadas con un nivel de significaci6n de .05, y determine el valor de p asociado con cada
prueba.
8.5.1 Orth et al. (A-21) estudiaron los efectos de los niveles excesivos de la cistefna y la homocistefna
en la discondroplasia tibial (DT) en polluelos. En un experimento, los investigadores exami-
naron la interacci6n entre la DL-homocistefna y el complemento de cobre en la dieta de los
polluelos. Entre las variables para las que recolectaron datos estaban el peso corporal des-
pues de tres semanas (ITl), la gravedad de la discondroplasia tibial (GDT) y la incidencia de
la discondroplasia tibial (IDT). Se presentaron dos niveles de homocisteina (HOMO): 1
no se agreg6 homocisteina, y 2 =: se agreg6 .48 por ciento de homocisteina. Los niveles de
cobre (Gu) fueron: 1 no se agrego cobre, 2 250 ppm de cobre agregado. Los resultados
fueron los siguientes (los investigadores utilizaron el paquete SAS para analizar los datos).
HOMO CU PTI GDT IDT iHOMO CU PTI GDT IDT
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
503
465
513
453
574
433
526
505
487
483
459
505
648
472
469
506
507
1
1
1
1
1
1
2
I
1
1
1
1
1
1
1
1
1
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
1 426 4 1
1 392 4 1
1 520 3 1
1 367 4 1
1 545 4 1
1 523 4 1
1 304 4 1
1 437 4 1
1 357 4 1
1 420 3 1
1 448 4 1
1 346 4 1
1 382 4 1
1 331 4 1
1 532 2 1
1 536 4 1
1 508 l' 0
(ContinUa)
354 CAPITULO8 ANillsISDELAVARIANCIA
HOMO CU PTI GDT IDT
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
523
554
518
614
552
580
531
544
592
485
578
514
482
653
462
577
462
524
484
571
586
426
546
503
468
570
554
455
507
460
550
1
4
1
1
1
4
4
1
1
1
4
1
3
4
1
1
4
3
1
1
1
1
4
1
2
1
1
1
1
1
1
0
1
0
0
0
1
1
0
0
0
1
0
1
1
0
0
1
1
0
0
0
0
1
0
1
0
0
0
0
0
0
HOMO CU PTI GDT IDT
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
1 492 4 1
1 426 1 0
1 437 4 1
1 496 4 1
1 594 3 1
1 466 4 1
1 463 4 I
2 551 1 0
2 443 4 I
2 517 4 1
2 442 4 1
2 516 2 1
2 433 3 1
2 383 4 1
2 506 1 0
2 336 1 0
2 491 1 0
2 531 4 1
2 572 1 0
2 512 4 1
2 465 2 1
2 497 3 1
2 617 3 1
2 456 2 1
2 487 4 1
2 448 4 1
2 440 4 1
2 484 3 1
2 431 4 1
2 493 2 1
2 553 4
FUENTE: Utilizadaconautorizaci6ndeMichaelOrth.
8.5.2 Ungropodeinvestigadoresenuncentrodetraurnatologfapretendiadesarrollarunprogra-
rnaparaayudaravictirnasdedanacerebralportraurnatisrnoarecuperarunnivelaceptable
deindependencia.Sellev6acabounexperirnentoenelqueintervinieron72individuoscon
elrnisrnogradededanacerebral.Elobjetivofue cornpararlascornbinacionesdiferentesde
tratarnientospsiquiatricosyterapiafisica. AcadaindividuoseIe asignounadelas 24corn-
binacionesdecuatrotiposdetratamientopsiquiatricoyseisprogramasdeterapiafisica.Habla
tres individuosencadacornbinaci6n. Lavariablerespuestaes elnurneroderneses transcu-
EJERCICIOS 355
rridosentreeliniciodelaterapiayel tiempoenelqueelpacientefuecapazdevalersepor
sf mismo. Los resultadossonlos siguientes:
Programade
Tratamiento psiquiatrico
terapia fisica
A B C D
I
11.0
9.6
10.8
9.4
9.6
9.6
12.5
11.5
10.5
13.2
13.2
13.5
II
10.5
ll.5
12.0
10.8
10.5
10.5
10.5
11.8
11.5
15.0
14.6
14.0
III
12.0
11.5
11.8
11.5
11.5
12.3
11.8
11.8
12.3
12.8
13.7
13.1
IV
11.5
11.8
10.5
9.4
9.1
10.8
13.7
13.5
12.5
14.0
15.0
14.0
v
11.0
11.2
10.0
11.2
11.8
10.2
14.4
14.2
13.5
13.0
14.2
13.7
VI
11.2
10.8
ll.8
10.8
11.5
10.2
11.5
10.2
ll.5
ll.8
12.8
12.0
~ s posible conduirconbase enestos datos que los diferentes programasde tratamiento
psiquiatrico tienen diferentes efectos? tEs posible conduir que los programas de terapia
ffsica difierenencuantoaeficacia?cEsposibleconduirqueexisteinteraccionentrelospro-
gramasdetratamientopsiquiatricoylosdeterapiaffsica? Seaa =.05paracadaprueba.
Los ejercicios 8.5.3 y 8.5.4 son opcionales, pues tienen tamafios de celdas desiguales. Se
recomiendaquelosdatosparadichosejerciciosseananalizadosmedianteel programaSAS
ocualquierotropaquetedesoftwarequeaceptetamafiosdeceldasdesiguales.
8.5.3 GorenfloyGorenflo (A-22) investigaronlosefectosdelainformaci6n impresabasadaen
loshechos,ydetrestecnicasparaaumentarlacomunicaci6n,enlasactitudesdeindividuos
sindiscapacidadhaciapersonasmudascondiscapacidadesffsicas. Losindividuosestudia-
doseranestudiantesinscritosenelcursodeintroducci6nalapsicologfaenunaprestigiada
universidaddelsuroestedelos EstadosUnidos. Las variables deintereseranlas califica-
cionesdelaEscaladeactitudeshaciapersonasmudas(AHPM).Lascalificacionesmasall\as
indicaronactitudesmasfavorables. Lasvariablesindependientes(factores)eranlainforma-
cion(INFO)ylastecnicasdeaumentodelacomunicaci6n(TAG). Losnivelesdeinformacion
fueron lossiguientes: 1 =presenciadeunahojaconinformacionrespectoa las personas
mudas,2=ausenciadelahoja.Lascalificaciones(niveles)deTAGfueron: 1 sinTAG, 2=
unapizarra,3 vozproducidapOI' computadoraparaapoyarlacomunicaci6n(VPCAC).
Los individuos vieron un video en el que se describe una conversaci6n entre personas
356 CAPITULO 8 ANALISIS DE LA V ARIANCIA
adultas sin capacidad de habla e individuos con habla normal bajo una de las tres condicio-
nes de TAC. Recolectaron los siguientes datos y los analizaron con el paquete SPSS/PC +.
INFO TAC AHPM INFO TAC AHPM INFO TAC AHPM
...
1 1 82.00 1 3 109.00 2 1 33.00
1 1 92.00 1 3 96.00 2 1 34.00
1 1 100.00 1 3 127.00 2 1 29.00
1 1 110.00 1 3 124.00 2 2 118.00
1 1 99.00 1 3 93.00 2 2 110.00
1 1 96.00 1 3 112.00 2 2 74.00
1 1 92.00 1 3 95.00 2 2 106.00
1 1 95.00 1 3 107.00 2 2 107.00
1 1 126.00 1 3 102.00 2 2 83.00
1 1 93.00 1 3 102.00 2 2 82.00
1 1 103.00 1 3 112.00 2 2 92.00
1 1 101.00 1 3 lOS.00 2 2 89.00
1 1 120.00 1 3 109.00 2 2 108.00
1 1 94.00 1 3 111.00 2 2 106.00
1 1 94.00 1 3 116.00 2 2 9S.00
1 1 93.00 1 3 112.00 2 2 97.00
1 1 101.00 1 3 112.00 2 2 98.00
1 1 6S.00 1 3 84.00 2 2 108.00
1 1 29.00 1 3 107.00 2 2 120.00
1 2 112.00 1 3 123.00 2 2 94.00
1 2 100.00 1 3 97.00 2 2 99.00
1 2 88.00 1 3 108.00 2 2 99.00
1 2 99.00 1 3 10S.00 2 2 104.00
1 2 97.00 1 3 129.00 2 2 110.00
1 2 107.00 I 3 140.00 2 2 33.00
I 2 110.00 1 3 141.00 2 3 99.00
1 2 91.00 1 3 14S.00 2 3 112.00
I 2 123.00 2 1 107.00 2 3 98.00
1 2 97.00 2 1 82.00 2 3 84.00
1 2 11S.00 2 1 78.00 2 3 100.00
1 2 107.00 2 1 98.00 2 3 101.00
1 2 107.00 2 1 88.00 2 3 94.00
1 2 101.00 2 1 9S.00 2 3 101.00
1 2 122.00 2 1 9S.00 2 3 97.00
1 2 114.00 2 1 93.00 2 3 95.00
1 2 101.00 2 1 108.00 2 3 98.00
1 2 12S.00 2 1 102.00 2 3 116.00
1 2 104.00 2 1 83.00 2 3 99.00
EJERCICIOS 357
INFO TAC AHPM INFO TAC AHPM INFO TAC AHPM
1 2 102.00 2 111.00 2 3 97.00
2 113.00 2 97.00 2 3 84.00
2 88.00 2 1 90.00 2 3 91.00
2 116.00 2 1 90.00 2 3 106.00
2 114.00 2 1 85.00 2 3 100.00
2 108.00 2 95.00 2 3 104.00
2 95.00 2 97.00 2 3 79.00
2 84.00 2 78.00 2 3 84.00
2 83.00 2 98.00 2 3 110.00
2 134.00 2 91.00 2 3 141.00
2 96.00 2 1 99.00 2 3 141.00
2 37.00 2 102.00
2 36.00 2 102.00
FUENTE: Utilizadaconautorizaci6ndeCaroleWoodGorenflo,Ph. D.
8.5.4 Lasinfluenciascombinadaseindividualesgeneradasporlacastraci6nyadrenalectomfa(ADX)
sobreelbalancedeenergfaenratasutilizadasenunainvestigacionrealizadaporOuerghiet
al. (A-23) produjolos siguientesdatosrespectoadosvariablesdependientes,energfabruta
(EB)consumiday gananciaenergetica,productodelaadrenalectomfay castraci6n.
Rata# ADX Castraci6n ConsumodeEB Gananciaenergetica
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
No
No
No
No
No
No
No
No
No
No
No
No
Sf
Sf
Sf
Sf
Sf
Sf
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
No
3824
4069
3782
3887
3670
3740
4356
4026
4367
4006
4251
4585
3557
3831
3528
3270
3078
3314
740.3
1113.8
331.42
323.6
259.02
294.74
336.14
342.3
261.47
166.45
385.98
749.09
253
-106
192
-21
-47
39
(ContinUa)
358 CAPITULO8 ANillsISDELAVARIANCIA
Rata# ADX Castraci6n ConsumodeEB Gananciaenergetica
19 Sf No 3525 95
20 Sf No 2953 -116
21 Sf No 3351 -27
22 Sf No 4197 496
23 Sf No 4978 123
24 Sf No 3269 78
25 No Sf 4571 1012
26 No Sf 3994 742
27 No Sf 4138 481
28 No Sf 5175 1179
29 No Sf 5049 1399
30 No Sf 5042 1017
31 No Sf 5058 966
32 No Sf 4267 662
33 No Sf 5205 830
34 No Sf 4541 638
35 No Sf 5453 1732
36 No Sf 4753 936
37 Sf Sf 3924 189
38 Sf Sf 3497 215
39 Sf Sf 3417 304
40 Sf Sf 3785 37
41 Sf Sf 4157 360
42 Sf Sf 4073 73
43 Sf Sf 4510 483
44 Sf Sf 3828 112
45 Sf Sf 3530 154
46 Sf Sf 3996 77
...
FUENTE: Utilizadaconautorizaci6nde DenisRichard, DepartmentofPhysioiogy,Laval University.
8.5.5 Niauraet al. (A-24)examinaronlasreaccionesde56fumadoresanteindicacionesrespectoa
fumaryalainteracci6ninterpersonal.Delosindividuosqueparticiparonenlossociodramas,
algunos10 hicieronencompaiifa deunaliado, yotrosdesempeiiaron su papelsinaliado.
Paracadaunadelassituacionesrepresentadas,losindividuosfueronexpuestosaunodelos
siguientestiposdeseiiales:indicacionesrespectoafumar,indicacionesvisuales0 indicacio-
nesvisualesyolfatorias.Lasmedicionesrespectoa las reaccionesincluiancambiosenlos
valoresdelapresi6nsangufneaenreposo,ritmocardiaco,manifestaci6nverbaldelaurgen-
ciadefumary, despuesdeestarexpuestosalosprocedimientosdeexperimentaci6n,medi-
cionesdelcomportamientoanteindicacionesdelibertadparafumar. sonlosfactores
deesteestudio? quenivelocurrecadaunodelosfactores? sonlosindividuos
estudiados? sonlasvariablesrespuesta? Comenterespectoalacantidaddeindivi-
duos porcasilla eneste experimento. variables extraiias puedencausar efectos que
puedanincluirseenelterminodeerror?
8.5.6 Maxet al. (A-25)distribuyeronalazara 62pacientescondolor, despuesdesersometidosa
cirugfamayor,paraaplicarlesdesipramina0 placeboalas6a.m.enelprimerdiadespuesde
PREGUNTASYEJERGIGIOSDEREPASO 359
lacirugia.Enlaprimerasolicituddemedicamentosparaeldolordespuesdelas 8a.m.,los
investigadores aplicaron morfina intravenosa en dosis de 0.033 mg/kg 0 de 0.10 mg/kg.
Determinaronparacadaindividuoelaliviodeldolor(medidosobreunaescalavisualanalo-
ga), lacalificaci6ndeefectoscolateralesyel tiempoenquefue necesariovolveraadminis-
trar el medicamento. son los factores eneste estudio? tEncuantos niveles ocurre
cadafactor?Comenterespectoalacantidaddeindividuosporcasilla. sonlasvaria-
blesrespuesta?
8.6 RESUMEN
EIobjetivodeestecapituloespresentaralestudiantelasideasytecrucasbasicasdel
analisisdevariancias.Seincluyeunanalisisdetalladodedostiposdedisefioexpe-
rimental,el completamentealeatorizadoyel debloquescompletosyaleatorizados.
Tambiensepresentael conceptodisefiosdemedicionesrepetidasyunexperimen-
tofactorialyc6mo se utilizaconel disefio completamentealeatorizado. Quienes
deseen profundizar sobre cualquier aspecto del analisis de variancia encontrara
unabibliograffamuyutilsobremetodologiaalfinaldelcapitulo.
PREGUNTA." YFJERCICIOS DE REPASO
1. Definael conceptodeanalisisdevariancia.
2. Describael disefiocompletamentealeatorizado.
3. Describaeldisefioporbloquescompletosyaleatorizados.
4. Describaeldisefiodemedidasrepetidas.
5. Describaelexperimentofactorialycomoseutilizaeneldisefiocompletamentealeatorizado.
6. iCualesprop6sitodelapruebaHSDdeTukey?
7. iQueeslaunidaddeexperimentaci6n?
8. iCuaIesobjetivodeldisefioporbloquescompletosyaleatorizados?
9. iQueesla interaccion?
10. iQueesel cuadradomedio?
11. tQuees unatablaANOVA?
12. Paracadaunodelos siguientesdisefios describaunasituaci6nquecorrespondaal campo
particulardeinteresdellectordondeeldisefioseaundisefiodeexperimentacionadecuado.
Utilice datos reales 0 inventadosy aplique el anaIisis delavariancia adecuado paracada
uno:
a)Disefiocompletamentealeatorizado.
b)Disefioporbloquescompletosaleatorizados.
c) Disefiocompletamentealeatorizadoconunexperimentofactorial.
d) Disefiodemedicionesrepetidas.
360 CAPiTULO8 ANALISISDELAVARUNCU
13. Maeset at. (A-26)condujeronunestudioparadeterminarsi ladepresionpuedeestaraso-
ciadaconlosindicesserologicosdelprocesoautoinmunologicooasociadoainfeccionesde
virusactivos.Enelestudioparticiparonindividuosdistribuidosencuatrocategorias: gru-
podecontrolconestadodesaIudsano(1),pacientescondepresionmenor(2),pacientes
condepresiongravesinmelancolfa(3)ypacientescondepresi6ngraveconmelancolla(4).
Entrelasmedicionesqueseobtuvieronparacadaindividuoestinlosnivelescirculantesde
receptordeinterleuquina-2soluble(sIL-2R). Losresultadosporindividuoyporcategoria
delindividuosonlossiguientes.Sepretendesabersiesposibleconduirque,enpromedio,las
concentracionesdesIL-2Rdifierenentrelas cuatrocategorfasdepacientesrepresentadosen
esteestudio.Seaa .01,Y calculeelvalordep. UtiliceelprocedimientodeTukeyparaprobar
ladiferenciasignificativaentreparesindividualesdemediasmuestrales.
sIL2R Categoria del
Individuo (VIm!) individuo
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
92.00
259.00
157.00
220.00
240.00
203.00
190.00
244.00
182.00
192.00
157.00
164.00
196.00
74.00
634.00
305.00
324.00
250.00
306.00
369.00
428.00
324.00
655.00
395.00
270.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
1.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
2.00
sIL2R Categoria del
Individuo (VIm!) individuo
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
230.00 2.00
253.00 3.00
271.00 3.00
254.00 3.00
316.00 3.00
303.00 3.00
225.00 3.00
363.00 3.00
288.00 3.00
349.00 3.00
237.00 3.00
361.00 3.00
273.00 3.00
262.00 3.00
242.00 4.00
283.00 4.00
354.00 4.00
517.00 4.00
292.00 4.00
439.00 4.00
444.00 4.00
348.00 4.00
230.00 4.00
255.00 4.00
270.00 4.00
FUENTE: Utilizadaconautorizaci6ndelDr. M. Maes.
---------
PREGUNTASYEJERCICIOSDEREPASO 361
14. GraveleyyLittlefield(A-27) condujeronunestudioparadeterminarlas reIaciones entreel
costoyla eficacia de tres modeIos depersonalc1inico paraatenci6nprenatal: medicos de
base(1), personalmixto(medicosyenfermerasgenerales)(2),yespecialistasenenfermeria
clinicaconmedicosdisponiblesparaatenderconsultas(3). Losindividuoseranmujeresque
reunfanlossiguientescriterios:a) mujeresconmayoriadeedadyalgunasmenoresemanci-
padas;b)mujeresqueobtuvieronatenci6nprenatalenunadelascllnicasconunminimode
tresvisitasprenatales;c) mujeresdadasdealta48horasdespuesdelaentrevista.Lasatisfac-
ci6ndelasmadresquerecibieronatenci6nmedicafueevaluadapormediodeuninstrumen-
to para medir la satisfacci6n del paciente que distingue cinco categorias de satisfacci6n:
accesibilidad, costeabilidad, disponibilidad, aceptabilidadyalojamiento. <!.Es posible Con-
cluirconbaseenestosdatosque,enpromedio,lasatisfacci6ndelaspacientesdifiereentre
lastresclinicas?Seaa =.05,Y ca1culeeIvalordep. ApliqueelprocedimientodeTukeypara
probarlas diferenciasentrelos paresindividualesdelas mediasmuestrales. Lossiguientes
datoscorrespondenalascalificacionestotalesdesatisfacci6nporcHnica.
CHnica 1 CHnica2 Clfnica 3
119 133 132 115 131 132
126 135 121 92 109 135
125 125 79 126 127 125
111 135 127 107 124 130
127 130 133 108 135 135
123 122 127 125 131 135
119 135 121 130 131 135
119 116 127 121 126 133
125 126 130 124 132 131
106 129 III 112 128 131
124 133 117 131 129 126
131 126 101 118 128 132
131 102 III 109 114 133
117 131 121 116 120 135
105 128 109 112 120 132
129 128 131 110 135 131
130 130 129 117 127 132
131 116 126 118 124 126
119 121 124 120 129 135
98 121 126 113 125 135
120 131 97 114 135 135
125 135 104 107 122 134
128 127 121 119 117 127
126 125 114 124 126 131
130 133 95 98 130 131
127 128 128 114 131 131
FUE!>.'TE: Utilizadaconautorizaci6ndeElaineGraveley,
D. B. A., R. N.
362 CAPiTULO8 DELAVARIANCIA
15. Enunexperimentoconochoanimalessemidi6lafrecuenciarespiratoria(respiracionespor
minuto) bajo tres niveles de exposici6n al mon6xido de carbono. Los resultados son los
siguientes:
Niveldeexposici6n
Animal Bajo Moderado Alto
1 36 43 45
2 33 38 39
3 35 41 33
4 39 34 39
5 41 28 33
6 41 44 26
7 44 30 39
8 45 31 29
Conbaseenestosdatos, posibleconcluirquelostresnivelesdeexposici6n,enprome-
dio,tienendiferentesefectosenlafrecuenciarespiratoria?Seaa == .05.Determineel.valor
dep.
16. Se disefi6unexperimentoparaestudiarlosefectosde tres medicamentosdiferentesy tres
tipos desituaciones estresantesqueprodudanansiedadenindividuosadolescentes. Lasi-
guientetablamuestralasdiferenciasentrelascalificacionesantesydespuesdeltratamiento
de 18individuosqueparticiparonenelexperimento.
Situaci6n Medicamento (factorB)
estresante
(factorA) A B C
I 4 1 1
5 3 0
II 6 6 6
6 6 3
5 7 4
III 4 4 5
Apliqueel analisisdelavarianciaparaestosdatosypruebelastresposibleship6tesis.Sea
a' = (I."== am .05. Determineelvalordep.
17. Lasiguiente tabla muestralascalificaciones demadurezemocionalde 27 varonesj6venes
mayoresdeedad,clasificadosporedadygradodeusodemarihuana.
363 PREGUNTASYEJERCICIOSDEREPASO
Consumodemarihuana(factorB)
Edad
(factorA) Nunca Ocasionalmente Diario
15-19
25
28
22
18
23
19
17
24
19
20-24
28
32
30
16
24
20
18
22
20
25-29
25
35
30
14
16
15
10
8
12
Aplique el analisis de lavariancia paraestos datos. Sea rl=a"=aNI =.05. DeteITIline el
valordep.
18. Daset al. (A-28)investigaronlosefectosproducidosporfumarcigarrosenlafunci6nrespira-
toriaenvadas mujeresduranteelembarazo. Entre los datos querecolectaronestaban las
siguientesmedicionessobrelacapacidadvitalforzada(CVF),quesemuestranporgradode
tabaquismodelas mujeres. ~ s posibleconduirconbaseenestosdatosque, enpromedio,
las mediciones de CVF difieren de acuerdo con el grado de tabaquismo? Sea a .01 Y
calculeelvalordep. ApliqueelprocedimientodeTukeyparaprobarlasdiferenciassignifica-
tivas entrelosparesindividualesdelasmediasmuestrales.
Fuman
Nofuman Fumanmuypoco mucho
3.45 4.05 3.15 4.03 3.95 4.29 3.04 3.02
4.00 4.66 3.86 3.69 3.78 4.38 4.34 3.12
4.00 3.45 3.85 3.83 3.63 3.50 4.05
2.74 3.49 4.94 3.99 3.74 2.68 4.33
3.95 4.75 3.10 3.12 4.84 3.10 3.39
4.03 3.55 3.65 3.43 3.20 3.60 4.24
3.80 4.14 4.44 3.58 3.65 4.93 4.37
3.99 3.82 3.24 2.93 4.78 4.21 3.64
4.13 4.20 3.68 4.77 4.36 4.87 4.62
4.54 3.86 3.94 4.03 4.37 4.02 4.64
4.60 4.34 4.10 4.48 3.20 3.31 2.74
3.73 4.45 4.22 4.26 3.29 4.25 4.34
3.94 4.05 3.63 3.45 3.40 4.37 4.10
3.90 3.60 3.42 3.99 4.40 2.97 3.75
(ContinUa)
----- -------------- ----
364 CAPITULO8 ANALISISDELAV ARIANCIA
Fuman
Nofuman Fumanmuypoco mucho
3.20 4.21 4.31 3.78 3.36 3.89 4.06
3.74 3.72 4.24 2.90 2.72 3.80 3.67
3.87 4.73 2.92 3.94 4.21 2.87 3.07
3.44 3.45 4.05 3.84 3.53 3.89 4.59
4.44 4.78 3.94 3.33 3.48 4.07 3.60
3.70 4.54 4.10 4.18 3.62
3.10 3.86 2.70 3.51
4.81 4.04 3.74 3.73
3.41 4.46 3.65 3.40
3.38 3.90 3.72 3.63
3.39 3.66 4.69 3.68
3.50 4.08 2.84 4.07
3.62 3.84 3.34 3.95
4.27 2.82 3.47 4.25
3.55 4.14
FUENTE: Utilizadacanautorizaci6ndejean-MarieMoutquin,M. D.
19. Duranteunexperimentose probaron los efectos decuatromedicamentos diferentesenel
tiempo de coagulaci6n sanguinea (en minutos). Se extrajeron muestras de sangre de 10
individuos,ycadaunafue divididaencuatropartesigualesque,alazar,seasignaronacada
unodeloscuatromedicamentos.Losresultadossonlossiguientes:
Medicamento
Individuo W X Y Z
A 1.5 1.8 1.7 1.9
B 1.4 1.4 1.3 1.5
C 1.8 1.6 1.5 1.9
D 1.3 1.2 1.2 1.4
E 2.0 2.1 2.2 2.3
F 1.1 1.0 1.0 1.2
G 1.5 1.6 1.5 1.7
H 1.5 1.5 1.5 1.7
I
1.2 1.0 1.3 1.5
J
1.5 1.6 1.6 1.9
Conbaseenestosdatos, ~ s posibleconcluirquelos medicamentostienenefectos diferen-
tes?Seaa = .05.
20. EnunestudiodelsfndromedeMarfan, Pyeritzet at. (A-29)informaronlassiguientescalifi-
cacionesdelagravedaddelospacientessin,conmoderaday conmarcadaectasiadural.Con
los siguientes datos, ~ s posible concluir que la gravedad promedio difiere entre las tres
poblaciones representadas enel estudio? Sea a .05,y calcule elvalor dep. Aplique el
365
PREGUNTAS Y EJERCICIOS DE REPASO
procedimiento de Turkey para probar la diferencia significativa entre los pares individuales
de las medias muestrales.
Sin ectasia dural: 18, 18,20,21,23,23,24,26,26,27,28,29,29,29,30,30,30, 30, 32,
34,34,38
Con ectasia dural moderada: 10, 16,22,22,23,26,28,28,28,29, 29,30,31,32,32,33,
33,38,39,40,47
Con ectasia dural marcada: 17,24,26,27,29,30, 30, 3 ~ 34, 35, 35, 36, 39
FUFNrE: Utilizado con el permiso de Reed E. Pyeritz, M. D., Ph. D.
21. La siguiente tabla muestra las concentraciones de epinefuna plasmatica arterial (nanogramos
por minuto) que fueron halladas en 10 animales de laboratorio durante tres tipos de anestesias:
Animal
Anestesia 1 2 3 4 5 6 7 8 9 10
A .28 .50 .68 .27 .31 .99 .26 .35 .38 .34
B .20 .38 .50 .29 .38 .62 .42 .87 .37 ,43
C 1.23 1.34 .55 1.06 .48 .68 1.12 1.52 .27 .35
Con base en estos datos, ~ e s posible conduir que los tres tipos de anestesia, en promedio,
tienen diferentes efectos? Sea 0: .05.
22. Se midieron los niveles nutritivos de cierta &Uta comestible en un total de 72 muestras,
representativas de seis muestras de cada una de las cuatro variedades cultivadas en cada una
de tres regiones geognificas. Los resultados son los siguientes:
366 CAPfTUL08 AN.ALISISDELAVARIANCIA
Variedad
Region
geografica W X Y Z
6.8 7.8 8.7 1l.8
5.2 6.5 10.5 13.5
5.0 7.0 10.0 14.0
C 5.2 9.3 8.1 to.8
5.5 6.6 10.6 12.3
7.3 to.8 to.5 14.0
Realice pruebas de la diferencia entre las variedades, la diferencia entre las regiones e
interacciones.Seaa. =.05paratodaslaspruebas.
23. Se eligieron los siguientes registros de bebes recien nacidos departo tinico para forrnar
muestras aleatorias a partir de cuatropoblaciones. Los siguientes datos corresponden al
peso(engramos)delosbebesalmomentodenacer:
Muestra
A B C D
2946 3186 2300 2286
2913 2857 2903 2938
2280 3099 2572 2952
3685 2761 2584 2348
2310 3290 2675 2691
2582 2937 2571 2858
3002 3347 2414
2408 2008
2850
2762
~ f r e c e n estosdatos suficienteevidenciaparaindicar, enunnivel designificaci6nde.05,
que las cuatro poblaciones difierenconrespecto al pesopromedioal momentode nacer?
Pruebeparaunadiferenciasignificativaentretodoslosparesposiblesdemedias.
24. Lasiguientetablamuestralosnivelesdeagresi6nde30animalesdelaboratoriocriadosbajo
trescondicionesdiferentes. Unanimaldecadaunadelas 10 camadasfue asignadoaleato-
riamenteacadaunadelastrescondicionesdecdanza.
367 PREGUNTASYEJERCICIOSDEREPASO
CondiciOn de crianza
Extremadamente Moderadamente Sin
Camada crecido crecido crecimiento
1 30 20 10
2 30 10 20
3 30 20 10
4 25 15 10
5 35 25 20
6 30 20 10
7 20 20 10
8 30 30 10
9 25 25 10
10 30 20 20
~ f r e c e n estosdatossuficienteevidenciaparaindicarqueelniveldecrecimientotieneefec-
tos diferentesenelniveldeagresion?Seaa .05.
25. Lasiguientetablamuestralasmedicionesdelacapacidadvitalde60varonesadultosclasifi-
cadosporocupacionygrupodeedad.
Ocupacion
Grupode
edad A B C D
4.31 4.68 4.17 5.75
4.89 6.18 3.77 5.70
4.05 4.48 5.20 5.53
4.44 4.23 5.28 5.97
4.59 5.92 4.44 5.52
4.13 3.41 3.89 4.58
4.61 3.64 3.64 5.21
2 3.91 3.32 4.18 5.50
4.52 3.51 4.48 5.18
4.43 3.75 4.27 4.15
3.79 4.63 5.81 6.89
4.17 4.59 5.20 6.18
3 4.47 4.90 5.34 6.21
4.35 5.31 5.94 7.56
3.59 4.81 5.56 6.73
368 CAPITULO8 ANALISIS DELAV ARIANCIA
Proebelas diferencias entreocupaciones, grupos deedade interaccion.Sea(X = .05 para
todaslaspruebas.
26. CompletelasiguientetablaANOVAyestablezcaquedisenoserealizo.
Fuente SC g.l. CM R.V. p
Tratamientos 154.9199 4
Error
Total 200.4773 39
27. CompletelasiguientetablaANOVAy establezcaquedisenoserealizo.
Fuente SC g.l. CM R.V. p
Tratamientos 3
Bloques 183.5 3
Error 26.0
Total 709.0 15
28. ConsiderelasiguientetablaANOVA.
Fuente SC g.l. CM R.V.
P
A 12.3152 2 6.15759 29.4021 <.005
B 19.7844 3 6.59481 31.4898 <.005
AB 8.94165 6 1.49027 7.11596 <.005
Tratamientos 41.0413 11
Error 10.0525 48 0.209427
Total 51.0938 59
-- .. -- - ----- -.
a) (Quetiposeanalisis se utilizo?
b) (Quepuedeconduirsea partirdelanalisis?Sea(X = .05.
369 PREGUNTASYEJERCICIOSDEREPASO
29. ConsiderelasiguientetablaANOVA
Fuente SC g.l. CM R.v.
Tratamientos 5.05835 2 2.52917 1.0438
Error 65.42090 27 2.4230
a) disefioseutiliz6?
b) tratamientossecompararon?
c) observacionesseanalizaron?
d) Conunniveldesignificaci6nde.05, 2esposibleconcluirqueexisteunadiferenciaentre
lostratamientos? que?
30. ConsiderelasiguientetablaANOVA
Fuente SC g.l. CM R.V.
Tratamientos 231.5054 2 115.7527 2.824
Bloques 98.5000 7 14.0714
Error 573.7500 14 40.9821
a) 2Quedisefioseutiliz6?
b) tratamientossecompararon?
c) 2Cuantasobservacionesseanalizaron?
d) Conunnivel de significaci6nde .05, posible concluir que los tratamientos tienen
efectosdistintos? que?
31. Duranteunainvestigaci6nserecolectarondatosconrespectoalarelaci6nentreeltabaquis-
moylasconcentracionessericasdecolesterollipoproteicodealtadensidad(C-LAD)regitradas
enmuestrasdevaronesadultosquenofuman,quefumanpoco,quesonfumadoresmodera-
dosyque son fumadores compulsivos. Se pretendesaber si estos datos ofrecen suficiente
evidenciaqueindiquequelascuatropoblacionesdifierenconrespectoalasconcentraciones
mediasdeC-LAD. Sea .05laprobabilidaddecometerelerrortipoI. Si seencuentrauna
diferenciasignificativaenel con juntodetodaslasmedias, determinequeparesdemedias
muestralesindividualestienendiferenciassignificativas.
370 CAPITULO8 AN.ALISIS DE LAVARIANCIA
Estadodehabitodefumar
Nofuman Ligeramente Moderadamente Mucho
12 9 5 3
10 8 4 2
11 5 7 1
13 9 9 5
9 9 5 4
9 10 7 6
12 8 6 2
32. El prop6sitodeunestudiorealizado porNehlsen-Cannarellaet at. (A-30) eraexaminarla
relaci6nentreelentrenamientodeejerciciomoderadoyloscambiosenlosnivelescirculan-
tes devariables delsistemainmunol6gico. Los individuosestudiadoseranmujeres queno
fuman, premenopausicas,quefueronrepartidasendosgrupos(l = grupodeportista, 2 =
gruposedentario).Losdatosrecolectadoscorrespondenatresvariablesdependientes:nive-
lessericosdeinmunoglobinaIgG,IgAe IgM.Seanalizaronlasmedicionestomadasentres
ocasionesdiferentes:alinicio(B), alfinalde6semanas(M)yalfinalde 15semanas(F). Los
investigadoresobtuvieronlos siguientesdatosylosprocesaronconel paqueteSPSS/PC+.
Grupo BIgG MIgG FIgG Grupo BIgG . MIgG FIgG
797.00 956.00 855.00 2 1040.00 1040.00 931.00
1030.00 1050.00 1020.00 2 1160.00 1280.00 1300.00
98l.00 1340.00 1300.00 2 1460.00 1440.00 1570.00
775.00 1100.00 1060.00 2 1010.00 974.00 1080.00
823.00 1220.00 1140.00 2 549.00 1030.00 1030.00
1080.00 1120.00 1100.00 2 1610.00 1510.00 1560.00
613.00 958.00 960.00 2 1060.00 966.00 1020.00
1020.00 1320.00 1200.00 2 1400.00 1320.00 1260.00
956.00 1020.00 1020.00 2 1330.00 1320.00 1240.00
1140.00 1580.00 1520.00 2 874.00 1000.00 970.00
872.00 935.00 1000.00 2 828.00 1140.00 1240.00
1270.00 1290.00 1520.00 2 1210.00 1160.00 1080.00
798.00 1050.00 1130.00 2 1220.00 1150.00 1160.00
1 643.00 801.00 847.00 2 981.00 979.00 943.00
1 7-72.00 1110.00 1150.00 2 1140.00 1220.00 1550.00
1
1480.00
1250.00
1590.00
1720.00
1470.00
1690.00
Grupo BIgA MIgA FlgA
1 968.00 1150.00 1090.00 97.70 126.00 110.00
2 1470.00 1470.00 560.00 1 173.00 182.00 179.00
2 962.00 1260.00 1020.00 1 122.00 151.00 160.00
2 881.00 797.00 828.00 74.30 123.00 113.00
(ContinUa)
371 PREGUNTAS Y EJERCICIOS DE REPASO
Grupo BIgG MIgG FIgG Grupo BIgG MIgG FIgG
118.00 162.00 164.00 145.00 139.00 146.00
264.00 306.00 292,00 155.00 169.00 166.00
113.00 173.00 188.00 1 78.10 124.00 119.00
239.00 310.00 295.00 143.00 186.00 183.00
231.00 258.00 245.00 1 273.00 273.00 270.00
219.00 320.00 320.00 1 154.00 234.00 245.00
137.00 177.00 183.00 1 113.00 139.00 130.00
94.30 99.10 134.00 124.00 127.00 128.00
94.70 143.00 142.00 102.00 142.00 133.00
102.00 135.00 146.00 1 134.00 139.00 146.00
127.00 192.00 195.00 1 146.00 141.00 173.00
434.00 472.00 480.00 119.00 124.00 141.00
187.00 236.00 255.00 141.00 181.00 195.00
1 80.80 98.50 89.70 115.00 194.00 200.00
2 262.00 290.00 249.00 1 187.00 224.00 196.00
2 142.00 201.00 160.00 1 234.00 306.00 295.00
2 113.00 107.00 112.00 1 83.80 94.60 98.20
2 176.00 194.00 181.00 2 279.00 286.00 263.00
2 154.00 147.00 144.00 2 . 154.00 201.00 147.00
2 286.00 300.00 308.00 2 167.00 180.00 165.00
2 138.00 148.00 160.00 2 157.00 175.00 152.00
2 73.40 164.00 166.00 2 223.00 252.00 250.00
2 123.00 127.00 122.00 2 189.00 199.00 166.00
2 218.00 198.00 198.00 2 103.00 117.00 110.00
2 220.00 245.00 220.00 2 104.00 173.00 150.00
2 210.00 219.00 190.00 2 185.00 190.00 157.00
2 207.00 237.00 239.00 2 101.00 81.10 91.50
2 124.00 189.00 204_00 2 156.00 153.00 140.00
2 194.00 184.00 178.00 2 217.00 187.00 152.00
2 344.00 356.00 335.00 2 190.00 202.00 223.00
2 117.00 125.00 135.00 2 110.00 176.00 188.00
2 239.00 307.00 296.00 2 123.00 123.00 113.00
Grupo BIgM MlgM FIgM
2
2
179.00
115.00
189.00
114.00
170.00
113.00
1 128.00 150.00 139.00 2 297.00 297.00 308.00
FUENTE: Utilizada con autorizaci6n de David C. Nieman.
a) Aplique el amilisis de mediciones repetidas para cada gropo de combinaciones de inmu-
noglobulina y gropo de ejercicio.
b) Amllice los datos como un experimento factorial para cada inmunoglobulina en el que
los factores sean los grupos de ejercicio (2 niveles) y lapso de tiempo (3 niveles). Sea a = .05,
para todas las pruebas.
372 CAPiTULO8 ANALISIS DELAVARIANCIA
33. Elprop6sitodeunestudiorealizadoporRoodenburget al. (A-31)eraclasificarycuantificar
ladescripci6ndevariospatronesdemovimientofetaldurantelasegundamitaddelembara-
zoo Los siguientesdatoscorrespondenalmlmero deincidentesdemovimientosgenerales
fetales experimentados porhoraennueve mujeres embarazadas, enintervalos de cuatro
semanas. Conbaseenestosdatos, ~ s posibleconcIuirqueelnumeropromediodemovi-
mientosgeneralesporhoradifierenentrelosintervalosdetiempo?SeaIX = .05.
Semanasdegestacion
Paciente
num. 20 24 28 32 36
1 66 57 52 37 40
2 47 65 44 34 24
3 57 63 57 34 10
4 39 49 58 27 26
5 54 46 54 22 35
6 53 62 45 37 40
7 96 46 64 43 41
8 60 47 50 62 26
9 63 47 44 42 39
FUENTE: Utilizadaconautorizaci6ndeJ.W. Wladimiroff, M. D., Ph.D.
Paralosejercicios34al38, haga10siguiente:
a) Indique que tecnica estudiada en este capitulo es adecuada (disefio completamente
aleatorizado,disefiodebloquescompletosyaleatorizados,disefiodemedicionesrepetidas0
elexperimentofactorial).
b) Identifiquelavariablerespuestaylasvariables tratamiento.
c) Identifiquelosfactoresyelnumerodenivelesparacadauno,lasvariablesdebloqueoy
losindividuos.
d) HagaunalistadevariablesextrafiascuyosefectospodrfanincIuirseenterminosde\error.
e) Dondeseaoportuno,comentesobrelosefectosdeacarreadoydeposicion.
t) ElaboreunatablaANOVAenlaqueseindiquenlasfuentesdevariabilidadyelnumero
degradosdelibertadparacadauna.
34. EnunestudiorealizadoporVasterlinget al. (A-32),seagrup6porcategoriasa60pacientes
querecibianquimioterapiacontraeldinceryquepresentabanaltosybajosnivelesdeansie-
dad.Aleatoriamente,lospacientesfueronasignadosaunadelassiguientestrescondiciones:
distracci6ncognitiva,capacitaci6npararelajamiento,ynointervenci6n.Cadapacientereci-
bi6cincosesionesconsecutivasdequimioterapia.Serecolectarondatosrespectoavariables
comomiuseasypresionsanguineasistolicaydiast6lica.
35. Duranteunestudiodobleciegocontroladomedianteplaceboparticiparon30pacientescon
ataques isquemicos agudos. Huberet at. (A-33) investigaron los efectos del bloqueador de
captaci6ndeadenosinapropentofilinaenelmetabolismodelaglucosadeunaregi6ncerebral.
36. Elprop6sitodeunestudioefectuadoporSmithet al. (A-34)fue determinarsielestiramiento
estaticoybalfsticopodrianinducirgradossignificativosdedolormusculardeinicioretardado
(DMIR)yaumentoenlaproducci6ndecreatinacinasa.Para esteestudio,seasignaronalazar
veintevaronesaunou 000delosdosgruposdeestiramiento: (ESTATICO0 BALISTICO).
Todoslosindividuosrealizarontresrutinasde17ejerciciosdeestiramientodurante90minu-
tos: losindividuosdelgrupoESTATICO permanedaninm6vilesdurantecadaestiramiento
de60segundosquerealizaban,mientrasquelosdelgrupoBALISTICOrealizabanmovimien-
tosviolentosalcontraerlosmusculos.Losinvestigadoresevaluaronlascalificacionessubjetivas
373 PREGUNTASYEJERCICIOSDEREPASO
deDMIRylosnivelessericosdecreatinacinasaantesdeinciarelexperimentoycada24horas
despuesderealizarlosejerciciosdeestiramientoporespaciodecincodfas.
37. UnestudiodeCimprich(A-35)prob610sefectosdeunaintervenci6nexperimentaldirigida
amantener0restablecerla capacidadparaprestaratenci6nen32mujeresdurantelos tres
meses despues de la cirugia decancer de pecholocalizado. La capacidad de atencion se
evalu6pormediodemedicionesobjetivasysubjetivasrealizadasencuatroocasionesdiferen-
tesdespuesdequesepractic61adrugiadecancerdepecho.Despuesdelaprimeraobserva-
cion,lasmujeresfueronrepartidasaleatoriamenteendosgruposde16individuoscadauno;
unodelosgruposrecibi6intervenci6n.yelottono.
38. Paradis et al. (A-36) compararonla actividad farmacocinetica y bactericida de cinco agentes
bactericidas.Paratal efecto,losinvestigadoresaplicaronloscincoagentesen15voluntariossanos.
Paralosestudiosdescritosenlosejerciciosde139al67,haga10siguiente:
a) Desarrolleunanalisisestadfsticodelosdatos(queincluyapruebadehip6tesisye1abora-
ci6ndeintervalosdeconfianza)quepuedanaportarinformaci6nalosinvestigadores.
b) Determinelosvaloresdep paracadaunadelasestadlsticasdeprueba.
c) Establezcatodaslassupodonesnecesariasparaqueel anaIisistengavalidez.
d) ConbaseenelanaIisis, <'.para quepoblacionespuedenseraplicableslasinferencias?
39. Shirakami et al. (A-37) investigaronel significadoclfnico delaendotelina (ET). peptidos
natriureticosyelsistemarenina-angiotensina-aldosteronaenlostrasplantesdeh1gadoprac-
ticadosennifios. Losindividuoserannifiosconedadesentre6mesesy12aDos, aloscuales
se1espracticotrasplantedehfgado,deundonadorfamiliarvivo,poratresiabiHarcongenita
ycirrosishepaticagrave.Entrelosdatosrecolectadosestabanlossiguientesnivelestotalesde
bilirrubinaserica(mg/dl)duranteydespuesdeltransplante.
Tiempo delareperfusi6ndelbigadodonador
Transecci6nde Fase
Preoperatorio higado anhepatica Ih
24
4h 8h Id 2d 3d
6.2 1.2 0.9 0.8 1.1 1.5 2 1.4 1.6 1.3
17.6 11.9 9.3 3.5 3 6.1 9 6.3 6.4 6.2
13.2 10.2 7.9 5.3 4.9 3.3 3.6 2.8 1.9 1.9
3.9 3.3 3 2.9 2.3 1.4 1.2 0.8 0.8 0.9
20.8 19.4
*
9.4 8.4 6.8 7.1 3.7 3.8 3.2
1.8 1.8 1.6 1.4 1.4 1.1 1.9 0.7 0.8 0.7
8.6 6.5 4.8 3.1 2.1 1 1.3 1.5 1.6 3.2
13.4 12 10.1 5.8 5.6 4.5 4.1 3 3.1 3.6
16.8 13.9 8.3 3.7 3.7 2.2 2.1 1.9 3.1 4.1
20.4 17.8 17 10.8 9.3 8.9 7 2.8 3.8 4.8
25 21.5 13.8 7.6 7 5 11.5 12.3 10.1 11.4
9.2 6.3 6.8 5.3 4.8 0.2 4 4.2 3.7 3.5
8 6.5 6.4 4.1 3.8 3.8 3.5 3.1 2.9 2.8
2.9 3 4.1 3.4 3.4 3.7 4.2 3.3 2 1.9
21.3 17.3 13.6 9.2 7.9 7.9 9.8 8.6 4.7 5.5
25 25 24 20.1 19.3 18.6 23.6 25 14.4 20.6
23.3 23.7 15.7 13.2 11 9.6 9.3 7.2 6.3 6.3
17.5 16.2 14.4 12.6 12.7 11.5 10 7.8 5.5 4.9
* Datofaltante.
FUENTE: Utilizadaconautorizaci6ndelDr. GotaroShirakami.
374 CAPITULO8 Al"lAUSIS DELAVARIANCIA
Observe que falta unaobservaci6n enel con juntode datos. Para resolver este problema
existenalmenostressoluciones:
1. Omitirel individuocuyodatofaltayanalizarlosdatosconlos 17 individuos res-
tantes.
2. Utilizar un paquete de computadora que automaticamente calcule los datos
faltantes.
3. Analizarlosdatosconunprocedimientoparadatosperdidos.Unprocedimiento
para este prop6sito puede encontrarse enJerome L. Myers yArnold D. Well,
Research Design and Statistical Analysis, ErlbaumAssociates,Hillsdale,NJ,pp. 256-
258.
40. ElpropositodeunestudiorealizadoporSakakibarayHayano(A-38)eraexaminarlosefec-
tos de la respiraci6n lenta voluntaria sobre la respuesta parasimpatica cardiaca ante una
situaci6ndeamenaza (anticipaci6ndeunadescarga electrica). Los individuos eran30 es-
tudiantesuniversitarios conedadpromediode23 aliosydesviaci6n estandarde 1.5 alios.
Unmimeroigualdeindividuosfueasignado,alazar, engmposparaefectuarrespiraciones
lentas (6 varonesy4 mujeres), respiracionesrapidas(7 varonesy 3mujeres),yrespiraci6n
libre (5 varones y 5 mujeres). Losindividuos enlos gmpos pararespirar lento y rapido
regularonsu ritmorespiratorioen8y 30rpm,respectivamente.Los miembrosdelgrupo
derespiraci6nlibre respirabanespontaneamente.Los siguientes datoscorrespondena las
calificacioneslogradasporlos individuosseg(mlaevaluaci6ndelestadodeansiedaddel In-
ventariodeestados0 rasgosdeansiedad,tomadasantesydespuesdelasituaci6ndeamenaza:
Ritmolento Ritmonipido Respiraci6nlibre
Inicial Amenazado Inicial Amenazado Inicial Amenazado
39 59 37 49 36 51
44 47 40 42 34 71
48 51 39 48 50 37
50 61 47 57 49 53
34 48 45 49 38 52
54 69 43 44 39 56
34 43 32 45 66 67
38 52 27 54 39 49
44 48 44 44 45 65
39 65 41 61 42 57
FUENTE: Utilizadacanautorizaci6ndelDr. MasahitoSakakibara.
41. Takahashi et al. (A-39) utilizaron gatos para investigar la correlaci6n de intensidadde la
senalderesonanciamagneticaconelpotencialdescritodelamedulaespinalysu morfolo-
gia.despuesdecuatrohorasdecompresi6ndelamedulaespinal.Repartierona24gatosen
cuatrogmpos,formadosconbaseenlamedici6ndelafunciondelamedulaespinal,masun
gmpodecontrol que no sufri6 compresi6n. Entre los datos recolectados se tienenlos si-
guientesporcentajesdecompresi6n[(diametrosagital/diametrotransversal)x 100]obteni-
dasdespuesdecuatrohorasdecompresion.
375 PREGUNTASYEJERCICIOSDEREPASO
Control 80.542986 GroupoIII 36.923077
79.111111 31.304348
70.535714 53.333333
87.323944 55.276382
80.000000 40.725806
82.222222
GrupoIV 66.666667
GrupoI 83.928571 29.565217
84.183673 12.096774
48.181818 34.274194
98.461538 24.000000
GrupoII 30.263158
34.865900
43.775100
82.439024
FUENTE:: Utilizada con autorizacion del Dr. Toshiaki Taka-
hashi.
42. EIobjetivodeunestudioefectuadoporYamashitaet at. (A-40)erainvestigarsilapentoxifilina
administradaenlasoluci6nde irrigaci6n0 durantela reperfusionpuedereducirel dana
isquemicopulmonarenlos aloinjertos pulmonaresconservadosdeperros. Paratalefecto,
losinvestigadoresestudiarontresgruposdeanimales.EIprimergruponorecibiopentoxifilina
(C), el segundogruporecibi6pentoxifilinasolo duranteelperiododereperfusion(P), y el
tercergruporecibi6solopentoxifilinaenlasoluciondeirrigacion(F). Entotalrealizaron14
alotrasplantes de pulmon izquierdo. Los siguientes datos corresponden a las lecturas de
presiondelaaortaparacadaanimalduranteunperiododevaloraci6ndeseishoras:
0 60 120 180 240 300 360
Grupo min min min min min min min
C 85.0 100.0 120.0 80.0 72.0 75.0
*
C 85.0 82.0 80.0 80.0 85.0 80.0 80.0
C 100.0 75.0 85.0 98.0 85.0 80.0 82.0
C 57.0 57.0 57.0 30.0
* * *
C 57.0 75.0 52.0 56.0 65.0 95.0 75.0
P 112.0 67.0 73.0 90.0 71.0 70.0 66.0
P 92.0 70.0 90.0 80.0 75.0 80.0
*
P 105.0 62.0 73.0 75.0 70.0 55.0 50.0
P 80.0 73.0 50.0 35.0
* *
'"
F 70.0 95.0 105.0 115.0 110.0 105.0 100.0
F 60.0 63.0 140.0 135.0 125.0 130.0 120.0
F 67.0 65.0 75.0 75.0 80.0 80.0 80.0
F 115.0 107.0 90.0 103.0 110.0 112.0 95.0
F 90.0 99.0 102.0 110.0 117.0 118.0 103.0
'" Datofaltante.
FUENTE: Utilizadacon autorizaciondelDr. MotohiroYamashita.
376 CAPiTULO8 ANALISISDELAVARIANCIA
43. Zhouet al. (A-41) investigaron la biodisponibilidad relativa de beta-caroteno (BC) y alfa-
caroteno(AC)producidosendiferentesfuentesdezanahorias.Losinvestigadoresutilizaron
hurones como animales de experimentacion. Entre los datos recolectados estaban las si-
guientesconcentracionesdeBC,ACY larazonmolardeAC/BCenelsuerode 24huronesa
loscualesselessuministraroncarotenoidesdediferentesfuentesenelaguadeuso,durante
tresdras.
BC AC AClBC
(/J-moVg) (lJ.moVg) (moVmol)
Jugosincalentar
0.637 0.506 0.795
0.354 0.297 0.840
0.287 0.249 0.869
0.533 0.433 0.813
0.228 0.190 0.833
0.632 0.484 0.767
Jugocaliente
0.303 0.266 0.878
0.194 0.180 0.927
0.293 0.253 0.864
0.276 0.238 0.859
0.226 0.207 0.915
0.395 0.333 0.843
Cromoplastossincalentar
0.994 0.775 0.780
0.890 0.729 0.819
0.809 0.661 0.817
0.321 0.283 0.882
0.712 0.544 0.763
0.949 0.668 0.704
Cromoplastoscalientes
0.933 0.789 0.845
0.280 0.289 1.031
0.336 0.307 0.916
0.678 0.568 0.837
0.714 0.676 0.947
0.757 0.653 0.862
FUENTE: Utilizadaconautorizaci6ndelDr.Jin-R.Zhou.
377 PREGUNTASYEJERCICIOSDEREPASO
44. Poetteigeret al. (A-42)pretendiandetenninarsilaingestiondecitratodesodiopodiamejo-
rareldesempefiodeciclistasyfacilitarcondicionesmetabolicasfavorablesduranteunaca-
rreraenbicicleta.Losindividuoseranochovaronescidistasdealtorendimiento,entrenados,
conedadmediade25.4anosydesviacionestandarde6.5. Cadaparticipantecompletoun
circuitode30krnbajodoscondiciones:despuesdeingestiondecitratodesodioeingestion
deplacebo.Losinvestigadoresrecolectaronmuestrasdesangredeloscidistasantesdeinge-
rireltratamiento(PRE-ING), antesdelrecorrido(PRE-REC), duranteelrecorridoalcom-
pletar 10, 20 Y30 krn; Y15 minutos despues de terminarel recorrido (POST-REC). Los
siguientesvalorescorrespondenalapresionparcialdeoxigeno(P0
2
) y bioxidodecarbono
(PC0
2
) paracadaindividuo,bajocadacondicion,paracadavezqueseregistrolamedicion.
P
o2
(mmHg)
Tiemposdemedici6n
Individuo Tratamiento PRE-ING PRE-EX IOkm 20km 30km I5-POST-EX
1 42.00 20.00 53.00 51.00 56.00 41.00
1 2 43.00 29.00 58.00 49.00 55.00 56.00
2 1 44.00 38.00 66.00 66.00 76.00 58.00
2 2 40.00 26.00 57.00 47.00 46.00 45.00
3 1 37.00 22.00 59.00 58.00 56.00 52.00
3 2 36.00 30.00 52.00 65.00 65.00 36.00
4 1 34.00 21.00 65.00 62.00 62.00 59.00
4 2 46.00 36.00 65.00 72.00 72.00 66.00
5 1 36.00 24.00 41.00 43.00 50.00 46.00
5 2 41.00 25.00 5 2 0 0 ~ 60.00 67.00 54.00
6 1 28.00 31.00 52.00 60.00 53.00 46.00
6 2 34.00 21.00 57.00 58.00 57.00 41.00
7 1 39.00 28.00 72.00 69.00 65.00 72.00
7 2 40.00 27.00 64.00 61.00 57.00 60.00
8 1 49.00 27.00 67.00 61.00 51.00 49.00
8 2 27.00 22.00 56.00 64.00 49.00 34.00
(mmHg) P
C02
Tiemposdemedici6n
Individno Tratamiento PRE-ING PRE-EX IO-km 20-km 30-km I5-POSTEX
1
2
2
3
3
4
1 31.70
2 24.60
1 27.10
2 21.70
1 37.40
2 38.40
1 36.60
30.20
24.40
35.90
37.90
49.60
42.10
45.50
28.20
34.40
31.30
31.90
39.90
40.90
34.80
29.80
35.20
35.40
39.90
39.70
37.70
33.90
28.20
30.90
34.10
45.10
39.80
37.70
34.00
30.10
34.00
42.00
48.00
42.80
45.60
40.50
(ContinUa)
378 CAPiTULO8 ANALISIS DE LAVARIANCIA
P
C02
(mmHg)
Tiemposdemedici6n
Individuo Tratamiento
a
PRE-ING PRE-EX 10-km 20-km 30-km 15-POST-EX
4 2 39.20 40.20 3l.90 32.30 33.70 45.90
5 1 33.70 39.50 32.90 30.50 2S.50 37.20
5 2 3l.50 37.30 32.40 3l.90 30.20 3l.70
6 1 35.00 4l.00 3S.70 37.10 35.S0 40.00
6 2 27.20 36.10 34.70 36.30 34.10 40.60
7 1 2S.00 36.50 30.70 34.60 34.30 3S.60
7 2 2S.40 3l.30 4S.10 43.70 35.10 34.70
S 1 22.90 2S.40 25.70 2S.20 32.30 34.S0
S 2 4l.40 4l.S0 29.50 29.90 31.30 39.00
"l=citratodesodio; 2=placebo.
FUENTE: Utilizadaconautorizaci6ndelDr.JeffreyA. Potteiger.
45. Teitgeet al. (A-43) describieronunmetodoradiogrMicoparademostrarlainestabilidadde
la r6tula. Estudiarona 90 individuosconedadesentrelos 13 y 52 arros, los repartieron en
cuatrogruposdeacuerdoconhallazgosclinicosrelacionadosconlanaturalezadelainesta-
bilidaddelarodilla:inestabilidadnormal(sinsintomas0 signosrelacionadosconlarodilla),
inestabilidad lateral, inestabilidad mediae inestabilidad multidireccional. Entre los datos
que recolectaron estan las siguientes mediciones radiograficas del angulo de congruencia
(engrados).
Normal Lateral Medio Mu1tidireccional
-S 4 12 -16 10 15
-16 IS -S -25 -5 -26
-22 5 -S 20 -10 -S
-26 -6 -20 -S -12 -12
-S 32 -5 S -14 -40
12 30 -10 -14 -20
-S -10 -IS -16
12 2S -4 -34
-20 6 -20 -14
-20 9 -20 -6
-5 10 -20 -35
10 20 -22 -24
-4 -9 -15 -25
-2 -10 -10 10
-6 12 -5 -16
-7 0 -5 -30
0 35 -6 -30
-2 -1 -15
-15 5 -25
-5 22 -10
22 -20
FUENTE: Utilizadaconautorizaci6ndelDr. RobertA. Teitge.
379 PREGUNTASYEJERCICIOSDEREPASO
46. Ikedaet al. (A-44) disefiaronunestudioparadeterminarla dosis debromurodeipratropio
enaerosolquemejoraeldesempefiodeportivomedianteergometriaprogresivadebicicletaen
pacientesconenfermedadpulmonarobstructivacr6nicaestable.Laedadpromediodelos 20
individuosvaronesesde69.2 afioscondesviaci6nestandarde4.6afios. Entrelos datos que
recolectaronlosinvestigadoresestanlossiguientesvaloresdeventilaci6nmaxima (VEmax l!min)
enelejerciciomaximoalcanzadoparadiferentesdosisdebromurodeipratropio(Ilg):
Placebo 40 80 160 240
26 24 23 25 28
38 39 43 43 37
49 46 54 57 52
37 39 39 38 38
34 33 37 37 41
42 38 44 44 42
23 26 28 27 22
38 41 44 37 40
37 37 36 38 39
33 35 34 38 36
40 37 40 46 40
52 58 48 58 63
45 48 47 51 38
24 30 23 27 30
41 37 39 46 42
56 54 51 58 58
35 51 49 51 46
28 41 37 33 38
28 34 34 35 35
38 40 43 39 45
FUENTE: Utilizadaconautorizaci6ndela Dra.AkihikoIkeda.
47. Pertovaaraet al. (A-45) compararonlosefectosdela temperaturadelapielenelumbralde
la temperaturacrfticaquedespiertaardorescontralos efectosdela temperaturadelapiel
enelestadolatentedelarespuestaa1a primerasensaci6ndedolorprovocadoporelcalor.
Losindividuoseranadultossanosconedadesentre23 y54afios. Entrelosdatosrecolecta-
dos estaban los siguientes estados latentes (en segundos) a la primerarespuesta dedolor
inducidaporlaestimulaci6ndecalorradiante,registradosdurantetresdiferentesgradosde
temperaturadela piel.
Individuo 25C 30C 35C
1 6.4 4.5 3.6
2 8.1 5.7 6.3
3 9.4 6.8 3.2
4 6.75 4.6 3.9
5 10 6.2 6.2
6 4.5 4.2 3.4
FUENTE: Utilizadacanautorizaci6ndelDr.AnttiPertovaara.
380 CAPiTULO8 ANALISISDELAV ARIANCIA
48. Knightet al. (A-46)informarondeunestudioparadesarrollaryvalidarunmetodosensitivo
yespecfficoparacuantificarlaconcentraci6ntotaldeactivin-AComopartedelestudio,los
investigadoresrecolectaronlassiguientesconcentracionessericasperifericasdeactivin-Aen
seres humanos endiferentes estadios reproductivos: fase folicular normal(FF), fase lutea
normal (FL), embarazo(EMB), hiperestimulaci6novaricaparafertilizaci6n in vivo (HIP),
posmenopausia(PM),yvaronesadultosnormales.
FF FL EMB HIP PM Varones
134.5 78.0 2674.0 253.1 793.1 196.7
159.2 130.4 945.6 294.3 385.1 190.6
133.2 128.3 5507.6 170.2 270.9 185.3
225.0 166.4 7796.5 219.8 640.3 335.4
146.4 115.2 5077.5 165.8 459.8 214.6
180.5 148.9 4541.9 159.0
FUENTE: Utilizadaconautorizaci6ndelDr. PhilipG. Knight.
Nota: Conviertalasrespuestasenlogaritmosantesderealizarelanalisis.
49. Elprop6sitodeunestudiodeMaheuxet al. (A-47)fueevaluarlosefectosdeltrabajodeparto
enlaproduccionyutilizaci6ndeglucosa.Losindividuosestudiadoseranseismujeresemba-
razadas.Entrelos datosrecolectadosestabanlassiguientesconcentracionesdeglucosadu-
rante cuatro fases del trabajo de parto: latente (AI) yactiva (A2) de dilataci6n cervical,
expulsionfetal(B),yexpulsi6ndelaplacenta(C).
AI A2 B C
3.60 4.40 5.30 6.20
3.53 3.70 4.10 3.80
4.02 4.80 5.40 5.27
4.90 5.33 6.30 6.20
4.06 4.65 6.10 6.90
3.97 5.20 4.90 4.60
FUENTE: Utilizadaconautorizaci6ndelDr.
PierreC. Maheux.
50. Trachtrnanet al. (A-48)realizaronestudiospara1)evaluarlosefectosdelIGF-Irecombinante
humano(rh)enlanefropatfaporaminonucleosidodepuromicina(NAP)y2)compararlos
resultadosdeltratamientoconrhIGF-IyconrhGHenel modelodeglomerulosclerosisde
segmentosfetales.Comopartedelosestudios,seformaroncuatrogruposconratonesSprague-
Dawley: NAP(IA), NAP+ rhIGF-I(IB),normal(IIA),ynormal+ rhIGF-I(lIB). Losanima-
PREGUNTASYEJERCICIOSDEREPASO
381
lesprodujeronlossiguientesdatosquecorrespondenalosnivelesdecreatininaantes(pre)y
despuesde4,8Y12semanasdetratamiento:
Grupo
IA IB lIA lIB
Pre
44 44 44 35
44 44 44 44
44 44 44 44
53 44 44 35
44 44
44 53
4 semanas
97 44 53 44
88 35 44 53
62 44 44 53
53 35 53 44
62 62
53 53
8semanas
53 53 62 44
53 53 53 62
44 53 62 44
53 44 53 44
62 53
70 62
12 semanas
88 79 53 53
70 79 62 62
53 79 53 53
70 62 62 53
88 79
88 70
---------"
FUENTE: Utilizadaconautorizaci6ndelDr. HowardTrachtman.
51. SamuelsyKramer(A-49)realizaronunestudioparaexaminarlasalteracionesinducidaspor
el ayuno enla secreci6n pulsatil de glucoproteina. Losindividuos que participaronen el
382 CAPITULO8 ANALISIS DELAVARIANCIA
estudioeran12hombresjovenes,conedadesentre22y35alios,queprodujeronlossiguien-
tesnivelesdeT3 enelsuero(nmoVl) alas0800horasdespuesdeayunar8horas(elprimer
dfa),32horas(el segundodfa)y56horas(eltercerdfa).
Individuo
T3
Dia Individuo
T3
Dia Individuo
T3
D1a Individuo
T3
Dia
88 1 2 115 1 3 119 1 4 164
73 2 2 77 2 3 93 2 4 120 2
59 3 2 75 3 3 65 3 4 86 3
Individuo
T3
Dia Individuo
T3
Dia Individuo
T3
Dia Individuo
T3
Dia
5 93 1 6 119 1 7 152 1 8 121 1
5 91 2 6 57 2 7 70 2 8 107 2
5 113 3 6 44 3 7 74 3 8 133 3
Individuo
T3
Dia Individuo
T3
Dia Individuo
T3
D1a Individuo
T3
Dia
9 108 1 10 124 1 11 102 1 12 131
9 93 2 10 97 2 11 56 2 12 83 2
9 75 3 10 74 3 11 58 3 12 66 3
FUENTE: Utilizadaconautorizaci6ndelaDra. MaryH.Samuels.
52. Paradeterminarlanaturalezaygradoenqueloscambiosdel neurocomportamientoocurren
enasociaci6nconlaintoxicaci6nresultantedelaexposici6nexcesivadehierro(Fe) enla ali-
mentaci6n,Sobotkaet al. (A-50)utilizaronratasmachoSprague-Dawleyreciendestetadascomo
individuosdeexperimentaci6n.Losinvestigadoresasignaronalazaralosanimales,deacuer-
do conrangos de peso, encinco grupos de alimentaci6n diferentes con base en el total de
hierropresente:grupo1decontrol,35ppm;grupo2, 35Gppm;grupo3,3500ppm;grupo4,
4 ppm (deficiencia enel consumo de hierro), y grupo 5, 20,000ppm. Los siguientes datos
correspondenalpeso(engramos)corporaldelos animalesdespuesde 10semanas.
Dieta Peso Dieta Peso Dieta Peso
396 1 335 1 373
2 368 2 349 4 292
3 319 3 302 5 116
4 241 4 220 4 291
5 138 5 118 5 154
1 331 1 394 4 281
2 325 2 300 5 118
3 331 3 285 4 250
4 232 4 237 5 119
5 116 5 113 4 242
1 349 1 377 5 118
2 364 2 366 4 277
3 392 3 269 5 104
(Continua)
383 PREGUNTASY EJERCICIOSDEREPASO
Dieta Peso Dieta Peso Dieta Peso
4 310 4 344 5 120
5 131 5 Muerta 5 102
1 341 1 336
2 399 2 379
3 274 3 195
4 319 4 277
5 131 5 148
1 419 1 301
2 373 2 368
3 Muerta 3 308
4 220 4 299
5 146 5 Muerta
FUENTE: U tilizadaconautorizaci6ndelDr. ThomasJ.Sobotka.
53. Hansen(A-51)not6quelasconcentracionesdelabilirrubinaenelcerebroaumentandebido
ahiperosmolalidadehipercarbia,yquelosestudiosanterioresnoconsiderabanlapregunta
de si el aumento de bilirrubinacerebralbajo diferentes condiciones se debe a los efectos
relacionadosconlaentrada0 eliminaci6ndebilirrubinadelcerebro.Enunestudio,elinves-
tigadorplante6lahip6tesisdequelacineticadelaumentodeconcentracionesdebilirrubina
enelcerebroserfadiferenteenlaacidosis respiratoria(hipercarbia)ylahiperosmolalidad.
Sacrific6cuarentay cuatroratasSprague-Dawley machos duranteelexperimentoendife-
rentesmomentosdespuesdeaplicarlesbilirrubina..Los siguientesdatoscorrespondenalos
niveles de bilirrubinaen la sangre (jlmol)/l) de 11 animalesjustoantes de sacrificarlos y
despuesde60minutosdehaberlesaplicadolabilirrubina.
Controles Hipercarbia Hiperosmolalidad
30 48 102
94 20 118
78 58 74
52 74
FUE]',rI"E: Utilizadaconautorizaci6ndelDr.Thor WillyRuudHansen.
54. Johansonet ai. (A-52) compararonlos efectosdetratamientosdecortoplazoconhormona
delcrecimiento(GH)yconfactorIdecrecimientoparecidoalainsulina(IGF-I)enmarcado-
resbioquimicosdel metabolismo6seoenhombresconosteoporosisidiop<itica. Los indivi-
duostentanedadesentre32y57arlOS. Entrelosdatosquerecolectaronestanlassiguientes
concentracionessericas delaproteina-3 queseuneal IGFal inicioy 7 dias despuesde la
primerainyecci6n,y I, 4, 8Y12semanasdespuesdelaultimainyecci6nconGHe IGF-I.
12
384 CAPITULO8 ANALISISDE LAVARIANCIA
Paciente 0 7 1 4 8
num. Tratamiento Dia Dias Semana Semanas Semanas Semanas
1 GH 4507 4072 3036 2484 3540 3480
1 IGF-I 3480 3515 4003 3667 4263 4797
2 GH 2055 4095 2315 1840 2483 2354
2 IGF-I 2354 3570 3630 3666 2700 2782
3 GH 3178 3574 3196 2365 4136 3088
3 IGF-I 3088 3405 3309 3444 2357 3831
4 IGF-I 2905 2888 2797 3083 3376 3464
4 GH 3464 5874 2929 3903 3367 2938
5 GH 4142 4465 3967 4213 4321 4990
5 IGF-I 4990 4590 2989 4081 4806 4435
6 IGF-I 3504 3529 4093 4114 4445 3622
6 GH 3622 6800 6185 4247 4450 4199
7 IGF-I 5130 4784 4093 4852 4943 5390
7 GH 5390 5188 4788 4602 4926 5793
8 IGF-I 3074 2691 2614 3003 3145 3161
8 GH 3161 4942 3222 2699 3514 2963
9 GH 3228 5995 3315 2919 3235 4379
9 IGF-I 4379 3548 3339 2379 2783 3000
10 IGF-I 5838 5025 4137 5777 5659 5628
10 GH 5628 6152 4415 5251 3334 3910
11 GH 2304 4721 3700 3228 2440 2698
11 IGF-I 2698 2621 3072 2383 3075 2822
FUENTE: Utilizadaconautorizaci6ndela Dra.AnnaG.Johansson.
55. ElobjetivodeunestudioconducidoporStrijboset al. (A-53)fuecompararlosresultadosde
unprogramaderehabilitaci6n de pacientesexternos durante 12 semanasenunhospital
(grupo1)contralosdeunprogramaderehabilitaci6nde12semanasencasa(grupo2). Los
individuosestudiadoseranpacientesenfermosdeobstrucci6npulmonarcr6nicaconlimita-
cionesventilatoriasmoderadasy severas.Ungrupodecontrol(grupo3)norecibi6 terapia
derehabilitaci6n.Entrelosdatosrecolectadosestanlassiguientescalificacionesdefrecuen-
ciarespiratoriadelosindividuos, 18 mesesdespuesdelarehabilitaci6n.
Grupo Grupo
1 2 3 1 2 3
12 16 24 12 16 24
16 14 16 12 12 14
16 12 18 14 12 15
14 12 18 16 12 16
12 18 24 12 12 16
12 12 24 12 15 18
12 10 18 20 16
FUENTE: Utilizadacon autorizaci6ndelDr.JaapH.Strijbos.
385 PREGUNTASYEJERCICIOSDEREPASO
56. Sietevaronessanos(conedadpromediode27.4afiosydesviaci6nestandarde4.4)partici-
paronenunestudiodirigidoporLambertet at. (A-54).Losinvestigadoresmidieronlaabsor-
ci6nintestinaldespuesdela ingestay laperfusion porvia intestinal deunHquido. Como
partedel estudio, los investigadores registraronlos siguientes cambios enel volumen del
plasmaenseisocasiones,durantelos85 minutosqueduroelejerciciodeciclismoenambos
experimentos.
Individuo 1 2 3
Tomada
1
2
3
4
5
6
7
-8.4151514
-12.1966790
-9.7418719
-15.0291920
-5.8845683
-9.7100000
-6.9787024
-7.4902674
-5.1496679
-5.9062747
-14.4165470
-5.8845683
-7.5700000
-6.5752716
-8.02277330
-10.46486300
-7.06516950
-16.61268200
-3.57781750
-3.52995560
-5.07020210
8
9
-13.5391010
-8.8259516
-11.7186910
I
-8.9029745
-10.77312900
-6.38160030
10 -4.2410016 -1.3448910 -2.49740390
Infusion 11 -10.7192870 -9.7651132 -11.12140900
12 -6.9487760 -2.9830660 1.77828157
13 -7.1160660 -5.4111706 -7.07086340
14 -7.0497788 -5.7725485 -5.18045500
Individuo 4 5 6
1 -7.35202650 -7.89172340 -7.84726700
2 -8.40517240 -9.02789810 5.13333985
Tomada
Infusion
3
4
5
6
7
8
9
10
11
12
13
14
-4.19974130
-15.36239700
-5.50433470
-4.22938570
-5.94416340
-11.64145400
-5.69396590
-1.01234570
-12.13053100
2.28844839
-8.35430040
-7.92841880
-3.33795970
-17.63314100
-5.12242600
-7.86923080
-5.21535350
-12.40814000
--6.38160030
-5.58572150
-15.98360700
2.59034233
-10.60663700
-8.38462720
-5.65380700
-14.43982000
--6.26313790
-7.51168220
-6.34285620
-8.26411320
-7.37350920
-2.81811090
-12.64667500
1.56622058
-9.45689580
-8.44542770
FL"ENTE: Utilizadaconautorizaci6ndelDr. C. V. Gisolfi.
57. Roemeret at. (A-55)desarrollaronunmetodoparaautorregistrarlasmedicionesdeltrastor-
nodeansiedadgeneralizada(TAG)parautilizarloenestudiantesuniversitarios.Enlosestu-
diosdeconfiabilidad,losindividuosuniversitariosllenarone]cuestionariodeTAG,as!como
un cuestionario de preocupaci6n del estado de Pensilvania (CPEP). Los siguientes datos
336 CAPITULO 8 ANALISIS DE LA V ARIANClA
corresponden a las calificaciones obtenidas, mediante la aplicaci6n del cuestionario, por
cuatro grupos de individuos determinados por su estadio de TAG: (grupo 1) estudio II, TAG
par cuestionario; (grupo 2) estudio II, sin TAG por cuestionario; (grupo 3) estudio I, TAG por
cuestionario, y (grupo 4) TAG runico.
Grupo
1 2 3 4
59.0
5l.0
58.0
6l.0
64.0
68.0
64.0
67.0
56.0
78.0
48.0
62.0
77.0
72.0
59.0
50.0
28.0
43.0
36.0
36.0
30.0
24.0
39.0
29.0
48.0
36.0
38.0
42.0
26.0
35.0
32.0
43.0
55.0
42.0
37.0
36.0
41.0
36.0
34.0
42.0
35.0
51.0
37.0
50.0
39.0
46.0
77.0
80.0
60.0
59.0
56.0
44.0
7l.0
54.0
64.0
66.0
59.0
68.0
59.0
61.0
78.0
70.0
74.0
73.0
65.0
62.0
76.0
66.0
78.0
76.0
74.0
73.0
61.0
63.0
75.0
63.0
55.0
67.5
70.0
70.0
55.0
73.0
80.0
79.0
79.0
61.0
61.0
72.0
67.0
74.0
65.0
68.0
72.0
75.0
56.0
65.0
66.0
69.0
73.0
67.0
78.0
76.0
66.0
55.0
59.0
44.0
68.0
64.0
4l.0
54.0
72.0
74.0
59.0
63.0
51.0
72.0
63.0
58.0
7l.0
FUENTE: Utilizada con autorizaci6n del Dr. T. D. Borkovec.
58. Christiansen et ai. (A-56) se dieron cuenta de que los linfomas distintos de Hodgkin (LDH)
representaban un grupo heterogeneo de enfennedades en las que es dificil predecir el pronosti-
387 PREGUNTAS Y EJERCICIOS DEREPASO
co. Los investigadores informaron acerca de los aspectos de pron6stico de la adhesi6n intercelular
de la molecu1a-1 soluble (sICAM-1) en LDH. Entre los datos que reco1ectaron estan las siguientes
concentraciones sericas (nglml) de s1CAM-1 en cuatro grupo de individuos: grupo de control
formado por individuos sanos (C), grupo con alto grado de LDH (aLDH), grupo con bajo grado
de LDH (ILDH) Y pacientes con leucemia de celulas vellosas (LCV).
C aLDH ILDH LCV
309 460 844 824 961 581 382
329 222 503 496 1097 601 975
314 663 764 656 1099 572 663
254 1235 1088 1038 625 439 429
304 500 470 1050 473 1135 1902
335 739 806 446 654 590 1842
381 1847 482 1218 508 404 314
456 477 734 511 454 382 430
294 818 616 317 889 692 645
450 585 836 334 805 484 637
422 1837 1187 1026 541 438 712
528 362 581 534 655 787 581
461 671 381 292 654 77 860
286 375 699 782 1859 478 448
309 543 1854 1136 619 602 735
225 352 769 476 1837 802
388 443 510 534 568
377 359 571 424 665
310 383 1248 571
261 587 784 420
350 648 514 408
405 782 678 391
319 472 1264 493
289 506 618 1162
310 663 1123 460
227 873 912 1113
206 987 520 572
226 859 1867 653
309 1193 485 1340
382 1836 287 656
325 691 455
522
FUENTE: Utilizada con autorizad6n de la Dra. Ilse Christiansen.
59. Cossette et at. (A-57) examinaron el genero y el parentesco con respecto al apoyo formal e
informal a cuidadores en la atenci6n de enfermos. Fbrmaron dos modelos de apoyo. Entre
388 CAPITULO 8 ANALISIS DE LA VARIANCIA
los datos recolectados estaban las edades de tres grupos de cuidadores de familiares con
problemas mentales que viven en casa: esposos, esposas e hijas adultas.
Esposo Esposa Hija
64 66 73 59 67 40 50
70 58 71 66 67 47 58
55 81 70 80 57 46 46
67 77 71 76 53 45 47
79 76 56 68 50 69 50
67 64 68 53 70 48 53
77 82 76 78 70 53 57
68 85 67 75 50 65
72 63 66 74 47 50
67 72 67 86 62 43
77 77 72 63 55 59
70 79 72 52 49 44
65 63 70 55 43 45
65 80 66 71 44 41
74 70 73 67 47 50
86 85 78 78 57 58
72 76 64 70 49 35
71 67 78 68 50
78 72 59 78 59
71 60 71 59 45
88 74 70 72 50
77 65 67 73 48
75 53 78 75 51
66 70 67 54 46
80 72 55 65 62
76 74 64 67 55
67 79 69 83 50
65 63 59 70 43
62 77 55 72 39
82 78 75 71 50
75 69 68 76 50
80 65 74 43
74 81 68 28
70 79 69
75 72
FUENTE: Utilizada con autorizaci6n de Sylvie Cossette, M. Sc., R. N.
389 PREGUNTASYEJERCICIOSDEREPASO
60. Tasakaet al. (A-58) sedieroncuentadequeelCorynebacterium parvum (CP) aumentala sus-
ceptibilidadalaendotoxina,lacualestaasociadaconelaumentodelaproducci6ndelfactor
denecrosis tumoral. Los investigadoresestudiaronlosefectos delainfecci6n porCPenla
patogenesis de dafios agudos pulmonares causados por la endotoxina de Escherichia coli
introtraqueal(lipopolisacarido[LPS]). Losanimalesparalaexperimentaci6nerancerdasde
guinearepartidasencuatrogrupos.Losanimalesdedos gruposrecibieronuntratamiento
de4mglkgdeCPsietediasantesdelestudio.Subsecuentemente,algunosanimalesqueno
recibieronpretratamientoselessuministr6s610 soluci6nsalina(grupodecontrol),yotros reci-
bieronendotoxina(unicamente LPS). Los grupos pretratados0 recibieronsoluci6nsalina
(unicamenteCP)0 LPS (CP + LPS). Entrelosdatosrecolectadosestabanlas siguientespro-
porcionesdetejidopulmonar:plasmadelosensayos dealbiiminasericaradio-iodizada:
Control S6loCP S6loLPS CP+ LPS
0.12503532 0.18191647 0.17669093 0.3651166
0.10862729 0.30887462 0.25344761 0.64062964
0.10552931 0.25011885 0.17372285 0.39208734
0.15587316 0.23858085 0.1786867 0.49942059
0.13672624 0.26558231 0.22209666 0.85718475
0.11290446 0.32298454 0.27064831 0.93030465
FUENTE: Utilizadaconautorizaci6ndelDr, SadatomoTasaka.
61. DeacuerdoconTakahashiet at. (A-59) susinvestigacionesindicanqueexisteasociaci6nen-
tre lasalteracionesenel metabolismodel calcioyvarias enfermedades6seas enpacientes
conotrasdiscapacidades.Losindividuosestudiadoseranj6venes(conedadpmmediode16
arros)conseverosproblemasderetrasomentalquehabianvividoeninstitucioneslamayor
parte desu vida. Los investigadores examinaron las relaciones entre los cambios 6seos y
otrasvariables. Repartieronendosgruposa los individuos,conbaseenlagravedadde los
cambios6seos. Entrelosdatosrecolectadosestanlossiguientesvaloresdefosfatasaalcalina
(VI/I).
GradoI: 109,86,79,103,47,105,188,96,249
GradoII: 86,106,164,146, 111,263, 162, III
GradoIII: 283, 201, 208, 301,135, 192, 135,83,193,
175, 174, 193,224, 192,233
FUENTE: UtilizadaconpermisodelDr. MitsugiTakahashi.
62. Las investigaciones de Allen (A-60) indican que la alimentaci6n con deficiencia en sales
cuprosa