VOLUMEN 3, NMERO 5
Enfoque en Epidemiologa de Campo
Aspectos Bsicos del Anlisis de Datos: Variables y Distribucin
Cmo puedes determinar si un de-
rrame qumico en una fbrica caus
CONTRIBUYENTES enfermedad a los trabajadores?
Cmo puedes saber qu alimento
Autores:
caus un brote de salmonella en tu
Kim Brunette, MPH
comunidad?
Amy Nelson, PhD, MPH
En una investigacin de campo, mu-
Grupo de trabajo FOCUS*
Crticos:
chas veces quieres saber si una ex-
posicin determinada (por ejemplo
Grupo de trabajo FOCUS*
un derrame qumico) est asociado
Gloria C. Mejia, DDS, MPH, PhD
a cualquier enfermedad posible, o
(Versin en espaol) cules de las muchas posibles expo-
Editoras de Produccin : siciones estn asociadas a una en-
Tara P. Rybka, MPH fermedad en particular (por ejemplo,
Lorraine Alexander, DrPH cul es la causa potencial de un
Rachel A. Wilfert, MD, MPH brote de salmonella? Comienzas el
Gloria C. Mejia, DDS, MPH, PhD proceso de responder estas pregun-
(Versin en espaol) tas eligiendo un diseo de estudio,
Jefe de Edicin: desarrollando un cuestionario y reco-
Pia D.M. MacDonald, PhD, MPH lectando datos. Todo esto fue discu-
tido en ediciones anteriores de FO-
CUS, Una vez que estos pasos se
Traduccin al espaol por:
han completado y has recolectado
Pelusa Orellana
tus datos, qu sigue?
* Todos los miembros del Grupo de Trabajo FO- A diferencia de la caracterizacin de
CUS estan nombrados en la ltima pgina de la los epidemilogos en algunos pro-
publicacin. gramas de televisin, despus de
recolectar los datos no tienes sim-
plemente un destello de inspiracin
y resuelves el brote; de hecho tienes
que sentarte y analizar los datos!
No es la parte ms glamorosa del
trabajo del epidemilogo, pero cuan-
do los datos llevan al origen de un
brote, el anlisis es definitivamente
estimulante. Esta edicin de FOCUS
te guiar en los pasos bsicos del
anlisis descriptivo de datos, inclu-
The North Carolina Center for Public Health Prepared- yendo los tipos de variables, princi-
ness is funded by Grant/Cooperative Agreement Num-
pios bsicos de codificacin y anli-
ber U90/CCU424255 from the Centers for Disease
sis de datos univariados simples.
Control and Prevention. The contents of this publication
are solely the responsibility of the authors and do not
necessarily represent the views of the CDC.
North Carolina Center for Public Health PreparednessThe North Carolina Institute for Public Health
Tipos de Variables
Antes de continuar con el anlisis,
tomemos un momento para discutir
las variables. Esto puede parecer
trivial para aquellos que tienen expe-
riencia en anlisis, pero las variables
no son un tema trivial. Al igual que las
personas, las variables vienen en dis-
tintos tamaos y formas. Sin embar-
go, la mayor parte de la epidemiologa
de campo se centra en variables con-
tinuas y categricas.
Las variables continuas son siempre
numricas, y tericamente pueden ser
cualquier nmero, positivo o negativo
(en realidad, esto depende de la varia-
ble). Ejemplos de variables continuas
son la edad en aos, el peso, presin
arterial, temperaturas interiores y ex-
teriores, concentraciones de contami-
nantes en el aire o agua, y otras medi-
ciones.
Las variables categricas contienen
informacin que puede organizarse en
categoras, de manera similar a como
se organizara la informacin en ca-
nastas. Cada informacin pertenece
a una, y slo una, canasta. Existen
diversos tipos de variables categri-
cas, ordinales, nominales y dicotmi-
cas o binarias.
Una variable ordinal es cualquier va-
riable categrica con algn orden in-
trnseco o valor numrico. Por ejem-
plo, podramos categorizar informa-
cin acerca del nivel educacional de
un grupo de personas en una variable
denominada EDUCACION. Una perso-
na puede no haber terminado la edu-
cacin secundaria, otra podra haber-
se graduado de secundaria pero no
 FOCUS ON FIELD EPIDEMIOLOGY
haber recibido educacin superior, una tercera podr
haber tenido alguna educacin superior o haber recibido
algn entrenamiento posterior, y otra podr haberse gra-
duado de la universidad. Los niveles de educacin de
todos los miembros del grupo se acomodan claramente
dentro de estas categoras, y las categoras tienen un
orden intrnseco. Un egresado de la universidad tiene
ms educacin que un graduado de la escuela secunda-
ria, y un graduado de la escuela secundaria tiene ms
educacin que alguien que no termin la escuela. De
este modo, a medida que las categoras van de 1 a 5,
aumenta el nivel de educacin. Otros ejemplos de varia-
bles ordinales son:
aceptacin (por ejemplo, total desacuerdo, desacuer-
do, neutro, acuerdo, totalmente de acuerdo)
escalafn (por ejemplo excelente, bueno, aceptable,
pobre)
frecuencia (por ejemplo siempre, a menudo, a veces,
nunca)
o cualquier otra escala (por ejemplo, en una escala
del 1 al 5 cunto te gustan los cacahuates?)
Una variable nominal es una variable categrica sin or-
den intrnseco. Por ejemplo, digamos que tenemos una
variable llamada LUGAR DE RESIDENCIA que caracteriza
la parte del pas en que vive una persona: el noreste,
sur, medio-oeste, o noroeste. Las categoras de esta
variable no tienen valor numrico ni orden. La residen-
cia en el noroeste no tiene valor cuantitativo en compa-
racin con el noreste. Otros ejemplos de variables nomi-
nales incluyen el sexo (masculino, femenino), nacionali-
dad (Estadounidense, Mexicano, Francs), raza-etnia
(Afroamericano, hispano, blanco, asitico americano) o
mascota favorita (perro, gato, pez, culebra).
Una variable dicotmica o binaria es una variable categ-
rica que tiene slo dos niveles o categoras. Muchas
variables dicotmicas representan la respuesta a una
pregunta cerrada (de respuesta s o no). Por ejemplo,
asisti usted al picnic de la iglesia el 24 de mayo? o
Consumi ensalada de papas en el picnic? Una varia-
ble no requiere ser variable si/no para ser dicotmica,
slo necesita tener dos categoras, como por ejemplo,
sexo (masculino/femenino).
Codificacin
Una vez que has recopilado tus cuestionarios u otra in-
formacin debes elegir los cdigos para ingresarlos a
una base de datos. La codificacin es el proceso de tra-
ducir la informacin recolectada de los cuestionarios u
otras investigaciones a algo que pueda ser analizado,
por lo general utilizando un programa computacional. La
codificacin incluye el asignar un valor a la informacin
North Carolina Center for Public Health PreparednessThe North Carolina Institute for Public Health
Pgina 2
entregada en el cuestionario, y muchas veces a ese valor
se le asigna un nombre. Por ejemplo, si tienes la pregun-
ta Sexo?, podras tener respuestas tales como
masculino, femenino o M, F, etc. La codificacin
evitar tales inconsistencias.
Un sistema comn de codificacin (codificacin y nom-
bre) para variables dicotmicas es el siguiente:
0 = No 1 = Si,
donde el nmero 1 es el valor asignado, y SI es la etique-
ta o significado de dicho valor.
A algunos les gusta utilizar un sistema de 1 y 2, donde
1 = No 2 = Si.
Esto apunta a un aspecto importante en la codificacin.
Cuando asignas un valor a un pedazo de informacin,
tambin debes dejar en claro lo que significa ese valor.
En el primer ejemplo anterior, 1= s, pero en el segundo
ejemplo, 1= No. Cualquiera de los dos est bien, siem-
pre y cuando quede claro cmo se ha codificado la infor-
macin. Puedes aclarar esto creando un diccionario de
datos como un archivo separado que acompae la base
de datos.
De manera similar, podramos codificar la variable dico-
tmica para sexo:
0 = Femenino 1 = Masculino
Las variables dicotmicas tambin pueden ser variables
falseadas o ficticias (dummy, en ingls). Una variable
ficticia es cualquier variable que se codifica para que
tenga dos niveles, como las variables si/no y las varia-
bles femenino/masculino del ejemplo anterior. Tambin
pueden ser usadas para representar variables ms com-
plicadas. Esto es especialmente til cuando tienes mu-
chos valores que son ms significativos cuando se anali-
zan en trminos de una respuesta s o no.
Por ejemplo, puedes haber recopilado datos sobre el
nmero de cigarrillos fumados por semana, con 75 res-
puestas que van de cero cigarrillos a 3 paquetes por se-
mana, pero puedes volver a codificar esta informacin
como variable ficticia: 1= fuma, 0=no fuma. Tambin
podras hacer esto para la educacin (1=cualquier edu-
cacin posterior a la secundaria, 0= sin educacin poste-
rior a la secundaria), consumo de alimentos (1= comi el
producto durante el perodo de tiempo, 0=no comi el
producto) y muchas otras variables. Este tipo de codifi-
cacin es til en las etapas posteriores del anlisis.
Muchos paquetes de software para anlisis te permiten
asignar un nombre a los valores de las variables. Luego
el computador automticamente nombra los 0 como
masculinos y los 1 como femeninos, lo que facilita tu
vida cuando observes el resultado, tal como lo muestra
 VOLUMEN 3, NMERO 5
el ejemplo siguiente:
Sin nombre: Variable SEXO Frecuencia Porcentaje
0 21 60%
1 14 40%
Con nombre: Variable SEXO Frecuencia Porcentaje
Masculino 21 60%
Femenino 14 40%
El proceso de codificacin es similar con otras variables
categricas. Para la variable EDUCACION mencionada
anteriormente, podramos codificarla de la siguiente ma-
nera:
0 = No se gradu de la escuela secundaria
1 = Se gradu de la escuela secundaria
2 = Algn estudio universitario o superior
3 = Egresado de la universidad.
Observa que para esta variable ordinal categrica debe-
mos ser consistentes con la enumeracin, porque el va-
lor del cdigo asignado tiene significado. Mientras ms
alto el cdigo, ms educado es el que responde. Tam-
bin podramos haber codificado esta variable en el or-
den inverso, de modo que 0= egresado de la universidad
y 3= no se gradu de la escuela secundaria. En este
caso, mientras ms alto es el cdigo, menor es el grado
de educacin del que responde. Cualquiera de los dos
modos est bien, siempre y cuando recordemos el cdi-
go al interpreta el anlisis.
El siguiente es un ejemplo de mala codificacin:
0 = Algn estudio universitario o superior
1 = Egresado de la escuela secundaria
2 = Egresado de la universidad
3 = no se gradu de la escuela secundaria.
Los datos que estamos tratando de codificar tienen un
orden inherente, pero la codificacin en este ejemplo no
sigue ese orden. Esta no es una codificacin apropiada
para una variable ordinal categrica.
Para una variable nominal categrica, sin embargo, el
orden no tiene ningn efecto. Aunque codifiquemos ca-
da variable con un nmero, el nmero no representa un
valor numrico. Por ejemplo, usando la variable LUGAR
DE RESIDENCIA, mencionada anteriormente,
1 = Noreste
2 = Sur
3 = Noroeste
4 = Medio-oeste
5 = Suroeste.
No importa el orden que utilicemos para estas categor-
as. El medio-oeste pudo haberse codificado como 4, 2, o
5 porque no existe un valor ordenado asociado a cada
respuesta.
North Carolina Center for Public Health PreparednessThe North Carolina Institute for Public Health
Pgina 3
La codificacin de variables continuas es unidireccional.
Si alguien dice que su edad en aos es 37 aos, la ingre-
sas como 37 a tu base de datos. Pero qu pasara si
usases categoras de edad en lugar de los datos en aos
que recopilaste?
Es comn crear categoras a partir de variables conti-
nuas, y puede hacerse fcilmente usando un software de
anlisis. Con un paquete de software, puedes desglosar
una variable continua como la edad en categoras,
creando una variable ordinal categrica como la siguien-
te:
EDADCAT
1 = 09 aos de edad
2 = 1019 aos de edad
3 = 2039 aos de edad
4 = 4059 aos de edad
5 = 60 aos o ms.
Es posible que tambin necesites codificar respuestas
de preguntas de oraciones para completar y preguntas
abiertas. Con una pregunta abierta como por ejemplo,
por qu decidi no consultar al doctor acerca de esta
enfermedad?, los entrevistados respondern todos de
manera distinta. Tambin podras dar a los entrevista-
dos opciones de respuesta para una pregunta especfica
y ofrecer una opcin otro (especifique), en la cual los
entrevistados podrn escribir la respuesta que deseen.
Este tipo de preguntas abiertas pueden ser difciles de
analizar. Una manera de analizar la informacin es agru-
par las respuestas con temas similares. Para la pregun-
ta anterior, quienes respondieron que no se sentan lo
suficientemente enfermos para ir al doctor, los snto-
mas desaparecieron, y la enfermedad no dur mucho
tiempo podran agruparse como la enfermedad no era
grave.
Tambin necesitars codificar respuestas del tipo no
s. Por lo general, la respuesta no s se codifica co-
mo 9.
Dato de ayuda para la Codificacin:
Pese a que no codificas hasta que se hayan recopilado
los datos, debes pensar cmo vas a codificar cuando
ests diseando el cuestionario, antes de que recopi-
les datos. Esto te ayudar a recopilar los datos en un
formato que puedas usar.
Limpieza de los Datos
Uno de los primeros pasos en el anlisis de datos es mi-
rar la informacin obtenida y limpiarla de cualquier
error evidente, debido al ingreso incorrecto de datos.
Si existen valores extremos (nmeros demasiado altos o
demasiado bajos), son correctos esos nmeros? Un
 FOCUS ON FIELD EPIDEMIOLOGY Pgina 4

valor de 110 en edad podra ser un error para quien en
realidad tiene 10 o 11 (o 101!)
Se ingres un valor que no existe para una variable?
Por ejemplo, si 1=masculino y 0= femenino, si se ingres
2, es claramente un error.
Si existen valores faltantes, acaso la persona no respon-
di, o accidentalmente no se ingres a la base de datos?
Algunos software de anlisis permiten al usuario estable-
cer lmites definidos al ingresar datos. Esto evita que
una persona ingrese un 2 cuando los valores aceptables
son slo 1 y 0. Los lmites tambin pueden establecerse
para variables continuas y nominales, por ejemplo permi-
tiendo slo 3 dgitos para la edad, o limitando la cantidad
de palabras que se ingresan. Tambin puedes asignar
tipos de campos para la mayora de los tipos de variables
basados en el tipo de datos que el campo debiera conte-
ner (por ejemplo formatear las fechas como
mm/dd/aaaa o valores numricos o textos especficos).
De manera similar, algunos protocolos de estudio permi-
ten que se ingresen datos de otras fuentes. Por ejemplo,
si una persona no respondi una pregunta sobre edad,
esa informacin puede estar disponible a partir de un
registro mdico que se est usando en el estudio.
A modo de verificacin del ingreso de datos, algunos sis-
temas te permiten ingresar datos dos veces y luego com-
pararlos para ver si existen discrepancias. Este proceso
se llama doble ingreso.
El anlisis univariado de datos, que discutiremos a conti-
nuacin es tambin una forma til de revisar la calidad
de los datos, incluyendo la revisin de los valores extre-
mos.
Anlisis univariado de datos
El anlisis univariado de datos es importante por muchas
razones. Al mirar a cada variable individualmente, apren-
demos mucho acerca de la informacin recopilada. De
manera similar, el anlisis univariado es un buen mtodo
para verificar la calidad de los datos. Siempre deben
investigarse las inconsistencias o los resultados inespe-
Una mirada inicial a las variables continuas te puede
entregar varias piezas importantes de informacin:
Hay datos para todos los sujetos, o faltan valores?
Se encuentra la mayora de los valores agrupados, o
hay mucha variacin? (figuras 1a y 1b)
Existen valores extremos?
Tienen sentido los valores mnimos y mximos, o
podra haber errores en la codificacin?
Tambin podemos realizar un anlisis univariado de va-
riables continuas para obtener informacin valiosa. En-
tre las estadsticas comnmente usadas se encuentran
las siguientes:
Media- promedio de todos los valores de esta variable en
la base de datos (fig.2).
Mediana- el medio de la distribucin, el nmero en el
cual la mitad de los valores estn por encima y la otra
mitad est por debajo (figura 2)
Moda- el valor que ms se repite (figura 2)
Rango de valores- desde el valor mnimo hasta el mxi-
mo (figura 2)
Desviacin estndar- una medida de qu tan confiables
son los datos. En la figura 1a, la desviacin estndar es
de 20.4; en la figura 1b es de 7.6. Una desviacin es-
tndar grande en comparacin a los valores de la varia-
ble indica que los datos se encuentran ampliamente
distribuidos. Las desviaciones estndar son fciles de
calcular con software de anlisis o pueden ser calcula-
das a mano.
Distribucin- muestra si la mayora de los valores se en-
Figura 1a: ejemplo de valores Figura 1b: ejemplo de valores
de edad ampliamente de edad poco distribuidos.
distribuidos
90

90
rados, usando los datos originales como punto de refe- 80

rencia. 80
70

Las frecuencias simples te dirn si la mayora de los ca-

70
60

sos son jvenes, o si la mayora de los casos son muje-

Age (in years)

60
50
Age (in years)

res, o si muchos de los participantes del estudio compar- 50

ten alguna otra caracterstica que te interese. Primero,
40

40
examina la distribucin univariada (una variable). Los 30

grficos y tablas te pueden dar una buena idea de cmo 30

20

se ven tus variables y pueden ayudar tambin a encon- 20

10
trar algunos de los problemas de limpieza de datos men- 10
cionados anteriormente. 0

Variables continuas

North Carolina Center for Public Health PreparednessThe North Carolina Institute for Public Health
 VOLUMEN 3, NMERO 5 Pgina 5

cuentran en la parte Figura 2: estadsticas que dios porque los estilos de vida y las influencias culturales
baja del rango, o en la describen una distribucin de tienden a ser distintas en diferentes partes del pas. Una
parte alta, o agrupa- variable continua. forma de poner estos resultados en contexto es compa-
dos en el medio 90 rar esta distribucin a la distribucin esperada de resi-
(figura 3) 84 = Mximo dencia. Si seleccionamos a nuestros participantes del
80 (valor extremo) estudio al azar a partir de la poblacin de los Estados
Percentil- el porcenta-
Unidos, podramos esperar tener la misma distribucin
je de la distribucin 70
de personas en cada regin, suponiendo que todas tie-
que es igual a o me-
nen el mismo tamao de poblacin, como lo muestra la
nor que un determina- 60

do valor (figura 3). En figura 4b.

A g e (in years)

50
la figura 3a, el percen-
til 25 ocurre en los 4 40 36 = Mediana
Otra forma de observar estos datos categricos es
aos pues el 25% del 33 = Media (Percentil 50)
total de quienes res- 30 Figura 4a: nmero de personas que responden el cuestionario y
28 = Moda
ponden tienen 4 o (Ocurre 2 veces) que residen en 5 regiones de los Estados Unidos.
menos aos. 20
30
10 25

Number of People
2 = Mnimo 20
0
15
Datos categricos
10

Figura 3a: distribucin de campana para la variable EDAD 5

0
14 Percentil 25 Midwest Northeast Northwest South Southwest
12 (4 aos) variable: RESIDE
10
Frequency

8 Figura 4b: nmero esperado de personas que residen en 5

6 regiones de los Estados Unidos.
4
20
2
Number of People

0 16
1 2 3 4 5 6 7 8 9 10 11
12
Age (years)
8
Figura 3b: distribucin asimtrica para la variable EDAD
4
14
12 0
10
Percentil 25 Midwest Northeast Northwest South Southwest
Frequency

(6 aos) variable: RESIDE

8
6 haciendo listas de los datos en tablas. Por ejemplo, la
4 tabla 1 nos da la Tabla 1: Numero de personas que
2 misma informacin responden el cuestionario y que residen
0 que la figura 4a, en 5 regiones de los Estados Unidos
1 2 3 4 5 6 7 8 9 10 11 pero en un formato
Age (years) distinto. Muchas Frequencia Porcentaje
tablas muestran la
La distribucin de datos categricos tambin debe ser Medio-oeste 16 20%
frecuencia (nmero)
examinada antes de llevar a cabo anlisis ms profundos. as como tambin el Noreste 13 16%
Por ejemplo, observemos la variable LUGAR DE RESIDEN- porcentaje del total Noroeste 19 24%
CIA, de la figura 4a. Vemos que ms gente vive en el sur de los individuos en
Sur 24 30%
que en ningn otro lugar, mientras que menos gente vive la tabla. Cuando los
en el suroeste que en cualquier otro lugar. El rea geogr- grficos o tablas se Suroeste 8 10%
fica de residencia puede ser importante en algunos estu- usan para informar y Total 80 100%

North Carolina Center for Public Health PreparednessThe North Carolina Institute for Public Health
 FOCUS ON FIELD EPIDEMIOLOGY Pgina 6

describir datos, deben incluir toda la informacin rele-

vante en los ttulos, encabezados y nombres, tales como
poblacin que se estudia, fechas del estudio, y nmero
de participantes. En el ejemplo anterior, un epidemilo-
go querra comparar el nmero observado de personas Figura 5a. Datos observados respecto a nivel de educacin a
en cada regin (figura 4a) frente al nmero esperado de partir de un cuestionario hipottico.
personas en cada regin (figura 4b). Al comparar los
35
datos observados con los datos esperados, los epidemi- 30
logos pueden ver si hay algo extraordinario asociado a 25

Percent
los datos observados. Podemos realizar el proceso con 20
nuestra variable ordinal categrica EDUCACION. La figu- 15
10
ra 5a nos muestra la distribucin observada de niveles 5
de educacin en una poblacin determinada de adultos. 0
Pese a que el grfico est marcado con niveles de educa- Less than high High school Some college College graduate
cin, esos niveles representan los nmeros usados en la school graduate
codificacin (0 para menos que educacin secundaria, 1 variable: EDUCATION
para egresados de educacin secundaria, y as sucesiva-
mente.)
Figura 5b. Datos de nivel educacional de la poblacin de los
Este grfico contiene informacin descriptiva til acerca Estados Unidos de 20 o ms aos, Oficina del Censo de los
de la poblacin del estudio. Tambin podemos compa- Estados Unidos.
rarla con la distribucin esperada de educacin entre
nuestros participantes en el estudio. La informacin ob- 35
tenida de la Oficina del Censo de los Estados Unidos res- 30
pecto al nivel educacional de la poblacin de los Estados 25
Percent

20
Unidos de 20 aos o ms aparece en la figura 5b. (1).
15
Esta es la distribucin esperada de nivel educacional 10
para la poblacin del pas. Al mirar los grficos y compa- 5
rar las categoras, vemos que la poblacin de nuestro 0
estudio parece ser ms educada de lo que esperbamos. Less than high High school Some college College graduate
school graduate
variable: EDUCATION

Son los datos observados tan distintos de los datos esperados? Este es el tipo de preguntas que un epidemilogo
querra explorar en profundidad. Una forma de comparar los datos categricos observados con los datos categricos
esperados es usando una prueba estadstica como el ji-cuadrado. Las prximas dos ediciones de FOCUS discutirn los
ji-cuadrado y otros tipos de anlisis de datos ms extensos.

North Carolina Center for Public Health PreparednessThe North Carolina Institute for Public Health
 CONTACTO: REFERENCIAS:
1. US Census Bureau. Educational Attainment in the United States:
The North Carolina Center for Public Health 2003---Detailed Tables for Current Population Report, P20-550
Preparedness (All Races). Available at:
http://www.census.gov/population/www/socdemo/education/cp
The University of North Carolina at Chapel Hill
s2003.html. Accessed December 11, 2006.
Campus Box 8165
Chapel Hill, NC 27599-8165

Phone: 919-843-5561
Fax: 919-843-5563
Email: nccphp@unc.edu

Equipo de trabajo FOCUS:

Lorraine Alexander, DrPH

Meredith Anderson, MPH
David Bergmire-Sweat, MPH
Kim Brunette, MPH
Anjum Hajat, MPH
Pia D.M. MacDonald, PhD, MPH
Gloria C. Mejia, DDS, MPH
Amy Nelson, PhD, MPH
Tara P. Rybka, MPH
Rachel A. Wilfert, MD, MPH

Si le gustara recibir copias electrnicas del peridico FOCUS on Field Epide-

miology por favor llene la siguiente forma:
PRXIMOS TEMAS
NOMBRE: ______________________________________

TTULO (S): _____________________________________ Anlisis de datos: pruebas

estadsticas simples
AFILIACIN: ____________________________________ Anlisis avanzado de datos:
mtodos para el control de
CORREO ELECTRNICO: __________________________
confusin
Podemos contactar por correo electrnico a sus colegas?: Si es as, Recoleccin de especimenes
por favor incluya su correo electrnico a continuacin en investigaciones de brotes
_____________________________________________________

_____________________________________________________

_____________________________________________________
Estamos en Internet!
Por favor enviar por fax a: (919) 919-843-5563 http://www.sph.unc.edu/nccphp
O por correo a: North Carolina Center for Public Health Preparedness
The University of North Carolina at Chapel Hill
Campus Box 8165
Chapel Hill, NC 27599-8165
O en lnea en: http://www.sph.unc.edu/nccphp/focus/

North Carolina Center for Public Health PreparednessThe North Carolina Institute for Public Health