Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Daniels Capitulo 3 Bioestadistica Base para El Analisis de Las Ciencias de La Salud Daniel Wayne W PDF
Daniels Capitulo 3 Bioestadistica Base para El Analisis de Las Ciencias de La Salud Daniel Wayne W PDF
3.1 INTRODUCCION
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. ~Es 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.
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: OBJETIVA 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
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.
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).
P(E):?: 0 (3.3.1)
En otras palabras, todos los eventos deben tener una probabilidad mayor 0
igual acero, requerimiento l6gico en vista de la dificultad de concebir una probabi
lidad negativa. Un concepto clave en el enundado de esta propiedad es el termino
resultados mutua,mente excluyentes. Se dice que dos eventos son mutuamente exclu
yentes si no pueden ocurrir en forma simultanea.
(3.3.3)
Suponga que dos eventos no son mutuamente excluyentes, es decir, que pue
den ocurrir al mismo tiempo. En un intento por calcular la probabilidad de ocu
rrencia de Ei 0 Ej' el problema de traslape ocurre y entonces el procedimiento podrfa
volverse muy complicado.
3.4 CALCULO DE LA PROBABIIJDAD DE UN EVENTO 61
FJEMPLO 3.4.1
Total 75 36 111
FUENTE: Cortesfa de Marcel Dekker, Inc. Reimpresi6n de Patricia G. Erickson y Glenn F. 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
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). ~Cual 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: ~Que 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(C 1M), 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, ~cual 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)?
3.4 CALCULO DE LA PROBABIUDAD DE UN EVENTO 63
EJEMPLO 3.4.4
Se pretende calcular la probabilidad conjunta 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.
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:
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( C 1M).
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
FJEMPLO 3.4.6
Si se escoge aleatoriamente a una persona de los III individuos representados en
la tabla 3.4.1, ~cUiil 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? .
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.
EJEMPLO 3.4~7
PCE n B) P(B)P(EIB)
peE n B) = P(B)P(E)
(1:~)(1:~)
. Eventos complementarios
=.16
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
3.4 CAI,CULO DE LA PROBABIUDAD DE UN EVENTO 67
P (A) (3.4.5)
P(A) 450/1200==.375
y que
P(A) = 1 -P(A)
.375 1 .625
.375 = .375
•
Probabilidad marginal Ya se utiliz6 el termino probabilidad marginal pararefe
rirse a la probabilidad donde el numerador de la probabilidad es un total marginal
de una tabla igual que la tabla 3.4.1.Por ejemplo, cuando se calcula la probabili
dad de que una persona seleccionada aleatoriamente entre las 111 personas repre
sentadasen la tabla 3.4.1 sea un individuo del sexo masculino, el numerador de la
probabilidad es lacantidad total de individuos del sexo masculino, 75. Por 10 tanto,
P(M) = 75/ 111 = .6757. Se puede definir la probabilidad marginal de manera
mas general como sigue:
DEFINICION
Dada alguna variable que puede desglosarse en m
categorias designadas por Ai' A 2 , ••• , Ai' .•• , Am Y otra
variable de ocurrencia conjunta que pueda desglosarse en
n categorias designadas por B 1 , B 2 , ••• , Bi' •.. , Bn,.la
probabilidad marginal de Ai' P(A) es igual a la sum.a de
las probabilidades conjuntas de Ai con todas las
categorias de B. Es decir,
P(A) =
LP(Ai n Bj ), para.todoslos valores dej (3.4.6)
FJEMPLO 3.4.9
Se pretende utilizar la ecuaci6n 3.4.6 y los datos de la tabla 3.4.1 para calcular la
probabilidad marginal P(M).
Solucion: La variable genero se divide en dos categorias, individuos del sexo mascu
lino (M) y del sexo femenino (E). La variable consumo de cocafna se
divide en tres categorfas: de 1 a 19 veces (A), de 20 a 99 veces (B) y de
1000 mas veces (C). La categorfa ser del sexo masculino ocurre conjun
tamente con las tres categorias de la variable frecuencia de consumo de
cocaina, Las tres probabilidades conjuntas que pueden calcularse son
P(M nA) = 32/111 .2883, P(M n B) = 18/ III = .1662, YP(M n C)
= 25 / III .2252. Ahora, se calcula la probabilidad marginal P(M)
sumando las tres probabilidades conjuntascomo sigue:
FJERCICIOS
3.4.1 En un estudio de c6mo influye la violencia social y polftica en los riesgos de complicaci6n del
embarazo, Zapata et al. (A-2) recopilaron una gran cantidad de informaci6n de una muestra
de 161 mujeres embarazadas coli edades entre 19 y 40 aiios inscritas en cuidados prenatales
en seis centros de salud en Santiago de Chile. En la siguiente tabla se aprecia la muestra de
individuos clasificados en referencia cruzada segiin el nivel de estudios y el numero de com
plicaciones prenatales:
Numero de complicaciones
prenatales
Escolaridad. (anos) ~2 0-1 Total
1-3 22 53 75
4·8 9 23 32
9-10 10 27 37
;:::11 5 12 17
Total 46 115 161
FUENTE: B. Cecilia Zapata, Annabella'Reboliedo, Eduardo Atalah, Beth
Newman y Mary-Clair King, "The Influence of Social and Political Vio
lence on the RiskofPregnancy Complications", Americanjournal of Pu
blic Health, 82, 685-690. Copyright!> American Public Health Association.
EJERCICIOS 69
a) Suponga que Ste escoge aleatoriamente a una mujer de este grupo. ~Que probabilidad
existe de que sea una mujer con dos 0 mas coll.lplicaciones prenatales?
c) Muestre como se calcula la probabilidad del inciso a con dos metodos adicionales.
d) Si se escoge aleatoriamente a una mujer, <que probabilidad existe de que tenga dos 0 mas
rante su embarazo. (Que probabilidad existede que tenga 11 aftos 0 mas de educaci6n?
h) Suponga que se escoge aleatoriamente a una mujer. (Cual es la probabilidad de que tenga
dos 0 mas complicaciones durante su embarazo 0 que tenga menos de cuatro aftos de esco
Estado de discapacidad
Ocupaci6n Discapacitados Sanos Total
d) U tilice la regia de multiplicacion para calcular la probabilidad de que una persona seleccio
nada aleatoriamente sea una persona sana fisicamente y este empleada en una Q:ficina.
GJ:upo en tratamiento
-------
Resultado Placebo Mesalamina, 1.6 gldia '. Mesalamina, 2.4 gldia
En 2 6 6
Mejorado 8 13 15
Estable 12 11 14
Empeorado 22 14 8
FUENTE: Reproducido con autorizaci6n de 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, James J. Cerda, Daniel E. Gremillion, \,yjlliam J, Snape, John Sabel,. Horacio J inich, James
M, Swinehart y Michael P. DeMicco, "Oral Mesalamine (Asacol) for Mildly. to Moderately Active
Ulcerative Colitis", Annals ofInternal Medicine, 115,350-355, .
DEFINICIONES
1. Un falso positivo resulta cuando una·prueba indica que
el estado es positivo, cuando en realidades negativo.
2. Un falso riegativo resultacuando una pmeba indica que
·un estado es negativo, cuando en realidades positivo.
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 den individuos (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 peT 1D) = a /
(a + c). Esta proporci6n es una estimaci6n de lasensibilidadde la 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.
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 valor que predice la positividad de 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).
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).
- - P(TID)P(D)
P(DIT}= __ (3.5.4)
peT ID) P(D) +P(T ID) P(D)
FJEMPLO 3.5.1
eDiagnostico de Alzheimer?
Resultado de
la prueba Sf (D) No (jj) Total
EJERCICIOS
3.5.1 Un equipo de investigacion medica pretende evaluar la utilidad de cierto sintoma (Hamado
S) para el diagn6stico de determinada enfermedad. En una muestra aleatoria independien
te de 775 pacientescon esa enfermedad, 744 presentaron el sintoma. En una muestra aleatoria
independientede 1380 individuos sin la enfermedad, 21 presentaron elsintoma.
a) Para el contextode este ejercicio, ~que es un falso positivo?
b) ~Que es un falso negativo?
c) Calcule la sensibilidad de los sintomas
d) Calcule la especificidad del sfntoma
e) Suponga que se sabe que la tasa de la enfermedad en la poblaci6n en general es .OOL
2Cuai es el valor que predice la positividad del sintoma?
1) ~Cual es el valor que predice la negatividad del sfntoma?
g) Calcular los valores que predicen la -positividad y la negiltividad' del sfntoma para las
siguientes tasas hipoteticas: .0001, .01 Y .10. .
h) Con base en los resultados que se obtuvieron en el inciso g, ~que sepuede conduir acerca
bilidad de que pacientes con tuberculosis esteninfectados con el VIE. Si puede conseguir
este articulo, lea y escriba una crttica del mismo que incluya la respuesta a las siguientes
preguntas:
a) ~Los autores emplearoncorrectamente el teorema de Bayes? Expliqlle su respuesta.
b) ~Se utilizaron las estimaciones de probabilidad correctas en los calculos? Explique su
respuesta.
c) ~Existe suficiente informacion disponible para repetir los calculos? Si es as!, (se puede
llegar a los mismos resultados?
3.5.3 Si esta disponible el articulo 'de Katz et al. ["Use of Bayes's Theorem to Estimate the Impact
of the Proposed CD4-Based Expansion of the AIDS Case Definition",joumal of Acquired
Immune Deficiency Syndromes, 6, 295-297], lea y escriba una crttica que incluya las respuestas a
las siguientes preguntas:
a) ~Es unq aplicaci6n apropiada del teorema de Bayes? Explique su respuesta.
b) (Existen diferencias entre esta aplicaci6n del teorema de Bayes y la aplicacion presentada
3.6 RESUMEN
26, 1279-1292.
4. El prop6sito del estudio de Gehan et ai. (A-7) es definir Ia dosis 6ptima de lidocaina necesaria
para reducir el dolor en la inyecci6n de propofol. De acuerdo conestos investigadores, el propofol
se utiliza como agente de acci6n rapida para inducci6n de anestesia. Sin embargo, a pesar de
esto, muchas desventajas limitan su utilizaci6n debido al dolor generadci. Otros estudios mues
tran que la lidocama intravencisa suministrada antes 0 con el propofol reduce la frecuenda de
dolor; En el estudio de Gehan et ai. (A-7) se utilizaron 310 padentes que recibieron anestesia. Se
clasific6 a los padentes en cuatro categonas de acuerdo con la dosis de lidocaina. El grupoAno
recibi6lidocama, en tanto que los grupos B, C YD recibieron .1, .2 Y.4 mglkg, respectivamente,
mezclado con propofol. EI grado de dolor experimentado por los padentes se calific6 de 0 a 3;
los padentes que no experimentaron dolor recibieron una calificaci6n de O. La siguiente tabla
muestra a los padentes, dasificados en referencia cruzada por grupo segCtp niveles de dosis y
calificaci6n por dolor:
78 CAPITULO 3 ALGUNOS CONCEPTOS BAsICOS DE PROBABILISTICA
Grupo
Calificaci6n
por dolor 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
66, 324-326. .
5.P(DI0) = P(D)
5. A un centenar de mujeres casadas se les pregunt6 que metodo de control natal preferfan. La
siguiente tabla muestra las 100 respuestas clasificadas en referencia cruzada por nive! educa
tivo y metodo de control.
. Nivel escolar .
Metodo de
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
PREGUNTAS Y EJERCICIOS DE REPASO 79
6. EI departamento de salud de cierto pais recibe 25 solicitudes para una vacante que hay para
una enfermera en salud publica. De estas solicitudes, 10 son de mayores de 30 aiios y.15 de
menores de 30 aiios de edad. Diecisiet~ tienen estudios universitarios y ocho tienen grado
de maestrfa. De las que tienen menos de 30 aiios, seis tienen grade de mae stria. Si al azar se
hace una selecci6n de entre las 25 solicitantes, ~cual es la probabilidad de se1eccionar a una
persona que tenga mas de 30 aiios de ~dad 0 que tenga grade de maestrla?
7. La siguiente tabla muestra 1000 aspirantes a la escuela de enfermeria, clasificadas de acuer
do con las calificaciones logradas en el examen de ingreso, a la universidad y a la calidad de
la escue1a preparatoria de la que son egresadas, segUn un gmpo de profesores:
Resultado
Area de A favor En contra Abstinencia
.la ciudad (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) if b) B c) C
21. La siguiente tabla muestra los resultados de la evaluaci6n de la prueba de detecci6n en la que
participaron una muestra aleatoriade 650 individuos con la. enfermedad y una segunda
muestt:a aleatoria independiente de 1200 individuos sin la enfermedad.
Enfermedad
Positivo 490 70
BmUOGRAFiA
Bibliografia de metodologia
1. Allan Gut, An Intermediate Course in Probability, Springer-Verlag, New York.
2. Richard Isaac, The Pleasures ofProbability, Springer-Verlag, New York.
3. Harold J. Larson, Introduction to Probability, Addison-Wesley, Reading, MA.
4. L. J. Savage, Foundations ofStatistics, Segunda edici6n revisada, Dover, New York.
5. A. N. Kolmogorov, Foundations ofthe Theory ofProbability, Chelsea, New York. (Edici6n original
en aleman, publicada en 1933.)
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 ~tandard?", 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, 350~355.
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. . .