Documentos de Académico
Documentos de Profesional
Documentos de Cultura
3
3.1 INTRODUCCIÓN
El Capítulo 2 describió varias técnicas para describir datos de manera concisa. Pero
normalmente queremos hacer más con los datos que solo describirlos. En particular,
podríamos querer probar ciertas inferencias específicas sobre el comportamiento de
los datos.
EJEMPLO !." Cáncer Una teoría sobre la etiología del cáncer de mama establece que las mujeres de un determinado grupo de edad que dan a
luz a su primer hijo relativamente tarde en la vida (después de los 30 años) tienen un mayor riesgo de desarrollar cáncer de mama
en algún momento durante un período de tiempo. t
que las mujeres que dan a luz a su primer hijo a una edad temprana (antes de los 20 años). Debido a que las mujeres de las
clases sociales altas tienden a tener hijos más tarde, esta teoría se ha utilizado para explicar por qué estas mujeres tienen un
mayor riesgo de desarrollar cáncer de mama que las mujeres de las clases sociales bajas. Para probar esta hipótesis,
podríamos identificar 2000 mujeres posmenopáusicas de un sector censal particular que actualmente tienen entre 45 y 54
años de edad y nunca han tenido cáncer de mama, de las cuales 1000 tuvieron su primer hijo antes de los 20 años (llame a
este grupo A) y 1000 después de los 30 años (grupo B). Se podría hacer un seguimiento de estas 2000 mujeres durante 5
años para evaluar si desarrollaron cáncer de mama durante este período. Suponga que hay cuatro casos nuevos de cáncer
de mama en el grupo A y cinco casos nuevos en el grupo B.
¿Es esta evidencia suficiente para con fi rmar una diferencia de riesgo entre los dos grupos? La mayoría de la
gente se sentiría incómoda al concluir eso sobre la base de una cantidad tan limitada de datos.
Supongamos que tuviéramos un plan más ambicioso y tomáramos muestras de 10,000 mujeres
posmenopáusicas de los grupos A y B, y en el seguimiento encontramos 40 casos nuevos en el grupo A y 50
casos nuevos en el grupo B e hicimos la misma pregunta. Aunque podríamos estar más cómodos con la
conclusión debido al mayor tamaño de la muestra, aún tendríamos que admitir que esta aparente diferencia en las
tasas podría deberse al azar.
El problema es que necesitamos un marco conceptual para tomar estas decisiones, pero no hemos
establecido explícitamente cuál es el marco. Este marco lo proporciona el concepto subyacente de probabilidad. En
este capítulo, se define la probabilidad y se introducen algunas reglas para trabajar con probabilidades.
Comprender la probabilidad es esencial para calcular e interpretar pag- valores en las pruebas estadísticas de los
capítulos siguientes. También permite analizar la sensibilidad, la especificidad y los valores predictivos de las
pruebas de detección en la Sección 3.7.
42
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
3.2 Definición de probabilidad 43
EJEMPLO !.# Obstetricia Los datos del cuadro 3.1 proporcionan la proporción de mujeres en edad fértil (de 15 a 44 años) que han
dado a luz en el último año por estado civil y período de tiempo. [1] Parece que la tasa de natalidad ha ido disminuyendo
con el tiempo para las mujeres casadas, pero ha aumentado con el tiempo para las mujeres solteras. Sin embargo, se
trata de probabilidades empíricas basadas en una cantidad finita de datos. En principio, el tamaño de la muestra podría
ampliarse indefinidamente y podría obtenerse una estimación más precisa de la probabilidad.
TABLA 3.1 Proporción de mujeres en edad fértil que han dado a luz en el último año
DEFINICIÓN !." los espacio muestral es el conjunto de todos los resultados posibles. Al referirse a las probabilidades de eventos, un evento es
cualquier conjunto de resultados de interés. los probabilidad de un evento es la frecuencia relativa de este conjunto de
resultados en un número indefinidamente grande (o infinito) de ensayos.
EJEMPLO !.! Enfermedad pulmonar La prueba cutánea de la tuberculina es una prueba de detección de rutina que se utiliza para detectar la
tuberculosis. Los resultados de esta prueba se pueden clasificar como positivos, negativos o inciertos. Si la probabilidad de una
prueba positiva es .1, significa que si se realizara una gran cantidad de dichas pruebas, alrededor del 10% sería positivo. El
porcentaje real de pruebas positivas se acercará cada vez más a 0,1 a medida que aumente el número de pruebas realizadas.
EJEMPLO!. $ Cáncer La probabilidad de desarrollar cáncer de mama durante 40 años en mujeres de 30 años que nunca han tenido
cáncer de mama es de aproximadamente 1/11. Esta probabilidad significa que en una muestra grande de mujeres de 30
años que nunca han tenido cáncer de mama, aproximadamente 1 de cada 11 desarrollará la enfermedad a los 70 años, y
esta proporción se acercará cada vez más a 1 de cada 11 a medida que el número de mujeres muestreadas. aumenta.
En la vida real, los experimentos no se pueden realizar un número infinito de veces. En cambio, las
probabilidades de eventos se estiman a partir de las probabilidades empíricas obtenidas de muestras grandes (como
en los ejemplos 3.2–3.4). En otros casos, se construyen modelos teóricos de probabilidad a partir de los cuales se
pueden calcular las probabilidades de muchos tipos diferentes de eventos. Un tema importante en la inferencia
estadística es comparar probabilidades empíricas con probabilidades teóricas, es decir, evaluar la bondad de ajuste
de los modelos de probabilidad. Este tema se trata en la Sección 10.7.
EJEMPLO !.% Cáncer La probabilidad de desarrollar cáncer de estómago durante un período de 1 año en mujeres de 45 a 49 años, según
los datos del Registro de Tumores SEER de 2002 a 2006, es de 3,7 por 100.000 [2]. Supongamos que hemos estudiado las
tasas de cáncer en un pequeño grupo de enfermeras estadounidenses durante este período y queremos comparar qué tan
cercanas son las tasas de esta muestra limitada a las cifras del registro de tumores. El valor 3,7 por 100.000 sería el mejor
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
44 CAPÍTULO 3 Probabilidad
estimación de la probabilidad antes de recopilar cualquier dato, y luego veríamos qué tan cerca nuestros nuevos datos
de muestra se ajustaban a esta probabilidad.
De la definición 3.1 y de los ejemplos anteriores, podemos deducir que las probabilidades tienen las
siguientes propiedades básicas:
ECUACIÓN 3.1 (1) La probabilidad de un evento MI, denotado por Pre), siempre satisface 0! Pr (E)! 1.
(2) Si los resultados A y B son dos eventos que no pueden ocurrir al mismo tiempo
tiempo, entonces Pr (A o B ocurre) = Pr (A) + Pr (B).
EJEMPLO !.& Hipertensión Dejar A ser el caso de que una persona tenga lecturas de presión arterial diastólica normotensiva
(PAD) (PAD <90), y deje B ser el caso de que una persona tenga lecturas límite de DBP (90! DBP <95). Suponer
que Pr (A) =. 7, y Pr (B) =. 1. Deja Z ser el caso de que una persona tenga un DBP <95. Entonces
DEFINICIÓN !.# Dos eventos A y B son mutuamente excluyentes si no pueden ocurrir ambos al mismo tiempo.
EJEMPLO !.' Hipertensión Dejar X ser DBP, C ser el evento X " 90, y D ¡Sé el evento 75! X ! 100. Eventos C y D son no mutuamente
excluyentes, porque ambos ocurren cuando 90! X ! 100.
La figura 3.1 representa en forma de diagrama A # B ambos para el caso en el que A y B son y no son mutuamente
excluyentes.
EJEMPLO !.( Hipertensión Deja que los eventos A y B definirse como en el Ejemplo 3.6: A = {X < 90},
B = { 90! X < 95}, donde X = DBP. Entonces A # B = {X < 95}.
EJEMPLO !.) Hipertensión Deja que los eventos C y D definirse como en el ejemplo 3.7:
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
3.3 Alguna notación probabilística útil 45
A ! B sombreado
(a)
A ! B sombreado
(B)
DEFINICIÓN !.% A $ B es el evento de que ambos A y B ocurren simultáneamente. A $ B se muestra esquemáticamente en la Figura
3.2.
EJEMPLO !."* Hipertensión Deja que los eventos C y D definirse como en el ejemplo 3.7; eso es,
Darse cuenta de A $ B no está bien de fi nido para eventos A y B en el ejemplo 3.6 porque ambos A y B no puede ocurrir
simultáneamente. Esto es cierto para cualquier evento que se excluya mutuamente.
A ! B sombreado
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
46 CAPÍTULO 3 Probabilidad
DEFINICIÓN !.& A es el evento que A no se produce. Se llama el complemento de UNA. Darse cuenta de
Pr (A) = 1! Pr (A) , porque A ocurre solo cuando A no se produce. Evento A se esquematiza en la Figura 3.3.
EJEMPLO !."" Hipertensión Deja que los eventos A y C definirse como en los Ejemplos 3.6 y 3.7; eso es,
Pr (C) = Pr (A) = 1! .7 = .3
Por lo tanto, si el 70% de las personas tiene PAD <90, entonces el 30% de las personas debe tener PAD "90.
EJEMPLO !."# Hipertensión, Genética Suponga que estamos llevando a cabo un programa de detección de hipertensión en el
hogar. Considere todos los pares posibles de medidas de PAD de la madre y el padre dentro de una familia dada,
asumiendo que la madre y el padre no están relacionados genéticamente. Este espacio muestral consta de todos
los pares de números de la forma ( X, Y) dónde X> 0, Y> 0. Ciertos eventos específicos pueden ser de interés en
este contexto. En particular, nos podría interesar si la madre o el padre son hipertensos, lo cual se describe,
respectivamente, por eventos. A = { DBP de la madre "90}, B = { DBP del padre
Supongamos que sabemos que Pr (A) =. 1, Pr (B) =. 2. ¿Qué podemos decir sobre Pr (A $ B) = Pr ( DBP de la
madre "90 y DBP del padre" 90) = Pr ( tanto la madre como el padre son hipertensos)? No podemos decir nada a
menos que estemos dispuestos a hacer ciertas suposiciones.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
3.4 La ley de multiplicación de la probabilidad 47
0 90 DBP de la madre
EJEMPLO !."! Hipertensión, Genética Calcule la probabilidad de que tanto la madre como el padre sean hipertensos si los
eventos del ejemplo 3.12 son independientes.
Una forma de interpretar este ejemplo es asumir que el estado hipertenso de la madre no depende en
absoluto del estado hipertenso del padre. Así, si estos eventos son independientes, entonces en el 10% de todos
los hogares donde el padre es hipertenso la madre también es hipertensa, y en el 10% de todos los hogares
donde el padre es hipertenso. no
hipertensa la madre es hipertensa. Esperaríamos que estos dos eventos fueran independientes si los principales
determinantes de la presión arterial elevada fueran genéticos. Sin embargo, si los principales determinantes de la presión
arterial elevada fueran, hasta cierto punto, ambientales, entonces esperaríamos que la madre tuviera más probabilidades
de tener presión arterial elevada ( A cierto) si el padre tenía la presión arterial elevada ( B cierto) que si el padre no tuviera
la presión arterial elevada ( B no es verdad). En este último caso, los eventos no serían independientes. Las
implicaciones de esta falta de independencia se analizan más adelante en este capítulo.
EJEMPLO!. "$ Hipertensión, Genética Considere todas las posibles mediciones de la PAD de una madre y su primer hijo.
Dejar
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
48 CAPÍTULO 3 Probabilidad
Este resultado sería de esperar porque la madre y el primer hijo comparten el mismo entorno y están
relacionados genéticamente. En otras palabras, es más probable que el primogénito tenga presión arterial
elevada en hogares donde la madre es hipertensa que en hogares donde la madre no es hipertensa.
EJEMPLO !."% Enfermedad de transmisión sexual Suponga que dos médicos, A y B, examinan a todos los pacientes que ingresan a una clínica para
detectar sífilis. Deja que los eventos A + = { el doctor A hace un diagnóstico positivo} y B + = { el doctor B hace un diagnóstico positivo}.
Supongamos que el médico A diagnostica el 10% de todos los pacientes como positivos, el médico B diagnostica el 17% de todos los
pacientes como positivos y ambos médicos diagnostican el 8% de todos los pacientes como positivos. Son los eventos A +, B + ¿independiente?
Pr (A +) =. 1 Pr (B +) =. 17 Pr (A +! B +) =. 08
y los eventos son dependientes. Este resultado sería de esperar porque debería haber una similitud entre la forma en
que dos médicos diagnostican a los pacientes con sífilis.
La definición 3.7 se puede generalizar al caso de k (> 2) eventos independientes. A esto a menudo se le llama ley de
multiplicación de la probabilidad.
(B)% Pr (A $ B)
Este principio se esquematiza en la Figura 3.5. Por lo tanto, para calcular Pr (A # B), sumar las probabilidades de A
y B por separado y luego restar la superposición, que es Pr (A $ B).
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
3,5 La ley de la suma de la probabilidad 49
A B
A!B
=A
=B
=A!B
EJEMPLO !."& Enfermedad de transmisión sexual Considere los datos del ejemplo 3.15. Suponga que se deriva a un paciente para que se
realicen más pruebas de laboratorio si el médico A o B dan un diagnóstico positivo. ¿Cuál es la probabilidad de que un paciente
sea derivado para más pruebas de laboratorio?
Solución: El evento de que cualquiera de los dos médicos haga un diagnóstico positivo puede estar representado por A + # B +. Lo
sabemos
Pr (A +) =. 1 Pr (B +) =. 17 Pr (A +! B +) =. 08
Por lo tanto, el 19% de todos los pacientes serán remitidos para más pruebas de laboratorio.
Los casos especiales de la ley de la adición son de interés. Primero, si los eventos A y B son mutuamente excluyentes, entonces
Pr (A $ B) = 0 y la ley de la adición se reduce a Pr (A # B) = Pr (A) + Pr (B). Esta propiedad se da en la ecuación 3.1 para las
Consulte la página 44 para probabilidades sobre dos eventos que se excluyen mutuamente. En segundo lugar, si los eventos A y B son independiente, luego
Este caso especial de la ley de la adición se puede interpretar de la siguiente manera: El evento A # B
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
50 CAPÍTULO 3 Probabilidad
B!A
=A
= { B ocurre y A no ocurre} = B ! A
Pr (A) =. 1, Pr (B) =. 2, y asumir A y B son eventos independientes. Suponga que un "hogar hipertenso" se
define como uno en el que la madre o el padre son hipertensos, con hipertensión definida para la madre y el
padre, respectivamente, en términos de eventos. A y B. ¿Cuál es la probabilidad de un hogar hipertenso?
Es posible extender la ley de la adición a más de dos eventos. En particular, si hay tres eventos A, B, y C,
entonces
Este resultado se puede generalizar a un número arbitrario de eventos, aunque eso está más allá del alcance de
este texto (ver [3]).
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
3.6 La probabilidad condicional 51
EJEMPLO !."( Cáncer Los médicos recomiendan que todas las mujeres mayores de 50 años se sometan a pruebas de
detección de cáncer de mama. La prueba definitiva para identificar los tumores de mama es una biopsia de
mama. Sin embargo, este procedimiento es demasiado caro e invasivo para recomendarlo todos mujeres
mayores de 50 años. En cambio, se recomienda a las mujeres de este grupo de edad que se realicen una
mamografía cada 1 o 2 años. Las mujeres con mamografías positivas se someten a pruebas adicionales con
una biopsia. Idealmente, la probabilidad de cáncer de mama entre las mujeres con mamografía positiva sería
1 y la probabilidad de cáncer de mama entre las mujeres con mamografía negativa sería 0. Los dos eventos
{mamografía positiva} y {cáncer de mama} serían entonces completamente dependientes; los resultados de la
prueba de detección determinarían automáticamente el estado de la enfermedad. El extremo opuesto se logra
cuando los eventos {mamografía positiva} y {cáncer de mama} son completamente independientes. En este
caso, la probabilidad de cáncer de mama sería la misma independientemente de si la mamografía es positiva
o negativa,
Estos conceptos se pueden cuanti fi car de la siguiente manera. Dejar A = { mamografía +},
B = { cáncer de mama}, y supongamos que estamos interesados en la probabilidad de cáncer de mama ( B) dado
que la mamografía es positiva ( A). Esta probabilidad se puede escribir
Pr (A $ B) / Pr (A).
Sin embargo, de la sección 3.4 sabemos que, por definición de la ley de multiplicación de la probabilidad, si dos
eventos son independientes, entonces Pr (A $ B) = Pr (A)! Pr (B). Si ambos
los lados están divididos por Pr (A), entonces Pr (B) = Pr (A $ B) / Pr (A) = Pr (B | A). De manera similar, podemos demostrar que si A y B son
Pr (B | A) Pr (B | A)
Note que si dos eventos A, B son independientes, entonces los RR es 1. Si dos eventos A, B
son dependientes, entonces el RR es diferente de 1. Heurísticamente, cuanto más aumenta la dependencia
entre eventos, más RR será de 1.
EJEMPLO !.") Cáncer Suponga que entre 100.000 mujeres con mamografías negativas, 20 serán diagnosticadas con cáncer de
mama en 2 años, o Pr (B | A) = 20/10 5 =. 0002 , mientras que a 1 de cada 10 mujeres con mamografías positivas
se le diagnosticará cáncer de mama en un plazo de 2 años, o Pr (B | A) =. 1. Los dos eventos A y B sería muy
dependiente, porque
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
52 CAPÍTULO 3 Probabilidad
En otras palabras, las mujeres con mamografías positivas tienen 500 veces más probabilidades de desarrollar cáncer
de mama durante los próximos 2 años que las mujeres con mamografías negativas. Ésta es la razón fundamental para
utilizar la mamografía como prueba de detección del cáncer de mama. Si eventos A y B eran independientes, entonces
los RR sería 1; las mujeres con mamografías positivas o negativas tendrían la misma probabilidad de tener cáncer de
mama, y la mamografía no sería útil como prueba de detección del cáncer de mama.
EJEMPLO !.#* Enfermedad de transmisión sexual Con los datos del ejemplo 3.15, encuentre la probabilidad condicional de que
el médico B dé un diagnóstico positivo de sífilis dado que el médico A haga un diagnóstico positivo. ¿Cuál es la
probabilidad condicional de que el médico B dé un diagnóstico positivo de sífilis dado que el médico A dé un
diagnóstico negativo? Cuál es el RR de B + dado A +?
Solución: Pr (B + "A +) = Pr (B +! A +) Pr (A +) =. 08 / .1 = .8
Por lo tanto, el médico B con fi rmará los diagnósticos positivos del médico A el 80% de las veces. Similitud,
Debemos calcular Pr (¡B + $ A!). Sabemos que si el médico B diagnostica a un paciente como positivo, entonces
el médico A confirma o no el diagnóstico. Por lo tanto,
Por lo tanto, cuando el médico A diagnostica a un paciente como negativo, el médico B contradecirá el diagnóstico el 10% de
las veces. los RR del evento B + dado A + es
Esto indica que el médico B tiene 8 veces más probabilidades de diagnosticar a un paciente como positivo cuando el médico A
diagnostica al paciente como positivo que cuando el médico A diagnostica al paciente como negativo. Estos resultados
cuantifican la dependencia entre los diagnósticos de los dos médicos.
REVISAR PREGUNTAS 3 A
2 ¿Cuál es la diferencia entre eventos independientes y dependientes? ¿Qué son los eventos
3 mutuamente excluyentes?
5 ¿Qué es la probabilidad condicional? ¿En qué se diferencia de la probabilidad incondicional? ¿Qué es el riesgo
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
3.6 La probabilidad condicional 53
Esta fórmula nos dice que la probabilidad incondicional de B es la suma de la probabilidad condicional de
B dado A veces la probabilidad incondicional de Un plus
la probabilidad condicional de B dado Un no ocurriendo veces la probabilidad incondicional de Un no ocurriendo.
Para derivar esto, observamos que si el evento B ocurre, debe ocurrir con A o sin UNA. Por lo tanto,
Dicho de otra manera, la probabilidad incondicional de B es un promedio ponderado de las probabilidades de B que
ocurren en dos subconjuntos mutuamente excluyentes ( A, A ), donde los pesos son las probabilidades de los subconjuntos
( Pr | A), Pr ( A ), respectivamente.
EJEMPLO !.#" Cáncer Dejar A y B se de fi nirá como en el ejemplo 3.19, y suponga que el 7% de la población general de
mujeres tendrá una mamografía positiva. ¿Cuál es la probabilidad de desarrollar cáncer de mama durante los
próximos 2 años entre las mujeres de la población general?
Así, la probabilidad incondicional de desarrollar cáncer de mama durante los próximos 2 años en la población
general (719/10 5) es un promedio ponderado de la probabilidad condicional de desarrollar cáncer de mama
durante los próximos 2 años entre las mujeres con una mamografía positiva (.1) y la probabilidad condicional
de desarrollar cáncer de mama durante los próximos 2 años entre las mujeres con una mamografía negativa
(20/10 5),
con pesos de 0.07 y 0.93 correspondientes a mamografía + y mamografía! mujeres, respectivamente.
En la Ecuación 3.6 la probabilidad de evento B se expresa en términos de dos eventos mutuamente excluyentes A
y A . En muchos casos, la probabilidad de un evento B puede ser
determinado en más de dos subconjuntos mutuamente excluyentes, denotados por A 1, A 2,. . . , A k.
DEFINICIÓN !."" Un conjunto de eventos A 1,. . . , A k es exhaustivo si debe ocurrir al menos uno de los eventos.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
54 CAPÍTULO 3 Probabilidad
Suponga que los eventos A 1,. . . , A k son mutuamente excluyentes y exhaustivos; es decir, al menos uno de los
eventos A 1,. . . , A k debe ocurrir y no pueden ocurrir dos eventos simultáneamente. Por lo tanto, exactamente uno de los
eventos A 1,. . . , A k debe ocurrir.
Para mostrar esto, notamos que si B ocurre, entonces debe ocurrir junto con uno y solo uno de los eventos, A 1,.
.., A k. Por lo tanto,
k
Pr (B) "Pr
= (B! A I )
yo = 1
Pr (B! A i) = Pr (A I ) " Pr (B # A I )
EJEMPLO !.## Oftalmología Estamos planificando un estudio de cataratas de 5 años en una población de 5000 personas de 60
años o más. Sabemos por los datos del censo que el 45% de esta población tiene entre 60 y 64 años, el 28%
entre 65 y 69 años, el 20% entre 70 y 74 años y el 7% tiene 75 años o más. También sabemos por el
Framingham Eye Study que el 2,4%, el 4,6%, el 8,8% y el 15,3% de las personas de estos grupos de edad
respectivos desarrollarán cataratas durante los próximos 5 años [4]. ¿Qué porcentaje de la población de nuestro
estudio desarrollará cataratas durante los próximos 5 años y cuántas personas con cataratas representa este
porcentaje?
Solución: Dejar A 1 = { de 60 a 64 años}, A 2 = { 65 a 69 años}, A 3 = { 70 a 74 años}, A 4 = { mayores de 75 años}. Estos eventos son
mutuamente excluyentes y exhaustivos porque cada persona en nuestro
La población debe pertenecer a un solo grupo de edad. Además, de las condiciones
del problema sabemos que Pr (A 1) =. 45, Pr (A 2) =. 28, Pr (A 3) =. 20, Pr (A 4) =. 07,
Pr (B | A 1) =. 024, Pr (B | A 2) =. 046, Pr (B | A 3) =. 088, y Pr (B | A 4) =. 153, donde B = { desarrollar cataratas en los próximos 5
años}. Finalmente, usando la regla de probabilidad total,
=. 024 (.45) + .046 (.2 28) + .088 (.20) + .153 (.07) = .052
Así, el 5,2% de esta población desarrollará cataratas durante los próximos 5 años, lo que representa un total de
5000. .052 = 260 personas con cataratas.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
3,7 Regla de Bayes y pruebas de detección 55
Pr (A 1! A 2! L! A k)
Si los eventos son independientes, entonces las probabilidades condicionales en el lado derecho de la
Ecuación 3.8 se reducen a probabilidades incondicionales y la ley de multiplicación generalizada se reduce a
Consulte la página 48 para
la ley de multiplicación para eventos independientes dada en la Ecuación 3.2. La ecuación 3.8 también
ECUACIÓN 3.2
generaliza la relación Pr (A $ B) = Pr (A)! Pr (B | A) dada en la definición 3.9 para dos eventos al caso de más
de dos eventos.
REVISIÓN DE PREGUNTAS 3 B
REVISIÓN
2 Suponga que la tasa de diabetes mellitus (DM) tipo II en personas de 40 a 59 años es del 7% entre los
caucásicos, el 10% entre los afroamericanos, el 12% entre los hispanos y el 5% entre los asiáticoamericanos.
Suponga que la distribución étnica en Houston, Texas, entre las personas de 40 a 59 años es 30% caucásicos,
25% afroamericanos, 40% hispanos y 5% asiáticoamericanos. ¿Cuál es la probabilidad general de DM tipo II
entre las personas de 40 a 59 años en Houston?
DEFINICIÓN !."# los valor predictivo positivo (PV +) de una prueba de detección es la probabilidad de que una persona tenga una enfermedad
dado que la prueba es positiva.
Pr ( enfermedad | prueba +)
los valor predictivo negativo (PV!) de una prueba de detección es la probabilidad de que una persona no tiene una
enfermedad dado que la prueba es negativa.
EJEMPLO !.#! Cáncer Encontrar PV + y PV! para mamografía dados los datos del ejemplo 3.19.
Por lo tanto, si la mamografía es negativa, la mujer está prácticamente segura no desarrollar cáncer de mama durante los
próximos 2 años ( PV! ' 1); mientras que si la mamografía es positiva, la mujer tiene un 10% de posibilidades de desarrollar
cáncer de mama ( PV + =. 10).
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
56 CAPÍTULO 3 Probabilidad
Un síntoma o un conjunto de síntomas también se puede considerar como una prueba de detección de una enfermedad.
Cuanto mayor sea el PV de la prueba de detección o de los síntomas, más valiosa será la prueba. Idealmente, nos gustaría
encontrar un conjunto de síntomas tales que tanto PV + y
PV! son 1. Entonces podríamos diagnosticar con precisión la enfermedad para cada paciente. Sin embargo, esto suele ser imposible.
Los médicos a menudo no pueden medir directamente la PV de un conjunto de síntomas. Sin embargo, pueden medir la
frecuencia con la que se presentan síntomas específicos en personas normales y enfermas. Estas medidas se definen de la
siguiente manera:
DEFINICIÓN !."! los sensibilidad de un síntoma (o conjunto de síntomas o prueba de detección) es la probabilidad de que el síntoma esté
presente dado que la persona tiene una enfermedad.
DEFINICIÓN!. "$ los ciudad específica de un síntoma (o conjunto de síntomas o prueba de detección) es la probabilidad de que el síntoma sea
no presente dado que la persona lo hace no tiene una enfermedad.
DEFINICIÓN !."% A falso negativo se define como un resultado negativo de la prueba cuando la enfermedad o afección que se está evaluando está
realmente presente. A falso positivo se define como un resultado positivo de la prueba cuando la enfermedad o afección que se está
Para que un síntoma sea eficaz en la predicción de la enfermedad, es importante que tanto la sensibilidad como la
especificidad sean altas.
EJEMPLO!. # $ Cáncer Suponga que la enfermedad es cáncer de pulmón y el síntoma es el tabaquismo. Si asumimos que el 90% de
las personas con cáncer de pulmón y el 30% de las personas sin cáncer de pulmón (esencialmente toda la población
general) son fumadores, entonces la sensibilidad y la especificidad del tabaquismo como prueba de detección del
cáncer de pulmón son .9 y .7, respectivamente. Obviamente, el tabaquismo no puede utilizarse por sí solo como
criterio de detección para predecir el cáncer de pulmón porque habrá demasiados falsos positivos (personas sin
cáncer que son fumadores).
EJEMPLO !.#% Cáncer Suponga que la enfermedad es cáncer de mama en mujeres y el síntoma es tener antecedentes familiares de cáncer de
mama (ya sea una madre o una hermana con cáncer de mama). Si asumimos que el 5% de las mujeres con cáncer de mama
tienen antecedentes familiares de cáncer de mama, pero solo el 2% de las mujeres sin cáncer de mama tienen esos
antecedentes, entonces la sensibilidad de los antecedentes familiares de cáncer de mama como predictor de cáncer de mama es
de 0,05 y la especificación es .98 = (1% .02). Los antecedentes familiares de cáncer de mama no se pueden utilizar por sí mismos
para diagnosticar el cáncer de mama porque habrá demasiados falsos negativos (mujeres con cáncer de mama que no tienen
antecedentes familiares).
REVISAR PREGUNTAS 3 C
2 Cuales son los PV + y PV! de una prueba de detección? Cómo PV difieren de la sensibilidad y la especificidad?
3 El nivel de antígeno prostático específico (PSA) en la sangre se usa con frecuencia como prueba de detección del
cáncer de próstata. Punglia y col. [5] informó los siguientes datos sobre la relación entre una prueba de PSA positiva
("4,1 ng / dL) y el cáncer de próstata.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
3,7 Regla de Bayes y pruebas de detección 57
+ + 92
+ % 27
% + 46
% % 72
Regla de Bayes
La Pregunta de repaso 3C.3 asume que cada PSA + y PSA! participante (o al menos una muestra representativa de
participantes PSA + y PSA!) se evalúa para detectar la presencia de cáncer de próstata. Por lo tanto, uno puede evaluar
directamente PV + y PV! a partir de los datos proporcionados. En cambio, en muchos estudios de detección se obtiene
una muestra aleatoria de casos y controles. Se puede estimar la sensibilidad y la especificidad a partir de tal diseño. Sin
embargo, debido a que los casos suelen estar sobremuestreados en relación con la población general (p. Ej., Si hay un
número igual de casos y controles), no se puede estimar directamente PV +
y PV! a partir de los recuentos de frecuencia disponibles en un estudio de detección típico. En cambio, se utiliza un método indirecto
La pregunta general entonces es cómo se puede utilizar la sensibilidad y la especificidad de un síntoma (o conjunto
de síntomas o prueba de diagnóstico), que son cantidades que un médico puede estimar, para calcular PV s, ¿cuáles
son las cantidades que necesita un médico para realizar un diagnóstico adecuado?
Sensibilidad = Pr (A! ! B)
Especificidad = Pr (A! B)
Pr (A "B)! Pr B ()
PV + = Pr (B)" A =
Pr (A "B)! Pr (B) + Pr (A" B B) ! Pr (B)
+ Sensibilidad X
PV =
Sensibilidad x + ( 1 "Especificidad y)! (1 " X)
!= Especificidad "(1! X)
PV
Especificidad "(1! x) + ( 1! Sen sensibilidad) " X
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
58 CAPÍTULO 3 Probabilidad
PV + = Pr (B ")A= Pr (B! A)
Pr (A)
PV + = Pr (BA)"=
Pr A "B()! () Pr B
Pr (A "B)! Pr (B) + Pr (A" B B) ! Pr (B)
EJEMPLO !.#& Hipertensión Suponga que el 84% de los hipertensos y el 23% de los normotensos se clasifican como hipertensos por
una máquina automática de presión arterial. Cuales son los PV + y
PV " de la máquina, asumiendo que el 20% de la población adulta es hipertensa?
Solución: La sensibilidad = .84 y la especificidad = 1 ".23 = .77. Así, de la regla de Bayes se sigue que
Por lo tanto, un resultado negativo de la máquina es razonablemente predictivo porque estamos 95% seguros de que una
persona con un resultado negativo de la máquina es normotensa. Sin embargo, un resultado positivo no es muy predictivo
porque solo tenemos un 48% de seguridad de que una persona con un resultado positivo de la máquina es hipertensa.
El ejemplo 3.26 consideró solo dos posibles estados patológicos: hipertenso y normotenso. En la medicina
clínica, a menudo hay más de dos posibles estados patológicos. Nos gustaría poder predecir el estado de
enfermedad más probable dado un síntoma específico (o conjunto de síntomas). Supongamos que la probabilidad
de tener estos síntomas entre las personas en cada estado de enfermedad (donde uno de los estados de
enfermedad puede ser normal) se conoce a partir de la experiencia clínica, al igual que la probabilidad de cada
estado de enfermedad en la población de referencia. Esto nos lleva a la regla de Bayes generalizada:
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
3,7 Regla de Bayes y pruebas de detección 59
Dejar B 1 B 2,. . . , B k ser un conjunto de estados patológicos exhaustivos y mutuamente excluyentes; es decir, debe ocurrir al menos un estado
PS k
Pr (B ¡I! A) = Pr (A! B I ) " Pr (B I ) • # Pr (AB)
! j "Pr () ' B j)
% Y j=1 ()
Este resultado se obtiene de manera similar al resultado de la regla de Bayes para dos estados de enfermedad en la Ecuación 3.9.
( B I " A)
Pr (B!)I A= Pr
Pr (A)
Pr (B I ! A) = Pr (A # B I ) " Pr (B I )
Pr (A! B I ) " Pr (B I )
Pr (B)¡I! A = # k
j = Pr
1( A! B j) " Pr (B j))
EJEMPLO !.#' Enfermedad pulmonar Suponga que un hombre de 60 años que nunca ha fumado cigarrillos se presenta a un
médico con síntomas de tos crónica y dificultad para respirar ocasional. El médico se preocupa y ordena al
paciente ingresado en el hospital para una biopsia de pulmón. Suponga que los resultados de la biopsia de
pulmón son compatibles con cáncer de pulmón o con sarcoidosis, una enfermedad pulmonar bastante común y
generalmente no fatal. En este caso
( B 2 = cáncer de pulmón
A = { tos crónica, resultado de una biopsia pulmonar}
B 3 = sarcoidosis
Pr (B 1) =. 99 Pr (B 2) =. 001 Pr (B 3) =. 009
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
60 CAPÍTULO 3 Probabilidad
Solución: La regla de Bayes se puede utilizar para responder a esta pregunta. Específicamente,
PS 3
Pr (B 1! A) = Pr (A! B 1) " Pr (B 1) & # # Pr (A! B j) " Pr (B j) ' )
% Y j=1 ()
Por lo tanto, aunque la probabilidad incondicional de sarcoidosis es muy baja (.009), la probabilidad condicional de la
enfermedad dados estos síntomas y este grupo de fumadores de edad y género es .811. Además, aunque los síntomas y las
pruebas de diagnóstico son compatibles tanto con el cáncer de pulmón como con la sarcoidosis, esta última es mucho más
probable entre los pacientes de este grupo de edad y sexo que fuman (es decir, entre los hombres que nunca han fumado).
EJEMPLO !.#( Enfermedad pulmonar Suponga ahora que el paciente del ejemplo 3.27 fumaba dos paquetes de
cigarrillos al día durante 40 años. Entonces asume Pr (B 1) =. 98, Pr (B 2) =. 015, y Pr (B 3) =. 005 en este tipo de persona.
¿Cuáles son las probabilidades de los tres estados de enfermedad para este
tipo de paciente, dados estos síntomas?
Por lo tanto, en este tipo de paciente (es decir, un fumador empedernido), el diagnóstico más probable es el cáncer de pulmón.
REVISAR PREGUNTAS 3 D
3 Consulte la Pregunta de repaso 3B.2. Suponga que una persona de 40 a 59 años en Houston tiene DM tipo II.
¿Cuál es la probabilidad de que esta persona sea afroamericana? ¿Hispano? ¿Caucásico? ¿Asiático americano? ( Pista:
Utilice la regla de Bayes generalizada).
4 Responda la Pregunta de revisión 3D.3 para una persona no diabética de 40 a 59 años en Houston.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
3.9 Curvas ROC 61
práctica. En cambio, los bayesianos conciben dos tipos de probabilidad: una probabilidad previa y una probabilidad
posterior.
DEFINICIÓN !."& los probabilidad previa de un evento es la mejor suposición por parte del observador de la probabilidad de un evento en
ausencia de datos. Esta probabilidad previa puede ser un solo número, o puede ser un rango de valores probables para la
probabilidad, quizás con ponderaciones asignadas a cada valor posible.
DEFINICIÓN !."' los probabilidad posterior de un evento es la probabilidad de que ocurra un evento después de recopilar
algunos datos empíricos. Se obtiene integrando información de la probabilidad previa con datos adicionales
relacionados con el evento en cuestión.
EJEMPLO !.!* Hipertensión ¿Cuál es la probabilidad posterior de hipertensión dado que una máquina automática de presión
arterial ha clasificado a una persona como hipertensa?
Solución: Si nos referimos al ejemplo 3.26 y dejamos que el evento {hipertensivo verdadero} se denote por B y el
evento {clasificado como hipertensivo por una máquina automática de presión arterial} se denotaría por A, vemos que
la probabilidad posterior viene dada por PV + = Pr (B | A) =. 48.
EJEMPLO !.!" Hipertensión ¿Cuál es la probabilidad posterior de hipertensión dado que una máquina automática de presión
arterial ha clasificado a una persona como normotensa?
Solución: La probabilidad posterior = Pr (B "A) = 1! Pr (B "A) = 1! PV! =. 05 . Por lo tanto, la probabilidad previa
inicial del 20% se ha integrado con los datos de la máquina automática de presión arterial para producir
probabilidades posteriores de .48 y .05, para personas clasificadas como hipertensas y normotensas por la
máquina automática de presión arterial, respectivamente.
El principal problema de la inferencia bayesiana radica en especificar la probabilidad previa. Dos personas
diferentes pueden proporcionar diferentes probabilidades previas para un evento y pueden llegar a diferentes
conclusiones (obtener diferentes probabilidades posteriores), incluso con los mismos datos. Sin embargo, en algunos
casos, la probabilidad previa está bien definida. Además, tener suficientes datos disminuye el impacto de la
probabilidad previa en la inferencia posterior.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
62 CAPÍTULO 3 Probabilidad
TABLA 3.3 Calificaciones de 109 imágenes de TC por un solo radiólogo en comparación con el estado real de la enfermedad
Clasificación CT
Normal 33 6 6 11 2 58
Anormal 3 2 2 11 33 51
Total 36 8 8 22 35 109
EJEMPLO !.!# Radiología Los datos de la tabla 3.3 proporcionados por Hanley y McNeil [6] son calificaciones de imágenes de tomografía
computarizada (TC) realizadas por un solo radiólogo en una muestra de 109 sujetos con posibles problemas neurológicos. El
verdadero estado de la enfermedad también se conoce para cada uno de estos sujetos. Los datos se presentan en la Tabla 3.3.
¿Cómo podemos cuantificar la precisión diagnóstica de la prueba?
A diferencia de los ejemplos anteriores, esta prueba no tiene un punto de corte obvio que se pueda usar para designar a un
sujeto como positivo para la enfermedad según la tomografía computarizada. Por ejemplo, si designamos a un sujeto como
positivo en la prueba si probablemente es anormal o definitivamente anormal (una calificación de 4 o 5, o 4+), entonces la
sensibilidad de la prueba es (11 + 33) / 51 = 44/51 = .86, mientras que la especificidad es (33 + 6 + 6) / 58 = 45/58 = .78. En la
tabla 3.4, calculamos la sensibilidad y la especificidad de las calificaciones del radiólogo de acuerdo con diferentes criterios de
prueba positiva.
Para mostrar estos datos, construimos una curva de característica operativa del receptor (ROC).
DEFINICIÓN !."( A curva de característica de funcionamiento del receptor (ROC) es un gráfico de la sensibilidad (en el eje y) versus (1 -
especificidad) (en el eje x) de una prueba de detección, donde los diferentes puntos de la curva corresponden a diferentes
puntos de corte utilizados para designar la prueba positiva.
EJEMPLO !.!! Radiología Construya una curva ROC basada en los datos de la tabla 3.4.
Solución: Trazamos la sensibilidad en el y- eje versus (1 - especi fi X- eje utilizando los datos de la Tabla 3.4. La
gráfica se muestra en la Figura 3.7.
TABLA 3.4 Sensibilidad y especificidad de las calificaciones del radiólogo según diferentes criterios de prueba positiva
basados en los datos de la Tabla 3.3
1+ 1.0 0
2+ . 94 . 57
3+ . 90 . 67
4+ . 86 . 78
5+ .sesenta y cinco . 97
6+ 0 1.0
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
3.10 Prevalencia e incidencia 63
Sensibilidad
.6
.5
.4
.3
.2
.1
0
0 .1 .2 .3 .4 .5 .6 .8 .9 1.0 1 -
Especificidad
* Cada punto representa (1 - especificidad, sensibilidad) para diferentes criterios de prueba positiva.
El área bajo la curva ROC es un resumen razonable de la precisión diagnóstica general de la prueba. Se
puede demostrar [6] que esta área, cuando se calcula mediante la regla trapezoidal, corresponde a la
probabilidad de que para un par de sujetos normales y anormales seleccionados al azar, el sujeto anormal
tenga una calificación de TC más alta. Se supone que para las calificaciones no vinculadas, el radiólogo
designa al sujeto con la calificación más baja como normal y al sujeto con la calificación más alta como anormal.
Para las calificaciones empatadas, se supone que el radiólogo elige al azar a un paciente como normal y al otro
como anormal.
EJEMPLO!.! $ Radiología Calcule el área bajo la curva ROC en la figura 3.7 e interprete lo que significa.
Solución: El área bajo la curva ROC, cuando se evalúa mediante la regla trapezoidal, está dada por
. 5 (.94 +1.0) (. 57) + .5 (.90 + .94) (. 10) + .5 ((. 86 + .90) (. 11) + .5 (.65+ .86) (.19)
Esto significa que el radiólogo tiene un 89% de probabilidad de distinguir correctamente un sujeto normal de
uno anormal según el orden relativo de sus calificaciones de TC. Para sujetos normales y anormales con las
mismas calificaciones, se supone que el radiólogo selecciona uno de los dos sujetos al azar.
En general, de dos pruebas de detección para la misma enfermedad, la prueba con el área más alta bajo su curva ROC
se considera la mejor prueba, a menos que algún nivel particular de sensibilidad o especificidad sea especialmente
importante al comparar las dos pruebas.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
64 CAPÍTULO 3 Probabilidad
DEFINICIÓN !.") los predominio de una enfermedad es la probabilidad de tener actualmente la enfermedad independientemente del
tiempo que uno haya tenido la enfermedad. La prevalencia se obtiene dividiendo el número de personas que actualmente
padecen la enfermedad por el número de personas de la población de estudio.
EJEMPLO !.!% Hipertensión Se informó que la prevalencia de hipertensión entre adultos (de 17 años o más) era del 20,3%,
según lo evaluado por el estudio NHANES realizado en 1999-2000 [7]. Se calculó dividiendo el número de
personas que informaron haber tomado una receta para la hipertensión y tenían 17 años de edad o más
(1225) por el número total de personas de 17 años o más en la población de estudio (6044).
DEFINICIÓN !.#* los incidencia acumulada de una enfermedad es la probabilidad de que una persona sin una enfermedad previa desarrolle un
nuevo caso de la enfermedad durante un período de tiempo específico.
En el capítulo 14 distinguimos entre incidencia acumulada, que se define durante un largo período de
tiempo, y densidad de incidencia, que se define en un período de tiempo muy corto (o instantáneo). Para
simplificar, antes del Capítulo 14 usamos el término abreviado incidencia para denotar Incidencia acumulada.
EJEMPLO !.!& Cáncer La tasa de incidencia acumulada de cáncer de mama en mujeres estadounidenses de 40 a 44 años durante el
período 2002-2006 fue de aproximadamente 118,4 por 100.000 [2]. Esto significa que el 1 de enero de 2002, alrededor de
118 de cada 100,000 mujeres de 40 a 44 años de edad que nunca habían tenido cáncer de mama desarrollarían cáncer de
mama para el 31 de diciembre.
2002.
REVISAR LA PREGUNTA S 3 E
1 Suponga que de 25 estudiantes en una clase, 5 sufren actualmente de fiebre del heno. ¿Es la proporción 5 de 25
REVISIÓN
2 Suponga que se identifican 50 hombres VIH positivos, 5 de los cuales desarrollan SIDA durante los próximos 2 años. ¿Es la
3.11 RESUMEN
En este capítulo, se discutieron las probabilidades y cómo trabajar con ellas usando las leyes de la suma y la
multiplicación. Se hizo una distinción importante entre eventos independientes, que no están relacionados
RESUMEN
entre sí, y eventos dependientes, que están relacionados entre sí. Los conceptos generales de probabilidad
condicional y RR
se introdujeron para cuantificar la dependencia entre dos eventos. Estas ideas se aplicaron luego al área especial de
detección de enfermedades en poblaciones. En particular, las nociones de sensibilidad, especificidad y PV, que se
utilizan para definir la precisión de las pruebas de detección, se desarrollaron como aplicaciones de probabilidad
condicional. También utilizamos una curva ROC para ampliar los conceptos de sensibilidad y especificidad cuando la
designación del punto de corte para la prueba positiva frente a la prueba negativa es arbitraria.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
Problemas sesenta y cinco
En algunas ocasiones, solo están disponibles las sensibilidades y las especi fi PV de las pruebas de detección.
Esta tarea se puede realizar utilizando la regla de Bayes. El uso de la regla de Bayes en el contexto de las pruebas
de detección es un caso especial de inferencia bayesiana. En la inferencia bayesiana, especificamos una
probabilidad previa para un evento que, una vez recopilados los datos, se modifica a una probabilidad posterior. Por
último, se definieron la prevalencia y la incidencia, que son parámetros probabilísticos que se utilizan a menudo para
describir la magnitud de la enfermedad en una población.
En los dos capítulos siguientes, estos principios generales de probabilidad se aplican para derivar algunos de los
modelos probabilísticos importantes que se utilizan con frecuencia en la investigación biomédica, incluidos los modelos
binomial, de Poisson y normal. Estos modelos eventualmente se usarán para probar hipótesis sobre datos.
PROBLEMAS
Considere una familia con una madre, un padre y dos hijos. Salud mental
Dejar A 1 = { madre tiene gripe}, A 2 = { padre tiene gripe},
Recientemente, Pfeffer et al. Han proporcionado estimaciones de la prevalencia de
A 3 = { el primer hijo tiene gripe}, A 4 = { el segundo hijo tiene gripe}, B = { al
la enfermedad de Alzheimer. [8]. Las estimaciones se dan en la Tabla 3.5.
menos un niño tiene gripe}, C = { al menos uno
padre tiene gripe}, y D = { al menos una persona de la familia tiene
Suponga que un hombre de 77 años, una mujer de 76 años y una mujer de 82
gripe}.
años no emparentados se seleccionan de una comunidad.
* 3.1 Que hace A 1 # A 2 ¿significar?
* 3.4 Que hace A 3 # B ¿significar? 3,17 ¿Cuál es la probabilidad de que al menos una de las mujeres tenga la enfermedad de
* 3.6 Rápido C en términos de A 1, A 2, A 3, y A 4. 3,18 ¿Cuál es la probabilidad de que al menos una de las tres personas tenga la
enfermedad de Alzheimer?
* 3,7 Rápido D en términos de B y C.
3,19 ¿Cuál es la probabilidad de que exactamente una de las tres personas tenga la
* 3.8 Que hace A 1 ¿significar?
enfermedad de Alzheimer?
* 3.9 Que hace A 2 ¿significar?
3,20 Supongamos que sabemos que una de las tres personas tiene la enfermedad de
* 3.10 Representar C en términos de A 1, A 2, A 3, y A 4.
Alzheimer, pero no sabemos cuál. ¿Cuál es la probabilidad condicional de que la
* 3.11 Representar D en términos de B y C. persona afectada sea una mujer?
Supongamos que una epidemia de gripe azota una ciudad. En el 10% de las 3.21 Supongamos que sabemos que dos de las tres personas padecen la enfermedad de
familias la madre tiene gripe; en el 10% de las familias el padre tiene gripe; y en Alzheimer. ¿Cuál es la probabilidad condicional de que ambas sean mujeres?
el 2% de las familias tanto el padre como la madre tienen gripe.
3,22 Supongamos que sabemos que dos de las tres personas padecen la
3.12 Son los eventos A 1 = { madre tiene gripe} y A 2 = enfermedad de Alzheimer. ¿Cuál es la probabilidad condicional de que ambos
¿{padre tiene gripe} independiente? sean menores de 80 años?
Suponga que hay un 20% de probabilidad de que cada niño se contagie de influenza, mientras
que en el 10% de las familias de dos niños ambos niños contraen la enfermedad. TABLA 3.5 Prevalencia de la enfermedad de Alzheimer
(casos por 100 habitantes)
3.13 ¿Cuál es la probabilidad de que al menos un niño contraiga gripe?
Grupo de edad Machos Hembras
3,14 Con base en el problema 3.12, ¿cuál es la probabilidad condicional de 65–69 1,6 0.0
que el padre tenga gripe dado que la madre tiene gripe?
70–74 0.0 2.2
75–79 4.9 2.3
3,15 Con base en el problema 3.12, ¿cuál es la probabilidad 80–84 8,6 7.8
condicional de que el padre tenga gripe dado que la madre no tiene 85+ 35,0 27,9
gripe?
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
66 CAPÍTULO 3 Probabilidad
TABLA 3.6 Distribución de la jubilación por edad y género TABLA 3.7 Tasa de ataque de la gripe por edad y
comunidad grupo de tratamiento
Grupo de edad Masculino (%) a Mujer (%) a edad Grupo QIV Grupo de control
Suponga que la probabilidad de que ambos miembros de una pareja casada, cada uno de los 3,29 ¿Qué porcentaje de los niños de 3 a 4 años de la aldea contraerá gripe?
cuales tiene entre 75 y 79 años de edad, tengan la enfermedad de Alzheimer es de 0,0015.
Genética
3,25 ¿Cuál es la probabilidad de que al menos un miembro de la pareja se vea
afectado? Supongamos que una enfermedad se hereda a través de un modo dominante de
herencia y que solo uno de los dos padres está afectado por la enfermedad. Las
Suponga que se propone un estudio de la enfermedad de Alzheimer en una comunidad de
implicaciones de este modo de herencia son que la probabilidad es de 1 en 2 de que
jubilados con personas mayores de 65 años, donde la distribución por edad y género es
cualquier descendiente en particular contraiga la enfermedad.
como se muestra en la Tabla 3.6.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
Problemas 67
son que cada descendiente masculino tiene un 50% de posibilidades de heredar la TABLA 3.8 Distribución de la duración de la gestación
enfermedad, mientras que la descendencia femenina no tiene ninguna posibilidad de contraer
Duración de la gestación Probabilidad
la enfermedad.
3,40 En una familia con un hermano y una hermana, ¿cuál es la probabilidad de que
< 28 semanas . 007
ambos hermanos se vean afectados?
28 a 31 semanas . 012
3,41 ¿Cuál es la probabilidad de que se vea afectado exactamente un hermano?
32 a 35 semanas . 050
3,42 ¿Cuál es la probabilidad de que ninguno de los hermanos se vea afectado? 36 semanas . 037
3,43 Responda el problema 3.40 para familias con dos hermanos varones. # 37 semanas . 893
3,44 Responda el problema 3.41 para familias con dos hermanos varones.
3,46 Suponga que los modos de herencia dominante, recesivo y ligado al factores genéticos o ambientales, o ambos, es algo controvertido. Un
sexo siguen las leyes de probabilidad dadas en los problemas 3.32, 3.37 y investigador desea estudiar un factor ambiental particular, a saber, la
3.40 y que, sin conocimiento previo sobre la familia en cuestión, cada relación de los hábitos de fumar cigarrillos en los padres con la presencia o
modo de herencia es igualmente probable. ¿Cuál es la probabilidad ausencia de asma en su hijo mayor de 5 a 9 años que vive en el hogar
posterior de cada modo de herencia en esta familia? (referido a continuación como su descendencia). Suponga que el
investigador encuentra que (1) si tanto la madre como el padre son
fumadores actuales, entonces la probabilidad de que su descendencia
3,47 Responda el problema 3.46 para una familia con dos hermanos varones en la que
tenga asma es de 0,15; (2) si la madre es fumadora actual y el padre no,
sólo un hermano se ve afectado.
entonces la probabilidad de que su descendencia tenga asma es de 0,13;
3,48 Responda el problema 3.46 para una familia con un hermano y una hermana en
(3) si el padre es un fumador actual y la madre no, entonces la probabilidad
la que ambos hermanos se ven afectados.
de que su descendencia tenga asma es de .05; y (4) si ninguno de los
3,49 Conteste el problema 3.48 donde solo el hermano varón se ve afectado. padres es fumador actual, entonces la probabilidad de que sus hijos
tengan asma es de .04.
Obstetricia * 3,53 Suponga que los hábitos de fumar de los padres son independientes y la
Los siguientes datos se derivan del Informe mensual de estadísticas vitales probabilidad de que la madre sea fumadora actual es .4, mientras que la
(octubre de 1999) publicado por el Centro Nacional de Estadísticas de Salud [10]. probabilidad de que el padre sea fumador actual es .5. ¿Cuál es la probabilidad
Estos datos son pertinentes solo para los nacidos vivos. de que tanto el padre como la madre sean fumadores actuales?
Suponga que los bebés se clasifican como de bajo peso al nacer si tienen un peso al * 3,54 Considere el subgrupo de familias en las que la madre no es fumadora
nacer <2500 gy como peso normal al nacer si tienen un peso al nacer # 2500 g. actual. ¿Cuál es la probabilidad de que el padre sea un fumador actual entre
Suponga que los lactantes también se clasifican según la duración de la gestación en esas familias? ¿En qué se diferencia esta probabilidad de la calculada en el
las siguientes cinco categorías: <28 semanas, 28-31 semanas, 32-35 semanas, 36 problema 3.53?
semanas y # 37 semanas. Suponga que las probabilidades de los diferentes períodos Suponga, alternativamente, que si el padre es un fumador actual, entonces la
de gestación son las que se dan en la tabla 3.8. probabilidad de que la madre sea un fumador actual es .6; mientras que si el padre no es
un fumador actual, entonces la probabilidad de que la madre sea un fumador actual es
de 0,2. Suponga también que los enunciados 1, 2, 3 y 4 anteriores son válidos.
Suponga también que la probabilidad de bajo peso al nacer es 0,949 con una
gestación de <28 semanas, 0,702 con una gestación de 28 a 31 semanas, 0,434 * 3,55 Si la probabilidad de que el padre sea un fumador actual es
con una gestación de 32 a 35 semanas, . 5, ¿cuál es la probabilidad de que el padre sea un fumador actual?
. 201 con una gestación de 36 semanas y 0,029 con una gestación de 37 y que la madre no es fumadora actual?
semanas.
* 3,56 ¿Son independientes los hábitos actuales de tabaquismo del padre y la
* 3,50 ¿Cuál es la probabilidad de tener un bebé con bajo peso al nacer? madre? ¿Por qué o por qué no?
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
68 CAPÍTULO 3 Probabilidad
* 3,58 Suponga que un niño tiene asma. ¿Cuál es la probabilidad posterior de que 3,66 ¿Cuál es la probabilidad de que una madre fume en el momento del parto
el padre sea un fumador actual? si la muestra de sangre seca es "5 ng / mL?
* 3,59 ¿Cuál es la probabilidad posterior de que la madre sea fumadora 3,67 ¿Cuál es otro nombre para esta cantidad?
actual si el niño tiene asma?
* 3,61 Responda el problema 3.59 si el niño no tiene asma. La investigación sobre los hábitos de fumar, la prevención del tabaquismo y los programas
para dejar de fumar requieren una medición precisa del comportamiento del tabaquismo. Sin
embargo, la disminución de la aceptabilidad social del tabaquismo parece causar un
* 3,62 ¿Son independientes el estado de asma del niño y el estado de tabaquismo del
subregistro significativo. Los marcadores químicos para el uso de cigarrillos pueden
padre? ¿Por qué o por qué no?
proporcionar indicadores objetivos del comportamiento del tabaquismo. Un marcador no
* 3,63 ¿El estado de asma del niño y el estado de fumadora de la madre son
invasivo ampliamente utilizado es el nivel de tiocianato de saliva (SCN). En un distrito
independientes? ¿Por qué o por qué no?
escolar de Minnesota, 1332 estudiantes de octavo grado (de 12 a 14 años) participaron en
un estudio [12] mediante el cual
Genética, Obstetricia
La cuantificación precisa del tabaquismo durante el embarazo es difícil en estudios
(1) Vi una película que ilustra cómo el uso reciente de cigarrillos
retrospectivos. Las muestras de sangre de recién nacidos recolectadas de manera rutinaria
podría detectarse fácilmente a partir de pequeñas muestras de saliva
con fines de detección pueden proporcionar un método de bajo costo para medir
objetivamente el tabaquismo materno cerca del momento del parto. La cotinina sérica es un (2) Proporcionó una muestra personal de SCN
importante biomarcador del tabaquismo reciente. Se realizó un estudio comparando los (3) Proporcionó un autoinforme del número de cigarrillos.
niveles de cotinina en las gotas de sangre seca en los recién nacidos con los de la sangre fumado por semana
del cordón umbilical (el estándar de oro) entre 428 recién nacidos en el Programa de
Los resultados se dan en la Tabla 3.10.
Detección Genética de California (Yang et al. [11]). El límite de detección más bajo para la
gota de sangre seca fue de 3,1 ng / ml. Los datos de la Tabla 3.9 se presentaron
relacionando las determinaciones de cotinina en manchas de sangre seca con las TABLA 3.10 Relación entre los niveles de SCN y
determinaciones de cotinina en sangre de cordón umbilical. cigarrillos autoinformados fumados por semana
Autoinformado
cigarrillos fumados Número de Porcentaje con
Suponga que se propone un límite de "5 ng / ml como criterio para dar positivo en la prueba en en la semana pasada estudiantes SCN # 100 µ g / mL
función de los niveles de cotinina de las gotas de sangre seca.
Ninguno 1163 3.3
3,64 ¿Cuál es la sensibilidad usando este punto de corte?
1-4 70 4.3
3,65 ¿Cuál es la especificidad que utiliza este punto de corte?
5-14 30 6,7
Suponga que se estima en base a una gran muestra de nacimientos en California que el
15-24 27 29,6
20% de las madres fuman en el momento del parto.
25–44 19 36,8
Suponga que la prueba de detección para detectar si una madre fuma en el 45+ 23 65,2
momento del embarazo se basa en un límite de "5 ng / ml utilizando muestras de
sangre seca del recién nacido. Fuente: Basado en el Revista Estadounidense de Salud Pública, 71 ( 12), 1320, 1981.
TABLA 3.9 Distribución del nivel de cotinina en las manchas de sangre seca de los recién nacidos según el estado de tabaquismo activo
materno * cerca del momento del parto entre 428 bebés que nacieron en California, 2001-2003
* El tabaquismo materno activo en el momento del parto se definió como niveles de sangre del cordón umbilical de "10 ng / ml.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
Problemas 69
Suponga que los autoinformes son completamente precisos y representativos del TABLA 3.11 Clasificación de cardiovasculares
número de estudiantes de octavo grado que fuman en la comunidad en general. reactividad usando un esfigmomanómetro
Estamos considerando usar un nivel de SCN # 100 µ g / mL como criterio de prueba automático y manual
para identificar a los fumadores de cigarrillos. Considere a un estudiante como
positivo si fuma uno o más cigarrillos por semana. "DBP, manual
* 3,70 ¿Cuál es la sensibilidad de la prueba para los estudiantes que fuman mucho
3,78 Si la población analizada es representativa de la población general,
(estudiantes que fuman cigarrillos # 45 por semana)?
¿cuáles son las PV + y PV " usando esta prueba?
* 3,71 ¿Cuál es la especificidad de la prueba?
* 3,73 Cuál es el PV " ¿del examen? El conjunto de datos de la tabla 3.12 se basa en 214 niños con otitis media
Supongamos que consideramos válidos los autoinformes de todos los estudiantes que aguda (otitis media con derrame o OME) que participaron en un ensayo
informan sobre algún consumo de cigarrillos, pero estimamos que el 20% de los clínico aleatorizado [13]. Cada niño tenía OME al comienzo del estudio en
estudiantes que informan que no consumen cigarrillos en realidad fuman de 1 a 4 uno (casos unilaterales) o ambos (casos bilaterales) oídos y fue asignado al
cigarrillos por semana y un 10% adicional fuma de 5 a 14 cigarrillos por semana. azar para recibir un curso de 14 días de uno de dos antibióticos, ya sea
cefaclor (CEF). o amoxicilina (AMO). Los datos aquí se refieren a 203 niños
cuyo estado del oído medio se determinó durante una visita de seguimiento
* 3,74 Suponiendo el porcentaje de estudiantes con SCN # 100 µ g / mL en
de 14 días. Los datos de la Tabla 3.12 se presentan en el conjunto de datos
estos dos subgrupos es el mismo que en aquellos que realmente reportan
EAR.DAT (en www.
1–4 y 5–14 cigarrillos por semana, calcule la especificación bajo estos
supuestos.
. cengagebrain.com).
* 3,75 Calcule el PV " bajo estos supuestos alterados. ¿Cómo es la verdad PV
3,79 ¿Parece haber alguna diferencia en el efecto de los antibióticos sobre la
" utilizando un criterio de cribado de SCN
eliminación de la otitis media? Exprese sus resultados en términos de riesgo
# 100 µg / mL para identificar fumadores en comparación con el
relativo (RR). Considere análisis separados para casos unilaterales y bilaterales.
PV " basado en autoinformes obtenidos en el problema 3.73?
También considere un análisis que combine los dos tipos de casos.
Hipertensión
3,80 Los investigadores registraron las edades de los niños porque sintieron que
Las medidas de laboratorio de la reactividad cardiovascular están recibiendo
este podría ser un factor importante para determinar el resultado. ¿Tenían
cada vez más atención. Gran parte del interés expandido se basa en la
razón? Trate de expresar sus resultados en términos de RR.
creencia de que estas medidas, obtenidas bajo el desafío de factores
estresantes físicos y psicológicos, pueden producir un índice de función
cardiovascular biológicamente más significativo que las medidas estáticas más 3,81 Mientras controla por edad, proponga un análisis que compare la
tradicionales. Normalmente, la medición de la reactividad cardiovascular efectividad de los dos antibióticos. Exprese sus resultados en términos de RR.
1-3 IDENTIFICACIÓN
3,76 Si las mediciones manuales se consideran la "verdadera" medida de
reactividad, ¿cuál es la sensibilidad de las mediciones automatizadas de 5 Aclaramiento por 14 días 1 = sí / 0 = no
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
70 CAPÍTULO 3 Probabilidad
datos se estudia en los capítulos 10 y 13, en los que se discuten muchos de los 3,89 El valor de corte de 20 en el CMMS utilizado para identificar a las personas
métodos formales para analizar este tipo de datos. con demencia es arbitrario. Suponga que consideramos cambiar el límite. ¿Cuáles
son la sensibilidad y la especificidad si se utilizan límites de 5, 10, 15, 20, 25 o 30?
Haz una tabla con tus resultados.
Ginecología
Una compañía farmacéutica está desarrollando un nuevo kit de prueba de embarazo
3,90 Construya una curva ROC basada en la tabla construida en el
para uso ambulatorio. La compañía utiliza la prueba de embarazo en 100 mujeres que
problema 3.89.
se sabe que están embarazadas, para las cuales 95 resultados de la prueba son
3,91 Suponga que queremos que tanto la sensibilidad como la especificidad sean al menos
positivos. La compañía utiliza la prueba de embarazo en otras 100 mujeres que se
del 70%. Utilice la curva ROC para identificar los posibles valores que se utilizarán como
sabe que no
punto de corte para identificar a las personas con demencia, según estos criterios.
estar embarazada, de las cuales 99 resultaron negativas.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
Problemas 71
TABLA 3.14 Relación de las tasas de fertilidad con el resultado de supervivencia de nacimientos anteriores en Noruega
TABLA 3.15 Relación entre clínica y 3.101 ¿La proporción 100 de 1000 es una tasa de prevalencia, una tasa de incidencia o
Alzheimer Otras causas Otro parámetro importante en la epidemiología de las enfermedades del corazón es la tasa
Diagnostico clinico enfermedad de demencia de letalidad la proporción de personas que mueren entre las que tienen un ataque
cardíaco). Entre los 100 casos de cardiopatía coronaria detectados entre los hispanos,
Enfermedad de Alzheimer 1643 190
50 fueron mortales.
Otras causas de demencia 127 228
3.102 ¿Cuál es la proporción esperada de hombres hispanos que serán identi fi
cados por encuestas de salud con un ataque cardíaco previo en los últimos 5
Enfermedad cardiovascular años (que son por definición supervivientes) si asumimos que la proporción de
Un tema fascinante de interés reciente es la "paradoja hispana": los datos del censo hombres con más de un ataque cardíaco no fatal ¿es despreciable? ¿Cuál es la
"muestran" que la enfermedad coronaria (CHD) tiene una prevalencia más baja en proporción comparable para los hombres NHW si la tasa de letalidad esperada es
los hispanos que en los blancos no hispanos (NHW) según las entrevistas de salud del 20% entre los hombres NHW con CHD?
de muestras representativas de personas de diferentes grupos étnicos de la
población de EE. UU., aunque el perfil de factores de riesgo de los hispanos es 3.103 ¿Son estas proporciones tasas de prevalencia, tasas de incidencia o ninguna de las
generalmente peor (más hipertensión, diabetes y obesidad en este grupo que en dos? ¿Los resultados de este problema dan una idea de por qué ocurre la paradoja hispana
NHW). Para estudiar esto más a fondo, los investigadores observaron a un grupo de (los hombres hispanos realmente tienen un riesgo menor de cardiopatía coronaria, como
1000 hombres hispanos de 50 a 64 años de varios condados de Texas que estaban indican las encuestas del gobierno)? ¿Por qué o por qué no?
libres de cardiopatía coronaria en 1990 y los siguieron durante 5 años. Descubrieron
que 100 de los hombres habían desarrollado cardiopatía coronaria (casos mortales
o no mortales en los que los hombres sobrevivieron a un ataque cardíaco).
Genética
Una enfermedad genética de herencia dominante se identifica a lo largo de varias
TABLA 3.16 Influencia del genotipo APOE en el diagnóstico de la enfermedad de Alzheimer (EA)
# 1 ( 4 alelo 1076 66 66 67
No ( 4 alelo 567 124 61 161
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
72 CAPÍTULO 3 Probabilidad
las familias tienen enfermedad dominante con completa pen- etrancia, por lo que si uno de los Enfermedad Infecciosa, Enfermedad Cardiovascular
padres se ve afectado, existe un 50% de probabilidad de que cualquier descendiente se vea
Se realizará un estudio de validación en un hospital local para comprobar la precisión de
afectado. De manera similar, aproximadamente la mitad de las familias tienen una enfermedad
la evaluación de la infección intrahospitalaria (INF) después de una cirugía de derivación
dominante con penetrancia reducida, por lo que si uno de los padres se ve afectado, hay un
coronaria (injerto de derivación de arteria coronaria o CABG). En un año determinado, el
25% de probabilidad de que cualquier descendiente se vea afectado.
hospital realiza 1100 procedimientos de CABG. Actualmente se utiliza un algoritmo de
los Centros para el Control y la Prevención de Enfermedades (CDC) para clasificar a los
Suponga que en una familia en particular, uno de los padres y dos de los dos hijos se ven sujetos como con INF. Para validar este algoritmo, todos los sujetos CDC + ( N = 100) y
afectados. una muestra aleatoria de sujetos de los CDC ( N = 1000) serán evaluados por un becario
3.104 ¿Cuál es la probabilidad de que exactamente dos de los dos descendientes se de enfermedades infecciosas (DI) y se llevará a cabo una investigación detallada,
vean afectados en una familia con enfermedad dominante con penetrancia completa? incluida una revisión de la historia clínica y la documentación del uso de antibióticos.
Suponga que la determinación del becario de identificación es correcta.
Suponga que se determinan 100 sujetos CDC +, de los cuales el becario ID con
3.106 ¿Cuál es la probabilidad de que el modo de transmisión de esta familia en
fi rma 80. Debido a que hay un gran número de sujetos CDC (1000), sólo se
particular sea dominante con total penitencia? ¿Es esta una probabilidad previa
estudia una muestra de 100, de los cuales el becario ID con fi rma 90.
o una probabilidad posterior?
3.110 Grafique el poder estadístico frente a la eficacia real. ¿Cree que 100
Ortopedía
pacientes es una muestra suficientemente grande para descubrir si el nuevo El síndrome piriforme es una afección pélvica que implica un mal funcionamiento
fármaco es "significativamente mejor" si la eficacia real del fármaco es del 90%? del músculo piriforme (un músculo profundo de las nalgas), que a menudo causa
¿Por qué o por qué no? dolor de espalda y glúteos con ciática.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
Problemas 73
TABLA 3.17 Resultados justos de la prueba en piriforme TABLA 3.18 Datos de estradiol sérico
pacientes con síndrome
Estradiol sérico (pg / mL) Casos ( N = 213) Control S ( N = 432)
(dolor que se irradia hacia la pierna). Una prueba electrofisiológica para detectar el
La muestra anterior se seleccionó para sobremuestrear casos. En la población
síndrome piriforme implica medir la velocidad de conducción nerviosa (VCN) en
general, la prevalencia del cáncer de mama es de alrededor del 2% entre las
dos nervios de la pierna (los nervios tibial y peroneo) con la pierna flexionada en
mujeres de 50 a 59 años.
una posición específica. Los aumentos de la NCV en estos nervios a menudo se
asocian con el síndrome piriforme. La prueba resultante, llamada prueba de 3.124 ¿Cuál es la probabilidad de cáncer de mama entre las mujeres de 50 a
abducción de iones y rotación interna (FAIR), es positiva si el NCV promedio en 59 años de la población general que tienen un nivel de estradiol sérico de "20
estos nervios se retrasa 2+ segundos en relación con lo normal. pg / mL? ¿Cuál es otro nombre para esta cantidad?
Un pequeño estudio comparó los resultados de la prueba FAIR con los autoinformes de los Enfermedad cardiovascular
pacientes sobre cómo se sienten en una escala analógica visual (EVA) de 0 a 10, donde 0
Los investigadores de Mayo Clinic han realizado un seguimiento de la mortalidad por
indica ausencia de dolor y 10 dolor muy intenso. Los resultados fueron los que se muestran en
enfermedad coronaria (CHD) en el condado de Olmstead, Minnesota, durante los últimos 20
la Tabla 3.17.
años [17]. Los médicos de Mayo Clinic brindaron prácticamente toda la atención médica a los
Suponga que los médicos consideran la prueba FAIR como el estándar de oro, con un residentes del condado de Olmstead. Las muertes por cardiopatía coronaria se subdividieron
resultado de prueba FAIR de # 2 definido como un verdadero positivo y un resultado de en las que ocurrieron en el hospital y las que ocurrieron fuera del hospital. Se cree que las
prueba FAIR de <2 definido como un verdadero negativo. Suponga que una EVA de $ 4 se tasas de mortalidad intrahospitalaria se ven influidas principalmente por los avances en la
considera una buena respuesta clínica basada en el autoinforme (una prueba negativa) y atención médica. Se cree que las tasas de mortalidad extrahospitalaria se ven influenciadas
una EVA de principalmente por los cambios en los niveles de los factores de riesgo a lo largo del tiempo.
# 5 se considera una mala respuesta clínica (una prueba positiva). Para los hombres, las tasas de muerte por cardiopatía coronaria extrahospitalarias fueron de
3.118 ¿Cuál es la sensibilidad del VAS? 280 casos por 100.000 hombres por año y las tasas de muerte por cardiopatía coronaria
intrahospitalarias fueron de 120 casos por 100.000 hombres por año en 1998. Para las
3.119 ¿Cuál es la especificidad del VAS?
mujeres, las tasas de mortalidad por cardiopatía coronaria extrahospitalarias fueron de 100
3.120 Los puntos de corte de # 5 para una prueba VAS positiva y casos por 100.000 mujeres por año; Las tasas de mortalidad hospitalaria por cardiopatía
PS 4 para una prueba EVA negativa son arbitrarios. Calcule y grafique la curva coronaria fueron de 40 casos por 100.000 mujeres por año en 1998.
ROC para la prueba VAS variando el punto de corte para una prueba positiva.
(Utilice los puntos de corte VAS # 0, VAS # 3, VAS # 5, VAS # 7 y VAS # 11
como posibles criterios para una prueba positiva).
3,125 Si el 50% de la población del condado de Olmstead son hombres y el 50% son mujeres,
¿cuál fue la tasa general de mortalidad por cardiopatía coronaria en el condado de Olmstead
3.121 El área bajo la curva ROC es del 65%. Qué significa eso? en 1998?
Los investigadores informaron que tanto para hombres como para mujeres, las tasas de
muerte por cardiopatía coronaria intrahospitalaria estaban disminuyendo a una tasa del 5,3%
Cáncer por año, mientras que las tasas de muerte por cardiopatía coronaria extrahospitalaria estaban
El cáncer de mama se considera en gran medida una enfermedad hormonal. Una disminuyendo en un 1,8% por año.
hormona importante en la investigación del cáncer de mama es el estradiol. Los datos de 3.126 ¿Cuál es la tasa general de mortalidad por cardiopatía coronaria esperada en el
la tabla 3.18 sobre los niveles séricos de estradiol se obtuvieron de 213 casos de cáncer condado de Olmstead en 2015 si estas tendencias continúan?
de mama y 432 controles de la misma edad. Todas las mujeres tenían entre 50 y 59 años.
3.127 En 2015, ¿qué proporción de las muertes por cardiopatía coronaria se producirán en
mujeres?
Suponga que se propone un nivel de estradiol sérico de más de 20 pg / ml como criterio de
detección para identificar casos de cáncer de mama.
Cáncer
3.122 ¿Cuál es la sensibilidad de esta prueba?
El SEER Cancer Registry [18] es un recurso importante para estimar las
3.123 ¿Cuál es la especificidad de esta prueba? tasas de incidencia de cáncer y documentar
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
74 CAPÍTULO 3 Probabilidad
TABLA 3.19 Cáncer de mama acumulativo de 1 año TABLA 3.21 Comparación de los resultados de las pruebas de detección de tuberculosis
tasas de incidencia por edad entre mujeres usando una pantalla LCD y iPad 2
caucásicas de 50 a 74 años, SEER, 1995-2000
LCD Ipad 2 norte
(período A)
+ + 38
Grupo de edad Incidencia acumulada a 1 año por cada 100.000 mujeres +
+ % 1
50–54 360 % + 1
55–59 422 % % 200
60–64 479
65–69 534
comparable a las modalidades de visualización tradicionales. Se realizó un estudio
70–74 600
comparando un iPad 2 con pantalla móvil con una pantalla de cristal líquido (LCD) más
+ Por ejemplo, para 100.000 mujeres de 50 a 54 años que están libres de enfermedad al inicio del estudio, 360 grande para el diagnóstico de tuberculosis (TB) en una radiografía de tórax (Abboud et al.,
desarrollarán cáncer de mama durante un período de 1 año.
[19]). Se transfirieron imágenes anónimas de 240 radiografías de tórax desde una estación
de trabajo PACS (LCD) a una tableta iPad 2. Las imágenes fueron revisadas de forma
cambios en las tasas de incidencia a lo largo del tiempo. Los casos de cáncer se
independiente por 5 radiólogos y fueron calificadas como positivas o negativas para TB
acumulan en 17 registros de cáncer y se convierten en tasas de incidencia acumuladas
tanto en la pantalla LCD como en el iPad 2. Las revisiones ocurrieron en diferentes
dividiendo por las estimaciones de población del censo de EE. UU. Dentro de grupos de
momentos para evitar sesgos de memoria.
edad específicos. Los siguientes datos se obtuvieron para las tasas de incidencia
acumulada de 1 año de cáncer de mama para mujeres caucásicas de 50 a 74 años de
Se creó una base de datos de> 500 radiografías de tórax a partir de películas de detección de
edad entre 1995 y 2000 (período A).
tuberculosis durante un período de 4 meses. De estos, 200 casos originalmente interpretados
caucásicas de 50 a 74 años, SEER, 2001-2006 imágenes originalmente interpretadas como positivas. Suponga que el porcentaje subyacente
3.129 Responda la pregunta del problema 3.128 para el período presión arterial sistólica del tobillo y la presión arterial sistólica del brazo y se utiliza
Las pantallas móviles tienen el potencial de aumentar la flexibilidad de los ECG anormal. Los datos de la Tabla 3.22 se presentaron relacionando la AAI con la depresión
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
Referencias 75
TABLA 3.22 Asociación entre sangre de tobillo-brazo TABLA 3.23 Relación entre la autogestión de las madres
índice de presión (AAI) y depresión del segmento informes de tabaquismo durante el embarazo y los
ST informes de las hijas de exposición fetal al humo
3.137 ¿Cuál es la especificidad de la prueba? 3.142 Si el autoinforme de una madre se considera completamente exacto,
¿cuál es el PV " del informe de la hija?
3.138 Cuál es el PV +? (Pista: Suponga que los sujetos de este estudio son
una muestra aleatoria de la población general de Japón). Los datos adicionales sobre el tabaquismo autonotificado indican que la madre está no
siempre del todo exacto. La cotinina en saliva es un marcador bioquímico que, si está
elevado, es una indicación 100% precisa de tabaquismo reciente.
3.139 Cuál es el PV "?
Se realizó un estudio para evaluar la precisión de la exposición autoinformada al se conoce el informe de la madre.
REFERENCIAS
[1] Centro Nacional de Estadísticas Sanitarias. Datos estadísticos vitales glaucoma y retinopatía diabética. Revista Estadounidense de Epidemiología, 118 ( 2),
disponibles. Archivo de uso público de natalidad 2010. Hyattsville, 206–212.
MARYLAND. Disponible en http://www.cdc.gov/nchs/data_access [5] Punglia, RS, D'Amico, AV, Catalona, WJ, Roehl,
/VitalStatsonline.htm. KA y Kuntz, KM (2003). Efecto del sesgo de verificación en el cribado del cáncer de
[2] Horner, MJ, Ries LAG, Krapcho M., Neyman, próstata mediante la medición del antígeno prostático específico. Revista de
N., Aminou, R., Howlader, N., Altekruse, SF, Feuer, EJ, Huang, L., Mariotto, A., Medicina de Nueva Inglaterra, 349 ( 4), 335–342.
Miller, BA, Lewis, DR, Eisner, MP, Stinchcomb, DG y Edwards, BK, (eds). Revisión
de estadísticas de cáncer SEER, 1975–2006. Bethesda, MD: Instituto Nacional del [6] Hanley, JA y McNeil, BJ (1982). El significado y uso del área bajo una
Cáncer; http://seer.cancer.gov/csr/1975_2006/, basado en el envío de datos SEER curva de característica operativa del receptor (ROC). Radiología de diagnóstico,
de noviembre de 2008, publicado en el sitio web de SEER, 2009. 143, 29–36.
[7] Centros para el Control y la Prevención de Enfermedades (CDC), Centro
[3] Feller, W. (1960). Una introducción a la teoría de la probabilidad y sus Nacional de Estadísticas de Salud (NCHS). Datos de la Encuesta Nacional de
aplicaciones ( Vol. 1). Nueva York: Wiley. Examen de Salud y Nutrición. Hyattsville, MD: Departamento de Salud y Servicios
[4] Podgor, MJ, Leske, MC y Ederer, F. (1983). Estimaciones de incidencias para Humanos de EE. UU., CDC,
cambios de lentes, cambios maculares, ángulo abierto 2000.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.
76 CAPÍTULO 3 Probabilidad
[8] Pfeffer, RI, Afifi, AA y Chance, JM (1987). Prevalencia de la [14] Katzman, R., Zhang, MY, Ouang-Ya-Qu, Wang, ZY, Liu, WT, Yu, E.,
enfermedad de Alzheimer en una comunidad de jubilados. Wong, SC, Salmon, DP y Grant, I. (1988). Una versión china del Mini Examen
Revista Estadounidense de Epidemiología, 125 ( 3), 420–436. del Estado Mental: impacto del analfabetismo en una encuesta sobre demencia
[9] Jain, V., Rivera, L., Zaman, K., Roberto A. Espos, Jr., Chukiat de Shanghai.
Sirivichayakul, Beatriz P. Quiambao, Doris M. Rivera-Medina, Pirunghul Revista de epidemiología clínica, 41 ( 10), 971–978.
Kerdpanich, Mehmet Ceyhan, Ener C. Dinleyici, Alejandro Cravioto, Mohammed [15] Skjaerven, R., Wilcox, AJ, Lie, RT e Irgens, LM (1988). Fertilidad
Yunus, Pornthep Chanthavanich, Kriengsak Limkittikul, Zafer Kurugol, Emre selectiva y distorsión de la mortalidad perinatal. Revista Estadounidense de
Alhan, Adrian Caplanusi, Serge Durviaux, Philippe Boutet, Opokua Epidemiología, 128 ( 6), 1352-1363.
Ofori-Anyinam, Vijayalakshmi Chandrasekaran, Ghassan Dbaisibo, (2013) y [16] Mayeux, R., Saunders, AM, Shea, S., Mirra, S., Evans, D., Roses, AD,
Bruce L. Dbaisibo. Vacuna para la prevención de la influenza leve y moderada a Hyman, BT, Crain, B., Tang, MX y Phelps, CH (1998 ). Utilidad del genotipo de la
severa en niños. Revista de Medicina de Nueva Inglaterra, 369, 2481–2491. apolipoproteína E en el diagnóstico de la enfermedad de Alzheimer. Consorcio de
Centros de Enfermedad de Alzheimer sobre Apolipoproteína E y Enfermedad de
Alzheimer. Revista de Medicina de Nueva Inglaterra, 338 ( 8), 506-511.
[10] Centro Nacional de Estadísticas Sanitarias. (1999, octubre). Informe mensual
de estadísticas vitales, estadísticas finales de natalidad. [17] Goraya, TY, Jacobsen, SJ, Kottke, TE, Frye, RL, Weston, SA y
[11]] Yang, J., Pearl, M., Jacob III, P., DeLorenze, GN, Benowitz, NL, Yu, Roger, VL (2003). Muerte por enfermedad coronaria y muerte cardíaca súbita:
L., Havel, C. y Kharrazi, M. (2013). Niveles de cotinina en muestras de sangre un estudio poblacional de 20 años. Revista Estadounidense de Epidemiología,
seca de recién nacidos como biomarcador del tabaquismo materno cerca del 157, 763–770.
momento del parto. Revista Estadounidense de Epidemiología 178 ( 11): [18] SEER Cancer Registry, 2006, National Cancer Institute
1648-1665. tute.
[12] Luepker, RV, Pechacek, TF, Murray, DM, Johnson, CA, Hund, F. y [19] Abboud, S., Weiss, F., Siegel, E., Jeudy, J. TB o no TB: variabilidad
Jacobs, DR (1981). Tiocianato de saliva: un indicador químico del consumo de entre el lector y el lector en el diagnóstico de detección en un iPad frente a una
cigarrillos en adolescentes. Revista Estadounidense de Salud Pública, 71 ( 12), pantalla tradicional. Revista del Colegio Americano de Radiología, 10, 42–44.
1320.
[13] Mandel, E., Bluestone, CD, Rockette, HE, Blatter, MM, Reisinger, KS, [20] Shinozakia, T., Hasegawaa, T. y Yanoa, E. (1998). Índice
Wucher, EP y Harper, J. (1982). Duración del derrame después del tratamiento tobillo-brazo como indicador de aterosclerosis: su aplicación como método de
con antibióticos para la otitis media aguda: comparación de cefaclor y amoxicilina. Enfermedades
cribado. Revista de epidemiología clínica, 51 ( 12), 1263-1269.
infecciosas pediátricas, 1, 310–316.
Copyright 2016 Cengage Learning. Reservados todos los derechos. No se puede copiar, escanear ni duplicar, total o parcialmente. Debido a los derechos electrónicos, algunos contenidos de terceros pueden ser suprimidos del eBook y / o eChapter (s). La revisión editorial ha considerado que cualquier contenido suprimido no afecta
materialmente la experiencia de aprendizaje general. Cengage Learning se reserva el derecho de eliminar contenido adicional en cualquier momento si las restricciones de derechos posteriores así lo requieren.