Mejores médicos.

www.villamedicgroup.com Página | 1
 Mejores médicos.

VILLAMEMO – RESIDENTADO MÉDICO 2022

ESTADÍSTICA
ESTADÍSTICA DE RENTABILIDAD ESTADÍSTICA

CONTENIDO
I. ESTADÍSTICA - VARIABLES ........................................................................................................................................................... 3
II. VALIDEZ, PRECISIÓN Y ERRORES – SESGOS ............................................................................................................................ 4
III. PROBABILIDAD Y DISTRIBUCIONES DE PROBABILIDAD ....................................................................................................... 6
IV. MUESTREO ................................................................................................................................................................................. 8
V. MEDIDAS RESUMEN .................................................................................................................................................................... 10
VI. REPRESENTACIÓN GRÁFICA ................................................................................................................................................. 11
VII. PRUEBAS ESTADÍSTICAS 1 - DEFINICIÓN Y TIPOS DE ERRORES ..................................................................................... 14
VIII. PRUEBAS ESTADÍSTICAS 2 - CLASIFICACIÓN Y TIPOS ....................................................................................................... 15
IX. MEDIDAS DE ASOCIACIÓN O DE EFECTO ............................................................................................................................ 15
X. MEDIDAS DE IMPACTO POTENCIAL ........................................................................................................................................... 16

www.villamedicgroup.com Página | 2
 Mejores médicos.

I. ESTADÍSTICA - VARIABLES • La estadística inferencial se encarga de evaluar la relación

1. ESTADÍSTICA: entre las variables, así como elaborar conclusiones

✓ La estadística puede definirse como una rama de las matemáticas probabilísticas acerca de una población.

que se encarga de recopilar, organizar, analizar e interpretar los ✓ Al analizar los datos de una población, generalmente se inicia con

datos; así como, inferir resultados a partir de una muestra de estadística descriptiva y posteriormente se utiliza la estadística

datos, lo cual permitirá tomar decisiones o predecir fenómenos. inferencial.

✓ La estadística puede dividirse en estadística descriptiva y

estadística inferencial. 2. VARIABLES Y DATOS

• La estadística descriptiva se encarga de describir y sintetizar ✓ Variables: atributos o características medibles u observables que

las características básicas de un conjunto de datos, con el varían entre individuos, por ejemplo: peso, talla, grupo sanguíneo,

propósito de describir a una población. Además, facilita la estado civil.

identificación de patrones y forman la base de los análisis ✓ Datos: valores medidos u observados que son asumidos por las

cuantitativos. variables en condiciones específicas, por ejemplo: 54 kg, 164 cm,

grupo A, casado.

Cuadro. Datos obtenidos de un sujeto según las variables de interés

Sujeto Variable Dato

Edad 30 años

Sexo Masculino

Estado civil Casado

Grupo sanguíneo Grupo A

Peso 60 Kg

Talla 165 cm

Frecuencia cardiaca 72 latidos por minuto

Temperatura 36.7 °C

3. TIPOS DE VARIABLES: ✓ Variable cualitativa ordinal: Cuando la variable

3.1. Según como se expresan los valores: cualitativa admite criterio de orden. Por ejemplo: grado
a) Variable cualitativa o categórica: Corresponde a las variables de instrucción (sin instrucción, primaria, secundaria,
que se les asigna una cualidad o atributo que no se expresa superior), tipo de traumatismo craneoencefálico (leve,
numéricamente. Se pueden clasificar en: moderado, grave), satisfacción (insatisfecho, poco
✓ Variable cualitativa dicotómica: Cuando puede tomar satisfecho, satisfecho, muy satisfecho).
dos posibles valores. Por ejemplo: sexo (masculino, b) Variable cuantitativa o numérica: Corresponde a las variables
femenino), estado de salud (enfermo, sano), que se les asigna un valor numérico. Se pueden clasificar en:
antecedentes de diabetes (presente, ausente), fumador ✓ Variable cuantitativa discreta: Cuando la variable puede
(si, no). tomar un valor numérico finito o numerable (números
✓ Variable cualitativa politómica: Cuando puede tomar enteros). Por ejemplo: número de hijos, número de
más de dos posibles valores. Por ejemplo: dolor (leve, camas, número de drenajes, número de casos.
moderado, severo), estado civil (soltero, casado, viudo, ✓ Variable cuantitativa continua: Cuando la variable puede
divorciado), vía de administración (oral, parenteral, tomar valores correspondientes a los puntos del
tópica, respiratoria, rectal). intervalo de la recta (números reales, pueden incluir
✓ Asimismo, las variables cualitativas pueden clasificarse números decimales). Por ejemplo: estatura,
en: temperatura, peso, valor de glucosa, valor de
✓ Variable cualitativa nominal: Cuando la variable hemoglobina.
cualitativa no admite criterio de orden. Por ejemplo:
infección de herida quirúrgica (presente, ausente),
obesidad mórbida (presente, ausente), tipo de germen
(bacteriano, viral, protozoario).

www.villamedicgroup.com Página | 3
 Mejores médicos.
Gráfico. Esquema de los tipos de variables
4.4. Escala de razón: Se asigna números a cada elemento para
3.2. Según su relación con la hipótesis de investigación:
a) Variable independiente: Es aquella variable que asume el rol
de causa o factor de riesgo y puede ser introducida o
manipulada por el investigador.
b) Variable dependiente: Es aquella variable que asume el rol
de efecto y es dónde se observan y miden los cambios
producidos. También se la denomina variable de interés o
Escala
variable de estudio.
se puede determinar su distancia. La única operación que se
puede realizar es la suma o resta. Por ejemplo, en la escala
de temperatura centígrada puede decirse que la distancia
entre 25° y 30°C es la misma que la existente entre 20° y 25°
C, pero no puede afirmarse que una temperatura de 40° C
equivale al doble de 20° C en cuanto a intensidad de calor se
refiere, debido a la ausencia de cero absoluto.
indicar la intensidad de una característica. Aquí el valor cero
no es arbitrario, pues representa la ausencia total de la
magnitud que se está midiendo. Con esta escala se puede
realizar cualquier operación lógica (ordenamiento,
comparación) y aritmética (suma, resta, multiplicación o
división). Ejemplos: peso, colesterol sérico, glucosa sérica,
frecuencia cardiaca, presión sistólica.
Cuadro. Características de las escalas de medición
Operación
Característica
matemática

Gráfico. Factores de riesgo de la hipertensión arterial Igualdad o

NOMINAL Identidad.
desigualdad.

Igualdad o
Identidad.
ORDINAL desigualdad.
Orden.
Mayor o menor.

Identidad. Igualdad o
Orden. desigualdad.
INTERVALO
Distancias iguales en los Mayor o menor.
intervalos de la escala. Suma o resta.
4. ESCALAS DE MEDICIÓN
Igualdad o
✓ Se refiere a la manera como se va asignar una cantidad a la Identidad.
desigualdad.
variable, además de los posibles valores que puede tomar la Orden.
Mayor o menor.
variable. Tenemos cuatro escalas de medición: RAZÓN Distancias iguales en los
Suma o resta.
4.1. Escala nominal: En esta escala los posibles valores de la intervalos de la escala.
Multiplicación o
variable se agrupan en categorías excluyentes. No es posible Cero absoluto.
división.
establecer una relación de orden entre las categorías. La
operación matemática permitida es el conteo. Los números
pueden usarse como identificadores o nombres. Por ejemplo: RECUERDA:

sexo [masculino (1), femenino (2)], estado civil [soltero (1), ✓ Tipo de variable y escala de medición son dos conceptos

casado (2), viudo (3), divorciado (4)]. diferentes. Por ejemplo:

4.2. Escala ordinal: Surge a partir de la operación de • Grupo Rh: (valores: positivo y negativo)

ordenamiento. Existe un grado de intensidad de la cualidad o Tipo de variable: Cualitativa dicotómica o Cualitativa

medida, por lo que las categorías guardan un orden. La nominal.

distancia entre puntos de la escala no es constante, por lo o Escala de medición: Nominal.

que no se puede determinar la distancia entre las categorías. • Hemoglobina: (valores medidos en g/dL)

Ejemplos: dolor [leve (1), moderado (2), severo (3)], grado de o Tipo de variable: Cuantitativa continua.

instrucción [primaria (1), secundaria (2), superior (3)]. o Escala de medición: Razón.

4.3. Escala intervalo: Se asigna números a cada elemento para

indicar la intensidad de una característica. El valor cero de la
escala no es absoluto, sino un cero arbitrario (no refleja
ausencia de la magnitud medida), por lo que las operaciones
aritméticas de multiplicación y división no son apropiadas. La
distancia entre puntos de la escala es constante, por lo que
II. VALIDEZ, PRECISIÓN Y ERRORES – SESGOS
✓ Cuando se realiza una investigación debemos tener en cuenta que
pueden haber factores que podrían alterar nuestros resultados y
afectar la validez del estudio. Por tal motivo es necesario conocer
los siguientes conceptos:

www.villamedicgroup.com Página | 4

1. VALIDEZ
✓ Se refiere al grado en que el resultado del estudio sea verdadero
y esté libre de error sistemático o sesgo. El sesgo se puede reducir
utilizando una muestra aleatoria. Tenemos dos tipos: 2.
a) Validez interna: Se refiere a la metodología empleada en el ✓ Es la capacidad de repetir el mismo resultado cada vez que se
estudio, es decir, una investigación bien diseñada y ejecutada
tiene validez interna.
EN INSTRUMENTOS DE MEDICIÓN:
La validez se entiende como el grado en el cual el instrumento mide lo que pretende medir, mientras que la confiabilidad (precisión) es el grado
en que la aplicación repetida del instrumento en el mismo sujeto entrega los mismos resultados. Un instrumento de medición debe ser válido y
confiable.
La validez y confiabilidad se puede representar como un tiro al blanco:
Válido y confiable No válido y confiable
3. TIPOS DE ERRORES
3.1. Error aleatorio: Es aquel error que proviene del azar y se
relaciona con la precisión o confiabilidad del resultado
(varianza, intervalo de confianza). Este error no se puede
evitar, pero se puede reducir aumentando el tamaño de la
muestra.
3.2. Error sistemático: Denominado también sesgo, se produce
por un error en el diseño o en el análisis del estudio, que
produce resultados no válidos. Este error puede evitarse
mediante un adecuado diseño de investigación, sin embargo,
no se corrige aumentando el tamaño de la muestra.
4. TIPOS DE SESGOS.
4.1. Sesgo de selección: Se introducen durante la selección de
los sujetos en estudio (criterios de inclusión y exclusión).
Ocurren con frecuencia en estudios retrospectivos. Podemos
tener los siguientes casos:
a) Sesgo de Berkson: Conocido también como sesgo de
admisión o de diagnóstico, sesgo de la tasa de ingresos.
Ocurre cuando los sujetos que ingresan al estudio tienen
una probabilidad de tener la enfermedad distinta a la
probabilidad que hay en la población de donde
provienen. Ejemplo: un estudio concluyó que la
tuberculosis es un factor protector del cáncer, lo cual fue
resultado de la baja probabilidad de tuberculosis en
pacientes hospitalizados por cáncer, lo cual no significa
que la tuberculosis sea menor en pacientes con cáncer.
www.villamedicgroup.com
Mejores médicos.
b) Validez externa: Se refiere a que los resultados del estudio
son generalizables a otras poblaciones; es decir, el poder de
generalizar a poblaciones más allá de la población de estudio.
CONFIABILIDAD
realiza el estudio, lo cual es contraria a la variabilidad. La
variabilidad debida al azar puede combatirse aumentando el
tamaño de la muestra.
No válido y no confiable
b) Sesgo de Neyman: Conocido también como sesgo de
prevalencia o incidencia. Ocurre cuando se estudia
alguna condición que produce muertes precoces, lo cual
hace que no se incluyan en el estudio los sujetos que
fallecieron por esa condición, por lo tanto no se consigue
una muestra significativa, obteniéndose resultados
erróneos con respecto a las asociaciones que se desean
evaluar. Ejemplo: Se realiza un estudio de casos y
controles para determinar los factores de riesgo de
accidente cerebrovascular, considerándose como casos
los pacientes que sobrevivieron al accidente
cerebrovascular, sin embargo, los resultados podrían
estar sesgados al no incorporar en el estudio los
pacientes que fallecieron.
c) Sesgo de no respuesta o efecto voluntario: Ocurre
cuando los sujetos que deciden no participar en el
estudio son diferentes a los que aceptan participar o
también cuando los sujetos que deciden participar en el
estudio son diferentes a los que no desean participar. En
ambas situaciones, la muestra resulta no significativa.
Ejemplo: Se realiza una encuesta sobre consumo de
drogas ilegales en los sujetos que acepten contestar, sin
embargo, los resultados podrían estar sesgados al no
incluirse a los sujetos que no quisieron responder.
d) Sesgo de pertenencia o membrecía: Ocurre cuando en
una muestra existe un subgrupo de sujetos que
comparten alguna característica que se relaciona
positivamente o negativamente con la variable en
Página | 5
Mejores médicos.
estudio, siendo el subgrupo tan grande lo cual hace que bebidas alcohólicas y el hábito de fumar está asociado
los resultados no sean válidos. con el cáncer de pulmón.
Ejemplo: En un estudio para demostrar el efecto de un
nuevo fármaco para reducir la mortalidad, se observó Cuadro. Efecto del factor de confusión
que el grupo control en su mayoría tenía sintomatología
severa.
4.2. Sesgo de información: Se introducen durante la medición de
la variable. Se deben a errores cometidos en la obtención de
los datos o clasificación incorrecta de los sujetos o las
variables.
a) Sesgo de memoria o recuerdo: Se presenta
principalmente en estudios retrospectivos, cuando se
evalúan exposiciones que no son recordados de igual Cuadro. Resumen sobre sesgos
manera por los sujetos de los grupos de estudio (grupo
Sesgo de selección Sesgo de Factor de
caso y grupo control, por ejemplo).
información confusión
b) Sesgo de procedimientos: Se produce cuando el
Se introduce durante Se introducen Se introduce a
investigador realiza una medición más meticulosa de las
la selección de durante la medición través de un factor
variables en un grupo de estudio (por ejemplo, el grupo
sujetos en estudios de las variables de confusión
experimental), no teniendo el mismo cuidado en el otro
grupo de comparación (por ejemplo, el grupo control).
c) Sesgo por falta de sensibilidad del instrumento: Se III. PROBABILIDAD Y DISTRIBUCIONES DE
produce cuando se utilizan instrumentos no adecuados PROBABILIDAD
para medir la variable de estudio. 1. NOCIONES DE PROBABILIDAD
d) Sesgo de detección: Se produce cuando se cambia el 1.1. Espacio muestral (Ω): Es el conjunto de todos los posibles
método diagnóstico utilizado inicialmente en el estudio. resultados de un experimento. Por ejemplo:
La nueva prueba diagnóstica incorporada detecta mejor ✓ Lanzar una moneda: Ω = {𝑐𝑎𝑟𝑎, 𝑠𝑒𝑙𝑙𝑜}
la enfermedad, pudiendo diagnosticarla en estadios ✓ Lanzar un dado: Ω = {1, 2, 3, 4, 5, 6}
tempranos, alterando el pronóstico de los sujetos, en 1.2. Probabilidad: Para un suceso A, la probabilidad de que A
especial en estudios de supervivencia. ocurra se simboliza P(A):
e) Sesgo de atención o efecto Hawthorne: Se produce 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑑𝑒 𝐴
𝑃(𝐴) =
cuando los sujetos cambian su conducta al darse cuenta 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑡𝑜𝑡𝑎𝑙𝑒𝑠
1.3. Axiomas de Kolmogorov:
que son observados.
✓ Si Ω es el conjunto de todos los resultados posibles de una
f) Sesgo del entrevistador: Se produce cuando los
variable, y ∅ es el conjunto vacío, entonces: 𝑷(𝛀) =
entrevistadores de la investigación no han sido
𝟏 𝒚 𝑷(∅) = 𝟎
capacitados y pueden interpretar de forma distinta lo ✓ Para todo suceso 𝐴 ⊂ Ω , se cumple 0 ≤ P(A) ≤ 1
expresado por los sujetos en estudio. ✓ Si A y B son sucesos en Ω mutuamente excluyentes, se
4.3. Factor de confusión: Se introduce a través de un factor de cumple:
confusión (variable de confusión). El efecto de una variable 𝑷(𝑨 ∪ 𝑩) = 𝑷(𝑨 𝒐 𝑩) = 𝑷(𝑨) + 𝑷(𝑩)
independiente (exposición) sobre una variable dependiente ✓ Si A y B son sucesos en Ω, tales que 𝐴 ∩ 𝐵 ≠ ∅ (no son
(enfermedad) es modificada por el factor de confusión, mutuamente excluyentes), entonces: 𝑷(𝑨 ∪ 𝑩) = 𝑷(𝑨 𝒐 𝑩) =
pudiendo sobreestimar, subestimar o revertir el sentido del 𝑷(𝑨) + 𝑷(𝑩) − 𝑷(𝑨 ∩ 𝑩)
1.4. Probabilidad de sucesos complementarios: Dos sucesos A y
efecto. El factor de confusión debe cumplir con lo siguiente:
B son complementarios, si B considera todos los posibles
✓ El factor de confusión está asociado con la exposición
resultados no contemplados en A. El complemento de A se
(variable independiente)
simboliza Ac. Se tiene que A y Ac son mutuamente
✓ El factor de confusión está asociado con la enfermedad
excluyentes. Respecto a las probabilidades se cumple:
(variable dependiente)
✓ El factor de confusión no es un paso intermedio entre la
exposición y la enfermedad.
✓ Por ejemplo, un estudio encontró la asociación entre el
consumo de alcohol y el cáncer pulmón, sin embargo,
esta asociación fue resultado del hábito de fumar que
actúo como un factor de confusión. En este caso, el
hábito de fumar está asociado con el consumo de
𝑷(𝑨𝑪 ) = 𝟏 − 𝑷(𝑨)

www.villamedicgroup.com Página | 6
 Mejores médicos.
1.5. Probabilidad condicional: Si A y B son dos resultados de la (Kg), talla (m), glucosa (g/dL). El espacio muestral de una
variable, tal que P(B)>0, la probabilidad condicional de que variable aleatoria continua debe ser un intervalo o una
ocurra A dado que ya ocurrió B, que se simboliza P(A|B), está colección finita de intervalos no traslapados. La probabilidad
dada por: que ocurra A se calcula como el área bajo la curva en el
𝑷(𝑨 ∩ 𝑩) intervalo de puntos de X que pertenecen a A:
𝑷(𝑨⁄𝑩) =
𝑷(𝑨)
1.6. Independencia de sucesos: Estadísticamente, dos sucesos A
y B son independientes si P(A|B) no depende del evento B.
Se tiene entonces:
𝑷(𝑨 ∩ 𝑩) = 𝑷(𝑨) × 𝑷(𝑩)

2. DISTRIBUCIÓN DE PROBABILIDAD
✓ La distribución de probabilidad es la función de una
A variable
aleatoria que define la probabilidad de ocurrencia de un suceso. El
comportamiento de una variable aleatoria queda descrito por su
distribución de probabilidad. Puede haber 02 distribuciones de
probabilidad: ✓ Entre las distribuciones de probabilidad continua tenemos:

2.1. Distribución de probabilidad de variable aleatoria discreta distribución normal, distribución chi cuadrado, distribución t.

✓ Una variable aleatoria es discreta si toma un número finito o

numerable de valores (números enteros). Por ejemplo: 3. DISTRIBUCIÓN NORMAL (Distribución de Gauss)

número de libros que va a leer de un total de ocho Ω = ✓ La distribución continua de probabilidad más importante de toda la

{1,2,3,4,5,6,7,8}, lanzar 2 dados y observar la suma Ω = estadística es la distribución normal. La importancia de esta

{2,3,4,5,6,7,8,9,10,11}. distribución se debe a que describe con gran aproximación a

✓ A continuación, se detallan algunas distribuciones de distribución de las variables asociadas con muchos fenómenos de

probabilidad discretas: la naturaleza; por ejemplo, la distribución de alturas de un grupo

a) Distribución geométrica: Sea P(éxito)=p y P(fracaso)=1- de población o la distribución de temperaturas de una población,

p, entonces la probabilidad que en k ensayos se tenga se pueden aproximar por distribuciones normales.

el primer éxito está dada por: 𝐏(𝐗 = 𝐤) = (𝟏 − 𝐩)𝐤−𝟏 ∙ 𝐩

b) Distribución binomial: Sea P(éxito)=p y P(fracaso)=1-p.
Si se toma una muestra de tamaño “n” de variables
aleatorias discretas, entonces la probabilidad de k éxitos
en n ensayos está dada por: 𝐏(𝐗 = 𝐤) = (𝐧𝐤)(𝟏 − 𝐩)𝐧−𝐤 ∙
𝐩𝐤
c) Distribución de Poisson: Útil cuando se quiere
Figura. Gráfica de una distribución normal (Campana de Gauss)
determinar la probabilidad de un evento de rara
ocurrencia, en un gran número de ensayos de un
❖ Características de una distribución normal:
experimento. La probabilidad de k éxitos está dada por:
𝐞−𝛂 ∙𝛂𝐤 a) La gráfica de una distribución normal es simétrica respecto a
𝐏(𝐗 = 𝐤) = ; donde α es la tasa de ocurrencia de
𝐤!
la media.
los eventos xi y e es la base de los logaritmos naturales.
b) La media, la mediana y la moda son iguales.
c) El área total debajo de la curva de la Campana de Gauss y
TENER EN CUENTA:
por encima del eje x es igual a una unidad cuadrada.
Un ensayo Bernoulli es un fenómeno aleatorio que solo admite dos
d) La normal queda completamente determinada por la media
posibles eventualidades, uno denominado éxito y otro fracaso. Un
aritmética (µ) y la desviación estándar (σ), a través de la
ensayo Bernoulli está asociado a un parámetro “p” determinado por
fórmula o ecuación denominada función de densidad de la
la probabilidad de obtener éxito en la realización del ensayo:
variable aleatoria continua:
probabilidad de éxito = p, probabilidad de fracaso = 1-p. 𝟏 𝟏 𝒙−𝝁 𝟐
𝒇(𝒙) = 𝒆−𝟐( 𝝈 )
Dos o más ensayos Bernoulli son independientes si la realización √𝟐𝝅𝝈𝟐
de algunos de ellos no altera el resultado de los otros. Ejemplo: e) Si se levantan perpendiculares a una distancia de una
Lanzar sucesivamente una moneda constituye el ejemplo típico de desviación estándar a ambos lados de la media, se habrá
sucesión de ensayos Bernoulli independientes. delimitado aproximadamente el 68.3% del área total. Si se
extienden estas perpendiculares hasta dos desviaciones

2.2. Distribución de probabilidad de variable aleatoria continua estándar, se define como 95.4% del área total y con 3

✓ Una variable aleatoria es continua si puede tomar cualquier desviaciones estándar aproximadamente el 99.7%; tal como

valor en un intervalo (números reales). Por ejemplo: peso se observa a continuación:

www.villamedicgroup.com Página | 7
 Mejores médicos.
Figura. Áreas determinadas por la media y la desviación estándar en
una curva normal
TENER EN CUENTA:
Una importante propiedad de la distribución normal es que se puede
transformar en distribución normal estándar mediante una
estandarización. La distribución normal estándar se caracteriza por
tener una media 0 y una varianza de 1.
IV. MUESTREO
1. MUESTREO
✓ Muestreo es una técnica estadística cuyo objetivo es obtener
muestras representativas de una población para realizar inferencia
acerca de parámetros poblacionales. A continuación, se explica
los conceptos de población y muestra.
2. POBLACIÓN Y MUESTRA
✓ La población es el conjunto completo de elementos, con alguna
característica común, que es el objeto de estudio, y que está
delimitado en espacio y tiempo. Cuando el número de elementos
de la población es elevado, es necesario trabajar con solo una
parte de dicha población. Al subconjunto de elementos de una
población se le conoce como muestra, al número de elementos de
la muestra se le llama tamaño de la muestra, y para que los
resultados de un estudio estadístico sean fiables es necesario que
la muestra tenga un tamaño mínimo. Por ejemplo: En un estudio
se quiere evaluar la hemoglobina en niños menores de 5 años de
Ancash; la población corresponde a todos los niños menores de 5
años de Ancash y la muestra corresponde a un subconjunto de los
niños menores de 5 años de Ancash.
✓ Al estudiar un conjunto de elementos utilizamos medidas
numéricas, las cuales se pueden calcular para una muestra o una
población. Estas mediciones se llaman parámetros cuando se
asocian con la población y se denominan estadísticos
(estimadores) cuando se calculan a partir de una muestra.
Gráfico. Obtención de una muestra a partir de una población de niños
menores de 5 años de Ancash.
www.villamedicgroup.com
3. TIPOS DE MUESTREO
✓ Existen dos tipos de muestreo: probabilístico y no probabilístico.
3.1. Muestreo Probabilístico: Es aquel en que todos los individuos
de la población tienen la misma probabilidad de entrar a
formar parte de la muestra, es decir, todos los individuos
tienen una probabilidad mayor a cero de ser seleccionado en
la muestra. Los individuos son seleccionados mediante una
técnica aleatoria, el cual puede ser: aleatorio simple,
estratificado, por conglomerados y sistemático.
a) Muestreo aleatorio simple: Cada elemento de la
población le corresponde la misma probabilidad de ser
seleccionada para integrar la muestra. Se aplica cuando
la población es finita y homogénea. Cuando el elemento
seleccionado en cada extracción vuelve a ser incluido
en la población antes de extraer el siguiente elemento,
se denomina muestreo aleatorio simple con reposición.
Cuando el elemento seleccionado en la extracción no
vuelve a ser incluido en la población antes de extraer el
siguiente elemento, se denomina muestreo aleatorio
simple sin reposición.
b) Muestreo aleatorio estratificado: Los sujetos de la
población son inicialmente agrupados en diferentes
estratos o subpoblaciones, tales como la edad, nivel
socioeconómico, género, entre otros. Luego se
seleccionan los sujetos de forma aleatoria en cada uno
de los estratos.
c) Muestreo aleatorio por conglomerados: Se utiliza
cuando las unidades muestrales disponibles son grupos
de elementos llamados conglomerados, los cuales
generalmente son definidos por áreas geográficas, por
ejemplo distritos, provincias, departamentos, etc. En
primer lugar, se selecciona de forma aleatoria los
conglomerados, luego en cada conglomerado
seleccionado se escoge de forma aleatoria a los sujetos
de la muestra.
d) Muestreo aleatorio sistemático: Es usada cuando la
población es finita y heterogénea. Involucra la selección
Página | 8
 Mejores médicos.
aleatoria de uno de los primeros k elementos de una n (tamaño de la muestra)
población ordenada y luego la selección sistemática de ✓ Por ejemplo: En una población de 150 sujetos (N=150) se
cada k-ésimo elemento de ahí en adelante. Para esto se calculó que la muestra necesaria corresponde a 30 sujetos (n
realizan los siguientes pasos: = 30). Entonces K = 150 / 30 = 5
I. Enumerar los elementos de la población (enumera ✓ Como el valor K resultó 5, entonces se selecciona al azar el
en una lista). primer sujeto de los primeros 5 sujetos de la lista, por ejemplo
II. Determinar una relación de muestreo denotado por el sujeto 2 fue elegido. Luego, los siguientes sujetos se
K. seleccionan contando de 5 en 5 (valor K), como se observa
K= N (tamaño de la población) en el siguiente gráfico:

Gráfico. Primeros sujetos seleccionados de mediante muestreo aleatorio sistemático

Cuadro. Resumen sobre muestreo probabilístico

Aleatorio simple Estratificado Conglomerados Sistemático

Se elige al azar los conglomerados de una Se determina una relación de

Se selecciona al azar un Se determinan los estratos de
población, luego se extrae de forma muestreo (K) y luego se
subgrupo de sujetos una población y se extrae al azar
aleatoria los sujetos de los seleccionan a los sujetos
(muestra) de la población. sujetos de cada estrato.
conglomerados seleccionados. previamente ordenados.

3.2. Muestreo no probabilístico: Es aquel en donde los individuos b) Muestreo consecutivo: Es similar al muestreo por
de una población no tienen la misma probabilidad de formar conveniencia y se diferencia de este en que incluye en
parte de la muestra, es decir, existen algunos individuos que la muestra a todos los sujetos accesibles.
tienen una probabilidad igual a cero de ser seleccionado en c) Muestreo discrecional o por juicio: La selección de los
la muestra. Utiliza métodos en que no interviene el azar y por sujetos de la muestra se realiza de acuerdo a la
lo tanto se desconoce la probabilidad asociada a cada sugerencia de expertos, quienes indican qué individuos
individuo para formar parte de la muestra. Tiene la limitación pueden contribuir a la investigación.
que no asegura la representatividad de la muestra. d) Muestreo por cuotas: Se determinan subgrupos de
Generalmente este tipo de muestreo se utiliza en estudios interés en una población denominadas cuotas (edad,
exploratorios o cualitativos. Tenemos los siguientes tipos de género, lugar de residencia, entre otros),
muestreo no probabilístico: seleccionándose los sujetos de cada cuota de forma no
a) Muestreo de conveniencia: El investigador selecciona a probabilística.
sujetos accesibles que están dispuestos a participar en e) Muestreo de bola de nieve: Se lleva a cabo
el estudio (proximidad con el investigador, amistad, generalmente en poblaciones especiales o de difícil
etc.). acceso. Para efectuar el muestreo, se pide a
informantes iniciales que proporcionen los nombres de

www.villamedicgroup.com Página | 9
 Mejores médicos.
otros miembros potenciales de la muestra y que formen
parte de la población especial.
TENER EN CUENTA:
En el ámbito de la investigación cualitativa se entiende por
saturación el punto en el cual se ha recolectado ya una cierta
diversidad de ideas y con cada entrevista u observación adicional
no aparecen nuevos elementos. Es decir, la recopilación de más
ideas no aporta mayor riqueza ni profundidad al estudio del
fenómeno de interés. La saturación se convierte en un momento de
inflexión en el trabajo de campo en el que el investigador cesa en
su búsqueda de nuevas unidades de muestreo.
V. MEDIDAS RESUMEN
✓ Las medidas resumen permiten comparar una muestra con otras
y dar una idea rápida de cómo se distribuyen los datos.
1. MEDIDAS DE TENDENCIA CENTRAL
✓ Permiten describir a los datos que tienden a concentrarse
alrededor de un valor central.
1.1. Media aritmética o promedio: La media aritmética de un
conjunto de “n” mediciones es igual a la suma de las
mediciones dividida entre “n”.
✓ La media se considera como un valor representativo del conjunto
de datos que se estudia y caracteriza a toda una distribución. En
su cálculo intervienen todos los valores que se están estudiando.
La media como medida de tendencia central es poco robusta, pues
depende mucho de valores particulares de los datos, por ejemplo,
si en una muestra introducimos un nuevo dato con un valor mucho
mayor que el resto, la media aumenta apreciablemente; por tanto,
la media aritmética es sensible a valores extremos.
1.2. Mediana: La mediana de un conjunto de “n” mediciones es el
valor que cae en la posición media cuando las mediciones
son ordenadas de menor a mayor.
✓ La mediana divide a la distribución ordenada en forma
ascendente o descendente en dos grupos iguales, es decir,
el 50% de los datos son inferiores a su valor y el 50% de los
datos tienen valores superiores.
www.villamedicgroup.com
✓ A diferencia de la media aritmética, la mediana no se ve
afectada por valores extremos, y para el cálculo no
intervienen todos los valores. La información que utiliza la
mediana es el orden en que se distribuyen los valores.
1.3. Moda: Es aquel valor de la variable que tiene la máxima
frecuencia, es decir, el valor o categoría que más se repite.
Puede suceder que la moda no sea única en un conjunto de
datos, denominándose distribución bimodal (2 valores o
categorías que más se repiten), trimodal (3 valores o
categorías que más se repiten), etc. Por ejemplo: Se tienen
las edades de 7 niños (en años): 2, 3, 4, 4, 5, 2, 4; aquí la
moda es 4, dado que es el valor que más se repite.
2. MEDIDAS DE DISPERSIÓN
✓ Los conjuntos de datos pueden tener el mismo valor central pero
con aspecto diferente por la forma en que los números se
dispersan desde el centro. Las medidas de dispersión nos indican
la variabilidad de los datos en torno a su valor promedio, es decir
si se encuentran muy o poco esparcidos en torno a su centro.
2.1. Rango o recorrido: Es la diferencia entre el valor máximo y
mínimo que toma la variable estadística.
Rango = Valor máximo – Valor mínimo
2.2. Varianza: La varianza cuantifica la variabilidad de los datos
con respecto a la media aritmética y se denota por “σ2” si es
la varianza de una población y “s2” si es la varianza de una
muestra. La varianza de una muestra de “n” mediciones es la
suma de las desviaciones cuadradas de las mediciones
alrededor la media dividida entre (n-1):
∑(xi − x̅)2
s2 =
n−1
2.3. Desviación estándar o desviación típica: La desviación
estándar de un conjunto de mediciones es igual a la raíz
cuadrada de la varianza. Se denota por “σ” si es la desviación
estándar de una población y “s” si es la desviación estándar
de una muestra.
2.4. Coeficiente de variación (CV): El coeficiente de variación de
Pearson, permite comparar la dispersión entre diferentes
muestras, y se encuentra definido como el cociente entre la
desviación estándar y la media aritmética:
s
CV =
x̅
3. MEDIDAS DE POSICIÓN RELATIVA
✓ Permiten conocer la posición de una observación respecto a otras
de un conjunto de datos.
3.1. Percentil: Los percentiles dividen a la distribución en cien
partes iguales, en donde cada uno de ellos incluyen el 1% de
las mediciones. Cuando un conjunto de “n” mediciones de
Página | 10
 Mejores médicos.
una variable se ha reacomodado en orden de magnitud, el p- 1. ANÁLISIS DESCRIPTIVO
ésimo percentil es el valor de la variable que es mayor a p% ✓ Consiste en el análisis de cada variable y dependerá del tipo de
de las mediciones y es menor que el restante (100 - p) %. Por variable.
ejemplo, el percentil 20 es el valor de la variable que es mayor 1.1. Variable Cualitativa o categórica:
al 20% de las mediciones y menor del 80% restante: a) Diagrama sectorial, circular o de pastel: Por ejemplo: Asma
(si, no).
Gráfico. Ejemplo de la posición del percentil 20.
Asma

Si, 15

No, 85
3.2. Cuartil: Los cuartiles dividen la distribución en 4 partes
iguales, en donde cada uno de ellos incluyen el 25% de las
mediciones. Cuando un conjunto de “n” mediciones en una b) Diagrama de barras o rectángulos: Por ejemplo: Distrito de
variable se ha acomodado en orden de magnitud, el cuartil procedencia (Ancón, Ate, Comas, La Molina, Lince, SJL).
inferior (primer cuartil) o Q1 es el valor de la variable que es
mayor a un cuarto de las mediciones (25%) y es menor que
Distrito de procedencia
los restantes tres cuartos (75%). El segundo cuartil es la 50 45 45 43
mediana (50%). El cuartil superior (tercer cuartil) o Q3, es el
40
valor de la variable que es mayor a tres cuartos de las 32 33
mediciones (75%) y es menor que el restante un cuarto 30 25
(25%).
20

Gráfico. Cuartiles 10

0
Ancón Ate Comas La Molina Lince SJL

c) Pictogramas: Un pictograma usa dibujos como símbolos para

representar números. Cada símbolo del pictograma
reemplaza una marca de conteo o más. Por ejemplo:
Satisfacción (satisfecho, insatisfecho), en este caso cada
carita equivale a 10 personas.

Satisfacción
TENER EN CUENTA: 50
✓ El percentil 25 y el cuartil inferior (Q1) tienen el mismo valor.
40
✓ El percentil 50, cuartil intermedio (Q2) y la mediana tienen el
mismo valor. 30
✓ El percentil 75 y del cuartil superior (Q3) tienen el mismo valor.
20

10
VI. REPRESENTACIÓN GRÁFICA
✓ Los resultados de una investigación se pueden presentar de forma 0
gráfica y dependerá su elaboración al tipo de análisis que se quiere Satisfecho Insatisfecho
realizar y las variables involucradas. A continuación, se realiza una
1.2. Variable cuantitativa discreta:
descripción más extensa usando como referencia la clasificación
a) Diagrama de barras o rectángulos: Por ejemplo: Número de
de Pértega-Díaz y Pita-Fernández (2001).
días de hospitalización:

www.villamedicgroup.com Página | 11
Mejores médicos.

35 Primer cuartil
30 Bigote
30
Número de pacientes

24 Tercer cuartil
25
20
14 Caja Mediana
15 12
10
5
5 3 Límite superior
0 Bigote
1 2 3 4 5 6
Días de hospitalización Límite inferior
Outliers
En el ejemplo, la variable días de hospitalización es una variable Por ejemplo: hemoglobina (mg/dL)
cuantitativa discreta, dado que, el número de días es un número
entero. Del gráfico, se puede observar que 30 pacientes tuvieron
4 días de hospitalización.
1.3. Variable cuantitativa continua:
a) Histograma: Por ejemplo: hemoglobina (mg/dL)

b) Diagrama de tallos y hojas: Es una gráfica que permite

mostrar la forma de distribución de una variable cuantitativa.
Si giramos el diagrama en 90º es parecido a un histograma,
pero con más información. Elementos del diagrama:
✓ Tallo: constituido por los primeros elementos o dígitos, y
aparece puesto en vertical.

b) Polígono de frecuencias: Por ejemplo: hemoglobina (mg/dL) ✓ Hojas: son los siguientes elementos de cada uno de los
datos de nuestra variable. (Aparece en vertical).
✓ Por ejemplo: Tenemos la edad de 15 personas:

1.4. Otros gráficos en variables cuantitativas:

a) Diagrama de cajas y bigotes: La caja central indica el rango
en el que se concentra el 50% central de los datos, los 2. COMPARACIÓN DE DOS O MÁS GRUPOS.
extremos de la caja representan el primer y tercer cuartil. La ✓ Cuando se quieren comparar las observaciones tomadas en dos o
línea central de la caja es la mediana. Los extremos de los más grupos de individuos, depende del tipo de variables que se
"bigotes" que salen de la caja son los valores que delimitan esté trabajando.
el 95% central de los datos. Se suelen también representar 2.1. Comparar dos variables cualitativas
aquellas observaciones que caen fuera de este rango a) Diagrama sectorial, circular o de pastel: Por ejemplo:
(outliers o valores extremos). Enfermedad según sexo.

www.villamedicgroup.com Página | 12
 Mejores médicos.

Masculino

Enfermo Sano

b) Diagrama de cajas y bigotes: Por ejemplo: Altura según sexo.

Femenino

Enfermo Sano

b) Diagrama de barras o rectángulos: Por ejemplo: Enfermedad

según sexo.

60
c) Gráfico de líneas: Consiste en una serie de puntos
50
conectados entre sí mediante rectas, donde cada punto
40 puede representar la variable de interés según lo que interese
en el tiempo. Ejemplo: Cantidad de enfermos por mes.
30
48
20

10 46

0
44
Enfermos

Enfermo Sano

Masculino Femenino 42

2.2. Comparar variables numéricas

40
a) Diagrama de error: Generalmente se representa con la media
acompañada por su intervalo de confianza al 95%. Ejemplo:
38
Altura según sexo.
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Set. Oct. Nov. Dic.
Mes

3. RELACIÓN ENTRE DOS VARIABLES NUMÉRICAS

a) Diagrama de dispersión: Se confronta la variable del eje
horizontal versus la variable del eje vertical. Ejemplo: Altura
versus peso.

www.villamedicgroup.com Página | 13
 Mejores médicos.
Gráfico. Regiones de rechazo y no rechazo de la hipótesis nula (Ho)

✓ Cuando aplicamos una prueba estadística, de acuerdo al

resultado, decidimos rechazar o no una hipótesis nula, sin
embargo, podríamos cometer un error al tomar la decisión; por
ejemplo, podríamos rechazar la hipótesis nula (Ho) cuando es
verdadera o podríamos no rechazar la hipótesis nula (Ho) cuando
TENER EN CUENTA: es falsa. Al comparar nuestra decisión de rechazar o no la
El análisis exploratorio de datos es un conjunto de técnicas hipótesis nula, frente a si es correcta o no, podríamos cometer los
estadísticas cuya finalidad es conseguir un entendimiento básico siguientes errores:
de los datos y de las relaciones existentes entre las variables
analizadas. Incluye la preparación de los datos, el análisis Cuadro. Posibles escenarios luego de tomar una decisión estadística
numérico y grafico de cada variable, el análisis numérico y gráfico REALIDAD
de las relaciones entre las variables, identificar los datos atípicos
Ho verdadero Ho Falso
(outliers), entre otros.
ERROR TIPO I Decisión
() correcta
VII. PRUEBAS ESTADÍSTICAS 1 - DEFINICIÓN Y Rechazar
Nivel de (1-ß)
Ho
TIPOS DE ERRORES significación de Potencia de la
✓ Las pruebas estadísticas o pruebas de hipótesis constituyen un la prueba prueba
DECISIÓN
proceso para determinar la validez de una aseveración hecha Decisión
ESTADÍSTICA
sobre la población basándose en evidencia muestral. De manera correcta
No
sencilla, una hipótesis es una afirmación sobre una población. En (1-) ERROR TIPO II
rechazar
estas pruebas existen dos hipótesis que están en competencia: Grado de (ß)
Ho
• Hipótesis nula (Ho): Es la hipótesis que se somete a prueba, confianza de la
intentándose rechazar o refutar. Generalmente afirma que no prueba
hay diferencia entre los parámetros poblacionales o que no
hay relación entre las variables.
a) Error tipo I (error alfa): Es el error de rechazar la hipótesis
• Hipótesis alternativa (Ha): Es la opción opuesta a la hipótesis
nula cuando sea verdadera. La probabilidad de cometer un
nula. Generalmente es la hipótesis que el investigador busca error tipo I se denota por el símbolo α. El valor p coincide con
demostrar. la probabilidad de cometer el error tipo I, y nos indica el nivel
✓ La decisión de rechazar o no la hipótesis nula dependerá del valor
de significancia de la prueba, pues permite diferenciar la
p asociado a la prueba estadística ejecutada, el cual corresponde
región de rechazo y no rechazo de la prueba. Este error
a la probabilidad de cometer el error de rechazar la hipótesis nula
puede ser manejado por el investigador (α = p = 0.001,
cuando es verdadera. Por convención se considera que esta
0.01…, 0.05), siendo el tope máximo de su valor 0.05.
probabilidad debe ser menor al 5% (p<0.05) para rechazar la
hipótesis nula. El resultado del valor p puede ubicarse o no en la
Cabe señalar que 1- α es conocido como el grado de confianza de
zona de rechazo de la hipótesis nula (Ho) y de acuerdo a este
la prueba.
resultado, el investigador puede tomar una de las siguientes
Por ejemplo, si α = p = 0.05, entonces el grado de confianza = 1 -
decisiones:
0.05 = 0.95 = 95%
• Rechazar Ho y concluyendo que la hipótesis alternativa (Ha)
es verdadera, cuando el valor p<0.05.
b) Error tipo II (error beta): Es el error de no rechazar la hipótesis
• No rechazar Ho y concluyendo que la hipótesis nula (Ho) es
nula cuando es falsa. La probabilidad de cometer un error tipo
verdadera, cuando el valor p>0.05.
II se denota por el símbolo β. Este error no puede ser

www.villamedicgroup.com Página | 14
 Mejores médicos.
manejado por el investigador. Cabe señalar que, 1-β es obstante, son menos potentes en relación a las pruebas
conocido como potencia de la prueba. paramétricas.
✓ A continuación, se resumen las pruebas no paramétricas más

VIII. PRUEBAS ESTADÍSTICAS 2 - CLASIFICACIÓN Y utilizadas:

✓ En muestras no relacionadas o independientes o no pareadas
TIPOS
✓ La elección de la prueba estadística para poner a prueba la
PRUEBA
hipótesis nula dependerá del tipo de variable, escala de medición, CARACTERÍSTICAS
ESTADÍSTICA
supuestos que se deben cumplir, entre otros. Las pruebas
estadísticas las podemos clasificar en: pruebas paramétricas y Compara 2 grupos.
Chi cuadrado
pruebas no paramétricas. Variables categóricas.

Compara medianas en 2 grupos.

1. PRUEBAS PARAMÉTRICAS U de Mann Whitney Variable cuantitativa sin distribución
✓ Se llaman así porque para su cálculo requiere el cumplimiento de normal.
ciertos parámetros, los cuales incluyen: distribución normal de la Compara medianas en 3 o más grupos.
Prueba de Kruskal
variable dependiente, varianzas homogéneas de los grupos Variable cuantitativa sin distribución
Wallis
estudiados, la variable dependiente tiene escala de medición de normal.
intervalo o de razón, entre otros. A continuación, se resumen las
Correlación de 2 variables.
pruebas paramétricas más utilizadas, según el tipo de muestra: Correlación de
Variables cuantitativas sin distribución
✓ En muestras no relacionadas o independientes o no pareadas Spearman
normal.

PRUEBA ESTADÍSTICA CARACTERÍSTICAS

✓ En muestras relacionadas o dependientes o pareadas
Compara promedios en 2 grupos.
Test de Student Variable cuantitativa con distribución
PRUEBA
normal. CARACTERÍSTICAS
ESTADÍSTICA
Compara promedios en 3 o más
Comprar 2 grupos.
Análisis de varianzas grupos. Prueba de McNemar
Variables categóricas dicotómicas.
[ANOVA] Variable cuantitativa con distribución
Comparar 3 o más grupos.
normal. Q de Cochran
Variables categóricas.
Correlación de 2 variables.
Comparar medianas en 2 grupos.
Correlación de Pearson Variables cuantitativas con
Prueba de Wilcoxon Variable cuantitativa sin distribución
distribución normal.
normal.

Comparar medianas 3 o más grupos

✓ En muestras relacionadas o dependientes o pareadas
Prueba de Friedman Variable cuantitativa sin distribución
normal
PRUEBA ESTADÍSTICA CARACTERÍSTICAS

Compara promedios en 2
TENER EN CUENTA:
Test de Student para datos grupos.
Serán muestras independientes (no apareado) cuando ambas
relacionados Variable cuantitativa con
muestras se obtienen de distintos sujetos y no hay nada en común
distribución normal.
en dichas muestras. (Las mediciones se hacen en distintas
Compara promedios en 3 o
muestras).
Análisis de varianzas [ANOVA] más grupos.
Serán muestras dependientes (apareado) cuando las
para datos relacionados Variable cuantitativa con
observaciones o valores de ambas muestras se obtienen de los
distribución normal.
mismos sujetos, habiendo algo en común en dichas muestras. (Las
mediciones se hacen en la misma muestra en distintos momentos).
2. PRUEBAS NO PARAMÉTRICAS
✓ Las pruebas no paramétricas no requieren supuestos de la
IX. MEDIDAS DE ASOCIACIÓN O DE EFECTO
distribución poblacional como ocurre en las pruebas paramétricas
✓ Evalúan la fuerza con la que una enfermedad o evento (variable
(no requieren distribución normal). Pueden aplicarse en variables
dependiente) se asocia con un factor de riesgo (variable
categóricas y numéricas. Asimismo, estas pruebas se pueden
independiente):
aplicar cuando las muestras son pequeñas (<30 sujetos). No

1. RIESGO RELATIVO (RR)

www.villamedicgroup.com Página | 15
 Mejores médicos.
✓ Compara el riesgo de enfermar en el grupo de expuestos frente al
riesgo de enfermar del grupo de no expuestos. Esta medida es
utilizada en los estudios prospectivos (cohortes o ensayos
clínicos). Mide la fuerza de la asociación entre el factor de riesgo
y la enfermedad. Se calcula de la siguiente forma:
𝐼𝑒
𝑅𝑅 =
𝐼𝑜
✓ Donde:
• Ie: es la incidencia acumulada o riesgo de enfermar entre los
expuestos.
• Io: es la incidencia acumulada o riesgo de enfermar entre los
no expuestos.
✓ Asimismo, su significado varía dependiendo del valor que tome:
• • RR > 1 → Factor de riesgo (FR).
• • RR = 1 → Indiferente. La incidencia es igual en expuestos y
no expuestos.
• • RR < 1 → Factor de protección.
✓ A continuación, se presenta un ejemplo de cálculo de Riesgo
Relativo:
• b/d bxc
• Cuando la OR tiene el valor de 1, el comportamiento del factor
es indiferente; si el valor es superior a 1, el factor puede
considerarse como riesgo; y si es inferior a 1, es valorado
como factor protector.
TENER EN CUENTA:
Los valores de OR y RR son muy similares cuando la prevalencia
de la enfermedad es menor al 10%, pudiéndose decir que son
intercambiables.
X. MEDIDAS DE IMPACTO POTENCIAL
✓ Expresan la importancia de una exposición frente a una
enfermedad, es decir, miden la proporción de la enfermedad que
puede ser atribuida a la exposición. Asimismo, dan a conocer qué
sucedería si se eliminara la exposición en los individuos expuestos
o en la población.
✓ En primer lugar, vamos a estudiar la importancia de una exposición
en los individuos expuestos y luego en la población general. Para
esto, se va a utilizar un caso hipotético de un estudio de la
incidencia de accidentes cerebrovasculares (ACV) en una
población:

Incidencia
(por 100
ACV No ACV Total
mil
habitantes)
Figura. Cálculo de riesgo relativo
Fumadores
80 99 920 100 000 80
(expuestos)
✓ Del ejemplo podemos decir que, el grupo expuesto tiene 2.4 veces
No fumadores
más riesgo de tener la enfermedad en comparación los no 200 999 800 1 000 000 20
(no expuestos)
expuestos. Además, dado que el RR es mayor que 1, podemos
decir que es un factor de riesgo. Población total 280 1 099 720 1 100 000 25.5
2. ODDS RATIO (OR)
✓ Conocido también como razón de productos cruzados, razón de
momios, razón de chance, razón de ventaja o razón de disparidad. 1. Medidas de impacto potencial en expuestos.

Consiste en comparar el nivel de exposición en los enfermos ✓ Corresponde a la importancia de un factor de riesgo (exposición)

(casos) con el equivalente en un grupo de no enfermos (controles). para desarrollar la enfermedad en los sujetos expuestos. Por

Es una medida de asociación utilizada en estudios de casos y ejemplo: cuantificar los accidentes cerebro vasculares

controles. Se define como la posibilidad de que una condición de (enfermedad) que se pueden atribuir al hábito de fumar

salud o enfermedad se presente en un grupo de población, frente (exposición) en fumadores (expuestos).

al riesgo de que esta ocurra en otro grupo. Se calcula de la 1.1. Riesgo atribuible en expuestos: Se refiere al riesgo que se

siguiente forma: puede atribuir al factor de riesgo (exposición) en los

𝐶𝑎𝑠𝑜𝑠 𝑒𝑥𝑝𝑢𝑒𝑠𝑡𝑜𝑠 individuos expuestos. Se expresa como el exceso de riesgo
𝑅𝑎𝑧ó𝑛 𝑑𝑒 𝑒𝑥𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛 𝑒𝑛 𝑙𝑜𝑠 𝑐𝑎𝑠𝑜𝑠 𝐶𝑎𝑠𝑜𝑠 𝑛𝑜 𝑒𝑥𝑝𝑢𝑒𝑠𝑡𝑜𝑠
𝑂𝑅 = = en los expuestos en relación a los no expuestos:
𝑅𝑎𝑧ó𝑛 𝑑𝑒 𝑒𝑥𝑝𝑜𝑠𝑖𝑐𝑖ó𝑛 𝑒𝑛 𝑙𝑜𝑠 𝑐𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑠 𝐶𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑠 𝑒𝑥𝑝𝑢𝑒𝑠𝑡𝑜𝑠
𝐶𝑜𝑛𝑡𝑟𝑜𝑙𝑒𝑠 𝑛𝑜 𝑒𝑥𝑝𝑢𝑒𝑠𝑡𝑜𝑠 𝑅𝐴𝑒𝑥𝑝 = 𝐼𝑛𝑐𝑖𝑑𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑒𝑥𝑝𝑢𝑒𝑠𝑡𝑜𝑠 − 𝐼𝑛𝑐𝑖𝑑𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑛𝑜 𝑒𝑥𝑝𝑢𝑒𝑠𝑡𝑜𝑠.
✓ Por ejemplo: ✓ En el ejemplo, calculamos el riesgo atribuible en expuestos:
𝑅𝐴𝑒𝑥𝑝 = 80 − 20 = 60 𝑝𝑜𝑟 100 𝑚𝑖𝑙 ℎ𝑎𝑏𝑖𝑡𝑎𝑛𝑡𝑒𝑠
Casos Controles Total
✓ En los fumadores (expuestos), la incidencia de 60 por 100 mil
Exposición presente a b N1 habitantes se atribuye al hábito de fumar (exposición). De
Exposición ausente c d N2 manera gráfica se puede apreciar con mayor detalle:
Total M1 M2 T

• OR = a / c = a x d (Cociente de productos cruzados)

www.villamedicgroup.com Página | 16
 Mejores médicos.
Incidencia de ACV (por 100 mil 90 90
80 80
70 70
60
60
50
hab)

RAexp = 60 por 100 mil hab 50

40 75% RAPexp = 75%

%
40
30
20 30

10 20
0 10 25%
Fumadores (expuestos) No fumadores (no
0
expuestos)
Fumadores (expuestos) No fumadores (no
✓ El riesgo atribuible en expuestos es una medida absoluta y expuestos)
no da una idea de la proporción de la incidencia que es
atribuida sólo al hábito de fumar, para lo cual se tiene el 2. Medidas de impacto potencial en la población.
riesgo atribuible proporcional en expuestos. ✓ Corresponde a la importancia de un factor de riesgo (exposición)
1.2. Riesgo atribuible proporcional en expuestos: También para desarrollar la enfermedad en la población y no solamente en
denominado fracción atribuible en expuestos. Se refiere a la los expuestos. Por ejemplo: cuantificar los accidentes cerebro
proporción del riesgo que se atribuye al factor de riesgo vasculares (enfermedad) que se pueden atribuir al hábito de fumar
(exposición) en individuos expuestos. Se representa con la (exposición) en la población en general.
siguiente fórmula: 2.1. Riesgo atribuible poblacional: Se refiere al riesgo que se
puede atribuir al factor de riesgo (exposición) en la población
𝐼𝑛𝑐𝑖𝑑𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑒𝑥𝑝𝑢𝑒𝑠𝑡𝑜𝑠 − 𝐼𝑛𝑐𝑖𝑑𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑛𝑜 𝑒𝑥𝑝𝑢𝑒𝑠𝑡𝑜𝑠
𝑅𝐴𝑃𝑒𝑥𝑝 = total (expuesta y no expuesta). Se expresa como el exceso
𝐼𝑛𝑐𝑖𝑑𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑒𝑥𝑝𝑢𝑒𝑠𝑡𝑜𝑠
de riesgo en la población en relación a los no expuestos:
𝑅𝐴𝑃 = 𝐼𝑛𝑐𝑖𝑑𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛 − 𝐼𝑛𝑐𝑖𝑑𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑛𝑜 𝑒𝑥𝑝𝑢𝑒𝑠𝑡𝑜𝑠.
✓ En el ejemplo, calculamos el riesgo atribuible proporcional en
✓ En el ejemplo, calculamos el riesgo atribuible poblacional:
expuestos: 𝑅𝐴𝑃 = 25.5 − 20 = 5,5 𝑝𝑜𝑟 100 𝑚𝑖𝑙 ℎ𝑎𝑏𝑖𝑡𝑎𝑛𝑡𝑒𝑠
✓ En la población total la incidencia de 5.5 por 100 mil
80 − 20
𝑅𝐴𝑃𝑒𝑥𝑝 = = 0.75 = 75% habitantes se atribuye al hábito de fumar (exposición).
80
2.2. Riesgo atribuible proporcional en la población: También

✓ El 75% de ACV en fumadores (expuestos) puede ser denominado fracción atribuible en la población. Se refiere a

atribuido al hábito de fumar (exposición). Asimismo, se puede la proporción del riesgo que se atribuye al factor de riesgo

decir que, eliminando el hábito de fumar (exposición) (exposición) en la población total. Se representa con la

reduciría en 75% la incidencia de ACV en fumadores siguiente fórmula:

𝐼𝑛𝑐𝑖𝑑𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛 − 𝐼𝑛𝑐𝑖𝑑𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑛𝑜 𝑒𝑥𝑝𝑢𝑒𝑠𝑡𝑜𝑠
(expuestos). De manera gráfica se puede observar la 𝑅𝐴𝑃𝑃 =
𝐼𝑛𝑐𝑖𝑑𝑒𝑛𝑐𝑖𝑎 𝑒𝑛 𝑙𝑎 𝑝𝑜𝑏𝑙𝑎𝑐𝑖ó𝑛
proporción: ✓ En el ejemplo, calculamos el riesgo atribuible proporcional en
la población:
25.5 − 20
𝑅𝐴𝑃𝑃 = = 0.214 = 21.4%
25.5
✓ El 21.4% de ACV en la población total puede ser atribuido al
hábito de fumar (exposición). Asimismo, se puede decir que,
eliminando el hábito de fumar (exposición) reduciría en 21.4%
la incidencia de ACV en la población total.

TENER EN CUENTA:
Los riesgos atribuibles en expuestos se suelen usar en la práctica
clínica, puesto que en este ámbito se realizan intervenciones en
personas expuestas a un factor de riesgo; mientras que, los riesgos
atribuibles en población se suelen usar en salud pública, puesto que
las intervenciones se realizan a nivel de toda la población.

www.villamedicgroup.com Página | 17