UNIVERSIDAD J. F.

KENNEDY

BIOESTADÍSTICA

Guía de Lectura

2016

1
UNIDAD I

Introducción
Ante el término Estadística es probable que uno evoque cifras, extensos cuadros, tablas
de números, datos económicos y demográficos, gráficos, porcentajes, etc. Ideas más o ideas
menos, lo cierto es que la actitud de la mayoría de las personas, ante la Estadística, es de
escepticismo cuando no de ironía. Ahora bien, actitudes de por medio, no podemos negar que la
Estadística es un instrumento que circula e interviene en los ámbitos y dominios más diversos y
cotidianos y específicamente en el campo de la investigación. Se hace estadística cuando se
estima el tiempo probable para llegar a un punto “x” de la ciudad un día viernes en que el aumento
del transito es una constante. Pero también se hace estadística cuando se repiten o reiteran
experiencias u observaciones de un fenómeno para extraer conclusiones acerca de un hecho ya
sea en el campo de las ciencias sociales o las ciencias naturales. Con mayor o con menor
precisión o sistematización se esta haciendo un recuento o inventario de sucesos.
En la historia de la humanidad aparece la estadística expresando diversos censos o recuentos :
• En la Biblia, el cuarto libro del A.T., Números, se destaca por la preocupación de los israelitas
por la precisión numérica :
− dos censos ( caps. 1-4; 26)
− reglamentaciones de los sacrificios ( caps. 28-29)
− instrucciones en el reparto del botín (caps. 31)
− división del territorio alrededor de las ciudades levíticas (35. 1-8)
• En el Nuevo Testamento, Lc. 2. 1-5, se menciona el censo ordenado por el emperador
Augusto, en vísperas del nacimiento de Cristo.
• En Egipto se encontraron vestigios de cierto tipo de administración, organización y movimientos
poblacionales sistematizados y anotados con periodicidad.
• En China, Confucio (500 a.C. ) narra un censo realizado por el Rey Yao (3000 a.C.), que
realizó una estadística agrícola y un relevamiento comercial del país.
• En Grecia, Platón, menciona un diálogo entre Socrates y Glauco en el que destacan la
importancia de la estadística para el “hombre de gobierno”.
• Imperio Romano, los censos calculaban la cantidad de ciudadanos y sus bienes.
• En Inglaterra, en el 1000 d.C., el Rey Guillermo “el conquistador”, estableció un censo o
documentación administrativa.
• En Italia, al final de la Edad Media y en el Renacimiento se registran datos estadísticos.
• La Iglesia, en el Concilio de Trento, introduce la obligación de inscribir los matrimonios,
nacimientos y muertes.
• Con German Cönning, (1600-1681), en el siglo XVII aumentan los datos oficiales y se
sistematiza la estadística como descripción de los aspectos más notables de un Estado. Funda,
en Alemania, la Estadística Universitaria, puramente descriptiva, al mismo tiempo que en
Inglaterra surgen los “aritméticos políticos” que pretendían crear un estadística investigadora,
derivando de esta dos tendencias : Cálculo probabilístico, probabilidades y curva de Gauss y
Cálculo demográfico.

2
 Si bien fue definida la estadística en la unidad anterior de manera conceptual a partir de lo
señalado por Susel, es posible definirla en forma operacional:

La Estadística es un método científico para recolectar, organizar, resumir, presentar y analizar

datos correspondientes a un conjunto de individuos u observaciones, para luego sacar
conclusiones válidas y tomar decisiones lógicas y razonables basadas en el análisis de dichos
datos.

La Estadística es un rama de la matemática que tiene por objeto el estudio de los

fenómenos que se presentan dentro de un marco de incertidumbre y, por lo tanto, no explicables
mediante leyes ni apelando al pensamiento deductivo. Es el estudio de la tendencia de los
resultados a variar cuando las observaciones se hacen en condiciones idénticas y sus resultados
son impredecibles desde el punto de vista del observador. Los fenómenos, que se presentan en
gran número, dependen de una gran variedad de causas. Por lo tanto, la Estadística es un método
especialmente adecuado para el estudio cuantitativo de fenómenos de masa o colectivos
fuertemente influidos por una multitud de causas complejas, como los fenómenos sociales.

Funciones de la Estadística

Describir Inferir o generalizar

Estadística Estadística
Descriptiva Inferencial

• Describe la realidad tal como se la • Es un conjunto de técnicas que

observa permiten hacer inferencias o
• Se utiliza para sintetizar grandes generalizaciones a partir de una
cantidades de datos pqequeña cantidad de datos

Técnicas Técnicas

• Estadística gráfica. • Elección al azar de una muestra

• Medidas de tendencia central. • Distribución muestral
• Medidas de orden. • Probabilidad
• Medidas de variabilidad/
dispersión

3
 La Estadística se aplica a distintos campo científicos: Psicopedagogía, Psicología,
Sociología, Biología, Física, etc. Las diversas ramas del saber aplican los criterios estadísticos
para extraer información útil de la gran cantidad de observaciones y registros que se realizan,
mediante la descripción y la síntesis precisas de lo que se ha observado. Este procedimiento se
facilita con la asignación numérica a las observaciones.
La Estadística aplicada a Ciencias biológicas se denomina Bioestadística

1. Estadística Descriptiva

Un esquema de las funciones de la Estadística descriptiva sería:

Ciencias Sociales/ Naturales observaciones en Descripción

gran número

Estadística asigna valores Síntesis

Cuando se ha definido el problema a resolver, está delimitada la población de estudio, están

determinados los objetivos de la investigación y las variables que se quieren estudiar y ya se
cuenta con una muestra de datos, es momento entonces de obtener de estos toda la información
útil para la investigación. De esto se encarga la Estadística descriptiva. Una vez que se ha
realizado la recolección de los datos observados, procede a organizarlos y resumirlos para
describirlos sin obtener más conclusiones que los que estos datos aportan. Esta descripción
informa la localización, dispersión y forma de distribución de los datos por medio de descripciones
gráficas y numéricas. Aunque esta descripción es importante e imprescindible no es suficiente. Se
requiere interpretar y generalizar los resultados obtenidos en la muestra de manera que puedan
aplicarse en forma extensiva a la población de datos de donde provino la muestra de datos
tomada. De esto se encarga la Estadística inferencial. Pero de esta nos ocuparemos en la
unidad III.
1.1. Población y Muestra
El objetivo de toda investigación, en general, es hacer generalizaciones o predicciones sobre
hechos que están más allá de nuestro alcance.
Establecido el objeto de estudio, definidos los factores a observar y medir, elegido el método
apropiado para la recolección de datos de acuerdo con el problema, sus objetivos e hipótesis,
corresponde afrontar el diseño y delimitar el contexto en que se manifiesta el problema que se
constituirá en la población. Por razones de costo y de tiempo normalmente es imposible observar
a toda la población.
La estrategia de la mayoría de las investigaciones psicológicas es analizar un problema
determinado que se manifiesta en una población, a partir de un grupo de individuos

4
 representativos de dicha población. Por lo tanto, en las investigaciones, lo que se analizan son
muestras de una población.
1.2. Recolección exhaustiva de datos. Población
Los elementos, personas, objetos o fenómenos a observar constituyen la muestra de la
investigación. Estos elementos forman parte de un grupo de conceptos básicos y específicos que
convienen clarificar. A saber: universo, población, muestra e individuo.
• Universo: es la serie real o hipotética de todos los elementos que componen unas
características definidas relacionadas con el problema de investigación. Es decir, esta
conformado por la totalidad de unidades de análisis que se quiere estudiar. Por ejemplo, todos
los padres que han sufrido la pérdida de un hijo menor de 25 años en accidentes de tránsito.
• Población: es un conjunto definido, limitado y accesible del universo que forma el referente
para la elección de la muestra. Es el grupo al que se intenta generalizar los resultados. Por
ejemplo, todos los padres del universo previamente definido que concurrieron en los últimos 5
años a alguna institución de salud mental de la Ciudad de Buenos Ares.
También se utiliza este término para denominar a todos los datos recogidos. Es más pertinente
en este caso llamarla Población de Datos.

Población de Conjunto de todos los entes a los cuales se pueden aplicar las
conclusiones obtenidas a través de la predicción, estimación o
Investigación o estudio verificación de una hipótesis.

Población o Conjunto de todas las mediciones que es posible obtener a partir de

observar una cierta característica en cada uno de los elementos de la
Población de datos población de estudio.

• Muestra: es una parte representativa de una población o universo, cuyas características

debe reproducir lo más exactamente posible. Es un conjunto pequeño de datos extraídos
de la población a partir de algún procedimiento específico que asegure su
representatividad. Cuanto más grande sea el conjunto de datos asegura mayor
representatividad.Por ejemplo, un grupo de 100 historias clínicas tomadas al azar de 4
instituciones a la que concurrió la población previamente definida

Muestra Cualquier subconjunto de la población de estudio

de estudio

Muestra de datos Cualquier subconjunto de la población de datos

• Unidad de análisis, elemento o individuo (muestral): es la unidad más pequeña en la que se

puede descomponer la muestra, la población o el universo. Esta unidad puede ser una persona,
un grupo, un centro, una familia, sectores de una ciudad, un pueblo Unidad Experimental

5
 UNIVERSO
HIPOTÉTICO
(prácticamente infinito)

UNIVERSO o
POBLACIÓN, (finito)

MUESTRA, N
Unidades a observar

Unidades que podrían

haber sido observadas

Conjunto de unidades existentes

a las que se aplica la teoría

Fuente: Diagrama de Mora y Araujo (1973)

1.3. Recolección parcial de datos. Muestra

La Estadística trabaja con muestras. La muestra es un subconjunto representativo de la
población. Esto es así porque, en ocasiones, el gran número de unidades de análisis posibles de
la población es imposible de abarcar. Por razones de economía, de tiempo y dinero, se investiga,
en representación de la población, a la muestra.
Para que sean validas las conclusiones que se sacan a partir de las muestras estas deben
ser representativas de la población. Estas muestras pueden obtenerse en forma probabilística
utilizando en algún paso del proceso la elección azarosa de las unidades que la componen, es
decir cuando se trata de una muestra aleatoria.
Existen cuatro métodos de muestreo para conformar una muestra probabilística.
• Muestra aleatoria o por azar simple : La muestra básica se selecciona por azar, partiendo de
una población. Se toma al azar una cantidad N de observaciones sobre el total de la población,
y si la muestra es lo bastante extensa y bien seleccionada, representará al conjunto
significativamente en la mayoría de los casos. Este método asegura que cada elemento de la
población tiene la misma probabilidad de ser incluido en la muestra.

6
• Muestra por azar sistemático: se eligen los elementos de la muestra utilizando un sistema fijo
de intervalos iguales, a partir del primer elemento elegido al azar. Por ejemplo, en una línea de
producción de algún producto se toma el primero al azar y los siguientes cada 100 productos
que salen de la línea. Este método es más conveniente que el anterior cuando se trabaja con
una población muy extensa.
• Muestra al azar por estratos: cuando en la población es heterogénea y pueden reconocerse
grupos bien diferenciados en cuanto al factor en estudio, se divide a la misma en estratos
internamente homogéneos y de cada uno de ellos se saca, al azar, un grupo cuyo número de
elementos sea proporcional al tamaño del estrato del cual provino. Por ejemplo, en una
población que compuesta por hombres y mujeres la misma cantidad de unidades de análisis al
azar en los hombres y en las mujeres.
• Muestra al azar por conglomerado: en este caso se divide a la población en sectores
llamados conglomerados y que son heterogéneos internamente, de tal forma que en cada
conglomerado están representadas todas las características de la población; entonces, un
conglomerado puede representarla, y de éste se extrae una muestra al azar. Por ejemplo, en
un estudio de investigación de mercado en donde se supone que la necesidad del producto es
variada pero con iguales características en toda la ciudad se elige la muestra al azar en un
barrio de la misma.

La muestra escogida al azar es la única que puede ser examinarse con completa confianza por
medio de la teoría estadística. En una muestra aleatoria representativa se incluyen,
proporcionalmente, elementos de todos los diferentes grupos que haya en la población. No todas
las muestra aleatorias son representativas.
Condiciones o requisitos de la muestra para determinar la seriedad, validez y confiabilidad de
un informe estadístico :
1. Comprender parte del universo o de la población y no su totalidad.
2. Amplitud. Es estadísticamente proporcionada a la magnitud de la población,
3. Representatividad. Refleja verdaderamente la composición y las características de la
población.
4. Muestra tomada al azar. La ausencia de distorsión en la elección de los elementos de la
muestra. Esto asegura que cada miembro de la población tienen igual posibilidad de
pertenecer a la muestra.
Ventajas Limitaciones
• En las ciencias sociales, con una muestra • Cierta inexactitud en los parámetros.
relativamente reducida en relación al universo se
pueden encuestar las grandes poblaciones y núcleos
humanos.
• Las muestras suponen economía en los costos.
• Disminución del tiempo empleado para obtener y
procesar la información.

7
 1.4. Variables
Todos los elementos de la muestra y los de la población tienen atributos, características.
La variable es un atributo susceptible de tomar distintos valores o variantes. Cuando el atributo es
variable en formas impredecible, se trata de una variable aleatoria. La Estadística se ocupa solo
de variables aleatorias. Es un aspecto o dimensión de un objeto o fenómeno y de las propiedades
que estos pueden asumir y no puede predecirse el valor para ninguna unidad de análisis. Por ej.
sexo, rendimiento escolar, nacionalidad, puntaje en un examen, edad, peso, color de ojos, etc.
Cuando el atributo toma siempre el mismo valor para todo los elementos observados, no
se trata de una variable, sino de un atributo constante o simplemente de una constante. Es decir
este atributo no se modifica a través del tiempo. Ej.: La edad mínima para votar
Así como los atributos tienen diferente naturaleza, esto debe reflejarse en la forma de
medirlos.
CUALITATIVAS

VARIABLES
No admiten valores intermedios. Su

DISCRETAS valor es un número entero.

ej. : Nº de hijos, Nº de autos
CUANTITATIVAS

(numéricas) Admiten infinitos valores intermedios,

CONTINUAS puede subdividirse.

ej. : temperatura, puntajes de un test.

1.4.1. Niveles de Medición

Medir es asignar números a objetos o hechos según alguna regla. La medida es una
respuesta acerca de cuanto de una propiedad existe y puede variar. Se distinguen dos
propiedades: Extensivas ( ej. longitud, peso, altura, etc. ) e Intensivas ( brillo, inteligencia).
Las unidades de medida son convencionales, una vez elegidas se deben mantener
constantes para que sean comparables y medibles.
Existen dos grandes tipos de mediciones:

8
 tipos de medición

DIRECTA INDIRECTA
ê ê

Fundamental Derivada
ê ê
se mide por la observación y el hallazgo de se obtiene a partir de tomar datos que se
unidades típicas que sumados dan un incluirán en una ecuación.
resultado Ej. : Inteligencia
Ej.: peso kilogramos
Altura centímetros
Distancia kilómetros

ESCALAS O NIVELES DE MEDICIÓN

Indicar el tipo de actividad empírica para lograr determinado ordenamiento y rigor

VARIABLES CUALITATIVAS VARIABLES CUANTITATIVAS

NIVEL NOMINAL NIVEL ORDINAL ESCALA DE ESCALA DE RAZÓN O
(nombra/ clasifica) (jerarquiza/ordena) INTERVALOS COCIENTES

Determina igualdad – Determina la ordenación de Determina igualdad de Determina la igualdad de

desigualdad entre los elementos respecto a algún intervalos constantes. El razones o cocientes entre
elementos, asigna un rango o atributo. Relaciona punto 0 (cero) y la unidad dos puntos de una escala
símbolo, un número o una jerárquicamente a los de medida son arbitrarios. indepe3ndientemente de la
descripción en palabras. No elementos entre si. Esta es una verdadera unidad de medida. Esta
es estrictamente una escala. Las relaciones que se escala cuantitativa, y puede escala de intervalos tienen
La aplicación estadística es establecen son de mayor a aplicarse a ella casi todas un punto 0 (cero) verdadero
el MODO. La cantidad de menor o viceversa. las medidas estadísticas. en su origen
elementos presentes en La aplicación estadística es La aplicación estadística es La aplicación estadística es
cada categoría, la la MEDIANA. la MEDIA y el DESVIO la MEDIA GEOMÉTRICA
frecuencia. EJ.: STANDAR O TÍPICO (σ) y el COEFICIENTE DE
Ej.: • Ordenación de Ej.: VARIACIÓN.
• Categorías estudiantes por CI. • Escalas de medición de Ej.:
psicopatológicas • Dureza de los minerales inteligencia • Longitud
• Nº de jugador de • Nivel socioeconómico • Temperatura • Peso
football

9
1.5. Distribución de frecuencias.

Los datos recogidos tienen poca significación si no se los clasifica con algún criterio y ordena
de alguna manera sistemática.
⇒ Filas o matriz de datos: datos recogidos sin organización numérica. Ej.: la altura de 100
estudiantes.
⇒ Ordenaciones: es un conjunto de datos numéricos en orden creciente o decreciente. La
diferencia entre el mayor y el menor se llama rango. Ej.: ordenar de menor a mayor o viceversa
la altura de los 100 estudiantes. La altura máxima registrada es 174 cm. y la menor altura es
160 cm. El rango es 174-160 = 14 cm.
⇒ Distribución de frecuencias: al resumir grandes colecciones de datos, es útil distribuirlos en
clases o categorías y determinar el numero de individuos que pertenecen a cada clase, la
frecuencia de clase. La disposición tabular o en tablas de los datos por clase con su
correspondiente frecuencia (ƒi ) se denomina distribución o tabla de frecuencias.
muestra de alturas de 100 estudiantes universitarios Número de estudiantes
que poseen esa altura
Altura (cm.) ƒi
160-162 5
163-165 18
166-168 42
169-171 27
172-174 8
N (total) 100

Los datos se los ordenan con algún criterio y este depende de del objetivo de las
investigación y del tipo de variable. Por ejemplo, si se desea analizar el aumento o la disminución
de la variable es conveniente ordenar los datos de manera creciente.
Una tabla de distribución de frecuencias contiene dos columnas. La primera muestra todos
los posibles valores que asume la variable: altura de estudiantes, edad, cursada de otra carrera,
sexo, estado civil, etc. En la segunda columna se ubica el número de veces, la frecuencia, con que
se presenta dicho valor
Si se trata de tabular los datos de más de una variable, como cantidad de alumnos que
cursan otra carrera y sus respectivas edades, se debe elegir una variable y ordenar los restantes
en función de la misma.

10
 Frecuencias dobles
corresponden a dos
variables distintas

Cursan otra
carrera NO SI TOTAL
Edad
18-23 1 4 5
23-28 0 3 3
28-33 1 1 2
33-38 1 1 2
38-43 0 3 3
TOTAL 3 12 15

frecuencias marginales: verifican

1.5.1. Frecuencia Absoluta y Relativa

La frecuencia simple o absoluta (ƒi )es el número de veces que se repite o presenta en
una muestra un determinado valor de variable. La suma de todas las frecuencias simples es igual
al número total de unidades de análisis de la muestra y se simboliza con la letra N y se designa
tamaño de la muestra.

muestra de altura de 100 estudiantes universitarios

Valores de la Frecuencias
Variable simples o absolutas

xi ƒi
160-162 5
163-165 18
166-168 42
169-171 27
172-174 8
100
N: Tamaño de la muestra

11
La frecuencia relativa (ƒr ) de una clase es su frecuencia absoluta dividida por la frecuencia total
de todas las clases (N).ƒi / N. La suma de las frecuencias relativas da 1 (uno).

ƒr =ƒi / N
Ejemplo de aplicación:
muestra de altura de 100 estudiantes universitarios
xi ƒi ƒr
160-162 5 0,05
163-165 18 0,18
166-168 42 0,42
169-171 27 0,27
172-174 8 0,08
100 1

ƒ1 = 5, ƒ2 = 18, ƒ3 = 42, ƒ4 = 27 y ƒ5 = 8

ƒr = ƒi / N = 42 / 100 = 0.42
Otra expresión de la ƒr es la “frecuencia relativa porcentual ” (ƒr % ) que indica las veces que se
repite la variable cada 100 observaciones de la misma. Esta (ƒr % ) se obtiene multiplicando cada
ƒr por 100. La suma de todos las ƒr % da como resultado 100.

ƒr x 100 = ƒr
Ejemplo de aplicación:
muestra de altura de 100 estudiantes universitarios
xi ƒi ƒr ƒr %
160-162 5 0,05 5%
163-165 18 0,18 18%
166-168 42 0,42 42%
169-171 27 0,27 27%
172-174 8 0,08 8%
100 1 100%

ƒr % = ƒr x 100 = 0.42 x 100 = 42%

12
 Al realizar una hilera de frecuencias se indica en la línea correspondiente la categoría y su
frecuencia. Ahora bien los datos con los que se trabaja pueden ser:

• datos sin agrupar.

Ej. edades de estudiantes varones del segundo año de la carrera de psicológia

xi : 20-31-24-22-20-21-25-20-21-20

• datos agrupados.
Ej. edades de estudiantes varones del segundo año de la carrera de psicológia

xi ƒi
20 4
21 2
22 1
24 1
25 1
31 1
N 10

• datos agrupados por intervalos de clase. Este recurso se utiliza cuando mayor es el número
de elementos presenta la muestra.
Ej. edades de estudiantes varones del segundo año de la carrera de psicología

xi ƒi
20-22 7
23-25 2
26-28 0
29-31 1
N 10
Cada valor de la variable se agrupa en intervalos de valores que se denominan clases
Cuando los datos se agrupan en intervalos, los valores extremos de la clase se denominan límites
inferiores y superiores respectivamente de la clase. Las distancia entre sus límites, o sea entre
el mínimo y el máximo, se denomina módulo de la clase La selección del intervalo de clase se
relaciona con cada caso particular. Es necesario conservar una información suficientemente
detallada del fenómeno. Para esto hay que evitar clases demasiado pequeñas o muy numerosas
que podrían complicar, sin provecho alguno, los cálculos ulteriores y la información.

13
 Cuando se desconoce el límite inferior del menor intervalo o el límite superior del mayor
intervalo o se desconocen los límites de ambos, se presenta un fenómeno denominado intervalos
abiertos y se registra:
xi ƒi
menos de 20 0
20-22 7
23-25 2
26-28 0
Más de 29 1
N 10

En un intervalo de clase, los límites reales o verdaderos se denominan fronteras de

clases y es la definición mas exacta de los límites inferiores y superiores de una clase. En la
practica, las fronteras se obtiene promediando el límite superior de una clase con el inferior de la
clase siguiente:

li + Ls
2
Limite superior
xi ƒi
20-22 7
23-25 2
26-28 0
29-31 1
N 10
Límite inferior
Ejemplo de aplicación : li + Ls = 23 + 22 = 22,5
2 2

lir xi Lsr ƒi
19,5 20-22 22,5 7
22,5 23-25 25,5 2
25,5 26-28 28,5 0
28,5 29-31 31,5 1
N 10
Límites reales
El punto medio o marca de clase del intervalo i ( x´i ) es la semisuma o promedio de los límites
reales inferiores y superiores de un mismo intervalo. Todos guardan la misma diferencia.

x´i = lir + Lsr 19,5 + 22,5 = 21

2 2

14
 lir xi Lsr ƒi x´i
19,5 20 - 22 22,5 7 21
22,5 23 - 25 25,5 2 24
25,5 26 - 28 28,5 0 27
28,5 29 - 31 31,5 1 30
N 10

El tamaño del intervalo de clase se llama módulo de la clase y es la diferencia entre la frontera o
límite real superior (Ls) y la frontera o límite real inferior (lir)

m = Lsr - lir 31,5 - 28,5 = 3

Cuando todos los intervalos de clase de una distribución de frecuencia tienen la misma
amplitud o tamaño se los consigan así : c. En tal caso c es igual a la diferencia entre dos límites
inferiores o superiores de dos clase sucesivas.

lir xi Lsr
19,5 20 - 22 22,5
22,5 23 - 25 25,5
25,5 26 - 28 28,5
28,5 29 - 31 31,5

c = 25,5 - 22,5 = 3

c = 28,5 - 25,5 = 3

1.5.2. Reglas generales para formar distribuciones de frecuencias

1. Determinar el mayor y el menor de todos los datos, hallando así el rango o diferencia entre
ambos.
2. Dividir el rango en un número adecuado de intervalos de clase del mismo tamaño. Si no es
posible, se puede utilizar intervalos abiertos o de distinto tamaño. El mejor criterio de elección
de intervalos es hacer que coincidan las marcas de clases o puntos medios (x´i) con los datos
realmente observados. Esto tiende a disminuir el error de agrupamiento. No es necesario que
coincidan las fronteras con datos realmente observados, si es conveniente que los intervalos
los contengan.

15
3. Determinar el números de observaciones que cae dentro de cada intervalo de clase, la
frecuencia de clase, esto se logra mejor con el uso de una tabla de recuentos.
Tabla de recuentos
xi Recuento ƒi
20-22 //// // 7
23-25 // 2
26-28 0
29-31 / 1
N 10

1.5.3. Frecuencia Acumulada

Hasta el momento estuvimos trabajando con frecuencias simples, o sea registramos para
cada clase o intervalo de clase la cantidad de veces que dicha variable se hacía presente en
nuestra observación. Estas distribuciones se denominan tablas de frecuencias simples. Otra
manera de distribuir la frecuencias es en forma acumulada (Fi). La frecuencia total de todos los
valores menores que la frontera de clase superior de un intervalo de clase se denomina
frecuencia acumulada hasta ese intervalo de clase inclusive. O sea, la frecuencia acumulada
contabiliza el número de observaciones del registro de datos hasta un determinado valor de
variable incluido. Algo así como subtotales o sumas parciales. La acumulación del último intervalo
dela distribución es equivalente al total de la muestra (N).
La tabla que presenta tales frecuencias se denomina tabla de frecuencias acumuladas, o
distribución de frecuencias acumuladas o distribución acumulada.
La frecuencia acumulada también tienen su frecuencia acumulada relativa y su relativa
porcentual.

Edad de estudiantes varones de 2º año de Psicología

xi ƒi Fi Fir Fi%
20-22 7 7 0,7 70%
23-25 2 9 0,9 90%
26-28 0 9 0,9 90%
29-31 1 10 1 100%
N 10
La lectura que se puede hacer de tabla es por ejemplo, 2 varones tienen entre 23-25 años,
pero también que 9 varones tienen menos de 25 años, o que están entre 20-25

16
1.6. Representaciones Gráficas
Un gráfico es una representación de la distribución de valores de la variable. Para cada
tipo de variables existe una gama de gráficos específicos. Los gráficos permiten una
visualización rápida de la evolución o distribución de una variable. Esta representación
permita una rápida y clara comparación y superposición de muestras tomadas en distintas
oportunidades de tiempo o lugar. El requisito que deben cumplir los gráficos es la proporcionalidad
del área representada.

BARRAS
CUALITATIVAS SECTORIAL / PASTEL
(categóricas) PICTOGRAMA

VARIABLES
BASTONES
DISCRETAS
CUANTITATIVAS PICTOGRAMA
(numéricas)
CONTINUAS HISTOGRAMA
POLIGONO DE
FRECUENCIAS
OJIVA DE GALTON
POLÍGONO DE
FRECUENCIAS
ACUMULADAS

• BARRAS: es un gráfico unidimensional, es decir de una unidad, donde los rectángulos, las
barras, que se diagrama tienen el ancho de sus bases idénticas. Este ancho se escoge
arbitrariamente, pero toda la representación debe conservar la misma base. La base de la
barra representa geométricamente cada uno de los valores que asume la variable. La altura de
la barra representa geométricamente la frecuencia correspondiente a cada uno de los valores
de la variable. Esta escala debe construirse con precisión para que realmente guarden las
barras entre si la precisión necesaria para su comparación. En los ejes cartesianos, las bases
se apoyan sobre el eje de las abcisas (x) y las alturas sobre las ordenadas (y).
El siguiente gráfico representa gráficamente el nivel de rendimiento de un sujeto
adulto en el test de inteligencia WAIS de Weschler.

17
 TEST DE I NTELI GENCI A PARA ADULTOS
Escalas: VERBAL Y EJECUCIÓN
40 40
35 35
30 30
25 25
20 20
15 15
10 10
5 5
0 0
37 39

Escala Verbal Escala de Ejecución

• SECTORIAL / PASTEL: también se lo denomina diagrama circular porque se representa

gráficamente toda la muestra mediante un círculo. El total de la muestra, N, es equivalente a
los 360º del círculo. A partir de este dato y conociendo cada una de las frecuencias que asume
la variable, se calcula el ángulo que represente a cada frecuencia. El ángulo o sector del circulo
representa a cada atributo, en este caso es el equivalente a la barra, en tanto representación
gráfica.

ƒi x 360º
N

El siguiente gráfico representa la distribución por sexos de padres que asistían a un centro de
atención en violencia familiar. Los consultantes eran víctimas de violencia por parte de sus hijos.
La muestra, 250 personas, está tomada del archivo de historias clínica.

xi ƒi
mujeres 195
varones 55
N 250

18
 VIOLENCIA FAMILIAR:Padres Golpeados

VARONES 22%
MUJERES 78%

DISTRIBUCIÓN POR SEXOS

MUJERES VARONES
Lic. Roberto E Ramos-
ADRES
Población consultante en la Fundación Familia por Familias (1996)

• PICTOGRAMA : para la representación de las frecuencias se utilizan símbolos. La elección del

mismo está en relación al tema que se trata y es totalmente arbitrario el modelo. Por ejemplo, si
se trabaja con datos referidos a la densidad demográfica puede simbolizarse con personas, si
se trata de forestación pueden utilizarse arboles, etc.Si es importante determinar con claridad la
unidad de representación.
Por ejemplo, en el caso de la muestra anterior, de los padres golpeados por sus hijos:

xi ƒi
mujeres 195
varones 55
N 250
L = 5 personas
mujeres varones
LLLLLLLLL LLLLLLLLL
LLLLLLLLL LL
LLLLLLLLL
LLLLLLLLL
LLL

19
Por las características del pictograma, se lo puede usar en para representar escalas cualitativas y
particularmente cuantitativas discretas, pero no es conveniente. No es el tipo de gráfica más
conveniente porque puede generar confusión el valor, la frecuencia y el significado.
• BASTONES: para este gráfico se ubican en el eje horizontal las categorías de las variables,
igual que en las barras, con la diferencia que los bastones no tienen amplitud en su base, son
solo líneas o segmentos que guardan una distancia proporcional y preestablecida entre si.
• HISTOGRAMA: es un conjunto de rectángulos continuos con base en el eje horizontal (x),
centros en las marcas de clase o punto medio y longitudes iguales a los tamaños de los
intervalos de clase, o sea considerando los límites inferiores y superiores de cada intervalo. También
tienen áreas proporcionales a las frecuencias de clases que se ubica en le eje vertical (y).

Tiempos cronometrados en una carrera

Nota: Esto es la nota al pie
Subtítulo
T 5,2
í 4,8
t
u 4,4
l
4
o
3,6
Y 5
3,2
1
2,8 4
2,4 3
2
2 2
1,6
0 10 20 30 40 50
Título de columna

• POLIGONO DE FRECUENCIA: se obtiene conectando los puntos medios de las partes

superiores de los rectángulos del histograma.
• POLÍGONO DE FRECUENCIAS ACUMULADAS: es similar al polígono de frecuencias, con la
diferencias que el histograma sobre el cual se traza el polígono se distribuye en forma
creciente, de izquierda a derecha, siendo la ultima barra la altura máxima coincidente con la
muestra total (N). Por lo tanto la unión de los puntos medios de las partes superiores de los
rectángulos del histograma dará como resultado una línea recta quebrada ascendente.
• OJIVA DE GALTON: cuando se trabaja con frecuencias acumuladas el gráfico que recoge
dichas frecuencias es la ojiva. La línea que se obtiene es similar al polígono de frecuencias
acumuladas pero con una curvatura ascendente.

20
UNIDAD II
2. Síntesis de Datos. Índices estadísticos

Hasta aquí se vieron las técnicas de la estadística descriptiva que se utilizan para resumir
un grupo de observaciones utilizando tablas y gráficos. En el presente capítulo veremos que es
mucho más claro y rápido transmitir la información a partir de índices numéricos que la
representan.
Estos índices denominados “índices estadísticos” o simplemente “estadísticos” son una
medida de la tendencia de los valores predominantes de la variable en la muestra y de su
variabilidad.
Dado un grupo de datos organizados en un cuadro de distribución de frecuencias estos
estadísticos los describen en dos o tres valores representativos.
Las características de la información que interesa describir pueden sintetizarse en las
siguientes:

• La tendencia central de los datos

• La dispersión o variación de los mismos.
• Los datos que ocupan ciertas posiciones.
• La simetría de los datos
• La forma en que los datos se agrupan.

2.1. Estadísticos de Tendencia Central

Estos índices representan la tendencia de las observaciones de una variable.

Las tres medidas más utilizadas son:

• La media
• La mediana
• La moda

Cada una de estas medidas representan ventajas o inconvenientes a la hora de expresar

una tendencia, aunque en ciertas ocasiones y para muestras muy numerosas pueden coincidir.

Ø La media
La media aritmética o simplemente la media de un grupo de observaciones de una
variable es el promedio ponderado de los valores, es decir, la suma de todos los valores dividida
por la cantidad de observaciones. La media expresa la tendencia central de las observaciones de
la variable, entendiendo esto como un valor típico o representativo de la misma.
Si la tabla de valores de una variable X es

21
 X fi fr
x1 f1 fr1
.........
Xk fk frk

la media es el valor que podemos escribir de las siguientes formas equivalentes:

1 k
x = x1 fr1 + ... + xk frk = 1 (x1 f1 + ...xk fk) = – ∑ xi. fi
N N i=1

Si los datos no están ordenados en una tabla, entonces:

_ x1 + .....+ xn
x = ----------------------
N

En algunas situaciones, debe revisarse cuidadosamente la representatividad de la media:

• Como todas las observaciones intervienen en el cálculo de la media, la aparición de una

observación extrema, hará que la media se desplace en la dirección de la misma. Por lo
tanto, el promedio es muy sensible a los valores extremos de la variable En consecuencia,
no es recomendable usar la media como medida central en las distribuciones muy
asimétricas.

§ Si consideramos una variable discreta, por ejemplo, el número de hijos

en las familias argentinas, el valor de la media puede no pertenecer al
conjunto de valores de la variable; Por ejemplo x = 1,2 hijos.

Ø La mediana
Consideramos una variable discreta X cuyas observaciones en una tabla estadística han
sido ordenadas de menor a mayor. Llamaremos mediana M al primer valor de la variable que deja
por debajo de al 50 % de las observaciones.
En el caso de variables continuas, las clases vienen dadas por intervalos y aquí la fórmula
de la mediana se complica un poco más (pero no demasiado): Sea l (i-1) , li el intervalo donde

22
hemos encontrado que por debajo están el 50 % de las observaciones. Entonces se obtiene la
mediana a partir de las frecuencias acumuladas, mediante interpolación lineal como sigue

N/2 - Fi-1
M = l (i-1) + ------------------ mi
fi

Esto equivale a decir que la mediana divide al histograma en dos partes de áreas iguales.

Propiedades de la mediana

Entre las propiedades de la mediana, vamos a destacar las siguientes:

§ Como medida descriptiva, tiene la ventaja de no estar afectada por las observaciones
extremas, ya que no depende de los valores que toma la variable, sino del orden de los
valores de la misma. Por ello es adecuado su uso en distribuciones asimétricas.

§ Es de cálculo rápido y de interpretación sencilla.

§ A diferencia de la media, la mediana de una variable discreta es siempre un valor de la

variable que estudiamos (ej. La mediana de la variable número de hijos toma siempre
valores enteros).

Ø La moda
Llamaremos moda a cualquier valor de la variable que posea la frecuencia absoluta
máxima de la distribución de frecuencias. El símbolo que la representa es Mo.
Una distribución puede tener una moda única (unimodal) o dos o más modas (plurimodal)

De la moda destacamos las siguientes propiedades:

§ Es muy fácil de calcular.
§ Puede no ser única.

Relación entre media, mediana y moda

En el caso de distribuciones unimodales, la mediana está con frecuencia comprendida
entre la media y la moda (incluso más cerca de la media).
En distribuciones que presentan cierta inclinación, es más aconsejable el uso de la
mediana. Sin embargo en estudios relacionados con propósitos estadísticos y de inferencia suele
ser más apta la media.

23
 2.2. Estadísticos de posición o de orden
Los estadísticos de posición van a ser valores de la variable caracterizados por superar a
cierto porcentaje de observaciones en la población (o muestra).
Tenemos fundamentalmente a los percentiles como medidas de posición, y asociados a
ellos veremos también los cuarteles y deciles
Ø Percentiles
Para una variable discreta, se define el percentil de orden k, como la observación Pk que
deja por debajo de sí el k % de la población.
Esta definición nos recuerda a la mediana, pues como consecuencia de la definición es
evidente que

M = P50

En el caso de una variable continua, el intervalo donde se encuentra Pk, se calcula

buscando el que deja debajo de sí al k % de las observaciones.
La fórmula es similar a la del cálculo de la mediana pero dividiendo N por 100
Ø Cuartiles
Los cuartiles Q son un caso particular de los percentiles. Hay 3, y se definen como:

Q1 = P25
Q2 = P50 = M
Q3 = P75
Ø Deciles
Se definen los deciles como los valores de la variable que dividen a las observaciones en
10 grupos de igual tamaño. Más precisamente, definimos D1,D2, ..., D9 como:

Di = P10 i donde i =1, ..., 9

Por ejemplo:

D1=P10 ó D6=P60
Por lo tanto:

D5=P50=M

2.3. Medidas de variabilidad o dispersión

Los estadísticos de tendencia central o posición nos indican donde se sitúa un grupo de
puntuaciones. Los de variabilidad o dispersión nos indican si esas puntuaciones o valores están
próximas entre sí o si por el contrario están muy dispersas.

24
 Ø Rango ó Amplitud
Una medida razonable de la variabilidad podría ser la amplitud o rango A, que se obtiene
restando el valor más bajo de un conjunto de observaciones del valor más alto.

Propiedades del rango

§ Es fácil de calcular y sus unidades son las mismas que las de la variable.

§ No utiliza todas las observaciones (sólo dos de ellas).

§ Se puede ver muy afectada por alguna observación extrema.

§ El rango aumenta con el número de observaciones, o bien se queda igual. En cualquier

caso nunca disminuye.

Ø Varianza
La varianza V se define como la media de las diferencias cuadráticas de N puntuaciones
con respecto a su media aritmética, es decir

1 N 2
V = ----- ∑ ( xi - x)
N i =1

Esta medida es siempre una cantidad positiva, con propiedades interesante para la
realización de inferencia estadística. Como sus unidades son las del cuadrado de la variable, es
más sencillo usar su raíz cuadrada, que es la que vemos en la siguiente sección.
En muchos textos técnicos esta fórmula está ligeramente modificada al dividir la sumatoria
por N - 1. Cuando estudiemos las técnicas de inferencia veremos en qué casos utilizaremos esta
modificación.

Ø Desviación típica o estándar

La varianza no tiene la misma magnitud que las observaciones (ej. si las observaciones se
miden en metros, la varianza lo hace en metros cuadrados).
Si queremos que la medida de dispersión sea de la misma dimensionalidad que las
observaciones bastaría con tomar su raíz cuadrada. Por ello se define la desviación típica S como

S = V

Ejemplo de cálculo de medidas de dispersión

25
 Calcular el rango, varianza y desviación típica de las siguientes cantidades medidas en
metros:

3, 3, 4, 4, 5
Solución: El rango de esas observaciones es la diferencia entre la mayor y menor de
ellas, es decir, 5 - 3 = 2. Para calcular las restantes medidas de dispersión es necesario calcular
previamente el valor con respecto al cual vamos a medir las diferencias. Este es la media:

x = (3+3+4+4+5)/5 = 3, 8 metros
La varianza es:

1 N 2 2 2 2 2 2
V = -------- ∑ ( xi - x) = 1/5 (-0.8) + (-0.8) + 0.2 + 0.2 + 1.2 =
N i =1

V = 0.545 metros cuadrados

Siendo la desviación estandar:

S = V = 0.545 = 0,738 metros

Propiedades de la varianza y la desviación estandar.

§ Ambas son sensibles a la variación de cada una de las puntuaciones, es decir, si una
puntuación cambia, cambia con ella la varianza. La razón es que si miramos su definición,
la varianza es función de cada una de las puntuaciones.

§ No es recomendable el uso de ellas, cuando tampoco lo sea el de la media como medida

de tendencia central.

Ø Coeficiente de variación
Hemos visto que las medidas de centralización y dispersión nos dan información sobre
una muestra. Nos podemos preguntar si tiene sentido usar estas magnitudes para comparar dos
poblaciones. Por ejemplo, si nos piden comparar la dispersión de los pesos de las poblaciones de
elefantes de dos circos diferentes, S nos daría información útil.

26
 ¿Pero qué ocurre si lo que comparamos es la altura de unos elefantes con respecto a su
peso? Tanto la media como la desviación estandar, x y S, se expresan en las mismas unidades
que la variable. Por ejemplo, en la variable altura podemos usar como unidad de longitud el metro
y en la variable peso, el kilogramo. Comparar una desviación (con respecto a la media) medida en
metros con otra en kilogramos no tiene ningún sentido.
El problema no deriva sólo de que una de las medidas sea de longitud y la otra sea de
masa. El mismo problema se plantea si medimos cierta cantidad, por ejemplo la masa, de dos
poblaciones, pero con distintas unidades. Este es el caso en que comparamos el peso en
toneladas de una población de 100 elefantes con el correspondiente en miligramos de una
población de 50 hormigas.
El problema no se resuelve tomando las mismas escalas para ambas poblaciones. Por
ejemplo, se nos puede ocurrir medir a las hormigas con las mismas unidades que los elefantes
(toneladas). Si la ingeniería genética no nos sorprende con alguna barbaridad, lo lógico es que la
dispersión de la variable peso de las hormigas sea prácticamente nula (¡Aunque haya algunas que
sean 1.000 veces mayores que otras!)
En los dos primeros casos mencionados anteriormente, el problema viene de la dimensión
de las variables, y en el tercero de la diferencia enorme entre las medias de ambas poblaciones. El
coeficiente de variación es lo que nos permite evitar estos problemas, pues elimina la
dimensionalidad de las variables y tiene en cuenta la proporción existente entre medias y
desviación típica. Se define del siguiente modo:

S S
CV = ------- ó porcentualmente CV% = --------- 100
x x

Propiedades del coeficiente de variación

§ Sólo se debe calcular para variables con todos los valores positivos. Todo índice de
variabilidad es esencialmente no negativo. Las observaciones pueden ser positivas o
nulas, pero su variabilidad debe ser siempre positiva. De ahí que sólo debemos trabajar
con variables positivas, para la que tenemos con seguridad que x> 0.

§ No es invariante ante cambios de origen. Es decir, si a los resultados de una medida le

sumamos una cantidad positiva, b> 0, para tener Y = X + b, entonces CVY < CVX .

§ Es invariante a cambios de escala. Así por ejemplo el coeficiente de variación de una

variable medida en metros es una cantidad adimensional que no cambia si la medición se
realiza en centímetros.

2.4 Correlación y Regresión

En este ítem estudiaremos índices estadísticos que se utilizan cuando se analizan
simultáneamente dos variables en una población o en una muestra. Son medidas que informan

27
acerca de la posible relación entre dos variables y las características de la misma. Es un capítulo
importante de la estadística ya que permite tomar decisiones y predecir el comportamiento de
una variable a partir de la otra.
Distribución bidimensional o bivariada, es la distribución estadística en la que intervienen
dos variables, x e y, y, por tanto, a cada individuo o unidad de estudio le corresponden dos
valores, xi, yi. Estos dos valores se pueden considerar como coordenadas de un punto (xi, yi)

representado en un diagrama cartesiano. Así, a cada individuo de la distribución le

corresponderá un punto, y toda la distribución se verá representada mediante un conjunto de
puntos también llamada nube de puntos. La forma que presenta esta nube de puntos refleja el
grado de correlación entre las dos variables, como veremos más adelante.
Deberá tenerse presente que dado que las variables utilizadas son cuantitativas, este
desarrollo es utilizado cuando se trabaja con escalas de intervalos iguales o con escalas de
cocientes.
Por ejemplo, supongamos que si a los cinco hijos, A, B, C, D y E, de una familia se les
pasan unas pruebas que miden la aptitud musical (Mu) y la aptitud para las matemáticas (Ma), se
obtienen los siguientes resultados:

Esta tabla es una distribución bidimensional porque intervienen dos variables: valoración
Mu, valoración Ma. A cada individuo le corresponden dos valores: A(5,6), B(7,10), C(4,5), D(8,6),
E(2,4). De este modo se asocia a cada individuo un punto en un diagrama cartesiano:

Esta representación gráfica de una distribución bidimensional se llama nube de puntos o

diagrama de dispersión.

Entre dos variables de una población que determinan una distribución bidimensional
puede existir una relación más o menos estrecha que se llama correlación,.
Existen distintos patrones de correlación, pero la más frecuente y que estudiaremos es
la correlación lineal, que existe cuando la relación entre las variables en el gráfico de
coordenadas cartesianas se puede representar con una recta. Esta correlación se puede medir

28
mediante el coeficiente de correlación ρ (ro), que es un número, asociado a los valores de
las dos variables. El coeficiente de correlación puede valer entre -1 y 1.
Cuando ρ = 1 existe una correlación directa y absoluta o perfecta entre las dos variables
de modo que el valor de cada variable tiene un único valor de la otra y está ubicado sobre la
recta que las representa. Los puntos de la nube están todos situados sobre una recta de
pendiente positiva.

Esto ocurre, por ejemplo, cuando una barra metálica se somete a distintas temperaturas,
x1, x2,…, xn, y se miden con precisión sus correspondientes longitudes, y1, y2,…, yn. Las

longitudes se obtienen funcionalmente a partir de las temperaturas de modo que, conociendo la

temperatura a que se va a calentar, se podría obtener la longitud que tendría la barra.
Esto solo puede ocurrir cuando las variables está relacionadas mediante una ecuación
lineal. En la realidad, cuando se estudian la relación entre variables en el campo biopsicosocial,
no existe nunca una relación perfecta. En estos casos la relación está representada por una
nube de puntos como el que indica la figura.
Cuando ρ es positivo y grande (próximo a 1) se dice que hay una correlación fuerte y
positiva. Los valores de cada variable tienden a aumentar cuando aumentan los de la otra. Los
puntos de la nube se sitúan próximos a una recta de pendiente positiva.

Es el caso de las estaturas, x1, x2,…, xn, y los pesos, y1, y2,…, yn, de diversos atletas de

una misma especialidad. A mayor estatura cabe esperar que tengan mayor peso, pero puede
haber excepciones.
Cuando ρ es próximo a cero (por ejemplo, ρ = - 0,12 o ρ = 0,08) se dice que la
correlación es muy débil (prácticamente no hay correlación). La nube de puntos es amorfa.

Es lo que ocurriría si lanzáramos simultáneamente dos dados y anotáramos sus

resultados: puntuación del dado rojo, xi; puntuación del dado verde, yi. No existe ninguna

relación entre las puntuaciones de los dados en las diversas tiradas.

29
 Cuando ρ es próximo a -1 (por ejemplo, p = -0,93) se dice que hay una correlación
fuerte y negativa. Los valores de cada variable tienden a disminuir cuando aumentan los de la
otra. Los puntos de la nube están próximos a una recta de pendiente negativa.

Si en un conjunto de países en vías de desarrollo se miden sus rentas per cápita, xi, y

sus índices de natalidad, yi, se obtiene una distribución de este tipo, pues suele ocurrir que,

grosso modo, cuanto mayor sea la renta per cápita menor será el índice de natalidad.
Cuando ρ = -1 todos los puntos de la recta están sobre una recta de pendiente negativa
y entonces existe una existe una correlación negativa y absoluta o perfecta entre las dos
variables.

2.4.1. Coeficiente de Correlación en una distribución bidimensional

Cada una de las dos variables x, y de una distribución bidimensional tiene sus propios
parámetros. Para el estudio de la correlación se necesitan sus medias, x, y,
y sus desviaciones típicas, σx, σy.

Hay además un nuevo parámetro, σxy, llamado covarianza, que sirve para medir el

grado de relación entre las dos variables: cómo varía cada una con relación a la otra.
La covarianza de una distribución bidimensional de n individuos dados por los pares de
valores (x1, y1), (x2, y2),…,(xn, yn), se calcula mediante la fórmula siguiente:

La segunda expresión es más cómoda de aplicar cuando las medias x, y, no son

números enteros.
El coeficiente de correlación ρ, denominado coeficiente de correlación de Pearson se
obtiene dividiendo la covarianza por el producto de las desviaciones típicas:

30
 Este parámetro no tiene dimensiones. Por ejemplo, si la variable x es una longitud y la y
un peso, los valores x, σx. son longitudes, y sus valores varían según que los datos estén dados

en centímetros, en metros…; los valores y, σy son pesos, y sus valores varían según las

unidades en que se expresen los datos; la covarianza, σxy, es el producto de una longitud por

un peso, y su valor varía según las unidades en que se den xi, yi; sin embargo, el coeficiente de

correlación es un número abstracto cuyo valor no depende de las unidades en que se hallen los
valores de las variables. Además, el hecho de que ρ tome valores entre –1 y 1 hace que resulte
muy cómodo interpretar sus resultados.
Por todo ello, ρ es un parámetro sumamente adecuado para calcular la correlación entre
dos variables estadísticas.
Cuando la correlación se determina sobre una muestra de la población el símbolo que
se usa para representar el coeficiente de correlación de Pearson es R y solo se podrán
generalizar los resultados a la población mediante una prueba de significación que descarte el
posible error de muestreo.
La fórmula para conocer el valor del índice o coeficiente de correlación en una muestra
es la misma que las señalada precedentemente pero es más sencillo su cálculo en este formato:
∑ (x - x) . (y - y)
r = -1 ≤ r ≤ 1
2 2
∑ (x - x) . ∑(y - y)

El valor y el signo del coeficiente de correlación puede variar según sea la fuerza de la
misma y su sentido. Cuanto más cerca 1 ó -1 más fuerte es la correlación y cuanto más cerca de
0 es más despreciable.
En síntesis, el coeficiente de correlación brinda tres informaciones: si hay o no
correlación, la fuerza y el sentido de la misma.

2.4.2. Ecuación de Regresión

Se llama recta de regresión a una recta que marca la tendencia de la nube de puntos. Si
la correlación es fuerte (tanto positiva como negativa) y, por tanto, los puntos de la nube están
próximos a una recta, el uso de la recta de regresión permite predecir el valor de una variable a
partir del valor de la otra.
Matemáticamente hay dos rectas de regresión, la recta de regresión de Y sobre X y la
de X sobre Y.
La ecuación de la recta de regresión de Y sobre X es:
^
y = a + b .x
yx yx

El símbolo sobre la variable y significa que se trata de un valor estimado por la recta de
regresión y no es un valor medido experimentalmente.

31
 Los parámetros a y b de la recta de regresión se determinan mediante un método
matemático que se denomina el método de los cuadrados mínimos partiendo de la condición por la
cual la suma de los cuadrados de las desviaciones entre los valores experimentales de y los
estimados por la recta de regresión es la mínima posible.
De igual forma, la recta de regresión de X sobre Y es aquella para la cual la suma de los
cuadrados de las desviaciones de los valores experimentales de x respecto de las x estimadas
por la recta de regresión es la mínima.
La ecuación que surge para el parámetro b de la recta Y en función de X es:
∑ (x - x) . (y - y)
b =
yx 2
∑ (x - x)

El parámetro a es:

a = y - b. x
yx

Las rectas de regresión tienen las siguientes peculiaridades:

• Ambas pasan por el punto ( x , y ) llamado centro de gravedad de la distribución.
• Los valores b y b
yx xy

se llaman coeficientes de regresión de Y sobre X y de X sobre Y, respectivamente.

• Sólo es válida la estimación de una variable a partir de la otra cuando no se
exceden lo0s límites de valores experimentales que se utilizaron para calcular la
recta.

El producto de las pendientes de las rectas de regresión son byx y 1/bxy se llama
2
Coeficiente de determinación y si símbolo es r y si su valor es ≥ a 0.80 tiene sentido
utilizar una de las rectas de regresión para estimar una variable a partir del valor de la otra

4.3. Interpretación del Coeficiente de regresión de Pearson

En base a lo desarrollado en los puntos anteriores y a modo de resumen es posible afirmar

que:
• Cuando la correlación es fuerte, las dos rectas de regresión son muy próximas (son la
misma sí ρ = ±1). Si la correlación es débil, las dos rectas de regresión forman un ángulo
grande.
• Cuando ρ = 1 existe una correlación directa y absoluta entre las dos variables de modo
que el valor de cada variable se puede obtener exactamente a partir de la otra.
• Cuando ρ es próximo a cero (por ejemplo, p = -0,12 o p = 0,08) se dice que la correlación
es muy débil (prácticamente no hay correlación).

32
 • Cuando ρ es positivo y grande (próximo a 1, por ej. p = 0,90) se dice que hay una
correlación fuerte y positiva. Los valores de cada variable tienden a aumentar cuando
aumentan los de la otra.
• Cuando ρ es negativo y de valor absoluto grande (próximo a 1, por ej. p = -0,93) se dice
que hay una correlación fuerte y negativa. Los valores de cada variable tienden a disminuir
cuando aumentan los de la otra.
• Cuando ρ = -1 todos los puntos de la recta están sobre una recta de pendiente negativa y
entonces existe una existe una correlación negativa y absoluta entre las dos variables.
• Naturalmente existe toda una gama de valores intermedios entre las correlaciones fuertes
y débiles, ya sean éstas positivas o negativas.
En base a lo anterior es posible afirmar que el coeficiente de correlación brinda información respecto a:

1.- La existencia de la relación entre 2 variables.

2.- El grado o intensidad de tal relación.
3.- El sentido o dirección de la relación (de acuerdo al signo + ó - de p).
El estudio de la correlación entre variables presta grandes servicios en los dominios donde

la experimentación es en general muy difícil: biometría, psicología aplicada, ciencias económicas,

etc. Es necesario, sin embargo, tener presente que una correlación, aunque sea fuerte, no implica

necesariamente una relación de causa a efecto entre ambas variables. Por ejemplo, si en un

recinto en que se hace aumentar la temperatura se colocan un hilo metálico y un caldo de cultivo

con microorganismos y se miden simultáneamente el alargamiento del hilo y el desarrollo de los

microorganismos, se hallará entre esas dos variables una fuerte correlación. La “causa”, origen de

la correlación observada, es evidentemente externa a las variables mismas.

Con respecto a la utilidad del estudio de la correlación es de destacar que la recta de

regresión sirve para realizar estimaciones fiables de una de las variables para valores de la otra

variable.

2.4.3. Coeficiente de correlación por rangos. Spearman

En algunas situaciones el científico no dispone de valores medibles para las variables de
su investigación, por ser éstas características de difícil o imposible medición. Por ejemplo:
adaptación social, aspectos estéticos, honestidad, humor, habilidad para las ventas, etc.
Sin embargo, en muchos casos, los individuos, sean personas u objetos, pueden
clasificarse por rangos u órdenes de mérito, con respecto a algún atributo o cualidad como los
señalados en el párrafo anterior.
Para calcular el coeficiente de correlación entre dos series o pruebas de rangos,
denominado coeficiente de Spearman, se cuenta con una fórmula especial que toma en cuenta las
posiciones relativas de cada serie:

33
 2
6 ∑ Di
ρ = 1 -- ----------------------- )
2
N (N - 1)
Siendo ρ: coeficiente de correlación por rangos de Spearman.
Di: Diferencia de rango de una prueba respecto a la otra para el mismo individuo.
N: Número total de individuos.
Cuando el coeficiente de correlación de Spearman se calcula para muestras y no para una población su

símbolo es R.

A modo de ejemplo se desea calcular el coeficiente de correlación de Spearman, entre las

habilidades para la “venta” y el sentido del “humor”. El estudio se realizó sobre la base de la
clasificación realizada a 6 vendedores profesionales. Las que se muestran en la siguiente tabla:

Vendedor VENTA HUMOR Di Di

A 1 2 -1 1
B 2 1 1 1
C 3 3 0 0
D 4 6 -2 4
E 5 4 1 1
F 6 5 1 1

Reemplazando valores en la fórmula ( 8 ):

6 . 8
R = 1 -- ----------------- = 0,77
6 (36 – 1)

El coeficiente de correlación por rangos posee propiedades análogas a la del coeficiente

de correlación de Pearson. Por tal motivo, la interpretación de los valores del coeficiente de

Spearman es análoga a la ya vista en el punto anterior.

UNIDAD III
3.1. Fundamentos de la inferencia estadística
Los temas que integran la unidad anterior corresponden al campo de la Estadística
Descriptiva, y como se ha visto, permiten la presentación y resumen de los datos recogidos del
análisis de una muestra en una investigación.

34
 Sin embargo, la Estadística tiene como principal objetivo ser una guía del investigador en
la toma de decisiones que exceden a los datos de la muestra. Esto significa que las conclusiones
respecto de la muestra se generalizan a la población que la misma representa.
Las técnicas y procedimientos que se utilizan para tal generalización corresponden a la
Estadística Inferencial o Predictiva.
Algunas de los procedimientos inferenciales que se estudiarán en Psicoestadística son.
Pruebas de Hipótesis o de Significación, Técnicas de Estimación de Parámetros y Pruebas de
correlación y Regresión.

3.1.1. Parámetros y Estadísticos

En la unidad precedente se llamaron Índices estadísticos o simplemente Estadísticos a las
medidas que representan al conjunto de valores de una variable en una muestra. Si esta muestra
es perfectamente representativa de la población estos índices deberían tener los mismos valores
que en la población, pero es fácilmente comprensible que esto sucederá con certeza si se toman
todos los datos de la población. Los índices tomados de esta forma se denominan Indices ciertos o
Parámetros de la población.
Los mismos índices, determinados sobre la muestra de una población son los
Estadísticos de la misma y representan una estimación de los parámetros.
Cómo es prácticamente imposible investigar todas las unidades experimentales de la
población, se investiga sobre muestras representativas de la misma y las técnicas de la
estadística inferencial permiten estimar los parámetros de la población.
Para diferenciar los conceptos de estadísticos y parámetros, en la literatura estadística se realiza
una diferenciación en los símbolos que los representan. Los parámetros se simbolizan con letras
del alfabeto griego: µ (media), σ ² (varianza) y σ (desvío estándar).

3.1.2. La teoría de las probabilidades y las técnicas inferenciales

Ante la imposibilidad de contar con todos los datos del comportamiento de una variable en
la población, el investigador deberá recurrir a los antecedentes que cuente sobre el mismo y
decidir una probable distribución de los valores de la variable en la población. A partir de esta
distribución probable de valores, la estadística inferencial permite realizar inferencias utilizando el
método inductivo a través de los datos conocidos de las muestras.
Para adoptar una distribución probable de la variable y dependiendo del carácter de ésta,
se recurre a los modelos matemáticos (teóricos) que ofrece la teoría de las probabilidades.
El modelo más utilizado y que, en general, se adapta exitosamente a la mayoría de las
variables cuantitativas de una investigación psicológica en el modelo normal de probabilidades
que estudiaremos en la unidad siguiente.
La adopción del modelo normal para la distribución de probabilidades de la variable en la
población implica una serie de consecuencias matemáticas que desembocan en la determinación
del modelo de probabilidades de los índices estadísticos de las muestras.

35
 Este modelo de distribución muestral es, en realidad, un modelo de distribución de los
distintos valores que puede asumir el índice por efecto del muestreo. Puede afirmarse que esta
distribución expresa una distribución de errores respecto del parámetro de la población, como
consecuencia del muestreo.
Al contar con un modelo de distribución de los estadísticos muestrales es posible,
entonces, comparar los resultados de una muestra particular con dicha distribución y de esta
manera decidir si la muestra es una muestra probable de dicha población o si existe una
diferencia significativa entre el resultado de la misma y la distribución muestral.
La lógica de toda prueba de significación es decidir si hay una diferencia significativa entre
los resultados obtenidos para la variable en la muestra y la distribución probable del estadístico de
que se trate en muestras de esa población.

Decir que hay una diferencia significativa quiere decir que se descarta la diferencia
producida por un error de muestreo, ya que el índice obtenido es poco probable si la muestra es
representativa de la población.
En otras palabras, toda prueba de significación estadística determina si es probable o no
un error de muestreo, a partir de los resultados de la investigación.
Los psicólogos realizan investigaciones partiendo de una hipótesis de trabajo que, de ser
confirmada, probaría un principio teórico o la efectividad de alguna nueva metodología de
abordaje terapéutico. Esta hipótesis de investigación sólo podrá aprobarse con seguridad a partir
de un experimento que permita la evaluación y medición de todas las variables que intervengan en
el fenómeno investigado.
Este procedimiento es común en ciencias tales como la química y la física, con sus
experimentos de laboratorio, pero es imposible cuando se trabaja con fenómenos complejos en los
que están involucradas muchas variables y algunas desconocidas. Es en estos casos en que se
recurre a la comprobación estadística de las hipótesis, que tendrá como resultado la afirmación de
la hipótesis de investigación o su negación.
Como adelantamos, la estadística sólo puede evaluar una probable diferencia significativa en los
resultados de una investigación, por lo que, la aprobación de la hipótesis se realiza sólo cuando
existe una muy pequeña probabilidad que se trate de una diferencia producto del azar del
muestreo. Esto implica que la decisión sobre la hipótesis de investigación se toma de manera
indirecta y una vez que se descarte un error de muestreo.
Es por esto, que se necesita plantear una hipótesis que pueda contrastar estadísticamente
ese probable error de muestreo y es la que se denomina Hipótesis nula o Hipótesis estadística, y
ésta será la que se ponga a prueba en la prueba de significación.
La hipótesis nula afirma que no hay diferencias significativas entre los resultados de la
investigación y los marcados por el modelo de distribución muestral, o lo que es lo mismo, que la
diferencia en los valores de los índices es producto del error de muestreo.
Frente a esta hipótesis siempre habrá una hipótesis que afirme lo contrario que se
denomina hipótesis alternativa.

36
 Sólo si se rechaza la hipótesis nula el investigador podrá afirmar la hipótesis alternativa. Si
ésta coincide con la hipótesis de investigación habrá afirmado esta última.
Como se verá en las temas siguientes, siempre que se contraste una distribución muestral
el investigador debe decidir previamente el nivel de error que está dispuesto a asumir en su
decisión. A este nivel de error posible se lo llama el nivel de significación de la prueba.
Este nivel de significación corresponde con una zona de muy baja probabilidad del modelo
de probabilidades que se descarta para realizar el contraste de la hipótesis nula. La zona de
probabilidades que se utiliza para la prueba es la restante del modelo y se denomina zona de
confianza, y es donde se confía de que se cumpla la hipótesis nula.

3.1.3. Errores de Tipo I y Tipo II

Como se ve, la prueba de hipótesis siempre involucra un posible error en la decisión
porque se dejan zonas del modelo fuera del contraste. Esto es inevitable en toda prueba
estadística y es lo que marca siempre un nivel de incertidumbre.
El rechazo de la Hipótesis nula erróneamente, es decir cuando no se la tendría que haber
rechazado, se denomina Error de Tipo I.
La situación inversa, es decir, no rechazar la hipótesis nula cuando se la tendría que haber
rechazado implica un Error de Tipo II.
Como se verá más adelante, es posible tomar medidas para acotar los errores, pero la
disminución de un tipo de error siempre tendrá como consecuencia aumentar el otro.

3.2. Teoría de Probabilidades

Como ya hemos señalado la gran contribución de la estadística va más allá de la descripción de
una o más muestras. Tiene que ver con la población: permite conocer, con algún grado de
certidumbre, características de las poblaciones que no se pueden conocer de manera directa
porque dichas poblaciones son infinitas o tan grandes y complejas que se hace imposible
abarcarlas totalmente en un estudio. El capítulo de la estadística que se ocupa de las técnicas que
permiten estas determinaciones, como hemos visto se denomina estadística inferencial ó
inductiva.
El objeto de toda inferencia estadística está en decir algo acerca de las diversas
características de la población estudiada, sobre la base de hechos conocidos a propósito de una
muestra sacada de dicha población.
Como se señaló anteriormente toda inferencia estadística se realiza en base a un modelo
probabilístico, lo que hace necesario que nos aboquemos al estudio de la Teoría de las
Probabilidades como fuente de dichos modelos,

3.2.1. El azar y su estudio sistemático

Como señalamos en la Unidad II el término general para cualquier característica que pueda
medirse en una unidad experimental, y que varíe dentro de la población en estudio es la variable.
Las variaciones se producen por dos razones principales:

37
 1. El error en la medición, que incluye la variabilidad debida a clasificaciones
equivocadas, la variabilidad de los instrumentos que se usan y la variabilidad entre los que
hacen las mediciones.
2. La variabilidad inherente a todos los sistemas biológicos. Existen diferencias entre
las especies, entre individuos dentro de una especie y entre partes de un mismo individuo.

Por estas razones se denomina a toda variable que es observada como parte de un experimento
como variable aleatoria. Por lo tanto se debe pensar de cada observación de un conjunto de
datos como el resultado de una variable aleatoria. En algunos casos se asignan arbitrariamente
números a los resultados de una variable aleatoria, por ejemplo, 0 si no es afectado, 1 si es
afectado, resultando una variable discreta. En otros casos, variables como mediciones de presión
sanguínea ó concentración sérica de colesterol son variables aleatorias contínuas.
El azar, lo entendemos como el suceso o caso fortuito, es decir aquello que aparece, sucede sin
"intencionalidad" conocida; sería "lo imprevisto".
Con la caída del determinismo, como plantea Sussel, la evolución del pensamiento
científico nos lleva a darle hoy, un real estatuto al azar como inherente a toda investigación; no ya
en forma peyorativa, como ignorancia, sino como aquello que desconocemos en una primera
aproximación de nuestro pensamiento lineal, y que nos exige considerarlo permanentemente parte
del proceso.
Sistematizar el azar, sería entonces algo así como un sofisma, pues como podría
sistematizarse lo fortuito, como podríamos sistematizar lo desconocido. Pero el azar es una
variable aleatoria en todo fenómeno que se estudie, por lo cual podemos emplear las
herramientas apropiadas que nos permitan contrastarlo permanentemente, acotándolo.
La estadística se constituye en una de esas herramientas, permitiendo al científico, en
cualquier campo "predecir y prever" con relación a los fenómenos que le conciernen. Acotando
así el impacto de lo que llamamos en el primer párrafo "lo imprevisto", pero no como una forma
ilusoria más, para eliminar la "incertidumbre", sino amplificando la predictibilidad.
Dijimos que el azar se relaciona con el desconocimiento y con la incertidumbre. Veamos a
que nos referimos, con un ejemplo, si conocemos del parto de cinco madres, internas de un
neuropsiquiátrico con diagnóstico de psicosis, podríamos suponer que ninguno de los hijos recién
nacidos, o algunos, o todos podría presentar alteraciones de personalidad significativas;
convirtiéndose en una situación azarosa (o aleatoria) y la parte esencial de este azar es que no
sabemos el resultado, lo desconocemos. Y si no es posible evaluar o conocer qué tan factible es
cada resultado, tenemos una situación de incertidumbre. Pero si por el contrario, podemos tener
una idea de qué tan probables son los diferentes resultados (ninguno, alguno, algunos o todos),
tendremos una situación de riesgo, que en realidad es toda situación aleatoria o azarosa.
Estas situaciones enfrentaron al pensamiento científico, imperante hasta fines del siglo
XIX, a su imposibilidad. El esquema causal determinista que concibe a las leyes científicas, como
una relación entre fenómenos, de tal suerte, que estarían encadenados indefectible y eternamente

38
a una relación causa-efecto, en forma inmutable y unívoca, donde a idénticas situaciones se
obtienen idénticos resultados. Pero como los fenómenos responden a situaciones de riesgo, es
decir son fenómenos aleatorios, que implican el comportamiento de poblaciones o universos
numerosos, no se ajustan a leyes sistemáticas, están influidos por el azar e incluso regidos por él;
ante idénticas situaciones pueden obtenerse comportamientos diversos de los sujetos o entidades.
Por lo tanto se afianza más la Estadística y el Cálculo de probabilidades, estas disciplinas
permiten arribar a leyes estables (no fijas), del comportamiento "promedio" de los individuos de
la población, no del comportamiento de los individuos.
El cálculo de probabilidades se atribuye a los matemáticos Pascal y Fermat, a partir del
siglo XVII, tratando de resolver o intentar responder a las preguntas que surgían en los juegos de
azar.
Posteriormente Laplace, a fines del siglo XVIII - principios del XIX, le da una estructuración
definitiva al Cálculo de probabilidades, permitiendo además la unificación con la Estadística, hasta
ese momento disciplinas separadas, de tal manera, que se constituye la Probabilidad en la
estructura matemática de base de la Estadística.
La probabilidad es una cualidad, de "probable", y ambas palabras provienen de la familia
de "probar", siendo ésta un verbo, que significa por tanto una acción, un hacer, con el fin acreditar
por la experiencia que algo del orden de un atributo o fenómeno es verosímil, la verosimilitud
nos indica aquello que se funda en la razón prudente.
Por lo tanto probar es hacer un examen y un experimento de cualidades, que nos permita
el conocimiento del fenómeno.
Por ello, por un lado tenemos los conceptos, que apuntan a los hechos como fenómenos
captados por nuestros sentidos y a principios que con relación a nuestras experiencias previas
intentan mediante la comparación, por oposición o analogía, arribar a la "seguridad" de un
concepto. Por otro lado desarrollamos procedimientos que permitan corroborar ese concepto. Los
procedimientos implican estrategias y algoritmos, siempre con relación a la destreza en el manejo
de ambos.
La estrategia se refiere al arte de dirigir las operaciones destinadas a un fin, y los
algoritmos precisamente son las secuencias de operaciones encaminadas a lograr ese fin. Esto
significa que tenemos operaciones, secuencias, y que todo ello depende de la destreza, es decir
de la habilidad para realizar eficientemente la acción.
Los algoritmos según el grado de complejidad, implican el instrumento que se utiliza y el

tipo de elementos que se aplican para la ejecución; y como hemos visto, la estadística recorre

todos los grados de complejidad a fin de ser una herramienta eficiente para cualquier campo

científico y sobre todo en las ciencias sociales. Los sucesos aleatorios se caracterizan porque

admiten dos resultados posibles o más, y no tenemos elementos de juicio, o sea que nuestra

razón no puede afirmar cuál de esos resultados ocurrirá en una determinada realización o

situación.

39
 A esos resultados que tienen la misma oportunidad de ocurrir, se los llama sucesos o
fenómenos equiprobables es decir que son igualmente posibles de suceder, cuando no hay razón
para que uno de ellos pueda producirse con preferencia a otro.
Deducimos los dos componentes esenciales en toda situación o experimento aleatorio:
• La enumeración de posibilidades a futuro, llamado espacio muestral, que es el
conjunto de todos los resultados posibles.
• La cuantificación de la incertidumbre, que es la asignación de probabilidades.

La probabilidad de un evento dentro del espacio muestral, puede ser: a) nula; b) posible; c)
segura o extrema. Veamos el significado, a través de un ejemplo:

a. Si planteo, que probabilidad de encontrar un alumno, en una comisión de

Psicoestadística, del turno noche, en Abril de 2014, en la Universidad Kennedy, que tenga
6 años, esto es una probabilidad nula.

b. Si planteo qué probabilidad de que mañana llueve, esto es una probabilidad posible.
Si planteamos qué probabilidad existe, de que un alumno universitario tenga el nivel
primario completo, esta es una probabilidad segura, o extrema.

3.2.2. Probabilidad Teórica y empírica.-

Sabemos que la probabilidad es una rama de las matemáticas y basamento de la
Estadística, que se ocupa de medir cuantitativamente la posibilidad de que un suceso o
experimento tenga un determinado resultado.
Vamos a decir, y después veremos el porqué, que la probabilidad de un "resultado" se
representa con un número, entre 0 y 1, en los extremos el 0 indica la probabilidad nula, nunca
ocurrirá, y el 1 la segura o extrema, siempre ocurrirá.
Los problemas sencillos, son aquellos que miden la probabilidad de un suceso favorable
en un experimento o acontecimiento, con un número conocido, que se le llama número finito, de
resultados, todos ellos con igual posibilidad de ocurrir.
El número total de resultados posibles, que dijimos finito, se indica con la letra n, y de esos
resultados él o los favorables, aquello/os que espero, se designan con la letra f. Ejemplo: si tengo
cuatro lápices negros y uno rojo en mi cartera, al sacar un lápiz sin mirar, tengo la probabilidad de
sacar el lápiz rojo entre cinco posibilidades, esto sería el total de lápices, n = 5, f, es decir lo
favorable, es el lápiz rojo, o sea f = 1.
Veamos ahora porque el resultado de la probabilidad es un número entre 0 y 1, dijimos
que la probabilidad es la que se ocupa de medir cuantitativamente una posibilidad, por tanto
responde a una fórmula matemática, que relaciona los dos elementos n y f, de la siguiente forma:
p = f
n
Es un cociente, que se resuelve reemplazando los términos:

40
 p= 1 (tengo un solo rojo) luego p = 0,2
5 (tengo un total de 5 lápices)

Pero si f fuera en el ejemplo, sacar un lápiz verde, su posibilidad es igual a 0, y n como

sigue siendo 5, resultaría 5 divido 0 resulta el cociente igual a 0, siendo nula la probabilidad. En
cambio si todos los lápices fueran rojos, la probabilidad de sacar uno rojo entre cinco, sería 5
dividido 5 igual 1.
Al estimar la probabilidad, como hicimos anteriormente, podemos hacer esa medición
previamente a la experiencia, o realizar la experiencia y ver que pasa, también podemos realizar
varias veces la experiencia y anotar los resultados.
En el primer caso, cuando estimamos teóricamente la probabilidad, apelando a la lógica,
antes de realizar la experiencia, hablamos de probabilidad teórica, en cambio, cuando los
problemas se estudian mediante experimentos repetitivos el cálculo de probabilidades se
determina sobre la base de ellos, por lo cual hablamos de probabilidad empírica.
La probabilidad empírica de un suceso, está determinada por las veces que ese suceso se
dé al repetir la experiencia, o sea la frecuencia con que se produce ese resultado, y como la
probabilidad es la relación con el número total de experiencias, se puede analogar la probabilidad
con la frecuencia relativa de aparición de ese evento. Esta analogía responde a una Ley
empírica formulada por el matemático Bernoulli, que la llamó Ley empírica de los grandes
números, y se enuncia como: los resultados de la experimentación y observación en los más
diversos campos de la ciencia, técnica, en los juegos de azar, etc., nos permiten afirmar, con
"certeza" práctica, que, a medida que crece el número de repeticiones de un acontecimiento de
probabilidad p, la frecuencia relativa se aproxima a p, llegando en tan poco como se desee, si el
número de repeticiones es suficientemente grande. Es por esto que cuando se trata de
poblaciones se puede asimilar la distribución de frecuencias relativas de una variable a la
distribución de probabilidades de la misma.
Veamos sobre el ejemplo sencillo de los lápices:
La probabilidad teórica es 0,2, como vimos al resolver el cociente, ahora realizamos la
experiencia, repitiendo el sacar un lápiz sin mirar, anotando el resultado y volviéndolo a la cartera,
y así 20 veces. De las 20 veces 5 veces resultó el lápiz rojo, planteamos entonces la probabilidad
o frecuencia relativa de obtener un lápiz rojo:

p= 5 (veces resultó favorable) p = 0.25

20 (total de experiencias realizadas)

Observaremos que cuanto más veces se repita el fenómeno, o sea cuanto más grande
sea el número de observaciones, mayor es la aproximación al valor que defina la probabilidad de
ese suceso.

41
 Es importante destacar que no todos los problemas son sencillos, pues podemos estudiar

acontecimientos en que los distintos resultados pueden tener distintas probabilidades de ocurrir, o

incluso tener un número infinito de posibles resultados.

Llamamos evento dentro de un espacio muestral a un resultado que planteo, en este caso
es simple, es un solo punto dentro del espacio, pero puede suceder que se estudien 2 o más
resultados, en ese caso el evento es conjunto o compuesto.
Ante eventos compuestos, es necesario tener en cuenta de qué forma se arriba a la
estimación cuantitativa de la probabilidad, siempre teniendo en cuenta delimitar exactamente en
tiempo y espacio el fenómeno y la forma en que deseo determinar los resultados.
Veamos a través de un ejemplo: tomando de una población marginal, es decir de escasos
recursos económicos, una muestra de 10 niños entre 5 y 7 años, que probabilidad de encontrar un
niño con avanzado estado de desnutrición por un lado y por otro, un niño sometido a malos tratos.
Se plantea la probabilidad de acuerdo con el fin de nuestra investigación, supongamos que
deseamos saber la probabilidad de encontrar un niño con problemas de desnutrición y sometido a
malos tratos.
La conjunción y determina una probabilidad de eventos compuestos, es decir, que ambos
se tienen que dar juntos, matemáticamente responde a la ley de la multiplicación, que significa
que la probabilidad de obtener ambos es igual al producto de cada probabilidad individual, en
fórmula:

P (A y B) = P (A) . P (B)

Pero si ocurre, que ambos eventos se deben dar juntos, pero que la presencia de uno
depende de la presencia del otro, y viceversa, se plantea una probabilidad condicional, dado que
cada uno de los eventos puede depender del otro, son sucesos dependientes. En este caso la
fórmula:

P (A y B) = P (A) . P (B/A) = P (B) . P (A/B)

Lo interpretamos como la probabilidad de que sabiendo que sucede B, además suceda A.

Mediante ejemplos sencillos podemos ver las diferencias:
a.- Si de un mazo de 40 cartas quiero plantear la posibilidad de que al sacar 2 cartas
juntas se dé un 4 y 7 (compuesta independiente):
P (4 y 7) = P (4) . P (7) = 4 . 4 = 0,01
40 40
b.- Si en una bolsa hay 3 bolas blancas y 2 negras, si el primer suceso E1 es que la
primera bola que se saque sea negra:

P (E1) = 2 = 2
3 + 2 5

42
 Y E2 que la segunda bola extraída sea negra:

P (E2) = 1 = 1
3 + 1 4
Se ve que E1 y E2 son sucesos dependientes. La probabilidad que sucedan ambos serán
entonces:

P (E1 E2) = 2 / 5 x 1 / 4 = 0,1

Otro tipo de casos, es el de la probabilidad en sucesos mutuamente excluyentes, es

decir cuando la presencia de un suceso anula la posibilidad de la presencia del otro, es decir que
no pueden ocurrir al mismo tiempo. El ejemplo más sencillo es el de la moneda, si al arrojar una
moneda salga cara o seca, cada uno de los sucesos anula al otro. En este caso la conjunción ó
plantea el sentido excluyente de la probabilidad, y matemáticamente responde a la ley de la
suma, y se interpreta, como que la probabilidad de que se dé un evento A o B, es igual a la suma
de sus probabilidades individuales:

P (A ó B) = P (A) + P (B)

3.2.3. Variable y probabilidad

Al observar un fenómeno, las variables pueden adoptar distintos valores; en el estudio
estadístico, se recogen esos datos, se vuelcan en tablas, y se confeccionan los gráficos de
acuerdo con los distintos valores que adopta la variable en cada muestra; si llamamos X a la
variable, los valores obtenidos son X1, X 2, X 3... Xn
Donde cada uno es un valor numérico o modalidad correspondiente al atributo que se está
midiendo (variable).
Y sabemos que podemos atribuirle a cada X una probabilidad P, en forma análoga con la
frecuencia relativa resultando que la sumatoria de todas las probabilidades individuales de todos
los valores de X es igual a 1. De esta forma se define una variable aleatoria, con relación a la ley
de probabilidades, mediante pares de valores (X1, P1), (X2, P2),..... , (Xn, Pn).
Si toma valores continuos, al graficar el polígono de frecuencias resultará una curva
continua, y el área que encierra la curva es igual a 1, dado que constituye una distribución de
probabilidad continua. Podemos también obtener otros tipos de distribución de la probabilidad,
como sabemos de la frecuencia, por ejemplo probabilidad acumulada, porcentual, etc.

UNIDAD IV
4. Modelos probabilísticas
Un modelo matemático es una representación ideal o una construcción, en la forma de
un sistema, proposición, fórmula o ecuación, de un fenómeno biológico, físico, social, etc. Estos
modelos preexistentes son instrumentos para la interpretación de comportamientos en fenómenos
aleatorios. En probabilidad son los que nos permiten la interpretación de los sucesos que
investigamos. Si los pasos al igual que en la Estadística, apuntan al resumen, organización e
interpretación de los datos, el modelo es el medio para interpretar. Muchas veces la interpretación

43
no resulta y esto no depende de errores del modelo elegido, sino precisamente en el error al elegir
el modelo. Este debe responder a los fines de nuestra investigación para permitir la lectura e
interpretación adecuada de los resultados, para lograr tener cierta predictibilidad sobre el
comportamiento de la o las variables dentro de una muestra, en relación el fenómeno estudiado y
permitirnos proyectar los resultados a la población.
Como debe indicarnos en qué forma se distribuyen los valores de la variable y de las
probabilidades, se les llama distribución, nosotros conoceremos dos familias de distribución, la
binomial y la normal.
Una distribución de probabilidad es un modelo para una variable aleatoria, que
describe la forma en que la probabilidad está distribuida entre los valores posibles que la variable
aleatoria puede asumir. Como se vio anteriormente la probabilidad puede ser interpretada como la
frecuencia relativa en un número indefinido de pruebas. Desde el punto de vista matemático,
los conceptos “distribución de la probabilidad” y “variable aleatoria” están interrelacionados;
una variable aleatoria debe tener una distribución de probabilidad y ésta debe estar asociada a
una variable aleatoria.
El primer paso para toda inferencia estadística que permita obtener información de la
población a partir de la información de una muestra de la misma, es la adopción de un “modelo
matemático de distribución de probabilidades” que represente el comportamiento probable de
una variable en dicha población.
Las distribuciones que se describirán a continuación son, por lo tanto, teóricas; aunque
algunas de ellas tienen gran importancia y utilidad en la práctica.

4.1. Distribución binomial

La distribución binomial da las probabilidades de diferentes resultados de una serie de
sucesos aleatorios , cada uno de los cuales puede tomar uno de dos valores.
Por el momento simplificaremos la cuestión limitándonos al lanzamiento de monedas. En este tipo
de problemas, el número de los lanzamientos constituye la magnitud de la muestra, y nuestro
interés se centrará en el número de caras (éxitos) obtenidas en n pruebas.
Suponiendo que las n pruebas son estadísticamente independientes una de otra,
podemos evaluar inmediatamente las probabilidad de obtener r caras sucesivas seguidas de (n-
r) cruces. Supongamos que p es la probabilidad de obtener una cara; en este caso la
probabilidad de obtener una cruz es (1-p) y la designamos como q. Como las pruebas son
independientes, podemos utilizar la regla de la multiplicación para el cálculo de la probabilidad
para el caso considerado:
r n-r
p . p . p. . . . . . .p . q.q.q.......q = p . (1 - p)

( r términos ) ( n-r términos )

Es obvio que la probabilidad de obtener r caras y n-r cruces en otro orden tiene la
misma probabilidad. Por lo tanto, para obtener la probabilidad de conseguir exactamente r caras

44
en cualquier orden sólo se necesita contar el número de maneras distintas que tenemos de
obtener x caras y (N-x) cruces y sumar las probabilidades. Cuando n es grande esto es
engorroso, pero, afortunadamente existe una fórmula matemática para determinar las
combinaciones posibles de r en n y se expresa por:

n n!
( --- ) = -----------------
r r ! ( n-r) !
donde n! es el factorial de n y (n-r)! es el factorial de (n-r)
Por lo tanto, la probabilidad total será

N r n-r
P(r) = (-------) . p . q
r

Esta fórmula proporciona la probabilidad de obtener r sucesos esperados entre n posibles,

aplicada a todos los sucesos r posibles se conoce como distribución binomial de la
probabilidad y se utiliza como modelo de probabilidades para variables discretas cuyos
resultados se expresen como éxitos ó fracasos. Los parámetros de la distribución son:
La media de la distribución binomial es µ = N . p y la varianza es σ =N.p.q
2

p p p
0,33
0,50 0,50
0,16
0,25

0,03

nº caras nº caras nº caras

Un lanzamiento Dos lanzamientos Cinco lanzamientos

4.2 Distribución de Poisson.

Otra familia importante de distribuciones discretas es la distribución de Poisson. Puede
usarse como modelo para variables aleatorias como: cuentas de radiactividad por unidad de
tiempo, el número de colonias bacterianas por caja de Petri en un estudio microbiológico, la
concentración de una impureza en la producción de una droga, etc., es decir, cuando la variable
está definida como una cantidad dentro de un contínuo.
Si x es un valor determinado de una variable aleatoria que sigue una distribución de
Poisson, entonces, la probabilidad de que este valor se presente está dada por la expresión:

45
 λ . eλ
x

p (x) = ----------------------
x!

donde el parámetro λ es la media µ de la distribución y tiene el mismo valor que la

variancia σ .
2

Mientras la binomial es una distribución de dos parámetros, la de Poisson es de un

parámetro. Esta distribución puede derivarse de la binomial cuando se tiene un número de
ensayos indefinidamente grande mientras que la probabilidad p de un evento particular en cada
ensayo ese aproxima a cero; la distribución resultante, siempre y cuando el número promedio de
eventos esperados en N pruebas sea una cantidad finita, es de Poisson. Por esto, a veces, se la
llama la distribución de eventos raros . En la práctica un suceso se considera raro si el número
de ensayos e por lo menos 50 mientras que N.p es menor que 5 ( N.p < 5).

UNIDAD V
5.1. Distribución normal
Este es el modelo de distribución continua y corresponde a la llamada función normal
según la siguiente ecuación:

2
- (x - µ )
2
1 2 σ
p= e
σ √2 π
donde:
µ = media
σ = desvío estándar
e y π son constantes

Esta función está definida en todo el campo real y la representación gráfica responde a
una curva en forma de campana simétrica al eje de las ordenadas (p). En esta distribución, la
variable y es dependiente de x, y ésta última es la variable independiente, por lo que se conoce
como distribución de probabilidad continua. Y por ello resulta la curva independiente del valor que
adopte N.
Además hemos visto que la distribución binomial para valores muy grandes de N se
asemeja a la normal, por lo cual decimos que ambas distribuciones se igualan a valores muy
grandes, en el límite.

Ejemplo gráfico de la función normal:

46
 p

x
La mayoría de los fenómenos objeto de estudio para las ciencias sociales y biológicas,
cumplen aproximadamente las características de esta distribución, dado que las frecuencias
tienden a distribuirse simétricamente alrededor de los valores promedios, es decir de sus medias,
por lo cual cobra importancia relevante la función normal, para permitir la observación e
interpretación del comportamiento de las variables.
Es un modelo útil, que a través de una extensa aplicación en innumerables
investigaciones, se justifica su empleo, pues se adecua y además nos facilita trabajar
inferencialmente, a través de muestras y hacer la consecuente proyección a la población.
Se observa, como hemos dicho al principio, que dadas determinadas características en las
muestras, muchas distribuciones se hacen muy semejantes a las distribuciones de las
probabilidades de sucesos aleatorios. En la distribución normal, sabemos que todos los sucesos
se consideran independientes, con la misma fuerza, y la misma probabilidad de ocurrir, tal cual
suponemos a priori de cada una de las variables que en el campo de los fenómenos psíquicos se
hallan involucradas, y este modelo hipotético encuentra en ello otro motivo de elección.
Volviendo a su expresión gráfica, debemos tener en cuenta que toda curva o figura, en un gráfico,
encierra un área, en Estadística se establece la relación proporcional del área encerrada como la
proporción de sujetos o entidades que presentan los valores de la variable, encerradas en esa
superficie.
Con relación a la curva normal, el área de la región encerrada bajo la curva, es la
probabilidad de que una variable aleatoria continua x, tome valores encerrados entre 2 valores de
x:
p

x1 x2
5.2. Distribución normal estandarizada
Llamada también distribución de la variable reducida z, es un ejemplo de distribución
continua muy significativo e interesante pues facilita la comparación entre postulados teóricos y las
experiencias prácticas consecuentes de la Estadística y el Cálculo de probabilidades. Es un
modelo simplificado y estandarizado, que nos permite trabajar con cálculos matemáticos sencillos,
obteniendo iguales resultados que con la curva normal, pues en la elaboración del modelo
estandarizado, se hallan representadas todas las posibles curvas normales y las probabilidades
están volcadas en una tabla rápido y sencilla interpretación.

47
 Es una función representada, entonces por una curva de forma de campana, igual a la
normal en forma, pero con las siguientes características:
A) Es una curva con ordenadas y abscisas siempre positivas, es monótona, y decreciente hacia
ambos lados del máximo, por lo que tiene la forma de campana.
B) Es simétrica respecto al eje de ordenadas, y, y asintótica con el eje de las abscisas, (quiere
decir, que se acerca indefinidamente al eje z pero jamás lo toca).
C) Tiene un solo máximo, en el valor de z = 0.
D) Tiene 2 puntos de inflexión, para los valores de z = 1 y z = -1.

-1 0 +1 z

Cuando trabajamos con una muestra, que responda a la distribución normal, podemos
efectuar operaciones que nos permitan utilizar el modelo de la variable reducida z, a fin de poder
emplear la tabla, efectuando las conversiones correspondientes.
Dos son en líneas generales las operaciones que debemos realizar para dicha
transformación: una gráfica y otra de cálculo:
a) Gráfica: desplazamos el origen de z, es decir z=0, al valor de la media de la muestra,
resultando que la media de la muestra se transforma en el valor 0 del eje de la variable z.
Por ejemplo si la media de la muestra es 70 en x, será 0 en z:

70 (media) x

-z 0 +z

b) Transformamos los valores de x, en valores de z, esta operación la hacemos mediante

una fórmula, que precisamente toma los valores de la media y del desvío estándar de la
muestra, que es lo que identifica a mi muestra en particular, y permite dicha conversión, en
realidad la correcta expresión es cambiar la unidad de media a valores expresados en
unidades de desvío estándar, mediante la siguiente expresión:

48
 z = (x-µ)
σ
Una vez efectuadas estas operaciones ya se puede utilizar la tabla de z, construidas para
dicha curva, con valores que nos permiten hallar cualquier medida de mi muestra, pudiendo
establecer áreas, que representan los valores de probabilidad, para cada par de valores que
desee particularizar.
Como la curva es una campana simétrica, tendremos en cuenta que a pesar de trabajar
sólo con la rama positiva de la campana, y que se halla exclusivamente esa rama positiva
tabulada, podemos ya deducir la otra rama. Sabemos, por otra parte, que los valores negativos de
z, corresponde a valores inferiores a la media de la muestra con la cual trabajo, y que las áreas se
encuentran predeterminadas con relación a las unidades de desvío estándar, de tal forma que
resultan los siguientes valores de probabilidad porcentual
Entre σ = -1 y σ = 1 se halla el 68,27% de la muestra
Entre σ = -2 y σ = 2 se halla el 95,45% de la muestra
Entre σ = -3 y σ = 3 se halla el 99,73% de la muestra

-3 -2 -1 0 1 2 3 z

Como dijimos anteriormente, el área es proporcional a la probabilidad o a la frecuencia

relativa para cualquier par de valores de la variable, como así también entre valores positivos y
negativos de la variable, porque la negativa sólo nos indica que es o son valores inferiores a la
media de la muestra. El área se interpreta como la cantidad de casos probables en el total de
casos posibles, que se hallan entre ese par de valores de variable, para nuestra interpretación,
sería la cantidad de sujetos o entidades que tienen esos valores de variables con relación al total
de sujetos o entidades de la muestra.
5.3. Distribución Muestral
Si se adopta el modelo normal de probabilidades para una población se demuestra
matemáticamente, a partir del Teorema de Límite Central, que las posibles muestras de esa
población tendrán como distribución de probabilidades de los estadísticos muestrales, esto es:
medias, desvíos estándar, variancia, etc., también una curva normal para cada tamaño de muestra
y con parámetros diferentes para cada caso.
Esta propiedad matemática se utiliza para tomar decisiones inferenciales a partir de los
resultados empíricos correspondientes a muestras de la población.

49
 Esta distribución de probabilidades se produce por utilizar muestras y no a toda la
población para calcular el índice estadístico, en cuyo caso obtendríamos un único valor que sería
el parámetro de la población.
De esta forma, podemos decir que la distribución muestral es la distribución de errores en
el cálculo de los estadísticos de muestras de tamaño N; errores posibles por la elección aleatoria
de las unidades que integran las muestras.
5.4. Lógica de la Estadística Inferencial
La distribución de probabilidades teóricas de muestreo son los patrones de comparación
frente a los que se contrastan los resultados empíricos de una investigación para saber si una
muestra tiene un comportamiento igual o significativamente diferente de una población.
Para afirmar que una diferencia es significativa debemos descartar la posibilidad de que el
resultado haya sido producto de un mero error de muestreo.
A partir de esta lógica se definen diferentes conceptos que nos permiten hacer operativa la
misma, como: intervalo de confianza, nivel de significación, hipótesis de nulidad e hipótesis
alternativa.

UNIDAD VI
6.1. Pruebas de hipótesis. Pruebas de significación
El objetivo de la llamada prueba de hipótesis, es verificar si una hipótesis estadística
planteada es verdadera o falsa. Recordemos que, siempre, hablamos de hipótesis que son
formuladas en forma matemática, y que, por lo tanto, su verificación es matemática.
A estas pruebas de hipótesis se las llama también pruebas de significación, dado que uno
de los principios de estas pruebas es verificar si la diferencia entre la hipótesis planteada y lo
obtenido experimentalmente es significativa.
Usualmente trabajamos con pruebas que responden a la distribución normal como modelo
matemático o probabilístico. Es por ello que debemos primero ver cual es la capacidad de
utilización de este tipo de distribución.
En principio, esta distribución se puede utilizar en aquellas variables que podemos decir
que siguen en forma muy aproximada a la distribución normal. Pero esto es posible generalizarlo
aun mas.
6.2. Distribución Muestral. Error Estandar
Si en una población con una media aritmética μ y un desvío estándar σ extraemos n
muestras todas de tamaño N, obtendremos de cada una de las muestras n medias aritméticas y n
desvíos estándar. Esta variación de resultados se produce porque tomamos una cantidad limitada
de datos de una población y no todos.
Para cada uno de estos estadísticos podemos a su vez trazar la distribución que tendrá su
propia media aritmética y su propio desvío estándar. A esta distribución se la llama distribución
muestral de medias o de desvíos estándar, y se puede probar que para N > 30 estas
distribuciones muestrales siguen siempre muy aproximadamente la distribución normal,
independientemente del tipo de variable que se trate. Así, a la distribución hecha con las medias

50
se la llama distribución muestral de medias, que tendrá una media que llamaremos μ y un
desvío estándar σ al que llamamos error estándar y que serán:
σ
μ =μ σ = ------------- (Error Estándar)

La distribución muestral de medias es, entonces, la distribución probable de medias de

muestras de un tamaño determinado y es la consecuencia de tomar muestras de la población y no
todos los datos de la misma. Puede decirse, entonces, que es una distribución de errores
muestrales y cuya dispersión se expresa en el error estándar.
Vemos que cuanto mayor sea el tamaño de la muestra, menor será el error estándar,
siendo éste siempre menor al desvío de la población.
En la práctica, al no conocer el desvío poblacional, usamos en su reemplazo el desvío de
la muestra que es la mejor aproximación con la que contamos.
Cuando la hipótesis plantea que una media muestral es significativamente diferente a
la media de la población, decimos que la prueba es una prueba de significación de medias. La
hipótesis mencionada será nuestra hipótesis experimental
Una hipótesis experimental sólo puede probarse científicamente mediante experimentos,
por lo que la prueba estadística verifica solamente si lo que afirma esa hipótesis puede deberse a
un error de muestreo o no.
Una prueba de significación de medias es un contraste entre una media experimental de
una muestra de tamaño N y la distribución de muestreo probable para muestras de la población,
de igual tamaño. Este contraste se realiza dentro de una zona limitada de la distribución que se
denomina intervalo de confianza de la distribución muestral, que será lo más amplio posible.
En este caso nos planteamos si esa media es diferente significativamente o no de la
media poblacional, o lo que es lo mismo, si está fuera o dentro del intervalo de confianza de la
distribución muestral.
La hipótesis de nulidad, que siempre se plantea como una igualdad, dirá que la
diferencia entre la media del universo y la de la muestra no es significativa dentro de ese intervalo
de confianza. Si la media de la muestra cae dentro del intervalo de confianza no rechazamos la
hipótesis de nulidad. Si cae fuera del intervalo de confianza la media de la muestra se encuentra
dentro de la zona de significación de la diferencia que llamaremos nivel de significación de la
distribución muestral, rechazamos la hipótesis nula y en ese caso decimos que la diferencia entre
la media de la muestra y de la del universo es significativa.
Si esperamos un resultado significativo tanto como mayor o como menor que la media
poblacional, la zona de significación deberá desdoblarse y ubicarse en las dos colas de la
distribución normal por lo que se dice que es una prueba de dos colas.
Esta zona de rechazo estará determinada por el nivel de significación que el experimentador elija
según las características de la decisión a tomar..
En el caso de que la hipótesis experimental proponga que la media muestral es mayor que la
media poblacional, nos hallamos frente a una prueba de una cola, y en este caso todo el nivel de

51
significación se hallara del lado de medias mayores (derecha de la curva). En el caso inverso, si
planteamos una hipótesis experimental de diga que la muestra tiene una media menor que la de la
población, la zona de rechazo se ubica en la potra cola de la distribución, a la izquierda de la
misma
Una cola
P(x) Intervalo de Confianza

Nivel de Significación

µ xf

Dos colas
P(x)

½ Nivel de Significación ½ Nivel de Significación

(µ - σ) µ (µ + σ) X

UNIDAD VII
7.1. Prueba de Hipótesis de Medias

Las pruebas de hipótesis se realizan utilizando la distribución normal estándar (en función de z),
que nos permitirá delimitar perfectamente el intervalo de confianza y la zona de rechazo. Así, para
una distribución muestral, en la que la variable es medias de muestras de tamaño N, tendremos:

x - μ
z= ----------
σ

x es la media muestral,
μ es la media poblacional

52
σ es el desvío poblacional, que reemplazaremos por el valor conocido mas aproximado (en
general el desvío de la muestra)
N es el tamaño de la muestra.
Hallado este valor de z, que corresponde a nuestro dato, iremos al gráfico para verificar si cae en
el intervalo de confianza o la zona de rechazo, lo que nos hará aceptar o rechazar la hipótesis
nula.
7.2. Prueba de significación de diferencias de medias muestrales.
En este caso, lo que se desea es saber si dos poblaciones difieren significativamente. Lo
que se tiene en general son dos muestras de estas poblaciones, con las que trabajaremos.
El Teorema del Límite Central dice que las diferencias de medias de muestras de una misma
población también se distribuyen según la Distribución Normal con una media de diferencias nula
(μ = 0) y un desvío estándar de las diferencias σ
(x1-x2)

Si utilizamos la misma formula anterior, tenemos:

( x1 – x2 ) – 0
z = --------------------------
σ
(x1- x2)

Si colocamos el desvío estándar en función de los desvíos muestrales

( x1 – x2 )
z = -------------
Sd

Donde:

2 2
s1 s2
Sd = ---- + ----
N1 N2

Una vez obtenida z, y tratándose siempre de una prueba de dos colas, el procedimiento de toma
de decisión es el ya visto.

7.3. Tamaño de Muestras. Prueba de t de Student

Lo planteado anteriormente lo considerábamos valido si N > 30, dado que en esas condiciones se
podría decir que la aproximación a la distribución normal es buena, pero cuando la muestra es de
tamaño menor y no se conoce el σ de la población es necesario hacer una corrección a los
valores de la cuerva normal.
Un matemático de apellido Gosset, y cuyo seudónimo fue Student, estudió y desarrolló una
distribución que es aplicable para los casos en que N < 30. A esta se la llama distribución t o de
Student.

53
Esta distribución esta expresada en una tabla en la que por un lado tendremos los niveles de
significación, y por el otro los grados de libertad. Estos últimos estarán en el caso de esta
distribución, ligados a N tal que:

gl = N – 1

Para N > 30 la distribución normal y la de Student coinciden

7.3.1. Prueba de Hipótesis de medias cuando N<30 y no se conoce σ

En este caso lo que obtenemos es un valor t correspondiente a nuestro dato, que estará dado por:

x - μ
t = -----------
S

N–1

donde x es la media de la muestra, S su desvío estándar y N su tamaño, y μ la media poblacional

o de referencia.
El valor hallado se compara con el obtenido de la tabla de t para el nivel de significación, tal que si
está dentro del intervalo de confianza no rechazamos la hipótesis nula, y si es mayor la
rechazamos.
Recordemos que los niveles de significación de las tablas de t vienen para pruebas de una sola
cola, por lo que si la prueba es de dos colas el valor límite corresponde al nivel de significación
dividido por dos.

7.3.2. Prueba de hipótesis de diferencias de medias cuando N<30 y no se conoce σ

El procedimiento es análogo al ya visto, solo que el valor de t estará dado por:

( x1 – x2 )
t = -------------
Sd

Donde:
2 2
N1 + N2 (N1 – 1)S1 + (N2 - 1) S2
Sd = ---------------- -----------------------------------
N1 . N2 N1 + N2 - 2

En este caso. Los grados de libertad estarán dados por:

gl = N1 + N2 - 2

Consultando la tabla se acepta o rechaza la hipótesis nula.

54
7.4. Prueba de estimación de µ
Cuando se ha probado de una muestra es significativamente diferente y ya no
corresponde a las muestras de una población, se impone la tarea de predecir cual será el
parámetro µ que corresponderá a la población a la que pertenece la muestra. Debemos recordar
que cuando hablamos de población estamos refiriéndonos al comportamiento de una variable en
una población, por lo que la tarea será predecir el parámetro µ que define el nuevo
comportamiento de la variable.
La prueba estadística que nos permite hacer esta inferencia se denomina Prueba de
estimación de µ y se basa en estimar los valores probables de µ a partir de la media y el desvío
estándar conocidos de la muestra y suponiendo que la misma está dentro del nivel de confianza
de la distribución muestral teórica de las muestras de tamaño N de dicha población cuyos
parámetros se desconocen.
La lógica de esta prueba consiste trabajar con la distribución muestral de medias en una
prueba bi-lateral de tal manera de situar el Nivel de Confianza en el centro de la distribución. En
principio se supone que la muestra es la que corresponde al límite inferior del Nivel de Confianza,
es decir, es la de valor menor de media probable, con lo que es posible aplicar la fórmula de
estimación de media sabiendo el valor de t que corresponde para el nivel de confianza elegido y
los grados de libertad y calcular la µ probable. Como, al desconocer el parámetro de la curva no
sabemos en que lugar del Nivel de Confianza se encuentra la muestra, un segundo paso consiste
en suponer a la muestra en el límite superior del mismo y recalcular µ.
El resultado final de la estimación es un intervalo de la distribución de medias en el cual
puede estar el parámetro µ de la población.
La ecuación que debemos utilizar en esta prueba es la que sigue:

x - t S ≤ µ ≤ x +t S

N-1 N-1

--------------------------------------------------oOo--------------------------------------------------------

Bibliografía

• Cortada de Kohan, Nuria y Carro, José Manuel: Estadística aplicada. EUdeBA. (1968)
Bs.As.

55
UNIDAD VIII
8.1. Análisis de Frecuencias. Prueba de Chi cuadrado
Vamos a analizar una Prueba de hipótesis que se realiza a partir de las frecuencias,
por lo que no es imprescindible que se trabaje con variables cuantitativas como las
anteriormente tratadas.
De hecho, es la prueba más valiosa para utilizar con variables cualitativas expresadas en
escala nominal.
Para variables cuantitativas existen las otras pruebas de significación, que son más
adecuadas.
En esta prueba las hipótesis se expresan como igualdades o desigualdades entre
frecuencias.
La prueba de chi cuadrado es una prueba muy general que puede emplearse cuando
deseamos apreciar si unas frecuencias obtenidas empíricamente difieren significativamente o no
de las que se esperarían bajo cierto conjunto de supuestos teóricos.
Es por esto, que se expresan las frecuencias como frecuencias observadas (las que son
producto de la investigación) y frecuencias esperadas (las que son producto del modelo teórico
de comparación)
En cuanto a su lógica de contraste, es similar a las demás pruebas de significación que
hemos estudiado, ya que se adopta un nivel de significación y se contrasta el estadístico de la
prueba con el valor crítico del intervalo de confianza de la distribución. Esta prueba es siempre de
una cola porque la distribución de chi cuadrado siempre parte del valor mínimo que es cero.
Para comparar las frecuencias y tomar una decisión se utiliza un estadístico llamado chi
cuadrado que proporciona una medida de la diferencia entre las frecuencias observadas y las
esperadas:

2
2 ( fo - fe )
‫א‬
= ∑ -------------------
fe

Cuanto mayores sean las diferencias entre las frecuencias observadas y las esperadas,
tanto mayor es el chi cuadrado. Este sólo será cero si todas las frecuencias observadas y las
esperadas son exactamente las mismas.
La distribución de muestreo, esto es la distribución de probabilidades de valores de chi
cuadrado producto del muestreo es conocida y está tabulada. Existe una curva de distribución
probabilística diferente para cada grado de libertad de la variable.
Si el chi cuadrado resulta mayor de lo que anticiparía el azar de muestreo estaremos en
condiciones de descartar la hipótesis nula siguiendo el procedimiento habitual
8.1.1 Pasos a seguir para el cálculo del estadístico chi cuadrado
1. Encontrar las frecuencias observadas, reales de cada atributo
2. Determinar las frecuencias observas para cada atributo, de acuerdo al modelo
propuesto

56
 3. Calcular las frecuencias observadas menos las esperadas de cada atributo
4. Elevar al cuadrado las diferencias
5. Dividir cada diferencia cuadrática por la frecuencia esperada del atributo
6. Sumar los resultados del pasa anterior para obtener el chi cuadrado de la
prueba
7. Extraer de la Tabla el chi cuadrado crítico para el nivel de significación adoptado
8. Rechazar o no la Ho
Esta prueba puede utilizarse para diferentes situaciones:

8.1.2. Prueba de bondad de ajuste a un modelo.

Sea una variable aleatoria X dividida en k categorías ó clases mutuamente excluyentes x1
, x2 , ...., xk .
Se extrae una muestra de tamaño N de la población que va a ser clasificada según la
variable X y se denomina como fOi a la frecuencia de la categoría xi , de forma que ∑ fOi = N
Supuesto: independencia entre los elementos de la población que se muestrea.

Ho : No hay diferencias significativas entre las frecuencias observadas y las esperadas

correspondientes a una distribución de referencia ( teórica ó probabilística )
Ha : diferencia significativa con la distribución de referencia

Si fei es la frecuencia esperada de xi , tal que ∑ fei = N , se ve la discrepancia entre las

distribuciones observadas y esperadas a través del cálculo de chi cuadrado para los datos
empíricos y su comparación con el valor crítico del chi cuadrado de la tabla para el nivel de
significación elegido y los grados de libertad de la prueba. Los grados de libertad de la prueba
son los grados de libertad de la variable (k – 1) ya que pueden variar todas las frecuencia
observadas para la muestra menos las que corresponde a una categoría ó clase para que no se
altere que ∑ foi = N .

2 2
2 ( foi - fei ) foi
‫א‬
= ∑ ----------------- = ∑ ------ - N
fei fei

Los grados de libertad, para elegir la curva de chi cuadrado a contrastar se calcular restando 1 a la
cantidad de valores o atributos diferentes de la variable:
gl = n - 1
Restricciones para la prueba. Los requisitos para aplicar la prueba son los siguientes:

1. El tamaño de la muestra debe ser mayor ó igual a 50

2. Las frecuencias deben ser distintas de cero

57
 3. Hasta un 20% máximo de frecuencias menores a 5

8.1.3. Pruebas de independencia de dos variables

En la sección anterior hemos analizado la distribución de una variable según sus múltiples
atributos. La situación más común en la que se utiliza la prueba de chi cuadrado es aquella en la
que existen dos variables cualitativas, cada una con múltiples atributos.
En esta sección nos abocaremos a este caso.
Una de las aplicaciones más comunes de chi cuadrado es la relativa a los problemas de
independencia en los que dos variables, frecuentemente expresadas en escala nominal, se han
clasificado por comparación de una con otra.
Los resultados de esta clasificación se sistematizan en la Tabla de contingencia, que
expresa las frecuencias observadas de la asociación de las dos variables.
Suponiendo que las variables observadas en la muestra son X1 y X2 clasificadas en las
categorías A1 , A2 , ......,Ai y B1 , B2 ,....., Bj la tabla de frecuencias se construye del modo
siguiente;

X1

A1 A2 . . . Ai

B1

X2 B2 fij f j.
.
.
.
Bj f.j N

Existen dos clases de tablas de contingencia que responden a dos modelos diferentes de
comparación:

1. El caso de una muestras y una variable independiente y una variable dependiente, los
renglones serán las categorías de una variable independiente, en tanto que las columnas
serán las categorías de una variable dependiente.

2. El caso de una muestra y dos variables dependientes, los renglones serán las categorías de
una variable dependiente y las columnas serán las categorías de la otra variable dependiente.

58
 En el primer caso la aplicación de la prueba de chi cuadrado permite contrastar la
hipótesis de homogeneidad de la variable dependiente respecto de la independiente, Por esto se
la llama Prueba de homogeneidad y la Ho plantea la existencia de homogeneidad.
En el segundo caso la aplicación permite contrastar la hipótesis Ho de independencia
entre las dos variables. En este caso se denomina Prueba de independencia
En este caso los grados de libertad se calculan multiplicando los grados de libertad de
cada variable, calculados en la sección anterior.
La decisión se toma de la misma forma que en la prueba de bondad de ajuste: si el chi
cuadrado de la prueba supera el chi cuadrado de la tabla de distribución de chi cuadrado de
muestreo para los grados de libertad correspondiente y un nivel de significación, se rechaza la Ho
y se acepta la Ha.

Bibliografía

• Aron Arthur, Aron Elaine: “Estadística para Psicología” Cap.1 Pearson Education,
Bs.As. 2001

• Cortada de Kohan, Nuria y Carro, José Manuel: Estadística aplicada. EUdeBA. (1968)
Bs.As.

UNIDAD VIII
Epidemiología
8.1. ¿Qué es la Epidemiología?
La epidemiología es el estudio de la distribución y los factores determinantes de las
enfermedades. Se trata de descubrir quién adquiere la enfermedad y por qué. Por ejemplo: ¿es
más frecuente entre varones o mujeres, jóvenes o adultos, ricos o pobres, etc? ¿Adquirieron la
enfermedad a causa de una tendencia genética, una exposición ocupacional, un hábito, un vicio
particular?
La epidemiología difiere de la medicina clínica en dos puntos:
• los epidemiólogos estudian grupos de personas, poblaciones y no individuos
• los epidemiólogos estudian tanto personas sanas como enfermas, tratando de
encontrar la diferencia crucial entre los atacados y los respetados.

Una epidemia ocurre cuando hay un número bastante mayor de casos de la misma
enfermedad que el que permite predecir la experiencia para el lugar, en el momento dado y entre
esta población. La enfermedad en el individuo puede considerarse como resultado de tres
factores:
• agente • huésped • ambiente

Los casos de la enfermedad pueden clasificarse en tres categorías:

59
 • Tiempo • Lugar • Características personales

El examen de los resultados de esta clasificación permite reconocer características

comunes en los enfermos y raras en los sanos. ¿Cuál es la tendencia común en los enfermos, y
rara en los sanos? La epidemiología pesa y equilibra, contrasta y compara.
8.2. Estadígrafos específicos de uso en epidemiología
8.2.1. Punto de corte
La principal necesidad de una técnica clínica es que sirva para diagnosticar bien. Si hay
muchas disponibles para efectuar el mismo trabajo, se debe optar por aquella que mejor sirva a
ese propósito, y si, además, es precisa y exacta, mejor. Pero, al efectuar un diagnóstico se está
“dicotomizando” a la magnitud clínica medida, no importa del tipo que sea; habrá dos resultados
posibles: Sano o Enfermo. La práctica clínica ideal sería una que discrimine perfectamente a los
sanos de los enfermos, una que no cometa equivocaciones, una utopía. La realidad actual es
bastante diferente; para poder diagnosticar bien se necesita, además de la revisión personal,
varias determinaciones de laboratorio que confirmen la diagnosis. Aún así, todavía habrá un cierto
grado de incertidumbre, mayor cuanto menos avanzada esté la enfermedad. Se define como:
Punto de corte. Se denomina de esta forma al valor de una magnitud que separa a los sanos de
los enfermos. A veces se le dice valor referente.
8.2.2. Indice de ataque
Mide la proporción de población que desarrolla enfermedad entre el total de expuestos a
un riesgo específico asociado a esa enfermedad:

número de personas enfermas

Índice de Ataque =
número de personas que corren riesgo

Por ejemplo: ante una intoxicación con un alimento, el índice de ataque se calcula como el número
de personas que desarrollan síntomas, dividido el total de personas que ingirieron ese alimento.
8.2.3. Índice de Mortalidad
En forma global, expresa la mortalidad actual observada en una población bajo estudio; mide
la proporción de la población que muere cada año o el número de muertos en la comunidad con
referencia a la población total. Resume el efecto de varios factores:
• la probabilidad de morir
• las características de edad o la distribución de edad de la población problema.

cantidad de muertes en un año

Índice de Mortalidad Global = × 1000
tamaño de la población

Los índices de mortalidad se pueden calcular para cada edad: Índice de mortalidad
específica por edad. Cuando hay diferencias en la distribución de edades para los grupos que se

60
desean comparar se deben emplear índices ajustados según la edad. De igual forma, se pueden
calcular otros índices de mortalidad específicos: según sexo, raza, trabajo, otras causas.
8.2.4. Frecuencia y Prevalencia
El Índice de Frecuencia mide la cantidad de personas sanas que se enferman durante un
lapso específico, esto es, el número de casos nuevos de un padecimiento en una población
durante un período determinado. Por otro lado, el Índice de Prevalencia mide el número de
personas en una población que tienen la enfermedad en un momento dado. La frecuencia mide la
aparición de la enfermedad, la prevalencia computa la existencia de la enfermedad.

número de casos nuevos de una enfermedad en un lapso dado

Índice de Frecuencia =
tamaño de la población con riesgo de desarrollar la enfermedad
total de casos de una enfermedad en un momento dado
Índice de Prevalencia =
tamaño poblacional total

La frecuencia manifiesta únicamente la velocidad de aparición de la enfermedad. Un

cambio en la frecuencia implica una modificación del equilibrio con los factores etiológicos
(responsables o causantes de la enfermedad). Sin embargo, la prevalencia depende de dos
factores: la frecuencia y la duración de la enfermedad (rápido restablecimiento o muerte más
temprana). En consecuencia, un cambio en la prevalencia puede evidenciar cambios en la
frecuencia, en el resultado, o en ambos factores.

La prevalencia es el producto de la frecuencia por la duración de la enfermedad. Esta

relación es más patente en enfermedades crónicas y estables, pudiéndose deducir la frecuencia a
partir de conocer la prevalencia y la duración.
La prevalencia mide la necesidad de tratamiento y de camas hospitalarias, ayuda a
planear instalaciones de salud y necesidades de potencial humano, es fácil de estimar a través de
las estadísticas de los hospitales; en cambio, la frecuencia es difícil de medir. La frecuencia se
emplea para hacer enunciados acerca de la probabilidad o el riesgo de una enfermedad. Se
pueden hacer cálculos de éstos estadígrafos en función de características de los individuos,
distintas exposiciones o diferentes atributos, con el fin de medir la influencia de estos factores
sobre la aparición del padecimiento

Restablecimiento
Frecuencia Muerte

Caldero de la
Prevalencia

61
 8.2.5. Riesgo Relativo
Mide la relación que guarda la exposición a un factor particular y el riesgo de determinado
desenlace.

índice de frecuencia entre los expuestos

Riesgo Relativo =
Índice de frecuencia entre los no expuestos

El clínico utiliza el riesgo relativo, el cual expresa el riesgo de un grupo con un factor
(varones, hipertensos, fumadores) en comparación con el riesgo de un grupo de referencia sin ese
factor (mujeres, tensión normal, no fumadores). El riesgo relativo es el índice de la frecuencia de
un grupo que presenta el factor con la frecuencia del grupo que no lo presenta. No es un índice,
sino un cociente, y no indica la frecuencia de la enfermedad, pero dice en qué medida está
aumentando el riesgo del paciente. Sin embargo, no mide la probabilidad de que alguien con el
factor presente la enfermedad

El riesgo relativo también mide la potencia de una relación entre un factor y determinado
desenlace; de esta manera, el riesgo relativo señala la causa y es útil para buscar la etiología de
un padecimiento. La evaluación del Riesgo Relativo permite asociar un factor de riesgo con el
desarrollo de una condición específica; son una medida del impacto de factor de riesgo. Por
ejemplo: si se seleccionan dos muestras, una de fumadores (F+) y otra de no fumadores (F-), y los
sujetos de cada grupo se clasifican según estén o no enfermos de bronquitis crónica (B+, B-),
entonces el Riesgo Relativo se calcula como:

Riesgo Relativo = Pb (B+ / F+) / Pb (B+ / F–)

Los cálculos de riesgo relativo son enunciados de probabilidades condicionales, y se debe

recordar que:
• no todos los expuestos al factor de riesgo presentan la enfermedad, sino que
sencillamente podrían tener una mayor probabilidad de presentarla
• algunos que no se han expuesto al factor presentarán el padecimiento igual.
8.2.6. Sensibilidad y Especificidad:
La sensibilidad es la capacidad para identificar de manera exacta a los sujetos que tienen
la enfermedad. Dicho de otra manera, es la capacidad de la prueba para dar un dato positivo
cuando la persona investigada tiene verdaderamente el padecimiento. Se expresa como
porcentaje:

personas con la enfermedad descubiertas por la prueba

sensibilidad (%) = × 100
total de personas estudiadas con la enfermedad

62
 Parecería que la sensibilidad es lo único que se puede exigir de una prueba. Si se puede
identificar de manera exacta a todos los que padecen la enfermedad, eso sería suficiente. Sin
embargo, es necesario que se incluyan como casos positivos únicamente aquellos con la
enfermedad. De esta limitación surge el concepto de especificidad.
La especificidad es la capacidad para identificar con exactitud quiénes no la tienen. Dicho
de otra manera, es la capacidad de la prueba para proporcionar datos negativos cuando las
personas investigadas están sanas. También se expresa como porcentaje:

personas sin la enfermedad que son negativas en la prueba

Especificidad (%) = × 100
total de personas estudiadas sin la enfermedad

Veamos un ejemplo:
• Un equipo de diagnóstico presenta una sensibilidad para detectar la presencia de
Escherichia coli, en caso de haberla.
• Si no está presente, detecta su ausencia con una determinada especificidad.
• La probabilidad de que una muestra de agua contenga E. coli es la prevalencia.
• Suponiendo que el examen da un resultado positivo, la probabilidad de que realmente la
muestra de agua contenga E. coli es el Valor predictivo positivo del test.
• Por otro lado, si el test da un resultado negativo, la probabilidad de que realmente el agua
está libre de bacterias es el Valor predictivo negativo del test.
• Además, cada ensayo resulta positivo o negativo, pero el agua en realidad puede o no
estar contaminada. Así se pueden calcular los coeficientes:
Coeficiente Falso – positivo = Pb (test positivo dado que el agua está sana)
Coeficiente Falso – negativo = Pb (test negativo dado que el agua está
contaminada).

Ubiquemos en una tabla de contingencia cada uno de estos parámetros:

Cuando en Prueba del diagnóstico

realidad el
D+ D– Total
agua está...
Coef. F.P. Especificidad
Sana
VP(–)
sensibilidad Coef. F.N.
Contaminada Prevalencia
VP(+)
Total

63
 Un hecho notable es que si la sensibilidad aumenta, la especificidad disminuye y
viceversa. Por eso, el problema real es decidir cual de ellas debe ser optimizada en cada caso
adoptando un punto de corte apropiado.
Otro problema a tener en cuenta con los falsos positivos es el costo involucrado en
curaciones innecesarias, internaciones y tratamientos superfluos, etc. No sólo para el paciente que
debe afrontar los gastos, sino para las unidades asistenciales con poca capacidad de internación.
Y por eso, la decisión final para darle una cama se debe tomar luego de una cuidadosa evaluación
de todos los factores involucrados, tales como historias clínicas, radiografías, electrocardiogramas,
análisis clínicos; o sea, una revisión completa y detallada. Una serie de pruebas es la manera de
resolver el problema básico de Sensibilidad vs. Especificidad.
8.2.7. Índice de Youden
Este índice se define como la suma del valor de la sensibilidad y la especificidad, menos
uno, para poder expresado en valores que varían entre cero y uno. O sea:

IY = {( S + E ) / 100 } - 1

Se lo usa cuando se debe adoptar una solución de compromiso, entre sensibilidad y

especificidad, pues ambos errores Falsos Positivos y Falsos Negativos son igualmente graves.
Cuando este índice se acerca a su valor máximo: IY = 1, el diagnóstico tiene al ideal, esto ocurrirá
sí S = E = 100%. De tener un diagnosticador con semejante índice, sería perfecto.
En cambio, si el diagnóstico se hace arrojando una moneda al aire para poder decidir si el
paciente está sano o enfermo, será: S = E = 50%, pues se tienen las mismas probabilidades de
acertar que de equivocarse. En cuyo caso resulta ser IY = 0 y el diagnóstico es por azar. Esto
muestra otra de las ventajas del índice de Youden. Advierte el peligro de tomar puntos de corte
tales que el diagnóstico no se diferencie del azar.
8.2.8. Eficiencia
La eficiencia de una prueba clínica es la relación entre el resultado ideal y el real. Es el
rendimiento de la prueba para diagnosticar, la misma idea que el rendimiento de un motor o de un
aparato en ingeniería. Aquí, el resultado ideal es no equivocarse en ningún diagnóstico, o sea
Falso Positivo = Falso Negativo = 0. Entonces el número de aciertos será igual al número total de
pruebas N. Como en la realidad tal cosa no ocurre, se mide con:

Eficiencia = (Valor Positivo del Test + Valor Negativo del Test) / N

Es uno de los criterios de selección más tradicionales usado por distintas profesiones. Se
busca la máxima eficiencia cuando no es deseable ninguno de los dos tipos de errores, pues
ambos son graves y costosos. Por ejemplo, es el caso de enfermedades transmisibles muy
graves, pero curables, donde un Falso Positivo podría traer aparejado un serio perjuicio
psicológico al paciente, así como un Falso Negativo podría contagiar a otra persona o desatar una
epidemia. Es parecido al uso del índice de Youden, pero haciendo hincapié en otro aspecto de la
cuestión.

64
 8.3. Estudios experimentales y observacionales
Los estudios experimentales son los más fáciles de reconocer, porque en ellos el
investigador tiene el control de algún factor que cando varía puede guardar relación con distintos
resultados definitivos. Esto se advierte de manera clásica en estudios con animales, en los cuales,
por ejemplo, se puede controlar la dieta para medir índices reproductivos y de crecimiento. Sin
embargo, en estudios sobre seres humanos, las consideraciones éticas limitan la aplicabilidad del
método experimental y el investigador debe emplear el enfoque observacional. En este caso no se
intenta manipulación alguna, sino que se observan los diferentes resultados definitivos en las
circunstancias naturales y se relacionan con exposiciones distintas. Las personas tienen algún
atributo de la índole de tipo sanguíneo A, o una exposición, verbigracia, al uso de contraceptivos
bucales, y la aparición de enfermedad en el grupo con el atributo se compara con la que ocurre en
el grupo que no lo presenta. La dificultad es que los grupos observados pueden diferir de otras
maneras además del atributo en cuestión, posibilidad que dificulta la comparación.
Estudios retrospectivos y prospectivos
El término Prospectivo denota el hecho de que al grupo de estudio se le vigila en dirección
anterógrada hacia lo futuro; a diferencia de los estudios Retrospectivos, que va hacia el pasado.
En un estudio retrospectivo (de casos testigos) al comenzar la investigación ya han ocurrido todos
los acontecimientos importantes (enfermedad y exposición). En un estudio prospectivo ha ocurrido
la exposición pero no la enfermedad.

Estudios Prospectivos Estudios Retrospectivos

• Tiempo breve de estudio • Se necesita largo tiempo
• Relativamente barato • Muy costoso
• Adecuado para enfermedades poco frecuentes • Únicamente enfermedades relativamente
• Problemas éticos mínimos comunes
• Los problemas éticos pueden ser importantes e
• El grupo testigo tiene sesgo en la selección influyen en el plan de trabajo
• El grupo testigo es menos susceptible al sesgo
• Los sujetos no necesitan ser voluntarios • Se necesitan voluntarios, los resultados quizás
(auditoria de expedientes) no sean generalizables
• Recuerdo viciado • No hay recuerdo
• Número menor de sujetos • Mayor número de sujetos
• No hay problemas de desgaste • Problemas de desgaste
• No se puede precisar la frecuencia • Se precisa la frecuencia
• Riesgo relativo aproximado • Riesgo relativo exacto

Asociación y causalidad
Los estudios epidemiológicos proporcionan asociaciones o relaciones (estadísticas) entre una
enfermedad y la exposición. Esta es únicamente la primera etapa. Se debe interpretar el
significado de estas relaciones. Una asociación puede ser:

65
 • Espuria = causada por un sesgo o error en el estudio
• No Causal = ocurren de dos maneras, (a) la enfermedad causa la exposición, (b) la
enfermedad y la exposición guardan relación con un tercer factor.
• Causal = se demuestra que un factor contribuye a la aparición de un padecimiento y su
eliminación disminuye la frecuencia de la enfermedad.

En la prevención o profilaxis basta identificar una exposición sin identificar obligadamente la causa
última de la enfermedad. Por ejemplo: se ha observado que fumar cigarrillos guarda relación con
el aumento de la frecuencia de cáncer; pero es innecesario identificar con exactitud qué
compoenete del humo de cigarrillo es el atacante principal antes de emprender medidas
preventivas.
Los métodos estadísticos por sí solos no pueden comprobar una relación causal en una
asociación. La interpretación de una asociación de esta índole debe efectuarse de manera
sistemática. Así, los cinco requisitos que se deben cumplir para establecer una relación causal
son:

1. Constancia de la asociación: diferentes estudios ofrecen la misma asociación a pesar de

haber sido realizados sobre poblaciones distintas.
2. Fuerza o potencia de la asociación: se refiere a la magnitud del riesgo relativo calculado.
3. Especificidad: mide el grado al cual una exposición particular produce una enfermedad
específica.
4. Relación temporal de la asociación: la exposición al factor debe preceder a la aparición de
la enfermedad.
5. Coherencia de la asociación: significa verosimilitud biológica, que quizá se haya
demostrado en modelos animales.
Los cinco requisitos enumerados son la guía óptima para la etiología, a falta de un experimento
controlado; pero no pueden considerar sustitutivos de este último.

66