“AÑO 

DE LA CONSOLIDACIÓN DEL MAR DE GRAU”

INSTITUTO TECNOLOGICO PRIVADO

“CAYETANO HEREDIA”
 CURSO: Investigación Tecnológica
  DOCENTE: Luis Alberto Piscoya D.
 INTEGRANTES:
 Aguilar Cadenillas Joselyn
 Higinio Mendo Catty
 Jiménez Rivaneyra Milagros
 Rioja Valladolid Martha
 Tejada Valdera Ana Lucia
 Torres Serquen Maricarmen
MÉTODOS DE REGRESIÓN
Y CORRELACIÓN SIMPLE
La Regresión y la correlación

 Son dos técnicas estadísticas que se pueden

utilizar para identificar y cuantificar alguna
Relación Funcional entre dos o más variables,
donde una variable depende de la otra variable.
Se puede decir que Y depende de X, en donde Y
y X son dos variables cualquiera en un modelo de
Regresión Simple. 
Regresión lineal simple
 Es un modelo matemático para predecir el efecto de
una variable sobre otra, ambas cuantitativas.
 Una variable es la dependiente y otra la
independiente
 Se grafica con el diagrama de dispersión.
 Dice cómo es la relación entre las dos variables.
 El análisis consiste en encontrar la “mejor” línea
recta de esos puntos.
El modelo de regresión lineal
Donde :

Yi es el valor de la variable
dependiente
a o alfa es el intercepto, donde cruza el
eje Y
b o beta es la pendiente o inclinación
Técnicas más utilizadas en el análisis de
regresión lineal simple

 La gráfica se llama diagrama de dispersión y es un diagrama que nos puede

dar dos tipos de información:

 (Visualmente) patrones que nos indiquen que las variables están relacionadas

 Entonces (si esto sucede), podemos ver que tipo de línea, o ecuación de
estimación, describe esta relación. 
Diagramas de dispersión
Ejemplo: regresión lineal simple

Se hizo un análisis de Temperatura media anual y su relación con la

tasa de mortalidad por cada mil habitantes.
Ejemplo: regresión lineal simple
Análisis de Correlación
 El análisis de correlación se aplica para determinar el grado
en el que están relacionadas las variables.
 El análisis de correlación, indica qué tan bien están
relacionadas las variables.
 el análisis de correlación, muestra que tan bien la ecuación de
estimación realmente describe la relación.
 Coeficiente de Correlación Lineal
r de Pearson
 Mide la fuerza de la relación lineal entre dos valores cualitativos apareados, en una muestra.
También se llama Coeficiente de correlación producto momento de Pearson..

El coeficiente r de Pearson puede variar de –1 a +1

-1 correlación negativa perfecta
-0.9 correlación negativa muy fuerte
-0.75 correlación negativa considerable
-0.5 correlación negativa media
-0.1 correlación negativa débil
0.0 no existe correlación entre las variables
Los programas reportan el valor de p del coeficiente para evaluar la significancia de la correlación
Correlación de Spearman

 Son medidas de correlación para dos variables, por lo menos una de ellas es ordinal.
 Los individuos u objetos se ordenan por rangos (jerarquías).
 Ej: correlación de Spearman

Objetivo. Conocer si el desarrollo mental de 8 niños esta asociado a

la educación formal de su madre.

Hipótesis.
Ho. No habrá una correlación significativa en el desarrollo mental de
8 niños dependiendo de la educación formal de la madre
H1. Habrá una correlación significativa en el desarrollo mental de 8
niños dependiendo de la educación formal de la madre.
Ej.: correlación de Spearman

Escolaridad Desarrollo educacion. (x) desarr.ollo (y) Dif. (d) Dif al cuadrado
1o. Sec 90 5 7 -2 4
1o. Prim 87 4 2 2 4
Profesional 89 8 6 2 4
6o. Prim. 80 2 5 -3 9
3o. Sec. 85 6 4 2 4
3 Prim. 84 3 3 0 0
Analf. 75 1 1 0 0
Preparatoria 91 7 8 -1 1

n=8 sumatoria de d2 = 26
rs (calculado) = 0.69,
Rs (tabulado) = 0.714,
rsc < rst no se rechaza Ho
Conclusión: No hay una correlación
significativa en el desarrollo mental de 8
niños dependiendo de la educación formal
de la madre.
Distribuciones de Probabilidad
 ¿Qué es laProbabilidad?

 Probabilidad: Con una muestra aleatoria o experimento aleatorio, la

probabilidad que una observación tome un valor en particular es la
proporción de veces que el resultado ocurriría en una secuencia muy
larga de observaciones.
 Generalmente corresponde a la proporción poblacional (y por lo
tanto, cae entre 0 y 1) ya sea para una población real o conceptual.
Reglas básicas de probabilidad

 Sean A, B posibles resultados

 P(no A) = 1 – P(A)
 Para A y B, posibles resultados distintos
P(A o B) = P(A) + P(B)
 P(A y B) = P(A)P(B dado A)
 Para resultados “independientes”
 P(B dado A) = P(B), entonces
 P(A y B) = P(A)P(B)
 Distribución de Probabilidad
 Una distribución o densidad de probabilidad de una variable aleatoria x
es la función de distribución de la probabilidad de dicha variable
 Área de curva entre 2 puntos representa la probabilidad de
que ocurra un suceso entre esos dos puntos.
 Distribuciones probabilidad pueden ser discretas o continuas, de acuerdo
al tipo de variable aleatoria.
 Hay infinidad distribuciones probabilidad, (1 c/población), pero hay
ciertas distribuciones “modelo”:
 Normal
 Binomial
 Poisson

-1 0 +1
Variable discreta:
Asigna probabilidades P(y) a valores individuales y, con

Media (valor esperado)

 Como las distribuciones de frecuencias, distribuciones de probabilidad tienen
medidas descriptivas tales como media y desviación estándar
 Media (valor esperado)

 µ = 0(0.895) + 1(0.084) + 2(0.015) + 3 (0.006) = 0.13 representa un “resultado

promedio de una secuencia larga”
(media = moda = 0)
Desviación estándar
 Desviación estándar – medida de una distancia
“típica” de un resultado de la media,
denotada por 

 Siuna distribución tiene aprox. forma de

campana, entonces:
 Toda o casi toda la distribución cae dentro del intervalo µ - 3σ y µ + 3σ
 Probabilidad del 0.68 cae dentro de µ - σ y µ + σ
Ejemplo
 De un resultado más adelante en el capítulo, si n personas son seleccionadas
aleatoriamente de una población con proporción  que favorece sistema de
salud público (1- , se oponen), entonces
y = número de personas en la muestra que está a favor, tiene una distribución
de probabilidad con forma de campana con

p. ej., con n = 1000,  = 0.50, obtenemos µ = 500, σ = 16

 Casi toda la distribución cae entre
500 – 3(16) = 452 y 500 + 3(16) = 548
 Es decir, casi seguro entre 45% y 55% de la muestra dirá estar a favor de un
sistema de salud pública
Distribución Binomial
La variable binomial es una variable aleatoria discreta, sólo puede tomar los valores 0, 1, 2, 3, 4, ..., n
suponiendo que se han realizado n pruebas.
Como hay que considerar todas las maneras posibles de obtener k-éxitos y (n-k) fracasos debemos
calcular éstas por combinaciones (número combinatorio n sobre k).

Se suele representar por  B(n,p)  siendo  n  y  p  los parámetros de dicha distribución.

Función de probabilidad de la distribución Binomial

o también denominada función de la distribución de Bernoulli (para n=1).
Verificándose: 0  p  1
Probabilidad de obtener K éxitos
 Parámetros de la Distribución Binomial

Función de Distribución de la variable aleatoria Binomial

Siendo K el mayor número entero menor o igual a xi

Esta función de distribución proporciona, para cada número real xi, la probabilidad
de que la variable X tome valores menores o iguales que xi.
Sea X una variable aleatoria discreta correspondiente a una distribución binomial.
 Utilidad
 Se utiliza en situaciones cuya solución tiene dos
posibles resultados.
 Al nacer un/a bebé puede ser hombre o mujer.
 En el deporte un equipo puede ganar o perder.
 Un tratamiento médico puede ser efectivo o inefectivo.
 Vivo / muerto; enfermo / sano; verdadero / falso
 Prueba múltiple 4 alternativas: correcta o incorrecta.
 Algo puede considerarse como Éxito o Fracaso
 “Experimentos de Bernoulli”
 Usos:
 Estimación de proporciones
 Pruebas de hipotesis de proporciones
Ejemplo
La probabilidad de éxito de una determinada vacuna es 0,72. Calcula la probabilidad
de que una vez administrada a 15 pacientes:
a) Ninguno sufra la enfermedad
b) Todos sufran la enfermedad
c) Dos de ellos contraigan la enfermedad

Solución :
Se trata de una distribución binomial de parámetros B(15, 0'72)
 Distribución de Poisson
Esta distribución aparece en algunos procesos que tienen una dimensión temporal o
espacial, y en fenomenos que tienen un alto número de experimentos (alto n) y una
baja probabilidad de que ocurran (baja p).
Ejemplos:
• número de llamadas telefónicas que recibe un servicio de atención a urgencias
durante un intervalo de tiempo determinado
•número de cultivos infectados por una plaga en una cierta región geográfica

La función de probabilidad de una variable aleatoria de Poisson con media l > 0, que
simplificamos con la notación P(l), es:

siendo su función de distribución el sumatorio de cada uno de los valores menores.

La media y varianza de X son ambas iguales a l,

E[S] = V[S] = l.
Ejemplo
El número de enfermos que solicitan atención de urgencia en un hospital durante un
periodo de 24 horas tiene una media de m = 43,2 pacientes. Unas obras en las
instalaciones mermarán las capacidades de atención del servicio, el cual se sabe que
colapsará si el número de enfermos excede de 50. ¿Cual es la probabilidad de que
colapse el servicio de urgencias del hospital?

Bajo las condiciones del modelo de Poisson, se trata de una distribución P(43,2).
La probabilidad solicitada es

Pr{X > 50} = 1 - Pr{X <= 50} = 1 - F(50) = 0.13.

El responsable del servicio deberá valorar si esta probabilidad es lo

suficientemente alta como para reforzar la atención de urgencias con más
efectivos, materiales, espacios, etc.
Ejemplo
Cierta enfermedad tiene una probabilidad muy baja de ocurrir, p=1/100.000. Calcular la
probabilidad de que en una ciudad con 500.000 habitantes haya más de 3 personas con dicha
enfermedad.
Calcular el número esperado de habitantes que la padecen.

Consideramos la v.a. X que contabiliza el número de personas que padecen la enfermedad, es

claro que sigue un modelo binomial, pero que puede ser muy bien aproximado por un modelo
de Poisson, de modo que

Así el número esperado de personas que padecen la enfermedad es

Existe una gran dispersión, y no sería extraño encontrar que en realidad hay muchas más personas o menos
que están enfermas. La probabilidad de que haya más de tres personas enfermas es:
Variables continuas

 Variables continuas: probabilidades asignadas a intervalos de números

 Ejemplo: Cuano y toma muchos valores, como en el último ejemplo, se
considera continua para términos prácticos. Entonces, si la distribución de
probabilidad tiene aprox. forma de campana,

 La distribución de probabilidad más importante para variables continuas es la

distribución normal
 Parámetros en una distribución de probabilidad
Por analogía con las variables estadísticas podemos definir también
aquí la media m y la desviación típica s de la variable aleatoria.

•La media m , también llamada •La desviación típica s es una

esperanza matemática, es un valor
representativo de todos los valores
que toma la variable aleatoria X, lo
podemos imaginar como el punto
sobre el eje de abscisas donde al
poner una cuña la figura plana
definida por la función de densidad
quedará en equilibrio. Para calcularla
hemos de hacer:
medida de la dispersión de los
valores que toma la variable
aleatoria de la media. Como ocurría
con las variables estadísticas la
desviación típica será más pequeña o
más grande según la gráfica de la
función de densidad sea más
estrecha o más ancha en torno a la
media. En este caso se calcula:
 Distribución Normal
 Descubierta en 1733 por el francés Moiure, descrita
también por Laplace y Gauss (sinónimo de la forma
gráfica de esta distribución).
 Importancia práctica de esta distribución teórica:
 Muchos fenómenos distribuidos suficientemente Normal que distribución es la base de gran
parte de la teoría estadística usada por los biólogos.
 Distribución de promedios.
 Distribución de errores.
 Características D. Normal
 Área bajo la curva entre 2 puntos representa probabilidad que ocurra un
hecho entre esos dos puntos
 Su dominio va de menos infinito a más infinito;
 Es simétrica con respecto a su media;
 Tiene dos colas y es asintótica al eje x por ambos lados;
 El valor del área debajo de toda la curva es igual a 1;
 El centro de la curva está representado por la media poblacional ().
 Para cualquier curva normal, el área de - a + es igual a 0.6827; de -2 a
+2 de 0,9545 y de -3 a +3 de 0,9973;
 Distribución muestreal de varios estadísticos, como `x es normal e
independiente de distribución de la población.
 D. Normal Tipificada (estandarizada)
 Distribución especial que representa a todas las variables aleatorias
normales y que es la distribución de otra variable normal llamada Z:

 =NORMALIZACION(x;media;desv_estándar)
 Z se la conoce como variable aleatoria estandarizada.
 Esta función se caracteriza por tener media igual a cero y desviación
tipificada igual a uno : N(0,1)
 Representa a todas las distribuciones Normales. Igual densidad de
probabilidad, si medimos desviaciones de media en base a s.
 Valores obtenidos de tabla Normal válidos para todas las
distribuciones Normal de media =  y varianza =2.
Ejemplo:

 En un estudio sobre longevidad se analizaron las edades de 489adultos

mayores de un centro hospitalario obteniéndose una media de edad de 72
años con una desviación de 8.6 años. Suponiendo que las edades se
distribuyen de acuerdo a una ley normal, se desea saber:
 a) Cuántos sujetos hay por debajo de 80 años.
 b) Cuántos sujetos hay por encima de 65 años.
 c) A partir de qué edad se sitúa el 10% más viejo. Distribución Normal 
Determinación de muestras
 Elección de la Muestra
 La muestra tiene que ser representativa de la población de la que se
extrae
 Se pueden producir errores imprevistos e incontrolados. Dichos
errores se denominan sesgos y si suceden diremos que la muestra
está sesgada.
 Las distintas maneras de elegir una muestra de una población se
denominan muestreos
Cálculo del Tamaño Muestral

Cada estudio tiene un tamaño muestral idóneo, que permite comprobar lo que se
pretende con la seguridad y precisión fijadas por el investigador ¿De qué depende el
tamaño muestral?
 Variabilidad del parámetro a estimar: Datos previos, estudios pilotos
 Precisión: Amplitud del intervalo de confianza
 Nivel de confianza (1- α): Habitualmente 95% o 99%.
 Probabilidad complementaria al error admitido (α)
Cálculo del Tamaño de la Muestra
 Tamaño de la muestra para la población infinita o desconocida:

 Tamaño de la muestra para la población finita y conocida:

 Donde: n: tamaño muestral n: tamaño de la población

 z: valor correspondiente a la distribución de gauss, zα= 0.05 = 1.96 y zα= 0.01 = 2.58 p:
prevalencia esperada del parámetro a evaluar, en caso de desconocerse (p =0.5), que hace mayor
el tamaño muestral q: 1 – p (si p = 70 %, q = 30 %)
 i: error que se prevé cometer si es del 10 %, i = 0.1
Ejemplo de Cálculo del Tamaño de
la Muestra
 Tamaño de la muestra para la población infinita o desconocida:
 Zα= 0.05 = 1.96
 p = 0.7
 q = 1-p = 1 – 0.7 = 0.3
 i = 10 % = 0.1

 n = 80.6 = 81
Ejemplo de Cálculo del Tamaño de
la Muestra
 Tamaño de la muestra para la población finita y conocida:

 zα= 0.05 = 1.96

 N = 600
 p = 0.7 y
 q = 1-p = 1 – 0.7 = 0.3
 i = 10 % = 0.1

n = 71.21 = 72
Cálculo del Tamaño de la Muestra
 Tamaño de la muestra para población finita cuando los datos son cualitativos,
es decir para análisis de fenómenos sociales o cuando se utilizan escalas
nominales para verificar la ausencia o presencia del fenómeno a estudiar:

s 2 = p(1-p) σ2 = (se)2
Donde:
 n: tamaño muestral
 N: tamaño de la población
 s 2 : varianza muestral
 σ2 : varianza poblacional
 se: error standard
 p: % de confiabilidad
Ejemplo :
 De una población de 1 176 adolescentes, de la ciudad de Pachuca de Soto, se pretende
conocer la aceptación de los programas de salud del centro hospitalario. Se desea tomar
una muestra para saber la cantidad de adolescentes a entrevistar y con ello tener una
información adecuada, con un error standard de 1.5% al 90% de confiabilidad.

Datos:
n = 1 176
se = 1.5 % = 0.015
p = 90 % = 0.9
s 2 = p(1-p) = 0.9 (1 – 0.9) = 0.09
σ2 = (se)2 = (0.015)2 = 0.000225
 MUESTREO

 El muestreo es el proceso mediante el cual el investigador,

podrá seleccionar los pacientes o sujetos de estudio a partir
de la muestra calculada previamente.
 Si el muestreo no se realiza con criterio, los resultados de la
investigación no serán validos, ya que se pueden cometer
errores de sesgo o imparcialidad al momento de elegir los
sujetos
Tipos de muestreo
Muestreo Probabilístico
 El muestreo probabilístico es una técnica de muestreo en virtud de la
cual las muestras son recogidas en un proceso que brinda a todos los
individuos de la población las mismas oportunidades de ser
seleccionados.
 También se conoce como muestreo aleatorio, la característica de este
muestreo es que todos los sujetos de la población de estudio, tienen
la misma probabilidad de ser seleccionados para formar parte de la
muestra.
Muestreo Aleatorio Simple

 En esta técnica, cada miembro de la población tiene la misma

probabilidad de ser seleccionado como sujeto, es decir cada unidad
tiene la probabilidad equitativa de ser incluida en la muestra.
 Se lista de todos los individuos de la población de estudio: “marco
muestral” y se hace una Selección al azar. (tablas de números
aleatorios, calculadoras, sofware).
Muestreo Sistemático

 Este procedimiento exige, como el anterior, numerar todos los elementos de la

población, pero en lugar de extraer “n” números aleatorios sólo se extrae uno.
 Se parte de ese número aleatorio i, que es un número elegido al azar, y los
elementos que integran la muestra son los que ocupa los lugares i, i+k, i+2k,
i+3k,...,i+(n-1)k, es decir se toman los individuos de k en k, siendo k el resultado
de dividir el tamaño de la población entre el tamaño de la muestra: k= N/n. El
número i que empleamos como punto de partida será un número al azar entre 1 y k
 Ejemplo:
 Número aleatorio: 5
Muestreo sistemático: 5, 10, 15, 20, .........
 Lleva el sesgo de selección si el marco muestral está distribuido siguiendo algún
patrón particular. 
Muestreo Estratificado
  Se utiliza cuando la población consiste de grupos heterogéneos. Es decir cuando
se tiene interés en que la muestra sea la más representativa posible en lo que se
refiere a sub grupos de interés relacionados con variables confusoras o que
podrían crear sesgo a la investigación, por ejm. Sexo, edad, situación laborar,
etc.
  Se forman grupos disjuntos, llamados estratos, con los elementos más
parecidos entre sí, y dentro de cada estrato se hace una selección aleatoria
simple.
  Se llama afijación a la manera como se puede repartir la muestra en los
diferentes estratos.
 Afijación Uniforme La muestra se reparte por igual en cada uno de los estratos.
Afijación Proporcional La muestra se reparte proporcional al tamaño de cada
estrato 
 Muestreo no Probabilístico

 Una muestra no probabilística es un subgrupo de

la población en la que la elección de los
elementos no depende de la probabilidad sino
de las características de la investigación.
 HIPOTESIS
 Son las guías para una investigación o estudio. Las hipotesis indican lo que
tratamos de probar y se definen como explicaciones tentativas del fenómeno
investigado, deben ser formuladas a manera de proposiciones. La hipótesis es
una poderosa herramienta que orienta la investigación y sirve de nexo entre la
teoría y la realidad. 
¿De donde surgen las hipótesis?
  De la revisión inicial de la literatura Recordemos que los objetivos y la
pregunta de investigación son susceptibles a reafirmarse o mejorarse durante
el desarrollo del estudio. Del planteamiento del problema hipótesis 

Las hipótesis pueden surgir aunque no exista un

cuerpo teórico abundante
 SI Pueden originarse hipótesis útiles y fructíferas en planteamiento de
problema revisado cuidadosamente, aunque el cuerpo teórico que la sustente
no sea abundante. A veces la experiencia la observación constante ofrecen
material potencial para el establecimiento de hipótesis importantes y lo
mismo se dice de la intuición.
Una hipótesis debe reunir ciertos requisitos:
 1. Las hipótesis deben referirse a una situación social real. Solamente pueden someterse a
prueba en un universo y un contexto bien definido. Por ejemplo un hipótesis relativo a alguna
variable del comportamiento organizacional del centro escolar, se tendría que someterse a una
situación real ( con ciertos centros escolares)
 2. Los términos (variables) de la hipótesis deben ser comprensibles, precisos y lo más
concretos posibles. Por ejemplo, “globalización de la economía”, sinergia, simulación es un
concepto impreciso y general que debería ser sustituido por uno específico y concreto.
 3. La relación entre variables propuesta por una hipótesis debe ser clara y verosímil (lógica).
No es posible considerar por ejemplo: El aprendizaje de los alumnos de la escuela x, esta
determinado por la forma como se viste el docente.
 4. Los términos de la hipótesis y la relación planteada entre ellos, deben ser observables y
medibles, o sea tener referentes en la realidad. Sexo, edad, calificación, nivel socioeconómico,
Producto Interno Bruto aplicado a la educación. etc
 5. Las hipótesis deben estar relacionadas con técnicas disponibles para probarlas.
Cuestionarios, entrevistas, grupos focales, diarios de campo, portafolio, etc, 
En Estadística
 Los métodos estadísticos son herramientas de la ciencia para el contraste
formal de hipótesis.
 Las hipótesis para ser contrastadas con métodos estadísticos deben ser
formuladas de modo particular
 Las hipótesis estadísticas son la transformación de las hipótesis de
investigación, nulas y alternativas en símbolos estadísticos. Se pueden
formular sólo cuando los datos del estudio que se van a recolectar y
analizar para probar o rechazar las hipótesis son cuantitativos (números,
porcentajes, promedios).
 Cómo plantear una hipótesis?
 Cuando se desea probar una afirmación, la negación de la afirmación se debe tomar
como hipótesis nula (siempre una hipótesis simple =). Entonces, la afirmación es la
hipótesis alternativa (siempre una hipótesis compuesta > < ≠)

Ejemplo:
Un tratamiento tradicional contra una enfermedad tiene una efectividad del 35%. Se
desarrolló un nuevo tratamiento que se asegura es más efectivo que el anterior (efectivo
en el 45% de los casos). Se afirma que el nuevo tratamiento es mejor que el tradicional.
 Sea P: Proporción de personas que sanan de la enfermedad con el nuevo tratamiento.
 H 0 : P >0.35
 H1 : P <0.35
 Las dos hipótesis
 Hipótesis nula, H0
Hipótesis de no diferencia o no asociación, es planteada
en forma opuesta a la pregunta de investigación de
interés, definida para ser rechazada: “la tasa de
resistencia a ambos antimaláricos es similar”

 Hipótesis alternativa o alterna, Ha

Es la pregunta científica de interés. Aceptaremos que Ha
es verdadera si los datos sugieren que H0 es falsa: “la
tasa de resistencia difiere entre ambos antimaláricos”
Método de contrastación de hipótesis
¿Cuál hipótesis es verdadera (o falsa)?

 Con los datos de la muestra se calcula un valor (llamado estadístico

de prueba) que sirve para decidir si Ho es falsa y debe ser
rechazada (única y exclusivamente para eso)

 Si los resultados sugieren que se debe rechazar Ho, entonces

automáticamente se acepta que Ha es verdadera

 Si los resultados no indican que se rechaze Ho tampoco se puede

concluir nada sobre Ha
Usando el estadístico de prueba
 Con el estadístico de prueba y una fórmula
matemática (distribución de probabilidades,
que varía según el tipo de hipótesis evaluada),
se calcula una probabilidad, el famoso valor p

 El valor p, “p”, o p-value puede interpretarse

como la probabilidad de que Ho sea verdadera

 Por convención se acepta que si p < 0.05 (5%),

entonces es muy probable que Ho sea falsa y
por lo tanto debe ser rechazada
Reglas de Decisión

 Para tomar una decisión sobre rechazar o no rechazar la hipótesis nula hay
que especificar una Regla de decisión.
 Hay que especificar un punto de corte ó punto crítico:

Si P es menor que Alfa (), se rechaza H o


Si P es mayor que Alfa (), se rechaza H o
Para cada prueba, el cálculo de “p”
puede diferir

Prueba sobre Distribución

Una proporción Binomial o normal (Z)
Razón Chi cuadrado
Diferencia de 2 proporciones Z o chi cuadrado
Diferencia de 2 medias ZoT
Regresión lineal F

La fórmula del estadístico de prueba también cambia!

TASAS , PROPORCIÓN Y RAZÓN
 RAZÓN:
La Razón es el cociente entre dos números, en el que ninguno o sólo algunos elementos del
numerador están incluidos en el denominador. El rango es de 0 a infinito.
Ejemplo:
En el año 2002, según el Centro Nacional de Epidemiología se declararon los siguientes casos de
legionelosis:

            Comunitario             Nosocomial                  Total       

Casos Defuncione Casos Defuncione Casos Defunciones
s s
372 9 29 5 401 14

1. Legionelosis adquirida en la comunidad/legionelosis nosocomiales= 372/29= 12,8.

Por cada caso de legionelosis nosocomial hay 12,8 casos comunitarios.
2. Defunciones por legionelosis adquirida en la comunidad/defunciones por legionelosis
nosocomiales= 9/5= 1,8.
Por cada defunción por legionelosis nosocomial hay 1,8 defunciones por legionelosis adquirida en
la comunidad.
 
 PROPORCIÓN:
La proporción es una razón en la cual los elementos del numerador están incluidos en el
denominador. Se utiliza como estimación de la probabilidad de un evento. El rango es de 0
a 1, o de 0 a 100% cuando hablamos de porcentajes .

Ejemplos             Comunitario             Nosocomial                  Total       

Casos Defunciones Casos Defunciones Casos Defunciones
372 9 29 5 401 14

(tomando los datos de la tabla de arriba):

1. Casos de legionelosis comunitarias en relación al total del año 2002= 372/401=

0,93* 100= 93%. El 93% de las legionelosis declaradas en España en 2002 fueron
adquiridas en la comunidad.
2. Defunciones por legionelosis comunitarias en relación al total de las defunciones
por legionelosis del año 2002= 9/14= 0,64* 100= 64%. El 64% de las defunciones por
legionelosis declaradas en España en 2002 fueron por legionella adquirida en la comunidad.
 
 TASA:
La tasa es un tipo especial de razón o de proporción que incluye una medida de tiempo en
el denominador. Está asociado con la rapidez de cambio de un fenómeno por unidad de una
variable (tiempo, temperatura, presión). Los componentes de una tasa son el numerador, el
denominador, el tiempo específico en el que el hecho ocurre, y usualmente un multiplicador,
potencia de 10, que convierte una fracción o decimal en un número entero. 
Según el Instituto Nacional de Estadística, en el año 2002 se encontraba censada en
España una población de 41.837.894 personas.

Ejemplos :
            Comunitario             Nosocomial                  Total       
Casos Defunciones Casos Defunciones Casos Defunciones
372 9 29 5 401 14

1. Tasa de legionelosis en el año 2002 en España= 401/41.837.894 =0,96*10-5

(*100.000)= 0,96 personas padecieron legionelosis en el año 2002 en España por cada
100.000 habitantes.
2. Tasa de mortalidad por legionelosis en España en 2002= 14/41.837.894= 3,3*10-7
(*100.000)= 0,033 personas fallecieron por legionelosis en España en 2002 por cada
100.000 habitantes.