2010 MetodosEstadisticos en Microbiologia

MÉTODOS ESTADÍSTICOS
EN MICROBIOLOGÍA Y ENSAYOS BIOLÓGICOS
Luis H. Rodríguez Aguayo

Médico Veterinario
Magíster en Bioestadística
2010
3841MetodosEstadisticos correguido.indd 3 22/4/10 10:44:43

MÉTODOS ESTADÍSTICOS EN MICROBIOLOGÍA Y ENSAYOS BIOLÓGICOS
© LUIS RODRÍGUEZ AGUAYO
REGISTRO DE PROPIEDAD INTELECTUAL Nº 189045

ISBN: 978-956-7770-07-6
DIRECCIÓN ISP
EDICIÓN GENERAL
COMUNICACIONES Y RR. PP. ISP
DISEÑO Y DIAGRAMACIÓN
CLAUDIO MATEOS S.
IMPRESO EN CHILE POR

GRÁFICA LOM

Luis Rodríguez Aguayo
PRESENTACIÓN
Este libro es una especie de caja de herramientas, una tool box según el sentido del
humor anglosajón. La selección de métodos escogidos por el autor lo muestra, no
sólo como un estadístico sino además, como un hombre que ha trabajado muchos
años en laboratorios de microbiología y de pruebas de potencia de inmunobiológicos.
Esta combinación de disciplinas, explicadas, deliberadamente, sin usar elegantes ni
ininteligibles formalismos matemáticos, hace que este libro sea comprendido por el
lector, ayudado por los programas computacionales que acompañan a la mayoría de
los temas.
El capítulo 1 en el que han sido incluídos el Índice de Dispersión de Fisher, el Número

más Probable y el análisis de recuentos en Petris, facilita la obtención del tamaño de
muestras para pruebas de esterilidad de productos farmacéuticos y también permite
efectuar cálculos de recuentos sin tener que usar viejas tablas.
El capítulo 2 puede ser un deleite para los que trabajan en ensayos biológicos de
potencia de vacunas, sueros antivenenos de reptiles y arácnidos, puesto que los
programas comentados por el autor permiten entender a los lectores las intrincadas
penumbras de los Probits y Logits. El último capítulo se refiere a técnicas de empleo
menos frecuente, pero no menos importantes, como es el caso de los estimadores
robustos y de los ensayos de antibióticos y de mutagenicidad.
Por alguna misteriosa razón, el autor colocó el Trimmed S-K en un apéndice en vez
de ponerlo en el capítulo 2, y no quiso agregar temas como “Slope Ratio” o usos
de métodos Bayesianos, talvez porque ello habría exigido un excesivo número de
páginas.
En resumen, este libro fue escrito para todos los profesionales que trabajan con
alguno de los métodos descritos en él, no sólo en el ISP sino en todos los institutos
similares de Latinoamérica.
Dra. Ingrid Heitmann Ghigliotto

Directora
Instituto de Salud Pública de Chile

PRÓLOGO
Este libro está dirigido a profesionales especializados en microbiología o que efec-

túan pruebas de potencia de vacunas, antisueros; determinaciones de dosis efecti-
vas de toxinas, virus o de insecticidas de uso agrícola, pero que no necesariamente
tienen gran experiencia en el uso de métodos estadísticos. Precisamente por eso,
el autor ha preferido abundar en ejemplos numéricos de todas esas y otras áreas,
antes que exponer demostraciones que suelen resultar oscuras o atemorizantes
para personas no estadísticas. El interesado en estas últimas puede consultarlas en
las referencias bibliográficas que se listan al final del texto.
Se creyó indispensable presentar varios programas computacionales para efectuar

cálculos que son iterativos y tediosos. Deliberadamente, esos programas han sido
escritos en el lenguaje BASIC de la calculadora programable CASIO FX-880P, debi-
do a que en esa forma parecen más amigables y menos herméticos. La excepción
es el programa de potencia de vacunas que, por su longitud, fue escrito en Quick
Basic. Se tuvo en cuenta que cualquier profesional de Informática los puede traducir
fácilmente a Visual Basic, C++ u otro lenguaje. El autor consideró también, que no
siempre las instituciones pueden disponer libremente de fondos para comprar un
“software” del tipo requerido para operar estos programas. El BASIC de CASIO
carece de comandos específicos para las calculadoras en que opera, lo que facilita
el trabajo de traducción de los programas a otros lenguajes informáticos como el
VBA de la Microsoft.
En fin, este libro puede ser útil para organismos como: el Instituto de Salud Pública
de Chile, los laboratorios del Servicio Agrícola y Ganadero; SEREMIS, los laborato-
rios de los Servicios de Salud; plantas productoras de vacunas de uso veterinario,
laboratorios destinados al control de potencia de vacunas de uso humano, y otros
análogos, tanto públicos como privados, chilenos y extranjeros, incluyendo aquellos
que, perteneciendo a diferentes firmas de la Industria Farmacéutica, están destina-
dos al control interno de calidad.

Santiago de Chile
vii

ÍNDICE DE CONTENIDOS
Presentación v
Prólogo vii
Capítulo 1
1 La Distribución de Poisson 1
1.1 El Índice de Dispersión de Fisher 12
Estimación de Concentración de Microorganismos
1.2 El Número Más Probable (NMP) 16
1.3 Recuentos Bacterianos o Virales en Placa 20
1.4 Número de Partículas Virales por Placa Lítica 23
1.5 Serie de Diluciones Límites 26
Capítulo 2
2.1 Cálculo de la Dosis Efectiva 50% (De50) 35
2.1.1 El Método de Spearman-Karber 37
2.1.2 El Método Logit 38
2.1.3 El Valor D en Termorresistencia de Esporas 43
2.1.4 Probits 49
2.2 Número Óptimo de Animales por Dosis 55
2.3 Potencia de Vacunas o Antisueros 58
Capítulo 3
3.1 Transformaciones de Recuentos de Microorganismos 73
3.2 Programas de Evaluación Externa de Calidad 77
3.3 Media Robusta 79
ix

Métodos estadísticos en microbiología y ensayos biológicos
3.4 Estudio Colaborativo Cualitativo en Microbiología 83
3.4.1 Verificación de la Presencia de “Outliers” 87
3.4.2 Homogeneidad Intragrupos 88
3.4.3 Sensibilidad y Especificidad 88
3.5 Prueba de Mutagenicidad de AMES 90
3.6 Ensayo Factorial de Líneas Paralelas para Variables Cuantitativas 93
3.7 Prueba de Campo de Eficiencia de Vacunas 98
Apéndice 1
A.1 Método de Spearman-Karber Recortado (trimmed) 101
Índice de Materias 107
Referencias 109

EJEMPLO 2:
Usando los datos del ejemplo1.¿Cuál es la probabilidad de detectar POR LO
MENOS una ampolla contaminada?.
P ( x " 1) = 1 ! e !0.01( 20 ) = 0.1813 Luis Rodríguez Aguayo
EJEMPLO
EJEMPLO3: 3:
Con los mismos datos, ¿Cuál es la probabilidad de detectar por lo menos tres
Con los mismos datos, ¿cuál es la probabilidad de detectar por lo menos tres ampo-
ampollas
llas contaminadas?
contaminadas?
& e '0.01*20 (0.01 * 20) 0 e '0.01*20 (.01 * 20)1 e '0.01*20 (0.01 * 20) 2 #
P( X ( 3) = 1 ' $ + + ! = 0.00115
% 0! 1! 2! "
Del
Delejemplo
ejemplo1 se concluye
1 se que que
concluye con una
con muestra de tan de
una muestra sólotan
20 sólo
unidades, hay un hay un
20 unidades,
81.87 % de probabilidades de NO detectar una contaminación que está presente,
81.87 % de probabilidades de NO detectar una contaminación que está presente, lo lo
que es un grave riesgo para la salud si esta situación afecta a un producto farma-
céutico.
Si bien las últimas ediciones de la Farmacopea de Estados Unidos -que son oficiales 5
en Chile-, indican el uso de una muestra de 20 unidades (ampollas, frascos, etc.)
para las pruebas de esterilidad que el Control Nacional pueda efectuar en muestras
de productos farmacéuticos, eso no es obligatorio para las Unidades de Control de
Calidad de las empresas productoras. De hecho, éstas debieran calcular un tamaño
de muestra que combine una probabilidad alta de detección con costo bajo de la
prueba de control, como forma de protegerse contra un eventual rechazo del pro-
ducto por parte de Control Nacional.
EJEMPLO 4:
Sabemos ya, que la probabilidad de detectar por lo menos una ampolla contaminada
es:
1 − e − p*n
Si “ecuacionamos” la expresión anterior a (P) que es el nivel de confianza de detec-
ción, tendremos:
1 − e − p*n = P
De donde:
e − n* p = 1 − P
Tomando logaritmos naturales (ln) a ambos miembros, obtenemos:
− n * p = ln(1 − p)

1 ! e ! p*n = P
Tomando logaritmos
Tomando logaritmos naturales
naturales (ln)
(ln) aa ambos
ambos miembros,
miembros, obtenemos:
obtenemos:
De donde:
!! nn** pp == ln(
ln(11!! pp))
! n* p
e 1!!−PP1
ln(11=
nnn***ppp===!!−ln(
ln( P))) ! P
Tomando logaritmos naturales (ln) a ambos miembros, obtenemos:

De donde:
De donde:
De donde:
! n−* p!
ln( ln(
1 1−
!=ln(
ln( 1
1!!p))P
!
P P))
n=
n
n ==
pp
n * p = ! ln(p1 ! P)
Que
Que
Que es la expresión requerida. es
Cones la expresión
la
valores expresión requerida.
requerida.
numéricos (p Con
= 0.01), (PCon valores
valores
=.80) numéricos (p
obtene-numéricos (p ==
mos: obtenemos:
obtenemos:
De donde:
ln(11""..80
""ln( 80))
nn == ! ln( !!1161
161 P)
ampollas
!ampollas
n =00..0101
p
EJEMPLO 5:
EJEMPLO
Que es la5: expresión
¿Qué tamaño de muestra
requerida. deberemos
Con valores tomar(ps
numéricos
¿Qué tamaño de muestra deberemos tomar si queremos una probabilidad de 50%
probabilidad
obtenemos:de 50% de detección?
de detección?
""ln(11""0.80
ln( .5))
n n= = 70, ampollas
! 161
! ampollas
00.01
.01
El mismo procedimiento ha El sidomismo

usado procedimiento ha sido usado(Dannacher
en virología (Henderson,1952) en virología (Henderson,1
et al., 1970) (Anderson et al.,et1970)
al,1970)
para (Anderson et al,1970)
verificar la ausencia para
de virus verificarenla ausencia de vi
infectante
muestras de vacunas contra muestras
la Fiebre Aftosa después de
de vacunas la inactivación
contra la FiebreconAftosa
formal- después de la
dehido. También puede consultarse (Gard, S.1960)
formaldehido. También parapuede
otros casos de inactivación
consultarse (Gard, S.1960) para
de virus por medios químicos. inactivación de virus por medios químicos.
Sobre muestreo para pruebas de esterilidad, ver (Rodríguez L.1983).
Sobre muestreo para pruebas de esterilidad, ver (Rodríguez L.198
Cuando hemos mencionado el “contorno” de los datos poissonianos, nos refería-
mos al aspecto gráfico de ellos. La figura
Cuando 1 es una
hemos buena formaelde “contorno”
mencionado hacer visible de
la los datos po
distribución de Poisson. Es relativamente
referíamos al fácil graficar gráfico
aspecto una distribución Poissoniana;
de ellos. La figura 1 es una buena
primero se establece que λ =visible
1, y luego se determinan
la distribución delas probabilidades
Poisson. de que X
Es relativamente fácil graficar
sea: 0, 1, 2, 3, 4……..n. Poissoniana; primero se establece que � = 1, y luego se
probabilidades
De esa manera resultan: p(0) = de que Xp(2)
0.36788, p(1) = 0.36788, sea : 0 , 1 ,p(3)=0.06131,
= 0.18394, 2 , 3 , 4……..n.
p(4) = 0.01533, p(5) = 0.00307, etc.
De esa manera resultan: p(0) = 0.36788, p(1) = 0.36788,
Si multiplicamos cada una de estas probabilidades
p(3)=0.06131, por un tamaño
p(4) = 0.01533, p(5) = muestral
0.00307,cual-
etc.
quiera, como por ejemplo 1000, tendremos: 370 casillas con cero partículas, 15
casillas con 4 partículas, etc.Si multiplicamos cada una de estas probabilidades por un t
cualquiera como, por ejemplo : 1000, tendremos: 370 casillas co
15 casillas con 4 partículas, etc.
4
FIGURA 1 :
Si multiplicamos cada una de estas probabilidades por un tamaño muestral
cualquiera como, por ejemplo : 1000, tendremos: 370 casillas con cero partículas,
15 casillas con 4 partículas, etc.

FIGURA 1 :
FIGURA 1
La imagen de la izquierda muestra el caso típico de la distribución de Poisson; pue-

den verse espacios vacíos y zonas con mayor concentración de partículas. Además,
se observa en la parte superior la característica fundamental que consiste en que, la
media es igual a la varianza: 7
σ2 =µ
La imagen del centro corresponde a lo que en la práctica microbiológica no ocurre
jamás; que la distribución de bacterias o virus sea absolutamente homogénea por
unidad de volumen.
Finalmente, a la derecha, se observa el caso que puede estudiarse mejor con la

distribución binomial negativa caracterizada por una varianza mayor que la media.
Esto es:
σ2 >µ
La demostración de igualdad entre media y varianza de la distribución de Poisson
se puede obtener haciendo uso de la llamada, Función Generatriz de Momentos
(fgm).
Si escribimos la distribución de Poisson:

! >µ
(fgm).
La demostración de igualdad entre media y varianza de la distribución de Poisson
Si escribimos la distribución de Poisson:
se puede obtener haciendo uso de la llamada, Función Generatríz de Momentos
(fgm).
"
! e # de
Si escribimos la distribución x Poisson:
x! #
∞
∑ λ
x =0
"
Que#representa la sumaede lasλ probabilidades
x! x
resultantes para X, desde cero
!x =0
e # x
x ! x =0
hasta infinito para un cierto valor de �. Esta suma es igual a 1.
Que representa la
Que representa lasuma
sumadedelaslas probabilidades
probabilidades resultantes
resultantes parapara X, desde
X, desde cero cero
hasta
# sumatx es"! xa 1. # t x
hasta infinito para un cierto valor
infinito para un cierto valor de tx de �. Esta igual
λ. Esta suma es igual a 1. e e ! "! (e ! ) t
Mx(t ) = E (e ) = $ =e $ = e e ! "!
#
e tx e "x!=!0 x x"!! # (e t ! ) x x =0 e ! "x!! t
Mx(t ) = E (e tx ) = $ =e $ =e
x =0 x! x =0 x!
Donde la función generatríz (fgm) es:
Donde la función generatriz (fgm) es:
Donde la función generatríz (fgm) es:
e t " ! "t e λ −λ " λ( (eett !
−11) )
e (e =
!1e
et " !"
e "= e ) t
e =e
Obteniendo
Obteniendo la primeraladerivada
primerade
derivada de la fgm, tenemos:
la fgm, tenemos:
Obteniendo la primera derivada de la fgm, tenemos:
d ( fgm) t " (e t
!1)
d ( fgm) t =" ( e"
t e e
!1)
= "e e
dt
dt
Donde, evaluando en t=0, resulta E(x), es decir el valor esperado, o en otr
Donde, evaluando en t=0,
palabras, resulta E(x), es decir el valor esperado, o en otras pala-
la media:
bras, la media:
0
!.e 0 .eλ! (.ee 0"1.e) λ=( e0E−1() X=)E=( !X ) = λ 8 8
Derivando
Derivando por segunda por
vez segunda vez la fgm, tenemos:
la fgm, tenemos:
d 2 ( fgm) t t ! ( e t "1) ! ( e t "1) t

= ! .e ! .e e + e ! .e
dt 2
Evaluando para t = 0, obtenemos:
Evaluando para t = 0, obtenemos:
0 λ ( e 0 −01) λ ( e 0 −01)
λ!.e.eλ!.e.eee
0
0 0 ! ( e "1) ++ee ! ( e "1)λ!.e.e0 0==EE( (xx2 2) )==λ!2 2++λ!
La varianza V(X) se calcula haciendo :
V ( X ) = E ( X 2 ) ! E 2 ( X6 )
3841MetodosEstadisticos correguido.indd 6 2 2 22/4/10 10:44:49

La varianza V(X) se calcula haciendo:
V (X ) = λ2 + λ. − λ2 = λ V ( X ) = E( X 2 ) − E 2 ( X )
Con lo cual se demuestra por qué la distribución de Poisson tiene su media igual a
su varianza.
EJEMPLO 6:
Supongamos que se siembra una dilución de Bordetella pertussis en una placa de

Petri con un medio de cultivo como el Bordet - Gengou - Sangre y que, al cabo de
4 días de incubación, se cuentan 65 colonias. ¿Cuál es la media, la varianza y la
desviación estándar?
La media es 65, la varianza es también 65 según la demostración recién vista. Por

su parte, la desviación estándar es la raíz cuadrada de 65, es decir 8.06.
EJEMPLO 7:
Según dos estadísticos (Eisenhart y Wilson, 1943), el total de recuentos bacterianos

obtenidos a partir de 5 placas de Petri, es también una variable poissoniana.
Sean los recuentos: 64, 60, 54, 58, 67

El total es la suma de los 5 recuentos, es decir : 303. La desviación
¿Cuál es la desviación estándar
la raíz del TOTAL de
cuadrada derecuentos?
303; S = 17.4 colonias bacterianas.
El total es la suma de los 5 recuentos, es decir: 303. La desviación estándar será la
Vimos en la demostración de igualdad de media y varianza, que
raíz cuadrada de 303; S = 17.4 colonias bacterianas.
obtenía de:
Vimos en la demostración de igualdad de media y varianza, que esta última se ob-
tenía de: 2 2 2 2
" = V ( X ) = E( X ) ! E ( X ) = E( X ) ! E( X ) * E( X
σ = V ( X ) = E( X 2 ) − E 2 ( X ) = E( X 2 ) − E( X ) * E( X )
2
Donde E(X) puede escribirse � , ya que es la media.
Donde E(X) puede escribirse µ, ya que es la media.
V(X) es un operador lineal que tiene algunas propiedades muy int
V(X) es un operador lineal que tiene algunas propiedades muy interesantes; por
ejemplo:
ejemplo:
Si X , que es la variable de interés, va acompañada de una co
Si X, que es la variable de interés, va acompañada de una constante (N), el operador
operador nos entregará el siguiente resultado:
nos entregará el siguiente resultado:
V ( NX ) = N 2V ( X )
¿Por qué? Veamos lo que ocurre si usamos
¿Por qué?. la expresión
Veamos lo quede la varianza
ocurre descritalamás
si usamos expresión de la va
arriba, en la que incluiremos ahora la constante N.
más arriba, en la que incluiremos ahora la constante N.
V ( NX ) = E7 ( N 2 X 2 ) ! E ( NX ) * E ( NX )

2 2
V ( NX¿Por
) =qué?.
N 2VVeamos
( X ) lo que ocurre si usamos la expresión de la varia
más arriba, en la que incluiremos ahora la constante N.
¿Por qué?. Veamos lo que ocurre si usamos la expresión de la varianza des

2 2
V (en
más arriba, NXla )que
=E ( N X )ahora
incluiremos ! E (laNX ) * E ( NX
constante N. )
V ( NX ) = 2E ( N 22X 2 ) ! E ( NX ) * E ( NX )
N E ( X ) ! NE ( X ) * NE ( X )
N 2 E (Que
X 2 )se!puede
NE ( Xescribir:
) * NE ( X )
Que se puede escribir: 2 2
E( X
N escribir:
Que se puede ) ! N 2E2 (X )
N 2 E( X 2 ) − N 2 E 2 ( X )
N 2 EExpresión
( X 2 ) !deNla2 E
cual,
2 por factoración, resulta:
(X )
Expresión de la cual, por factoración, resulta:
2 2
[ 2
N E( X ) ! E ( X ) ]
Expresión de la cual, por factoración, resulta:
(Como
N 2 elE término
Como ya sabemos, [
X 2 ) !yapodemos
Esabemos,
lo tantoentre
lo tanto podemos escribir:
2
(paréntesis
X ) escribir: ]
el término entre paréntesis corresponde a la varian
corresponde a la varianza de X, por
Como ya sabemos, el término entre paréntesis corresponde a la varianza de X,

) = N 2V ( X )
V ( NXescribir:
lo tanto podemos
Quedemostrar.
Qué es lo que deseábamos es lo que2 deseábamos demostrar.
V ( NX ) = N V ( X )
En estadística, la desviación estándar de una muestra se suele escribir con la letra S
en tanto que, Que
la desviación estándar
es lo que de la Media
deseábamos se denota con:
demostrar.
S
Sx =
n
Expresión muy conocida por los que estiman un intervalo de confianza-de la media
aritmética, por ejemplo-. Ella, además de ser llamada Desviación Estándar de la Me-
dia, recibe el nombre de Error Estándar, aunque, con mordacidad, algunos estadísti-
cos dicen que tal nombre es inadecuado porque “ …no es ni error ni estándar…”.
En el caso de los recuentos de bacterias, levaduras, etc., el error estándar se puede

escribir como se muestra a continuación, precisamente porque ya sabemos que la
varianza es igual a la media (por lo menos en teoría).

X
Sx = Luis Rodríguez Aguayo
n
EJEMPLO 8:
X
S =
Tenemos 5 recuentos de colonias bacterianas por cada medio de cu
x
tras la prueba es decidir cuál de los medios es más sensible (mayo
n
colonias) dado que la suspensión bacteriana es la misma.
EJEMPLO 8: Medio A: 87 , 80 , 77 , 90 , 85
Tenemos 5 recuentos de colonias bacterianas por cada medio de cultivo. La idea tras
Medio B: 80 , 70 , 68 , 70 , 65
la prueba es decidir cuál de los medios es más sensible (mayor número de colonias)
dado que la suspensión bacteriana es la misma.
¿Existe alguna evidencia basada en estos pocos valores de que e
más sensible?
Medio A: 87, 80, 77, 90, 85
Medio B: 80, 70, 68, 70, 65

La prueba
¿Existe alguna evidencia basada de “significación”(dócima)
en estos pocos valores de que eles la siguiente
Medio A es más(Detre y White,19
sensible?
X1 ! X 2
La prueba de “significación”
Z (dócima)
= es la siguiente (Detre y White,1970).
X1 X 2
X! − X
Z = n1 1 n 2 2
X1 X 2
−
Donde Z indica
n1 que n
la expresión tiene una distribución compatible
2
Normal y que es interpretable mediante ésta.
Donde Z indica que la expresión tiene una distribución compatible con la Curva Nor-
Usando los datos del problema, tenemos :
mal y que es interpretable mediante ésta.
83.8 ! 70.6
Z= = 2.3754
83.8 70.6
+
5 5
Usando los datos del problema, tenemos:
La interpretación se hará en este caso, al revés de lo habitual, planteando ahora una

hipótesis de Nulidad (H0) = No hay diferencia entre las dos medias, que se contras-
tará con una hipótesis Alternativa (H1) = Las medias son diferentes entre sí. Además
se incorpora al análisis un valor α al que se asignan siempre valores pequeños, ta-
les como 0.1, 0.05, ó 0.025. En este caso le otorgaremos el valor 0.05, pero debido
a la palabra “diferente” incluida en H1, dividiremos 0.05/2 = 0.025, hecho que se
conoce como prueba de Dos Colas. El valor Z que corresponde a dejar dos colas (a
derecha y a izquierda) de tamaño 0.025 cada una, es 1.96.

si. Además se incorpora al análisis un valor � al que se asignan siempre valores
pequeños, tales como 0.1, 0.05, ó 0.025. En este caso le otorgaremos el valor
0.05, pero debido a la palabra “diferente” incluída en H1, dividiremos 0.05/2 =
0.025, hecho que se conoce como prueba de Dos Colas. El valor Z que
corresponde a dejar dos colas (a derecha y a izquierda) de tamaño 0.025 cada
Métodos
una, esestadísticos
1.96. en microbiología y ensayos biológicos
Veremos
Veremosenen la Figura22 loloque
la Figura quesignifica
significa el número
el número 2.3754
2.3754 obtenido
obtenido con la fórmula
con la fórmula
dedeDetre
Detreyy White.
White.
FIGURA 2 FIGURA 2
C UR VA NOR MAL
CURVA NORMAL
.22
FRACCION
.
0
-2.3754 0 2.3754
z
La figura Nº 2 ha sido hecha en el paquete estadístico Stata 6.0, con los siguientes
comandos:
.set obs 500
.set seed 12345
.generate z = invnorm(uniform( ))
.graph z,bin(10) norm xlab(-2.3754,0,2.3754) xline(-2.3754,-1.96,1.96,2.3754)

t1(CURVA NORMAL) l2(FRACCIÓN) 12
Con esto, se generaron 500 números aleatorios normales (seudoaleatorios por pro-
ceder de un algoritmo computacional), distribuidos en 10 barras de un histograma
con la curva normal superpuesta (Rabe - Hesketh y Everitt, 2000).
Pueden observarse en esa misma figura, cuatro líneas verticales; las dos internas
corresponden a las condiciones del problema, es decir: -1.96 y 1.96, entre las cua-
les el área bajo la curva normal es 0.95 (95%), dejando una cola a cada lado de
10

la región central con tamaño 0.025 (ambas, sumadas dan el 0.05 impuesto por las
condiciones del problema). Todo valor Z mayor que el que hemos adoptado en este
caso: 1.96 o menor que –1.96 permite no aceptar la hipótesis H0 y aceptar, por lo
tanto, la hipótesis alternativa H1: ambas medias son diferentes entre ellas. Ese es
precisamente el caso actual en que hemos obtenido el valor Z = 2.3754. Conside-
rando que la media del grupo A es más alta, podemos decidir que tenemos evidencia
muestral suficiente para continuar usando el Medio de Cultivo A por su aparente
mayor sensibilidad diagnóstica.
Las dos verticales en la figura 2, corresponden al área de la curva normal com-

prendida entre: -2.3754 y 2.3754 es decir: 0.98247, (98.247%) con dos colas que
sumadas, dan un valor (p)=0.01753. Este último valor es la probabilidad de que la
diferencia observada entre las dos medias se hubiese debido al mero azar. Aunque
los datos tienden a tomar la forma de la curva normal, no logran ajustarse a ella
exactamente, y por aquí y por allá, pueden verse pequeños desajustes que son esas
rugosidades o desaliños a los que se refería Ernest Nagel.
La determinación del tamaño del área de la curva normal entre: -Z y +Z, se puede
hacer empleando tablas estadísticas o bien usando un programa computacional. El
siguiente programa está escrito en lenguaje BASIC para calculadora CASIO FX - 880
P, que es fácilmente traducible a Quick Basic, Visual Basic; C++, etc.
PROGRAMA 1
ÁREAS BAJO LA CURVA NORMAL

500 CLEAR:CLS
505 INPUT “LIMITE IZQUIERDO”;A,”LIMITE DERECHO”;B:C=32: G=A
508 GOSUB 600:I=W
510 D=(B-A)/C:O=C/2
520 G=G+D:GOSUB 600:I=I+W*4
530 G=G+D:GOSUB 600:I=I+W*2
540 O=O-1:IF O<>0 THEN 520
550 G=B:GOSUB 600:I=I-W
560 PX=D*I/3
570 CLS:PRINT “Area Bajo la Curva=”;INT(100000*PX+0.5)/100000
580 PRINT “Area por fuera de la Curva=”; 1-INT(100000*PX+0.5)/100000
585 PRINT “Ordenada en Z=”; INT(100000*W+0.5)/ 100000
590 END
600 W=(EXP(-0.5*G*G)) / SQR(2* 3.141592654)
610 RETURN
Con los datos del Ejemplo 8, tenemos:
LÍMITE IZQUIERDO? –2.3754 <enter>

LÍMITE DERECHO? 2.3754 <enter>
Área Bajo la Curva = 0.98247
11

Área Complemento del Área = 0.01753

Ordenada en Z = 0.02375
Esta forma de comparar recuentos microbianos se puede aplicar a valores aislados
como, por ejemplo, dos placas de Petri, cada una con medio de cultivo diferente.
EJEMPLO 9:
Placa 1 = 120 colonias
Placa 2 = 100 colonias
¿Puede tenerse algún indicio de que crecieron más colonias en la placa 1 y que eso
no ocurrió por azar?
H0: No hay diferencia de crecimiento entre las dos placas.
H1 = Las placas son diferentes entre sí.
α=0.05, dos colas.

120 − 100
Z = = 1.348
120 + 100
Por lo que sabemos, a partir del ejemplo 8 concluimos que, para fines prácticos, las
dos placas pueden considerarse iguales.
Con el Programa 1, obtenemos: Área por fuera de la Curva(p)= 0.17766, que es

mucho mayor que el 0.05 exigido por el enunciado del problema.
1.1. El Índice de Dispersión de Fisher

Sir Ronald Aylmer Fisher, hombre muy malhumorado y arbitrario con sus amigos y
colegas, fue sin embargo, uno de los más brillantes estadísticos en la historia de
esta ciencia. Además de inventar el análisis de varianza y el método de máxima ve-
rosimilitud (entre muchos otros aportes), desarrolló este Índice de Dispersión cuyo
propósito es verificar la homogeneidad de un grupo de recuentos bacterianos, rea-
lizado sembrando varias placas de Petri con una misma suspensión, con la misma
pipeta; en pocas palabras, con idénticas condiciones (Eisenhart y Wilson, 1943)
(Saunders y Fleming, 1971), (World Health Organization/TB/Technical Guide/77.9,
1977) (Pollard, 1977).
El Índice de Dispersión (D) se obtiene a partir del siguiente teorema, también atri-
buido a Fisher.
( n − 1) S 2
≈ χ n2−1
σ 2
12

n !1
$2
Donde debe entenderse que el miembro de la izquierda tiene una distri
muy aproximada a Ji cuadrado con n-1 grados de libertad.
En el numerador, (n-1)*varianza indica que eso es una suma de cuadrado
Donde debe entenderse que el miembro
otra parte, ya sabemosde la izquierda
que en tiene una distribución
la poissoniana, la muy
varianza que está
aproximada a Ji cuadrado con n-1es
denominador grados
igualde libertad.
a la media. Por eso podemos reescribir :
En el numerador, (n-1)*varianza indica que2eso es una suma de cuadrados. Por otra
'
parte, ya sabemos que en la poissoniana,$la varianza que está en el denominador es
% reescribir:
igual a la media. Por eso podemos Xi " !
! X i2 ( & i #
2
n  
∑ Xi 
i
! XX − i 
∑ i
i
i
2
n
n
∑X
i
Donde, después den algunas simplificaciones, obtenemos la fórmula d

famoso índice:
Donde, después de algunas simplificaciones, obtenemos la fórmula de este famoso
índice:
n! X i2
n∑ X i2
i !
i
" X i $ # (2n"1) 2
!i X i∑ Xi − ∑i X i ≈ Χ ( n−1)
i
i
Veamos la utilidad práctica de esta expresión.
Veamos la utilidad práctica de esta expresión.
EJEMPLO 10: EJEMPLO 10:

Usemos los recuentos obtenidos con el medio A en el ejemplo 8.
Usemos los recuentos obtenidos con el medio A en el ejemplo 8.
87 , 80 , 77 , 90 , 85 n = 5 recuentos
87, 80, 77, 90, 85 n = 5 recuentos
Demostrar que losDemostrar quehomogéneos

recuentos son los recuentos sondehomogéneos
(libres “outliers“). (libres de “ outliers “).
!X i
i = 87 + 80 + 77 + 90 + 85 = 419
!X
i
i
2
= 87 2 + 80 2 + 77 2 + 90 2 + 85 2 = 35223
Con lo cual podemos calcular el Índice:

Con lo cual podemos calcular el Índice:
H0
H0 = La media es = La
igual media es igual a la varianza.
a la varianza.
H1 = La varianza es mayor que la media.
H1 = La varianza es mayor que la media.
5 * 35223
! 419 = 1.322
419 13
Este resultado debe cotejarse con los valores de Ji cuadrado de la siguiente

con grados de libertad iguales al número de recuentos –1, y con
3841MetodosEstadisticos correguido.indd 13 = 0.05 seg
22/4/10� 10:44:53
5 * 35223
− 419 = 1.322
419
Este resultado debe cotejarse con los valores de Ji cuadrado de la siguiente tabla,
con grados de libertad iguales al número de recuentos –1, y con α = 0.05 según
el uso recomendado por la Organización Mundial de la Salud en varios manuales
sobre Rabia o vacuna contra tuberculosis (BCG). La tabla 1 está diseñada sólo para
hasta 10 recuentos; si fuese necesario, deberá consultarse una tabla estándar de
Ji cuadrado.
TABLA 1
Número de Recuentos(n) 2 3 4 5 6 7 8 9 10
Grados de Libertad (n-1) 1 2 3 4 5 6 7 8 9
Ji cuadrado 3.84 5.99 7.81 9.49 11.07 12.59 14.07 15.51 16.92
El valor calculado (1.322) es menor que el valor crítico de Ji cuadrado (9.49) de la

tabla Nº 1, y por ello podemos concluir que los recuentos son homogéneos porque
no podemos rechazar H0. En general, si cualquier valor calculado fuese mayor o
igual al valor crítico correspondiente, se deberá sospechar que, por lo menos hay
un valor extremo (outlier).
EJEMPLO 11:
Si tomamos los dos recuentos del ejemplo 9, y calculamos el Índice de Dispersión,

obtendremos el valor calculado 1.187104 que, por ser inferior al valor crítico 3.84
nos indicaría que ambos valores son homogéneos. Lo interesante es que si toma-
mos raíz cuadrada de 1.187104 obtendremos 1.348 que es idéntico al obtenido en
el problema 9, cuando usamos la fórmula de Detre y White. Hay que aclarar que
esto se cumple sólo cuando se comparan dos recuentos, es decir cuando el valor
crítico de Ji cuadrado tiene 1 grado de libertad.
Hemos comentado que la distribución de Poisson es el límite de la distribución bi-

nomial cuando n→ ∞. La demostración de este hecho se puede hacer como se
muestra a continuación:
14

*n'
P( X = x) = (( %% p x q n " x
) x&
* n ' x n" x
! P* ( X != 'x) = (( %% p xq n " x
si, p = , q = (1 " %, ) x &
n ) n&
! * ! ' n" x
si, pn=" x ,+q1)= !(1x "
n(n " 1)(n " 2)....( * %!, '
n ) x (1n"& %
x! n ) n& x
n(n " 1)(n " 2)....(n " x + 1) !n * ! '" x
xx nn""cambiando
xx x! por n
n(n " 1)(n " 2)...(n " x + 1) ! x * ! ' xx*(1 "! '%
K= x! (1 " %n (1) " n%&
nx x! ) n & ) n & nn ""xx
cambian
cambian
n(n " 1)(n " 2)...(n " x + 1) ! * ! ' * ! '
xx
lim n$# K K= (1 " % (1 " %
n xx x! ) n & ) n &
! x
= e "! lim nn$$## K
x!
""!! !
xx
=e
* ! x'!
n
x
cambiandoNota:
x! por n n $ # (1 " % = e " !
Lim
) n& nn
n * !'
Nota:  λ  Nota: Nota:− λLim nn$ 1" = e ""!!
# ( para%estimar el tamaño de la muestra en prueba
n →∞ 
LimLo 1 −
demostrado = e
tiene $#
importancia n&
 n  dado que, en )ese caso,
de esterilidad también puede usarse la distribució
binomial.
Lo
Lo demostrado
Lo demostrado tiene importanciademostrado tiene
tiene
para estimar importancia
importancia
el tamaño para
para estimar
estimar
de la muestra el
el tamaño
en pruebastamaño de
de la
la mue
mue
de esterilidad dado que,
EJEMPLO de
de esterilidad
esterilidad dado
dado que,
que, en
en ese
ese caso,
caso, también
también
12:en ese caso, también puede usarse la distribución bino- puede
puede usarse
usarse
mial. binomial.
binomial.
Con los datos del ejemplo 4, la binomial se usa de la siguiente manera:
EJEMPLO 12: EJEMPLO
EJEMPLO 12:
12:
Con los datos
Log10 (4,1Con
! Plos
Con ) datos
los datos del
del ejemplo
ejemplo 4,
4, la
la binomial
binomial se usa de la siguiente man
manera: se usa de la siguiente man
n del
= ejemplo la binomial se usa de la siguiente
Log10 (1 ! p )
Log1010
(1 ! P )
n=
Log10 (1 " .8) Log10 (1 ! p )
n= ! 16110, ampollas
Log10 (1 " .01)
Log1010
(1 " .8)
n= ! 161, ampollas
Tal como se vio en elLog
ejemplo
(1 "4..01)
10
10
1.2.- Estimaciones de Concentración de Microorganismos:

Tal como se El
vio número Tal como
como se
se vio
Tal4.probable
en el ejemplo vio en
en el
el ejemplo
ejemplo 4.
4.
más (NMP).
EJEMPLO 1.2.-
13: Estimaciones
1.2.- Estimaciones de de Concentración
Concentración de de Microorganismos:
Microorganismos:
El
El número
número 15más
más probable
probable (NMP).
(NMP).
Se disponen 12 tubos de cultivo con un medio líquido en una gradilla. Los
primeros son sembrados, cada uno, con 10 ml de la muestra. Los 4 siguientes s
siembran con 1EJEMPLO
EJEMPLO 13:
13: cada uno, y los 4 últimos son sembrados con 0.
ml de muestra
3841MetodosEstadisticos correguido.indd 15
ml. Después de Se disponen
Seladisponen 12
12 tubos
incubación, tubos
por de
de cultivo
ejemplo, a 35con
cultivo con un
un medio
grados medio líquido
líquido
22/4/10
Celsius elen una
entiemp
10:44:55
por una
1.2. Estimaciones de Concentración de

Microorganismos: El Número Más Probable (NMP)
EJEMPLO 13:
Se disponen 12 tubos de cultivo con un medio líquido en una gradilla. Los 4 pri-
meros son sembrados, cada uno, con 10 ml de la muestra. Los 4 siguientes se
siembran con 1 ml de muestra cada uno, y los 4 últimos son sembrados con 0.1 ml.
Después de la incubación, por ejemplo, a 35 grados Celsius por el tiempo indica-
do porpresencia de opacidad
Normaspresencia
oficiales, los que
detubos indica
son
opacidad quemultiplicación
examinados bacteriana
indicavisualmente (tubosdepositivos).
por presencia
multiplicación bacteriana En
(tubos positivos
este ejemplo,
opacidad que indica los resultados
multiplicación
este ejemplo, fueron los siguientes:
bacteriana (tubos
los resultados fueronpositivos). En este ejemplo, los
los siguientes:
resultados fueron los siguientes:
Inóculo(ml) Tubos Positivos
Inóculo(ml) Tubos PositivosTubos Sembrados
Tubos Sembrados
10
Inóculo(ml) Tubos
10 + + + + Tubos
+ + + + Positivos 4 4 Sembrados
1 10 1 + + + + + ++ + + + 4 4 4
0.1 1 0.1 + + +++ 4 4 4
0.1 + 4
¿Cuál es¿Cuál
la concentración de microorganismos
es la concentración por ml en
de microorganismos la ml
por muestra original?original?
en la muestra
¿Cuál es la concentración de microorganismos por ml en la muestra original?
La respuesta puede obtenerse
La respuesta mediante
puede obtenerse la siguiente expresión : (Hurley y Roscoe,
nmediante la siguiente expresión : (Hurley y Ros
1983) (Best, n
1990). α i pi
∑ = ∑ α i ni
1983) (Best, 1990).
αi X
n
#ni pi i#=1i 1p−i e n i =1
n
!
La respuesta
i =1 1
!
puede #
=!
obtenerse
iX
#
= i!
mediante
"i =e1 1 " e i =1 i =1
# i X
nlai siguiente
# i ni expresión: (Hurley y Roscoe,
1983) (Best, 1990).
αi = volumen (ml) por tubo : 10 ml 1 ml 0.1 ml

�i = volumen (ml) por (ml)
�i = volumen tubopor tubo
: 10: ml 1 mlml 0.1
10 ml 0.1 ml
1 ml
ni ni
= = Número
Número de tubos por
de tubosde
ni = Número por dilución
dilución
tubos : 4
por dilución 4
4
4 4 44 4 4
pi = tubos positivos
pi = tubos positivos : 4: 3
4 1 3 1
pi = tubos positivos : 4 3 1
n
n
!" n != "(10n* 4=)(+10(1**44) )++(1(0*.41)*+4)(0=.144* 4.4) = 44.4
i =1
i i
i i
i =1
Ahora,Ahora, desarrollando
desarrollando el algoritmo,
Ahora,eldesarrollando
algoritmo, tenemos: tenemos:
el algoritmo, tenemos:
40 40 3 3 0.1 0.1
+
!10 X !10 X + !1 X
+ + = 44.4
.1 X ! 0.1 X = 44.4
1 ! e 1 ! e 1 ! e 1 ! e !11X! e !10! e
Donde el quid del
Donde problema
el quid consisteconsiste
del problema en darleenvalores por tanteo
darle valores poratanteo
X hasta
a Xque el q
hasta
miembromiembro
de la izquierda sea igual a 44.4. Intentar encontrar el valor de X por
de la izquierda sea igual a 44.4. Intentar encontrar el valor de X
álgebra,álgebra,
es empresa sin destino.
es empresa sin destino.
16
Supongamos que empezamos
Supongamos con X = con
que empezamos 0.5, XMiembro Izquierdo
= 0.5, Miembro = 49.95 =¡muy
Izquierdo 49.95alto!
¡muy a
Con X =Con
1.2, XMiembro
3841MetodosEstadisticos correguido.indd 16 Izquierdo
= 1.2, Miembro = 45.18,=todavía
Izquierdo alto.
45.18, todavía alto. 22/4/10 10:44:56
Donde el quid del problema consiste en darle valores por tanteo a X hasta que el
miembro de la izquierda sea igual a 44.4. Intentar encontrar el valor de X por álge-
bra, es empresa sin destino.
Supongamos que empezamos con X = 0.5, Miembro Izquierdo = 49.95 ¡muy alto!
Con X = 1.2, Miembro Izquierdo = 45.18, todavía alto.
Con X = 1.62, Miembro Izquierdo = 44.4 = igual al miembro de la derecha.
Por lo tanto, X = 1.62 es el Número Más Probable (NMP) de bacterias /ml de mues-
tra.
Todo esto es tan laborioso que, evidentemente se requiere una herramienta compu-
tacional para alcanzar la estimación buscada.
Se sabe que el NMP es un método poco preciso. La mayoría de los microbiólogos

prefiere usar las viejas tablas de Halvorson y Ziegler que datan de 1933 y que tienen
varios defectos: dan 3 grupos de 5 tubos cada uno, o bien 3 grupos de 10 tubos cada
uno; no dan intervalo de confianza y no sirven para otras combinaciones de tubos.
Si durante la ejecución de la prueba se quebrase algún tubo, habría que hacer todo
de nuevo porque las tablas no dan otra alternativa. Sin embargo el método recién
presentado es de uso general aunque demasiado laborioso para hacerlo a mano.
Cuando se desea comparar dos NMP’s entre ellos, es indispensable calcular los inter-
valos de confianza, aunque las comparaciones no siempre sean correctas superpo-
niendo intervalos. Los algoritmos para este cálculo han sido modificados varias veces
a lo largo de la historia desde 1915. En 1990 se publicó un trabajo (Best, 1990), que
parece definitivo respecto de este tema, y que permite declarar “improbables” algu-
nos resultados. El algoritmo de Best puede aplicarse mediante el siguiente programa
en BASIC para calculadora CASIO FX - 880P.
PROGRAMA 2
NÚMERO MÁS PROBABLE (Best)

6000 CLEAR: CLS
6010 INPUT “No.de Grupos “; K
6015 DIM X(K, 3 )
6020 FOR I= 1 TO K
6030 PRINT “Dosis, ml (“; i;”)”;: INPUT X(I, 1)
6040 PRINT “No. Tubos Sembrados(“; I; “)”;: INPUT X(I, 2 )
6050 PRINT “No.Tubos Positivos(“; I; “)”;:INPUT PP: X(I; 3)= X(I, 2)-PP
6060 NEXT I
6065 T1=0: T2=0
6070 FOR I=1 TO K
6080 T1=T1+ (X(I,2)-2*X(I, 3))* X(I, 1)
6090 T2=T2+(X(I, 2)- X(I, 3))* (X(I, 1))^2
17

6100 NEXT I
6110 L=ABS(T1 / T2): PRINT “Lambda inicial”;L
6120 GOSUB 8115
6130 L=L-A1/B1
7111 JK=L
7112 FOR J=L TO 1000
7115 S=0
7120 FOR I=1 TO K
7130 B=(X(I, 2)-X(I, 3))*X(I, 1)*EXP(-L*X(I, 1)): C=(1-EXP(-L*X(I, 1)))
7135 D=X(I, 3)*X(I, 1)
7140 A=B/C-D
7150 S=S+A
7160 NEXT I
7170 PRINT “ “;S;
7180 IF ABS(S) <=2E-9 THEN 7400 ELSE 7240
7240 GOSUB 8115
7250 L=ABS(L+A1/B1)
7300 NEXT J
7400 CLS:PRINT “ Número Más Probable=”;L
7410 JI=0
7415 FOR I=1 TO K
7420 EI=X(I, 2)*EXP(-L*X(I, 1))
7422 IF EI=0 THEN EI= 1.2E-37
7425 JI=JI+(X(I, 3)-EI)^2*(1/EI+(X(I, 2)-EI^-1)
7430 NEXT I
7440 GOSUB 8200
7450 PRINT “JI Cuadrado=”;JI; “ con gl=”;K-1,”P0=”;1-P0
7460 GOSUB 8115
7470 CG=LOG(L):DG=1.96/(SQR(B1)*L)
7480 LS=EXP(CG+DG):LI=EXP(CG-DG)
7500 PRINT “Límite Superior de Confianza del NMP=”;LS
7510 PRINT “Límite Inferior de Confianza del NMP=”;LI
8000 END
8115 A1=0: B1=0
8120 FOR I=1 TO K
8125 A1=A1+((X(I,2)-X(I, 3))*X(I, 1))/ (1-EXP(-L*X(I, 1)))-X(I, 2)*X(I, 1)
8130 B1=B1+((X(I, 2)-X(I, 3))*X(I, 1)^2*EXP(-L*X(I, 1)))
/ (1-EXP(-L*X(I, 1)))^2
8135 NEXT I
8150 RETURN
8200 K1=K-1:H=JI
8320 W1=H/2: K1=K1/2
8330 WK=K1+1
8340 GOSUB 8470
8350 G2=0
18

8360 AK=EXP(K1*LOG(W1)-G1-W1)
8370 IF AK=0 THEN 8460
8380 T=1:G2=1: K0=K1
8400 K0=K0+1
8410 T=T*W1 / K0
8420 G2=G2+T
8430 IF (T / G2)>1E-6 THEN 8400
8440 P0=G2*AK
8460 RETURN
8470 G1=0
8480 WK=WK-1
8490 IF WK<=0 THEN 8520
8500 G1=G1*LOG(WK)
8510 GOTO 8480
8520 IF WK=0 THEN 8540
8530 G1=G1+0.5723649429
8540 RETURN
(Nota: LOG es Log base 10)
Con los datos del ejemplo 13, este programa entrega los siguientes resultados:
Número Más Probable = 1.626796043
Ji cuadrado = 0.3849744874, (el modelo se ajusta bien a los datos)
Con gl = 2, P0 = 0.8249048425
Límite Sup. de Confianza del NMP = 4.698160711
Límite Inf. de Confianza del NMP = 0.5632981774
Por supuesto, que la exactitud lograda con un programa computacional es mayor

que la que se podría conseguir haciéndolo todo a mano.
EJEMPLO 14:
Con los mismos volúmenes de inóculo usados en el ejemplo 13, pero empleando
grupos de número diferente de tubos, se obtuvieron los siguientes resultados:
10 (+) de 10 sembrados, 6(+) de 8 sembrados, y 2(+) de 9 sembrados.
Con estos datos, las tablas de NMP resultan inútiles. Calcule el NMP con el programa
2.
Número Más Probable =1.589084169
Ji cuadrado = 0.5108049756
19

Con gl = 2
P0 = 0.7746046667
Límite Sup. de Confianza del NMP = 3.355145516
Límite Inf. de Confianza del NMP = 0.7526315876
EJEMPLO 15:
Casi todo igual al ejemplo 14, excepto que en la última dosis hay 5 (+) de 9 sem-
brados.
El programa 2 no entrega resultados por falta de convergencia. Los valores obser-

vados son improbables, y por lo tanto cabe concluir que la causa fue una técnica
defectuosa de laboratorio; seguramente debió agregarse una dilución más.
1.3. Título de Recuentos Bacterianos o Virales en

placa
TABLA 2
Dilución d Recuentos(R) No.Placas (N) Suma(R) N*d

-4 1 150 200 220 120 4 690 4
-5 1/10 80 85 93 3 258 0.3
-6 1/100 20 18 15 24 4 77 0.04
-7 1/1000 45634 5 22 0.005
TOTAL - - - 1047 4.345
La tabla 2 presenta un caso típico de un ensayo de recuento microbiano en placa.

Hay cuatro diluciones donde: -4 significa 0.0001 ó 1/10000, y así sucesivamente
hasta – 7 que corresponde a 1 / 10000000. Como se ve, el factor de dilución es
10. Se ha incorporado un factor de ponderación o peso (“weight”) denotado con d,
que recibe el valor 1 para la dilución inicial o base, y luego decrece a 1/10, 1/100 y
1/1000, indicando que cada dosis está 10 veces más diluida que la anterior.
La tercera columna desde la izquierda presenta los recuentos de colonias observa-

dos después de la incubación. Los números de placas sembradas con cada dosis
aparecen en la cuarta columna. La columna (R) muestra las sumas de los recuentos,
y finalmente, los productos de multiplicar el número de placas por los pesos (d) se
anotaron en la columna del extremo derecho.
El método fue desarrollado por Farmiloe (Jarvis, B., 1989), y es considerado como el
procedimiento estándar, tanto en bacteriología como en virología.
20

los recuentos, y finalmente, los productos de multiplicar el número de placas por
los pesos (d) se anotaron en la columna del extremo derecho.
El método fue desarrollado por Farmiloe (Jarvis, B., 1989), y es considerado como
el procedimiento estándar, tanto en bacteriología como en virología.
Figura 3: Colonias bacterianas.

Fotografía.
Figura 3: Colonias bacterianas. Fotografía. Instituto de Salud Pública de Chile
EJEMPLO
EJEMPLO16: 16: Figura 3: Colonias bacterianas.
Calcularla la concentración Fotografía.
bacteriana
Calcular concentración bacteriana (m) y(m)
susylímites
sus límites de confianza
de confianza 95% con95%
los con los
datos de la tabla 2.Instituto de Salud Pública de Chile
datos de la tabla 2.
1047
EJEMPLO
m = 16: = 241x10 4 = 2.41x10 6 UFC / vol. de Inóculo
In!culo
Calcular la 4
concentración
.345 bacteriana (m) y sus límites de confianza 95% con los
datos de la tabla 2.
L.Superior (95%) = 241 + 1.96 2 / 2 + 1.96 x 241 + 1.96 2 / 4 = 273
1047 6 2
m = L.Inferior
= 241 %)4 == 241
(95x10 1.96
2.41+x10 UFC/ 2 !/ 1vol
.96. de 241 + 1.96 2 / 4 = 212
x In!culo
4.345
Inóculo
Es decir : 2.12 x10 6 y 2.732x10 6 UFC / vol. de In!culo
L.Superior (95%) = 241 + 1.96 / 2 + 1.96 x 241 + 1.96 2 / 4 = 273
Nótese
Nóteseque
quese se
ha ha
multiplicado todotodo
multiplicado
2 por 10
porelevado a 4, con
10 elevado signo
a 4, conpositivo porque porque
signo positivo
L.Inferior
ya
yanono
(95 %)de
hablamos 241 + 1sino
= dilución
hablamos
.96de
de dilución
/concentración
2sino
! 1.96 241 + 1.96Así2 microbiana.
x microbiana.
de concentración
/mismo,
4 = 212
adviértase
Así mismo,
que el título (m)
adviértase que y6elsutítulo
intervalo
(m) de confianza
y6 su están
intervalo expresados
confianza por
de In!culo el volumen
están de por el
expresados
Es decir
inóculo : 2que,
.12enx10la y 2.73es
práctica x10 UFC
pequeño / vol
(0.1 ml .óde
0.2 ml por placa), de modo que
volumen de inóculo que, en la práctica es pequeño (0.1 ml ó 0.2 ml por placa), de
para expresarlo en colonias por ml, basta con una sencilla operación aritmética.Nó-
modo que para expresarlo en colonias por ml, basta con una sencilla operación
teseque
Nótese quese losha
límites de confianza
multiplicado todo hanporsido
10decalculados
elevado acon la expresión
4, con de Pearson.
aritmética.Nótese que los límites confianza hansigno
sidopositivo porque
calculados con la
( X hablamos
ya no + Z / 2 ±Z X + Z / 4
2 de 2
dilución )sino2
de concentración
2
microbiana. Así mismo,
expresión
adviértase que de Pearson.(
el título (m) yX su / 2 ± Z de
+ Zintervalo Z / 4 ) están expresados por el
X +confianza
Este
volumen tipo
Estedetipode cálculo
de cálculo
inóculo se
que, en puede
selapuede resolver rápidamente
resolver
práctica con ml
rápidamente
es pequeño (0.1 el con
siguiente
mlprograma
el siguiente
ó 0.2 en de en
programa
por placa),
BASIC para calculadora CASIO FX - 880 P.
modoBASIC
que paraparaexpresarlo
calculadora enCASIO
colonias FX por
- 880
ml,P.basta con una sencilla operación
aritmética.Nótese que los límites PROGRAMA de confianza 3 han sido calculados con la
PROGRAMA 3 2 2
expresión de Pearson.( X + Z / 2 ± Z X + Z / 4 )
UFC (Unidades Formadoras de Colonias)
30 de
Este tipo CLEAR: CLS se puede resolver rápidamente con el siguiente programa en
cálculo
60 PRINT
BASIC para “No. de Diluciones
calculadora CASIO “;: INPUT
FX -N880 P. 22
63 A=0: B=0
PROGRAMA 3
21
22

UFC (Unidades Formadoras de Colonias)
Métodos 30 CLEAR en
estadísticos : CLS
microbiología y ensayos biológicos
60 PRINT “No. de Diluciones “ ;: INPUT N

63NA(N),
65 DIM A=0: D(N)
B=0
65 DIM
70 FOR I=1 TO N NA(N) , D(N)
70 FOR I=1 TO N
80 PRINT “No.de Petris en Dil.(“;I;”)”;:INPUT NA( I )
80 PRINT “No.de Petris en Dil.(“;I;”)” ;:INPUT NA( I )
90 NEXT I
90 NEXT I
92 PRINT “Dosis Inicial o Base”;:INPUT K
92 PRINT “Dosis Inicial o Base” ;:INPUT K
98 PRINT “ Factor de
98 PRINT Diluciónde
“ Factor “;: Dilución
INPUT D “ ;: INPUT D
100 FOR I=1 TO N
100 FOR I=1 TO N
110 D(110
I )=D^(1-I )
D( I )=D^(1-I )
120 A=A+D( I )*NA( I )I )*NA( I )
120 A=A+D(
130 NEXT
130 INEXT I
140 FOR
140W=1 FOR TO W=1
N TO N
150 C=0
150 C=0
170 FOR
170L=1 FOR TO NA(W)
L=1 TO NA(W)
180 PRINT “Recuento(“;
180 PRINT L;”) Dilución(“;W;”)”;:
“Recuento(“ INPUT X ;W;”)” ;: INPUT X
; L ;”) Dilución(“
190 C=C+X
190 C=C+X
200 LNEXT L
200 NEXT
210 B=B+C
210 B=B+C
220 W
220 NEXT NEXT W
240 TIT=B/A*(1/K)
240 TIT=B/A*(1/K)
260 DS=SQR(B/(A*A))*1.96
260 DS=SQR(B/(A*A))*1.96
270 PRINT “DS*1.96=” ; DS
270 PRINT “DS*1.96=”; DS
272 LS=(B/A+1.92/A+DS)*(1/K) : LI=(B/A+1.92/A-DS)*(1/K)
272 LS=(B/A+1.92/A+DS)*(1/K): LI=(B/A+1.92/A-DS)*(1/K)
274 PRINT “TITULO=” ;TIT ; “ LS=”; LS; “ LI=” ;LI
274 PRINT “TITULO=”;TIT; “ LS=”; LS; “ LI=”;LI
280 END
280 END
Con los Con losdedatos

datos de la
la tabla 2,tabla 2, el programa
el programa 3 da los3 siguientes
da los siguientes resultados:
resultados:
Título=2410000
Título=2410000 L.Sup=2730047.
L.Sup=2730047. L.Inf=2120000
L.Inf=2120000
El intervalo de confianza
El intervalo usado enusado
de confianza el programa anterior, se
en el programa calculase
anterior, con el método
calcula demétodo
con el
Pearson,decuya ecuación
Pearson cuyaresulta de resulta
ecuación resolverde
la resover
ecuación
la cuadrática:
ecuación cuadrática:
( X ! µ)2 /µ = a
Donde : a = Ji 2 con " = 0.05 y 1 grado de libertad
−4 si esa es la
Cuando el programa pide la dosis inicial, ésta debe teclearse:
primeraCuando
dosis. el programa pide la dosis inicial, ésta debe teclearse:
!4 1E 1E
si esa es la
primera dosis.
23
22

1.4.- Determinación del número de partículas virales que originan una placa lítica.
Todas las evidencias disponibles indican al hecho que Luna coloniaAbacteriana

uis Rodríguez guayo no
siempre es el resultado de la multiplicación de una bacteria. Una colonia puede
1.4. Determinación delcomo
número de partículas
para un casovirales
originarse también a partir de un conglomerado de bacterias. De modo que aplicar
mecanicamente un método el sugerido particular (Reid et al,
que
1949originan una
) puede llevar placa errores
a cometer lítica de interpretación.
Todas las evidencias
En general, si se disponibles
grafican lasindican al hecho de que
concentraciones una colonia
microbianas bacteriana
contra el número de
no siempre es el resultado de la multiplicación de una bacteria. Una colonia puede
colonias se pueden detectar los siguientes casos: si cada colonia es causada por
originarse también a partir de un conglomerado de bacterias. De modo que aplicar
una bacteria , resultará una linea recta . Si dos bacterias forman una colonia,
mecánicamente un método como el sugerido para un caso particular (Reid et al,
resultará una curva cuadrática ; con tres colonias será un curva cúbica etc
1949) puede llevar a cometer errores de interpretación.
etc.(Kalbfleisch y Sprott , 1974).
En general, si se grafican las concentraciones microbianas contra el número de co-
lonias se pueden
Lo mismo se detectar
observalosconsiguientes casos: siencada
las pruebas quecolonia es causada
los virus por una
son multiplicados en
bacteria,
cultivosresultará una bajo
celulares línea recta. Si dos bacterias
una capa forman una colonia,
de gel (AGAROSA) con resultará
el mediounade cultivo
curva cuadrática; conSitres
correspondiente. unacolonias seráinfectada
célula es un curva por
cúbica,
unaetc. (Kalbfleisch
partícula viral, ytan
Sprott,
pronto como
1974).
las células del área vecina sean infectadas, se formará una placa de lisis celular
visible a ojo desnudo.
Lo mismo se observa con las pruebas en que los virus son multiplicados en cultivos
celulares bajo una capa de gel (AGAROSA) con el medio de cultivo correspondiente.
SiEl
unamétodo
célula esde Kalbfleisch
infectada por unaypartícula
Sprott viral,
fue tan
desarrollado
pronto comopara virusdel
las células cuyo
área título es
vecina sean infectadas, se formará una placa de lisis celular visible a ojo desnudo. celulares
calculado por el procedimiento de generación de placas líticas en cultivos
bajo gel.
El método de Kalbfleisch y Sprott fue desarrollado para virus cuyo título es calculado
por
Enel estos
procedimiento
casos, de es generación
y ha sidodeimportante
placas líticasdeterminar
en cultivos celulares
cuantas bajo gel.
partículas virales
producen un área de lisis .
En estos casos, es y ha sido importante determinar cuántas partículas virales produ-
cen un área de lisis.
Sean:
Sean:
K=número de diluciones.
K=número de diluciones
DD=factor
DD=factor dede dilución.
dilución
H=número
H=númerodede
partículas de virus
partículas (Ejemplo:
de virus 1) 1)
(Ejemplo:
" = DD ! H
Sean K diluciones con n placas de Petri cada una. El número de áreas líticas se
Sean K diluciones con n placas de Petri cada una. El número de áreas líticas se
suman a través de las n placas pertenecientes a una determinada dilución
suman a través de las n placas pertenecientes a una determinada dilución obtenién-
obteniéndose
dose el valor Y. el valor Y.
EJEMPLO 17:
EJEMPLO 17:
Sean
SeanK=3
K=3diluciones con con
diluciones n0= n0=
n1= n1=
n2= n2=
2 placas y recuentos
2 placas sumados:
y recuentos Y0= 122,
sumados : Y0= 122
Y1= 10, Y2=2. El factor de dilución es: 3.16227766, conocido como de “medio loga-
Y1= 10 Y2=2. El factor de dilución es: 3.16227766, conocido como de “medio
ritmo“ porque el antilogaritmo de 0.5 es, precisamente, 3.16227766.
logaritmo “ porque el antilogaritmo de 0.5 es, precisamente, 3.16227766.
23
24

El algoritmo es elElsiguiente:
El algoritmo es el siguiente:
algoritmo es el siguiente:
X = Y0 +XY1=+YY02 ++Y......
1 +Y +2 Y+K ...... + YK
T = Y1 + T2Y=2 Y+1 3+Y32Y+2.....
+ 3+Y3KY
+ .....
K + KYK
B = n0 +Bn1=( n+0 n+2(n12(++nn3(2(3 2++...n+3(n3K (+ ...

K
+ nK( K
A = n1( +A2=nn2(1(2 + 23n23( 32 + ...
3n+3(Kn
3
+K (...K+ Kn K ( K
D = n1( D
+ 2=2 n12( 2+ +2 23n2 2n(3(2 3++3...
2
K (+ K n K (
n+3(K3 2+n... K 2 K
' XA'$ XA $
S = !% T S! = !%"T(log
! e DD ) e DD )
"(log
& B &# B #
(log e DD )2 e DD )2
2 (log
( ()
II =! XA DB ! A2
II = X DB 2
)
B B2
UsandoUsando
los datos dedatos
los Kalbfleisch
Usando y Sprott,
de datos
los Kalbfleisch vamos a verificar
y Sprott,
de Kalbfleisch yvamos si vamos
Sprott,a H= 2 partículas
verificar
a si H= 2vira-
verificar partículas
si H= 2 partículas
les: virales: virales:
" = (3"
.16227766 ) !2 = 0).!12 = 0.1
= (3.16227766
X = 122 +X10 + 2 =+134
= 122 10 + 2 = 134
T = 10 + T
2(=
2)10
= 14
+ 2(2) = 14
B = 2 + 2B(0=.1)2++22((00..11))2+=22(0.22
.1) 2 = 2.22
A = 2(0.1A))=+ 22(20(.01.))1)+2 2=2 0(0.24
.1) 2 = 0.24
.1))2 +=80(0.28
D = 2(0.1D) +=82((00.1 .1) 2 = 0.28
( 134( * 0.24 % * 0.24 %
134
S = !&14S!= !&14 ! #(1.1512925 #(1.)1512925
= 0.5601
) = 0.5601
' ' .22 $ 2.22 $
2
2 2
2 1.1512925 1.1512925
II = 134(II
0.28 * 2.(22
= 134 ! 0*.24
0.28 2.22) ! 0.24 2 )2 = 202.32 = 20.32
2.22 2.22
S 0.5601 S 0.5601
" = = " = == 0.0275639
DELTA =DELTA = 0.0275639
I 20.32I 20.32
H2 = H H +" 2=H2 ++0" .0275639 = 2.0275639
= 2 + 0.0275639 = 2.0275639
Lím.
Lim.Sup.
Sup.(Lim
H ).Sup
= H.(2H+)1= H/2 +II1.=
.96 962/.462297229
II = 2.462297229
Lím.
Lim.Inf. H ) .=InfH.(2H!)1=
Inf .(Lim .96H/2 !II1.=
961./592813624
II = 1.592813624
Se debe iterar usando

Se debe iterarH2 , substituyéndolo
usando en �:
H2 , substituyéndolo en �:
! = (3.16227766 ) 2.027555426
! = (3.16227766 )242.027555426
= 0.0968763
= 0.0968763

Se debe iterar usando H2, substituyéndolo en θ:
θ = (3.16227766) 2.027555426 = 0.0968763

Después de obtener este nuevo valor de θ, se deben repetir todas las operaciones:
T, B, A, D, S, II, DELTA, H2 + DELTA, Límites de Confianza, en ese orden. Si es

necesario, se puede iterar más veces hasta que un H sea prácticamente igual al an-
terior. En este ejemplo, H2 es casi idéntico al H original, motivo por el cual podemos
conformarnos con la repetición. Hemos verificado que los resultados obtenidos son
compatibles con la hipótesis de 2 partículas virales por célula.
A continuación se presenta un programa en BASIC para calculadora CASIO FX-

880P.
PROGRAMA 4
DELTA, NÚMERO DE PARTÍCULAS POR PLACA LÍTICA

400 CLEAR: CLS
405 PRINT “Virus por Célula <exe>”
410 INPUT “No.de Diluciones”; N
415 DIM X(N, 2)
420 INPUT “Factor de Dilución”; DD:X=0
422 FOR I=1 TO N
425 PRINT “Suma de Recuentos en la Diluc.(“; I;”)”;: INPUT X( I, 1 )
427 PRINT “No.de Petris en la Diluc.(“; I; “)”;: INPUT X( I, 2 )
429 X=X+X( I, 1 )
430 NEXT I
470 INPUT “ H ( Inicial supuesto)”;: H:G=H
480 TET= DD^-H
485 B=0
490 FOR I = 1 TO N
500 B=B + X( I, 2 )*TET^(I-1)
510 NEXT I
515 T=0: A=0:D=0
520 FOR I = 2 TO N
530 T = T + X( I, 1 )*( I-1 )
540 A = A + X( I, 2 )*( I- 1 )*TET^(I-1)
550 D = D + X( I, 2 )*( I-1 )^2 * TET^( I-1)
560 NEXT I
570 S = -(T-X*A/B)*LN(DD)
LN=Logaritmo Natural (Base e, en un computador Ln sería LOG)
580 II = X*(D*B-A^2)*(LN(DD))^2 / (B)^2

600 PRINT “ S=”; S,”II =”; II
25

700 DELTA = S / II: PRINT “ DELTA= “;DELTA

710 H = H + DELTA: PRINT “ Nuevo H = “; H
712 LS = H + 1.96 / SQR(II): LI = H – 1.96 / SQR(II)
715 PRINT “ Lim.Sup.=”; LS;: PRINT “ Lim.Inf. = “; LI
720 Z = (H – G)*SQR( II ): PRINT “ Z de la Curva Normal = “; Z
730 PRINT “ Otra Iteración ( S )( N )”;. INPUT R$
740 IF R$ =” S “ THEN GOTO 480 ELSE 750
750 END
Con los datos básicos de este ejemplo, el programa 4 dará los resultados que se
precisan:
Después de entrar los datos requeridos, obtenemos:
S = 0.56
II = 20.32587917
DELTA = 0.02755542632
Nuevo H = 2.027555426
Lím. Sup. = 2.462297229
Lím. Inf. = 1.592813624
Z = 0.1242315215 (El modelo de 2 partículas se ajusta bién a los datos )
Iteración:
DELTA = 0.0004837581873
Nuevo H = 2.028039185
Lím. Sup. = 2.470304856
Lím. Inf. = 1.585773513
Z = 0.1242619656
Como se ve, el DELTA se ha achicado, y por eso, el valor H no ha variado mucho. Con
estos datos, no cabe duda que 2 partículas virales parecen vinculadas a la formación
de las áreas de lisis celular.
1.5. Serie de Diluciones Límite (Limiting Dilution

Series)
Este tipo de ensayo data de fines del siglo XIX, cuando un masa bacteriana era
diluida hasta que sólo quedaba una o ninguna bacteria presente. En inmunología se
usa este ensayo en forma cuantitativa, tanto para estimar la frecuencia de un tipo
particular de células, como para identificar el número de diferentes células respon-
sables de un evento observado.
El análisis estadístico supone que los resultados siguen la distribución de Poisson,

y el procedimiento es “estandarizado” mediante el uso de gráficos en papel semilo-
garítmico. Sin embargo, varios autores han ensayado procedimientos basados en el
método de máxima verosimilitud (Mather,K.,1949), (Finney,D.J.,1951), (Fazekas de
26

St.Groth,S.,1982), y otros como Ji cuadrado mínimo, regresión ponderada y, hasta

regresión logística (Burleson et al,1993)(Taswell,C., 1981) (Bonnefoix et al. 1996)
(Schmehl et al.,1989).
El método gráfico es sólo una aproximación tosca, y debe preferirse un método

estadístico como el de Karl Mather, basado en el método de máxima verosimilitud.
Mather era un amigo de Sir Ronald Fisher, quien llegó a prologarle su famoso libro
“Análisis Estadístico en Biología”. El método de Mather parte de los siguientes he-
chos:
1) Si tomamos el caso de muerte bacteriana por la acción de un desinfectante a lo

largo de un tiempo de observación, se toman grupos de observaciones a intervalos
adecuados y se logarítmicamente a medida
anotan las proporciones que el tiempo
de observaciones de exposición
negativas (sin creci- aumenta; el lo
miento) en esos grupos.
naturalElde
valor medio
� será defunción
una esos casos λ, decrecerá
lineal logarítmicamen-
del tiempo.
te a medida que el tiempo de exposición aumenta; el logaritmo natural de λ será una
función lineal del Sabemos
tiempo. que la probabilidad de no encontrar bacterias sobrevivientes es :
Sabemos que la probabilidad de no encontrar bacterias sobrevivientes es:
!"
−λ
e = p,
e = p,
! " = log e p
− λ = log e p
" = ! log e p
λ = − log e p
Como debemos usar el logaritmo natural de �, entonces deberemos efectu
Como debemos usar el logaritmo
regresión natural
entre el de yλ,laentonces
tiempo variabledeberemos
predictiva:efectuar una
regresión entre el tiempo y la variable predictiva:
loglog (− log
e (" elog e p)e p ) = log
= log e ! e λ
Cuando esta expresión
Cuando seaesta
igualexpresión
a cero, entonces λ=1,a ycero,
sea igual por loentonces
tanto: �=1 , y por lo tanto :
e "1 = 0.3678794412 ! 0.37, (37%)

EJEMPLO 18: EJEMPLO 18:
TABLA 3
TABLA 3
TIEMPO. Minutos TIEMPO. 15 15 18 18
21 24 21 27 3024 33 27 30
Minutos
Número de muestras negativas 0 3 8 11 13 14 15
Numero 0 3 8 11 13 14
p 0 0.2 0.533 0.733 0.867 0.933 1
de
ln(-ln p) muestras - +0.476 -0.4642 -1.169 -1.947 -2.668 -
negativas
p 0 0.2 0.533 0.733 0.867 0.933
27
ln(-ln p) - +0.476 -0.4642 -1.169 -1.947 -2.668
3841MetodosEstadisticos correguido.indd 27 Encontrar el tiempo en minutos cuando ln(-ln p)=0. 22/4/10 10:45:01
Encontrar el tiempo en minutos cuando ln(-ln p)=0.
Se entiende que el total de muestras tratadas era 15 en cada intervalo de tiempo,

de modo que para la cuarta columna desde la izquierda, p= 8/15 = 0.533, y ln(-ln
0.533)= -0.4642.
Usando cualquier calculadora científica o paquete estadístico para efectuar una re-
gresión lineal por el método de los mínimos cuadrados con los pares de observacio-
nes de la tabla (TIEMPOi, ln(-ln p)i, tendríamos:
Pendiente= -0.2593078
Intercepto= 5.0679863, después de lo cual deberíamos resolver para TIEMPO la

siguiente ecuación de la recta:
0 = 5.0679863 ! 0.2593078 * TIEMPO

(0 ! 5.0679863)
minutos
= 19.54minutos
! 0.2593078
Este es el resultado de Saunders y Fleming (citado) que sin embargo es s
Este es el resultado de Saunders yLo
aproximación. Fleming (citado)
correcto que sin una
es aplicar embargo
serieesdesólo una
iteraciones por el mé
aproximación. Lo correcto es aplicar una serie de iteraciones por el método de máxima
máxima verosimilitud conocido como: método loglog de Mather. Par
verosimilitud conocido como: método
debemos obtenerloglog
todosdelosMather. Paraesperados
valores esto, debemos
de obtener
Y, efectuando : Y=5.0
todos los valores esperados de Y, efectuando:
0.2593078*TIEMPO. Y=5.0679863-0.2593078*TIEMPO.
La nueva regresión será ponderada, esto es, con factores de peso. Para obtener los
La nueva
pesos y la nueva variable regresión será
independiente ponderada,
o predictiva (Yw), esto es , con
deberemos factores
calcular los de peso. Para
siguientes valores:los pesos y la nueva variable independiente o predictiva (Yw), deberemos
los siguientes valores:
Y
P = eY − e = EXP(− EXP(Y )
P = e !e = P EXP(! EXP (Y ))
W =
P1 − P
(log e P2 )2
W = (log e P )
1! P ( p − P)
Yw = Y +
( p ! P)
Yw = Y + ( P * log e P )
( P * log e P )
Donde EXP es la forma computacional de e (e=2.71828182…)
Donde EXP es la forma computacional de e,(e=2.71828182…).
Puede observarse que la nueva variable independiente(Yw) resulta de sumarle a Y
Puede
todo un nuevo término, observarse
como queenlalanueva
puede verse terceravariable independiente(Yw)
expresión recién presentada resulta de sum
arriba. Todos estostodo un senuevo
cálculos término,
presentan como
en la Tabla 4. puede verse en la tercera expresión
presentada arriba. Todos estos cálculos se presentan en la Tabla 4.
TABLA 4 :
P Y P W Yw
0.028 1.1774 0.03893 0.427 1.4855
0.2 0.4 0.225 0.646 0.4745
0.533 -0.377 0.5036 0.477 -0.462
3841MetodosEstadisticos correguido.indd 28 0.733 -1.1542 0.7296 0.268 22/4/10 -1.169
10:45:02
TABLA 4
P Y P W Yw
0.0 1.1774 0.03893 0.427 1.4855
0.2 0.4 0.225 0.646 0.4745
0.533 -0.377 0.5036 0.477 -0.462
0.733 -1.1542 0.7296 0.268 -1.169
0.867 -1.9314 0.865 0.1348 -1.947
0.933 -2.7086 0.936 0.064 -2.66
1.0 -3.4858 0.97 0.03 -4.5
Después de estos laboriosos cálculos, se efectua una nueva regresión con la siguien-
tes variables:
(TIEMPO, Yw, W)
Los nuevos valores esperados se colocarán en la columna Y; se volverán a calcular:

P, W, y nuevamente otra Yw hasta que dos valores sucesivos de pendiente se dife-
rencien por una cantidad muy pequeña. Sólo entonces se estimará el TIEMPO dado
que Y=0.
Semejante cantidad de operaciones es típica de la estadística en microbiología y

ensayos biológicos. El siguiente programa computacional en BASIC para calculadora
CASIO FX -880P ofrece la alternativa de decidir si se debe realizar una iteración o
no.
PROGRAMA 5
810 CLEAR:CLS
815 PRINT “DECAE <exe>”
820 INPUT “No.de Observaciones”; N: DIM X(N, 9): A=0: B=0: C=0: D=0: E=0: F=0: KK=0
830 FOR I= 1 TO N
840 PRINT “ TIEMPO(“; I; “)”;: INPUT X( I, 1 )
850 PRINT “ NEGATIVOS(“; I; “)”;: INPUT X( I, 2 )
860 PRINT “ TOTAL(“; I; “)”;: INPUT X( I, 3 )
870 X(I, 4)=X(I, 2)/ X(I, 3)
880 IF X(I, 4)=0 OR X(I, 4)=1 THEN 910 ELSE 895
895 X(I, 5)=LN(-LN(X(I, 4))): F=F+1
900 A=A+X(I, 1): B=B+ X(I, 5): C=C + X(I, 1)^2: D=D+ X(I, 5)^2: E=E+ X(I, 1)* X(I, 5)
910 NEXT I
920 MX=A/F: MY=B/F: SX=C-A^2/F: SY= D-B^2/F: SXY=E=A*B/F
930 BB=SXY/SX: AA=MY-BB*MX
935 PRINT “Pendiente Preliminar=”; BB,”Intercepto Preliminar=”; AA
940 FOR I=1 TO N
950 X(I, 6)=BB*X(I, 1)+AA
29

960 NEXT I
970 PRINT “BB=”; BB, “AA=”; AA:KK=KK+1
971 IF KK=1 THEN 980 ELSE IF KK>1 THEN 972
972 TIEMPO=(0-AA)/ BB: PRINT “TIEMPO CUANDO Y=0 =”; TIEMPO
973 SE= SQR(1/ G)
974 LS=TIEMPO+1.96*SE: LI=TIEMPO-1.96*SE
975 PRINT “Lim.Superior=”; LS, “ Lim.Inferior=”; LI
980 A1=0: B1=0:C1=0: D1=0: E1=0: G=0
985 FOR I= 1 TO N
990 X(I, 7)=EXP(-EXP(X(I, 6)))
1000 X(I, 8)=X(I, 7)/(1-X(I, 7))*(LN(X(I, 7)))^2
1010 X(I, 9)=X(I, 6)+(X(I, 4)-X(I, 7))/(X(I, 7)*LN(X(I, 7)))
1020 NEXT I
1030 FOR I=1 TO N
1040 A1=A1+X(I, 1)*X(I, 8): B1=B1+X(I, 9)*X(I, 8)
1050 C1=C1+X(I, 1)^2*X(I, 8): D1=D1+X(I, 9)^2 *X(I, 8)
1060 E1=E1+X(I, 1)*X(I, 9)*X(I, 8): G=G+ X(I, 8)
1070 NEXT I
1080 MX=A1/G:MY=B1/G: SX=C1-A1^2/G: SY=D1-B1^2/G
1090 SXY=E1-A1*B1/G: BB=SXY/SX: AA=MY-BB*MX
1094 PRINT “ OTRA ITERACIÓN (S)(N)”;: INPUT K$
1095 IF K$=”S” THEN 940 ELSE 1110
1110 END
Empleando las 7 observaciones de la tabla 4, y el programa 5, tenemos:
No de Observaciones? 7
Tiempo ? 15
Negativos? 0
Total?15
:
:
Tiempo? 33
Negativos? 15
Total? 15
Pend.Prelim.= -0.2593077831
Interc.Prelim.= 5.067986291
Otra It.(S)(N)? S
BB= -0.2924488803
AA= 5.783526508
TIEMPO / Y=0 = 19.776
LS= 21.15
LI= 18.4
Otra It.(S)(N)? S
BB= -0.3
30

AA= 5.96883
TIEMPO/Y=0 = 19.836
LS= 21.275
LI= 18.397
Otra It.(S)(N)? S
BB=-0.32
AA= 5.99
TIEMPO/Y=0 = 19.843
LS= 21.3
LI= 18.385
Otra Iteración.(S)(N)? N
No parece necesario continuar. El tiempo para que quede 1 bacteria viva es de

19.84 minutos, que no es muy diferente del obtenido de la regresión no ponderada,
(19.54). Esta reducida diferencia se debe a que Saunders y Fleming presentaron un
ejemplo artificial.
En la práctica, la diferencia puede ser muy importante y eso hace necesario usar un
número grande de iteraciones hasta obtener convergencia satisfactoria.
Sin duda existe siempre el peligro de usar un modelo inadecuado; eso obliga al
investigador a no usar métodos estadísticos mecánicamente ni procedimientos que,
se sabe, son aproximados.
El mismo programa 5 puede usarse con recuentos celulares, trocando la variable

TIEMPO por los recuentos de células.
Este último caso se denomina: Análisis de Dilución Límite (COPE Cytokines Online
Pathfinder Encyclopedia).
Supongamos que consideramos el número de células troncales hematopoyéticas

(Stem Cells) existentes en una preparación de médula ósea. No sería posible esti-
mar el verdadero número de stem cells si empleásemos el recuento de colonias que
crecieron como ya vimos que se hacía con bacterias. La razón es que, cada stem cell
dará origen a múltiples tipos de células progenitoras, las cuales, a su vez originarán
varias colonias cuyo recuento final no nos informará sobre el número original de
stem cells que había en el cultivo. El procedimiento usa varias diluciones de la sus-
pensión celular, cada una de las cuales es sembrada en varias cavidades de las 96
que poseen las microplacas de tipo estándar. Después de un período de incubación
adecuado, se encontrarán en cada grupo de dilución, cavidades con y sin colonias.
Si se grafican: el número de células que se sembró por dilución, contra el logaritmo

negativo de la proporción de cavidades SIN colonias, se puede obtener una recta
que pasa por el origen de las coordenadas, y en ella es posible interpolar el número
original de células, de las cuales el 37% NO tiene colonias. Esto, como ya vimos,
es:
31

Si se grafican : el número de células que se sembró p
logaritmo negativo de la proporción de cavidades SIN colon
una recta que pasa por el orígen de las coordenadas,
interpolar el número original de células, de las cuales el 37
Esto, como ya vimos, es:
e "1 ! 0.37
Cuando podemos interpolar el punto correspondiente
Cuando podemosa interpolar
37% de cavidades
el puntosin correspondiente
colo- a 3
nias, estaremos conociendo qué concentración de células sembradas
colonias, estaremos contendrá,
conociendo qué porconcentración de
lo menos UNA stem cell viva. contendrá, por lo menos UNA stem cell viva.
¿Por qué hay que usar las frecuencias de cavidades negativas? Si hubiésemos usado
¿Por qué hay que usar las frecuencias de cavidades nega
las positivas, nunca habríamos sabido si una o más células precursoras en una cavi-
usado las positivas, nunca habríamos sabido si una o más c
dad eran responsables por una respuesta positiva.
una cavidad eran responsables por una respuesta positiva.
EJEMPLO 19:
EJEMPLO 19:
En la Tabla 5 se muestran: el número de Tabla
En la cavidades negativas
5 se y el número
muestran: de cavi-
el número de cavidades nega
dades sembradas con las concentraciones usadas.
cavidades sembradas con las concentraciones usadas.
Estos datos proceden de un caso publicado en la página Web (copewithcytokines.de/
cope.cgi?3735) aunque, para este Estos
ejemplo, datos
han sido proceden de un caso
ligeramente modificados. publicado e
(copewithcytokines.de/cope.cgi?3735) aunque, para este
¿Cuál es la concentración de células que permite
ligeramente asegurar que, en ella hay por lo
modificados.
menos una célula troncal (Stem cell)?.
¿Cuál es 5la concentración de células que permite asegurar q
Tabla
menos una célula troncal (Stem cell)?.
Concentración celular Nº Cavidades Negativas Nº Cavidades Sembradas
20000 9 24
40000 5 18
60000 4 18
80000 3 18
100000 1 18
Usando el programa 5, obtenemos los siguientes resultados:
Tiempo1? 20000
Negativas1? 9
Total1? 24
:
:
Tiempo5? 100000
Negativas5? 1
Total5? 18
Pendiente Prelim.= 0.00001248546
Intercepto Prelim.= -0.292928735
32

Otra It.(S)(N)? S
BB= 0.000012228383
AA= -0.28455963
Tiempo/ Y=0 = 23270 células
LS= 23271 células
LI= 23269 células
Otra It.(S)(N)? S
BB= 0.00001222171
AA= -0.28414062
Tiempo/ Y=0 =23249 células
LS= 23250 células
LI= 23248 células
Otra It.(S)(N)? N
Sembrando alrededor de 23 250 células tendremos una buena probabilidad de aislar

una stem cell con las características de interés.
33

CAPÍTULO 2. ENSAYOS BIOLÓGICOS
Ahora bien, ello implica que,

tras repeticiones adicionales
–tras la repetición de las repeticiones–,
la estadística muestra a su vez una
tendencia hacia la estabilidad.
Karl Popper. Un Mundo de Propensiones.
2.1. Ensayos “Quantal”, de “Todo o Nada”,

“Dicotómicos” o “Cualitativos”. Cálculo de la Dosis
Efectiva 50% (DE 50)
Los medicamentos o productos químicos cuya potencia no puede determinarse por
métodos físicos o químicos sino sólo por ensayo en seres vivos, reciben el nombre
de: Biológicos. Entre éstos están algunos antibióticos, varias vacunas; sueros anti-
venenos de arañas y escorpiones, sueros antitetánicos y antidiftéricos, substancias
diagnósticas como la tuberculina e insecticidas de uso agrícola que se valoran en
moscas.
En el caso que nos interesa, se aplican dosis decrecientes del biológico de interés
a grupos de animales de laboratorio, y luego, a lo largo de un número estipulado
de días, se cuentan las proporciones de animales que dieron respuesta positiva:
Muertes si interesa la letalidad del biológico o sobrevivientes si interesa la capacidad
protectora como ocurriría con vacunas o algún suero antitetánico. Así, la respuesta
es dicotómica, ya que sólo tiene dos posibles resultados: uno positivo al que se le
otorga valor 1, y uno negativo que se codifica como cero.
El caso típico se muestra en la siguiente tabla:
TABLA 6
Dosis Inoculados Día Día Día Día P P*(1-P)

1 2 3 4 muertes
1/10 20 3 7 8 2 20/20 0
1/20 20 1 4 6 2 13/20 0.2275
1/40 18 0 2 3 1 6/18 0.2222
1/80 24 0 0 1 0 1/24 0.03993
Con un número muy grande de dosis se obtiene una curva sigmoídea al graficar la
proporción de animales positivos contra la dosis expresada logarítmicamente. Esa
35

sigmoide que es muy semejante a la de la curva normal acumulada (y también a la

curva logística y a cierta curva trigonométrica), puede verse en la siguiente figura:
Figura 4
FIGURA 4
1
0.9
0.8
0.7
0.6
P
0.5
0.4
0.3
0.2
0.1
0
0 2 4 6 8
Logdosis
Puede advertirse que hay una parte central de la curva, a la cual se podría ajustar
una línea recta. Los extremos son aplanados, y en ellas el paso de una dosis a otra
Puede advertirse
muestra que haydeuna
poco aumento parte central
la respuesta de la curva,que
P. Considerando a lael cual
50% se
de podría ajustar
positividad
unase línea
produce en el centro del segmento más recto de la sigmoidea, es intuitivamente a
recta. Los extremos son aplanados , y en ellas el paso de una dosis
otra,deseable
muestra pocolaaumento
estimar dosis que de la respuesta
generó P. de
esa respuesta Considerando que elDe50%
50% de positividad. ahí de
positividad
lo que sese produce
conoce comoen DEel50%,
centro del segmento
y la necesidad más con
de trabajar rectolosde la sigmoidea,
logaritmos de las es
intuitivamente
dosis puestodeseable estimar
que, de otra manera, la ladosis
curvaque
seríageneró esa asimétrica
fuertemente respuestay depor 50%
ello, de
positividad.
inadecuada Depara
ahí lo que se conoce
la estimación como DE 50%, y la necesidad de trabajar con
requerida.
los logaritmos de las dosis puesto que, de otra manera, la curva sería fuertemente
Generalmente,
asimétrica las dosis
y por ello, se diluyen:
inadecuada paradela
2 en 2, de 5 enrequerida.
estimación 5; de 10 en 10, según un fac-
tor de dilución (D), que se determina experimentalmente para obtener respuestas
(P) que abarquen el rango: 0≤ P ≤1. Las diluciones de 2 en 2, se dice que son de
Generalmente, las dosis se diluyen : de 2 en 2, de 5 en 5; de 10 en 10, según un
factor de dilución 2–en inglés:”twofold dilution”–; las otras son de factor 5 (“fivefold”),
factor de dilución (D), que se determina experimentalmente para obtener
de factor 10 (“tenfold”) etc.
respuestas (P) que abarquen el rango: 0� P �1 . Las diluciones de 2 en 2, se dice
queExisten
son demuchos
factor de dilución
métodos 2-en
para inglés:”twofold
estimar dilution”-;
la DE 50 como: las otras son
Reed-Muench, de factor
Dragsted-
Behrens; Spearman-Karber(S-K),
5 (“fivefold”), de factor 10 (“tenfold”)Probits,
etc. Logits; Transformación Angular, y otros
de más reciente desarrollo: Weybits, Aranda-Ordaz,etc. (Morgan,B.,1992).
Existen muchos métodos para estimar la DE 50 como: Reed-Muench, Dragsted-
El de Reed-Muench ha sido usado con porfía por los virólogos pese a que los es-
Behrens; Spearman-Karber(S-K), Probits, Logits; Transformación Angular, y otros
tadísticos lo han criticado severamente y no lo recomiendan (Finney,D.,1971) y
de más reciente desarrollo: Weybits , Aranda-Ordaz ,etc. (Morgan,B.,1992).
también Govindarajulu (Govindarajulu, Z.,1988) quien hasta lo declara ineficiente
junto con el Dragsted-Behrens que le está muy relacionado. Todos estos autores
El de Reed-Muench
destacan la calidadha
delsido usado con porfía método
Spearman-Karber(S-K), por los no-paramétrico
virólogos pesebastante
a que los
estadísticos
robusto. lo han criticado severamente y no lo recomiendan, (Finney,D.,1971)y
también Govindarajulu,(Govindarajulu,Z.,1988) quién hasta lo declara ineficiente
junto con el Dragsted-Behrens que le está muy relacionado. Todos estos autores
destacan la calidad del Spearman-Karber(S-K), método no-paramétrico bastante
robusto.
Los métodos: Probit, Logit y Transformación

36 Angular, han sido empleados
profusamente en ensayos biológicos, y son recomendados por la Organización
Mundial de la Salud (OMS.Serie de Informes Técnicos 800).
Los métodos: Probit, Logit y Transformación Angular han sido empleados profusa-
mente en ensayos biológicos, y son recomendados por la Organización Mundial de
la Salud (OMS. Serie de Informes Técnicos 800).
Los autoresJoseph Berkson

citados tienen (Berkson,J.,1957),
una buena talvez
opinión del método por
Logit la mismaporrazón
desarrollado Jo- que tienen lo
seph Berkson (Berkson,J.,1957),
usuarios talvezlogística
de la regresión por la misma razón
de tanta que tienen los
importancia en usuarios
Epidemiología.
de la regresión logística de tanta importancia en Epidemiología.
2.1.1.- El Método de Spearman-Karber.
2.1.1. El Método de Spearman-Karber
Si las
Si las Xi dosis Xi dosis
no están muyno están muydeespaciadas,
espaciadas, modo que PQ deseamodo que PQ sea
prácticamente ceropracticamente ce
fueradedel
fuera del rango Xi,rango delos
y todos XiNi, yindividuos
todos losson
Ni iguales,
indivíduos son iguales,
entonces: la sumaentonces:
de la suma d
los Pi y la suma de lo productos XiPi pueden ser reemplazados
los Pi y la suma de los productos XiPi pueden ser reemplazados por las integrales por las integrale
adecuadas usando la fórmula de Euler-MacLaurin. Por
adecuadas usando la fórmula de Euler-MacLaurin. Por ejemplo, si Xi es la i-ésima ejemplo, si Xi es la i-ésim
dosis, D es el factor de dilución, y Ri de Ni indivíduos responden
dosis, D es el factor de dilución, y Ri de Ni individuos responden a la Xi dosis (i= a la Xi dosis (
1,…..,K),
1,…..,K), entonces: entoces:
#1
[
P = 1 + e # $ ( x#µ ) ] , µ = #% / $
Xk K Xi +D / 2
µ = DE 50 = " XdP = ! " XdP

0 i =1 X i #1 + D / 2
K
µ # ! [( X i + D / 2) Pi " ( X i "1 + D / 2) Pi "1 " DPi ]
i =1
K
µ = X K + D / 2 " D ! Pi , factorizando :
i =1
K
µ = X K " D ! [Pi " 1 / 2]
i =1
Donde: Xk=Donde:Xk=
Log10 de la Log10
dosis más
de concentrada
la dosis másque genera 100%
concentrada de genera
que positividad o de positividad
100%
casi 100%. casi 100%.
D= Log10 del factor de dilución que en este caso es 2 (Log10(2)=0.30103)

D=Log10 del factor de dilución que este caso es 2, (Log10(2)=0.30103)
P= Proporción de Positivos/Inoculados.
P=Proporción de Positivos/Inoculados.
½= Constante.
!=Constante.
EJEMPLO 20:
Con los datos de la Tabla 6, tenemos:
37
Log10(DE50)=Log10(1/10)-Log10(2)*(20/20+13/20+6/18+1/24-0.5)
EJEMPLO 20:
Con los datos de la Tabla 6, tenemos:
Log10(DE50)=Log10(1/10)-Log10(2)*(20/20+13/20+6/18+1/24-0.5)
Log10(DE50)= -1- 0.30103*( 2.025- 0.5)= - 1.45907075
De donde, tomando antilog, resulta: DE50= 0.03475 mL = 1/28.8 como dilución.
También es posible obtener el error estándar de la DE50 mediante la siguiente ex-

presión:
QQ"
PQ
"
SE"
PP
=D i
i
i
i
i
i i
, donde, con los valores: P*Q de la Tabla 6, obtenemos:

SESE= =DD i i n ! 1 con los valores: P*Q de la Tabla 6, obtenemos:
, donde,
n n! 1! 1 , donde, con los valores: P*Q de la Tabla 6, obtenemos:
, donde, con los valores: P*Q de la Tabla 6, obtenemos:
0.2275 0.2222 0.03993
SE = 0.30103 *
0.02275
.2275+ 019.02222+ 0.003993
.2222 +
.03993 = 0.04926
SESE= =0.030103 *
.30103 * 19 + 17 + 17
+ 23 = 0
23 .04926
= 0.04926
19 17 23
Este es el error estándar del logaritmo de la DE50, por lo tanto, para calcular lo
Este
EsteEstees el error
límites
es eleserror
el estándar
estándar
error del del
deestándar logaritmo
confianza(95%)
logaritmo
del de lade
deberemos
logaritmo la laDE50,
DE50,
de por lo por
hacer:
DE50, lo lo
tanto,
por tanto,
para para
calcular
tanto, para calcular loslos
loscalcular
límites
límites de confianza(95%)
de confianza
límites deberemos
(95%) deberemos
de confianza(95%) hacer:
hacer: hacer:
deberemos
Lím.
Lim.SupSup. = 10 ( !+11..45907075
( !1..45907075
+1.96*0.04926 )
96*0.04926 ) = 0.0434
Lim.Sup
Lim.Sup . = 10
. =Inf.
10 ( !1.45907075+1.96*0.04926= ) 0.0434
!1.96*0= 0.0434
Lím.
Lim.Inf = 10 ( !!11..45907075
( !1..45907075 96*0.04926 )
.04926 )
= 0.02782
Lim. Inf . = 10
Lim.InfEn. =el 10 ( !1.45907075!1.96*0.04926=
Apéndice 1 se presenta el =
) 0.02782
0.02782
método Spearman – Karber Trimmed ,
EnEn el el
elEn Apéndice
Apéndice 1 se1presenta
Apéndice se presenta
1 se el el
método
el método
presenta Spearman
Spearman
método – Karber–Trimmed,
Spearman Karber Trimmed
– Karber , ,
Trimmed
2.1.2. El Método
2.1.2. Logit
El Método Logit.
2.1.2.
2.1.2. ElEl Método
Método Logit.
Logit.como veremos, dos usos diferentes; el primero de ellos es
El programa 6 tiene,
El programa
para estimar la DE50 por el 6 Método
tiene, como veremos,el dos
Logit mediante usos“Score
llamado: diferentes;
Method”. el El
primero de ellos
El
segundo programa para 6
tiene que6 ver
El programa tiene,
estimar
tiene, como
la
con comoDE50veremos,
por
la estimación
veremos,el dos
Método
del valorusos diferentes;
Logit mediante
D, quediferentes;
dos usos es el tiempo el elprimero
llamado:
el en de
minutosde
primero ellos
“Score elloses
Method”.
es
para
en para estimar
que una la
segundo DE50
concentración
estimar la DE50detieneporporel
que Método
ver
esporas con Logit
la mediante
estimación
termorresistentes
el Método Logit mediante el
del llamado:
valor
es reducida
el llamado:D “Score
que
en una es, Method”. El
unidadMethod”.enElminut
“Score el tiempo
segundo
logarítmica
segundo tiene
entiene
cuandoque queuna
está
que ver con
sometida
ver conla la
aestimación
concentración una deldel
de esporas
temperatura
estimación valor
muy
valorD
altaque
D en
que es,es,
termorresistentes
un el eltiempo
autoclave.es enen
reducida
tiempoEsto minutos
en una unida
minutos
en
es, en que
porque una
ejemplo, concentración
bajar desde, digamos:
logarítmica
una concentración cuando de esporas
está
de esporas termorresistentes
cien mil
sometida esporas a diez mil
a una es
temperatura
termorresistentes reducida
esen en
un tiempo
reducidamuy una unidad
en t,una unidad
alta en un autoclav
logarítmica
estando a 180°
logarítmica cuando
EstoC. es, porestá
cuando está sometida
ejemplo,
sometida a una
bajara desde, temperatura
digamos: cien
una temperatura muy alta
muy mil en un
altaesporas autoclave.
a diez mil en u
en un autoclave.
Esto es,
Esto es, por
tiempo ejemplo,
t
por ejemplo,, bajar
estando a
bajar desde,
180° C. digamos:
desde, digamos: cien
cienmil esporas
mil esporas a diez
a diez mil milenenunun
Eltiempo
núcleo de cálculo
t , testando del “score”
a 180° fue
C.C. desarrollado por Byron Morgan (citado) para ve-
tiempo
rificar la calidad , estando
del ajuste a 180°
del modelo a los datos (líneas 1160 a 1420). El resto del
El núcleo de cálculo del “score” fué desarrollado por Byron Morgan (citado) pa
programa ha sido agregado por el autor de este librito para calcular una DE50 con
ElEl núcleo dedecálculo
verificar deldel“score” fué desarrollado porlosByronByronMorgan (citado) para
límites núcleo
de confianza, ylaelcalidad
cálculo valor del
paraajuste
D“score” fué
estudios del demodelo
desarrollado a
inactivaciónpor datos,(lineas
térmica. Morgan
El 1160
programa a 1420).
(citado) paraEl res
verificar
verificardella calidad
programa
la calidad del ajuste
delha del
sido del
ajuste modelo
agregado
modelopora los datos,(lineas
el autor
a los 1160
de este 1160
datos,(lineas a 1420).
librito apara
1420). El resto
calcular
El restouna DE5
deldel programa con ha sido
límites agregado
de confianza,por el
y autor
el de
valor este
D paralibrito
programa ha sido agregado por el autor de este librito para calcular una DE50 para
estudios calcular
de una
inactivación DE50 térmica.
con conlímites dedeconfianza,
programa
límites 7 que yseyeldetalla
confianza, elvalor
valorD Dpara
paraestudios
posteriormente,
estudios dadede inactivación
inactivacióntérmica.
exactamente mismoElresultad
eltérmica. El
programa 7 7que
pero quesesedetalla
permite detallaposteriormente,
explicar como da procedimiento
exactamente
exactamenteeliterativo.elmismo
mismoresultado,
programa 38funciona elda
posteriormente, resultado,
peropero permite
permite explicar
explicar como
como funciona
funciona el el
procedimiento
procedimiento iterativo.
iterativo.
PROGRAMA 6:
PROGRAMA
PROGRAMA 6:
3841MetodosEstadisticos correguido.indd 38 6: 22/4/10 10:45:06
7 que se detalla posteriormente, da exactamente el mismo resultado, pero permite

explicar cómo funciona el procedimiento iterativo.
PROGRAMA 6
1020 CLEAR: CLS

1021 PRINT “DE 50%, Método LOGIT <exe>”
1022 PRINT “No. de Dosis”;: INPUT K
1025 DIM Q(K), N(K), R(K), X(K), P(K), XX(2, 2), BB(2, 1), XY(2, 1)
1050 INPUT “No.Esporas/Ampolla”; JW: QWE= (0.2507+LOG(JW)
1070 FOR I= 1 TO K
1110 PRINT “DOSIS(“; I; “)”;: INPUT X(I)
1123 NEXT I
1124 FOR I=1 TO K
1125 PRINT “Positivos en DOSIS(“; I; “)”;:INPUT R(I)
1127 PRINT “Inoculados en DOSIS(“; I; “)”;: INPUT N(I)
1130 NEXT I
1132 GOTO 1142
1142 A=1: B=0
1160 FOR J=1 TO 100
1170 D1=0: D2=0: B1=0: B2=0: B4=0
1220 FOR I=1 TO K
1230 A1=EXP(-A)
1240 P(I)=1/(1+A1*EXP(-B*X(I)))
1250 Z=R(I)-N(I)*P(I)
1260 D1=D1+Z
1270 D2=D2+Z*X(I)
1280 Q(I)=P(I )
1290 P(I)=P(I)*(1-P(I)*N(I)
1300 B1=B1+P(I)
1310 B2=B2+P(I)*X(I)
1320 B4=B4+P(I)*X(I)*X(I)
1330 NEXT I
1340 W=B1*B4-B2*B2
1350 C1=B4/W
1360 C2=-B2/W
1370 C4=B1/W
1380 A=A+C1*D1+C2*D2
1390 B=B+C2*D1+C4*D2
1400 CLS
1405 IF Q(1)>= 0.999999 THEN 1430
1410 IF ABS(D1)< 0.00001 THEN 1430
1420 NEXT J: GOTO 1430
1430 PRINT “ D1=”; D1
1440 C1=0
39

1450 L=0
1460 CLS: FOR I=1 TO K
1470 PRINT “ Dosis(“;I; “)”; X(I), “:Frecuencia Observada:”; R(I); “:F.Esperada=”; Q(I)
1480 C1=C1+(R(I)-Q(I)*N(I))*(R(I)-Q(I)*R(I)) / (Q(I)*N(I))
1490 L=L-(R(I)*LN(Q(I))-(N(I)-R(I))*LN(1-Q(I))
1500 NEXT I
1510 CLS: PRINT “Ji cuadrado de Ajuste=”; C1
1520 PRINT “ Logaritmo de Verosimilitud=”; L
1522 PRINT “Intercepto=”; A,” Pendiente=”; B
1523 PRINT “LOG10 DE50%=”; -A/B,” DE 50%=”; 10^(-A/B)
1524 PRINT “Valor D=”; (-A/B) / QWE
1530 XX(1,1)= B1: XX(1,2)=B2: XX(2,1)=B2: XX(2,2 )=B4: BB(1,1)=A: BB(2,1)=B
1540 FOR I=1 TO 2
1545 FOR J=1 TO 1
1550 S=0
1555 FOR V=1 TO 2
1560 S=S+XX(I,V)*BB(V,J)
1565 NEXT V
1570 XY(I,J)=S
1575 NEXT J
1577 NEXT I
1580 MY=XY(1,1) / XX(1,1): SX=XX(2,2)-(XX(1,2))^2 / XX(1,1)
1585 SE= (1/XX(1,1)+(MY/B)^2 / SX)/B^2: SEX=SQR(SE): PRINT “Error Estándar de la Potencia=”;
INT(SEX*10000000+0.5)/10000000
1590 LS=10^((-A/B)+1.96*SEX): LI=10^((-A/B)-1.96*SEX)
1595 PRINT “LS=”, LS, “ LI=”; LI
1600 PRINT “Lim.Sup. del Valor D=”; LOG(LS)/QWE
1610 PRINT “Lim.Inf. del Valor D=”; LOG(LI)/QWE
1617 END
EJEMPLO 21:
Supongamos los siguientes datos de titulación de virus rábico:
TABLA 7
Log10(DOSIS) Muertos Inoculados

-4 10 10
-5 8 10
-6 4 11
-7 1 10
Número de Dosis? 4
Nº Esporas/Ampolla? 1000,(Cualquier número si sólo se desea calcular DE50)
40

Las dosis se entrarán como están escritas en la tabla porque son logaritmos, y por
ello, ya se encuentran a una distancia igual entre ellas.
Dosis(1)? -4
Dosis(2)? –5
Dosis(3)? –6
Dosis(4)? –7
Posit. (1)? 10
Inocul.(1)? 10
:
:
Inocul.(4)
Ji cuadrado: 0.1303760973
Log Verosimilitud= 15.80890593
Intercepto= 11.77
Pendiente= 2.03991489
Log10 DE50= -5.76992, que se expresa como: 5,76992
DE50= 0.00000169855
Valor D= - 1.77498, (Sólo interesa cuando se trabaja con inactivación de esporas)
Lim.Sup.= 0.00000458, log10= -5.34,( 5.34, con signo(+))
Lim Inf.= 0.00000063, log10= -6,2, ( 6.2 “ “ “)
L.Sup.de D= -1.6425
L.Inf. de D= -1.90746
A continuación, usaremos el programa 6 con los datos de la tabla 6. Dado que

las dosis están expresadas en valores aritméticos, deberemos obtener sus loga
ritmos decimales antes de teclear las observaciones en el computador. Una nota
de advertencia: Si las dosis están expresadas aritméticamente como por
ejemplo: 3, 4, 5, 6, etc., no se deben transformar a logaritmos, puesto que
ya están separadas por una distancia igual y constante. Esa transforma-
ción es indispensable cuando las dosis son crecientes, como ocurre, por
ejemplo, en la serie: 1/10, 1/20, 1/40, en la cual cada dosis está dos veces
más diluida que la anterior (factor de dilución=2), o en otro caso como:
1000, 200, 40, 8 en la que cada dosis está cinco veces más diluida que la
anterior (factor de dilución=5).
Dosis(1)? –1.0
Dosis(2)? –1.301
Dosis(3)? –1.602
Dosis(4)? –1.903
Positivos(1)? 20
Inocul(1)? 20
:
:
Incul(4)? 24
41

Ji cuadrado= 0.4986
Log Verosimilitud= 30.03
Intercepto= 9.872
Pendiente= 6.775
Log10 de la DE50= -1.457
DE50= 0.0349, (Compárese con la DE50 obtenida con el método S-K )
:
Lim.Sup.de la DE50= 0.0434
Lim.Inf.de la DE50= 0.028
Puede verse la extraordinaria concordancia de estos resultados con los obtenidos

con el método de Spearman y Karber(S-K). Sin embargo, no siempre se cumple
esta situación. La Organización Mundial de la Salud tiene razón al preferir el método
Logit, puesto que hay casos en que las proporciones (positivos / Inoculados) no
son estrictamente decrecientes como se puede ver en la Tabla 8, y en esos casos el
método S-K debe corregirse con un procedimiento llamado ABERS, que se explicará
a continuación.
EJEMPLO 22:
TABLA 8
Antes del ABERS Después del ABERS

Dosis Inoculados Vivos P Inoculados Vivos P
1 6 0 0 6 0 0
2 6 0 0 6 0 0
4 6 1 0.1667 12 1 0.0833
8 6 0 0 12 1 0.0833
16 6 2 0.333 6 2 0.3333
32 6 4 0.667 6 4 0.6667
64 6 4 0.667 6 4 0.6667
128 6 6 1.0 12 11 0.9167
256 6 5 0.833 12 11 0.9167
Examinemos las proporciones P de vivos antes de aplicar el ABERS. Donde debiera

haber un aumento de los valores P, desde la dosis 1 hasta 256, vemos raras oscila-
ciones. Estas perturbaciones, cuando se producen, causan largas discusiones entre
los responsables del control de calidad. No siempre se deben a errores de inocula-
ción, sino a que simplemente se trata de una característica propia del material cuya
toxicidad estamos estimando, como ocurre con los venenos de arácnidos. El hecho
es que baja la eficiencia del modelo S-K, y ahí se hace necesaria la corrección. Ella
consiste en usar la expresión:
42

discusiones entre los responsables del control de calidad. No siempre se deben a
errores de inoculación, sino a que simplemente, se trata de una característica
propia del material cuya toxicidad estamos estimando, como ocurre con los
venenos de arácnidos. El hecho es que baja la eficiencia del modelo S-K , y ahí se
hace necesaria la corrección. Ella consiste en usar la expresión:
ri ! ri +1
ri − ri +1 , Donde r denota la variable de interés (vivos en este caso), y n denota
ni + ni +1
ni + ni +1 , Donde r denota la variable de interés (vivos en este caso), y n denota
los inculados.
los inoculados.
Cada vez que el P desciende en vez de seguir aumentando como se ve entre las
Cada vez que el P desciende en vez de seguir aumentando, como se ve entre las
dosis 128 y 256, se suman los vivos , y el valor resultante se divide por la suma de
dosis 128 y 256, se suman los vivos, y el valor resultante se divide por la suma de
los inculados:
los inoculados:
6 + 5 11
= , después se substituyen los datos originales otorgando 11 vivos a cada
6 + 6 12 , después se substituyen los datos originales otorgando 11 vivos a cada
dilución,y 12
dilución, y 12 “inoculados”
“inoculados” a una
a cada cadade una de las
las dosis dosis involucradas,
involucradas, como puede
como puede verse
en la última
verse columna
en las últimaacolumna
la derecha de derecha
a la la tabla 8.de la tabla 8.
El procedimiento se aplica luego a todos los casos similares.

El procedimiento se aplica luego a todos los casos similares.
2.1.3. El valor D en termorresistencia de esporas
2.1.3.- El valor D en termorresistencia de esporas.
Veamos ahora un caso de estimación del valor D en la tabla 9 para establecer el
tiempo
Veamosnecesario
ahora para reducir
un caso deen un 90% la del
estimación concentración
valor D eninicial de esporas:
la tabla 9 para establecer el
tiempo necesario para reducir en un 90% la concentración inicial de esporas:
Sólo se indicarán los resultados pertinentes a la situación que nos interesa.
Sólo se23:indicarán los resultados pertinentes a la situación que nos interesa.
EJEMPLO
TABLA 9
Tiempo de Esterilización No.de Ampollas No.de Ampollas

Expuestas (n) Sin Crecimiento(r)
18 minutos 20 0 41
20 20 0
22 20 1
24 20 7
26 20 15
28 20 19
30 (Uk) 20 20
32 20 20
Supongamos que las 120 ampollas fueron llenadas con 1 millón de esporas cada
una. Las esporas pertenecen a un microorganismo termorresistente (B. stearother-
mophylus). Se colocan todas las 120 ampollas en un baño de glicerina a una tempe-
ratura semejante a la de un autoclave, y luego se retiran 20 de ellas cada 2 minutos;
se enfrían rapidamente, se siembran individualmente en un medio de cultivo ade-
cuado, y después de algunos días se anota el número de ampollas que no generaron
crecimiento (esporas muertas).
43

¿Cuál es el tiempo D en minutos para reducir la concentración de esporas en un 90%

(1 unidad Log10)?
El sistema de cálculo se denomina LSKP (Limited Spearman Karber Procedure). Sin

embargo, a pesar del nombre, es más fácil ejecutarlo con el programa 6 (LOGIT).
D=3.967364 minutos,(S-K = 3.97)

Lim.Sup.= 4.0667 minutos, (S-K = 4.07)
Lim.Inf. = 3.8684 minutos, (S-K = 3.86)
Una excelente concordancia. Hemos determinado que, en 4 minutos a partir de los

18 iniciales, se inactiva el 90% de las esporas.
Nota: El rango de tiempos usado en el cálculo fue de 18 a 30 minutos porque los dos
extremos (18 y 32 minutos) generaron respuestas redundantes.
El siguiente programa en BASIC para calculadoras CASIO FX-880P es una versión de

este autor, del LOGIT por el método iterativo aplicado al mismo ejemplo que Berkson
publicara en 1957 (Berkson;1957). Ese ejemplo se muestra en la tabla 10.
TABLA 10
Dosis Inoculados Muertos P(proporción)

9 8 8 1.00
8 8 7 0.875
7 8 3 0.375
6 8 3 0.375
5 8 2 0.25
4 8 0 0.00
3 8 0 0.00
Nótese que las dosis están a distancia constante y que por eso no es necesaria la
transformación logarítmica
PROGRAMA 7
1210 CLEAR: CLS

1215 PRINT “LOGIT <exe>”
1220 INPUT “No.Observaciones”; N: DIM X(N, 9): A=0: B=0: C=0: D=0: E=0: F=0: PP=0: PX=0
1230 FOR I= 1 TO N
1240 PRINT “DOSIS(“; I; “)”;: INPUT X(I,1 )
1250 PRINT “POSITIVOS(“; I; “)”;: INPUT X(I, 2 )
1260 PRINT “INOCULADOS(“; I; “)”;: X(I, 3 )
1270 X(I, 4)=X(I,2) / X(I,3): Q=1-X(I,4): PP=PP+ X(I,4):PX=PX+X(I,4)*X(I,1)
44

1280 IF X(I,4)=0 OR X(I,4)=1 THEN 1310 ELSE 1295

1295 X(I,5)=LN(X(I,4)/Q): F=F+1
1300 A=A+X(I,1): B=B+X(I,1)^2: C=C+X(I,5): D=D+X(I,5)^2: E=E+X(I,1)*X(I,5)
1310 NEXT I
1320 MX=A/F: MY=C/F: SX=B-A^2/F: SY=D-C^2/F: SXY=E-A*C/F
1330 BB=SXY/SX: AA= MY-BB*MX
1335 PRINT “Ecuación Preliminar(“; BB;” *X + “; AA; “)”
1337 A=0:B=0: C=0: D=0: E=0: G=0: KK=0: TT=0: C1=0: E1=0
1340 FOR I= 1 TO N
1345 X(I,6)=BB*X(I,1) +AA
1346 X(I,7)=1/(1+EXP-(X(I,6))): X(I,2)=1-X(I,7)
1347 IF Q$=”S” THEN 1350 ELSE 1355
1350 X(I,8)=X(I,7)*X(I,2): GOTO 1357
1355 X(I,8)=X(I,7)*X(I,2)*X(I,3)
Donde X(I,3) es el número de individuos usados por dosis del material en

estudio.
1357 A=A+X(I,1)*X(I,8): B=B+X(I,1)^2*X(I,8): C=C+X(I,7)

1358 D=D+X(I,7)^2*X(I,8): E=E+X(I,1)*X(I,7): G=G+X(I,8)
1359 C1=C1+X(I,7)*X(I,8): E1=E1+X(I,1)*X(I,7)*X(I,8)
1360 NEXT I
1390 MX=A/G: MY=C/G: SX=B-A^2/G: SY=D-C1*C1/G: SXY=E1-A*C1/G
1410 Y=PX-E: YY=A*(PP-C)/G: YYY=Y-YY
1412 B2=(SXY)^2/SX: C2=B2/(B2-1.96^2): LAM=1/BB: PRINT “B2=”;B2,”C2=”; C2,”LAM=”; LAM
1415 DB=YYY/SX: KK=BB+DB: BB=KK
1420 DA=(PP-C-DB*A)/G: TT=AA+DA:AA=TT
1430 PRINT “Nueva Pendiente=”; BB, “Nuevo Intercepto=”; AA
1435 IF Q$=”N” THEN 1460 ELSE 1440
1440 PRINT “OTRA ITERACIÓN (S)(N)”;: INPUT Q$
1450 GOTO 1337
1460 DE=-AA/BB: PRINT “Log DE50=”; DE
1470 SCx=SQR(1/BB^2*(1/G+(MY/BB)^2/SX))
SCx es el error estándar de (-a/b) según Govindarajulu (Govindarajulu,1988).
1480 LS=DE+1.96*SCx: LI=DE-1.96*SCx
LS es el límite sup. de confianza; LI es el inferior.
1490 PRINT “ SE(-a/b)=”; SCx, “LS=”; LS, “LI=”; LI

1492 JI2=SY-(SXY)^2/SX: PRINT “JI cuadrado(“;N-2;”GL)=”; JI2
JI2 es una medida de ajuste lineal.
1500 END
45

Se dará con el mayor detalle posible todo el desarrollo del método debido a que éste
no se explica con claridad en la literatura disponible.
Para empezar, se obtienen: La pendiente y el intercepto de una línea de regresión

simple. La variable predictiva (independiente) es X(I,1) = Logaritmo decimal de la
Dosis. La variable respuesta es X(I,5)= log e (P / Q ), llamada Logit, donde P es la
proporción de positivos/inoculados que se muestra en la línea 1270: X(I,4)=X(I,2)/
X(I,3), y Q= 1-X(I,4).
Como no hay Logits para P= 1 ó P=0, el programa ignora estos casos en la línea
1280 y crea un sumador (F=F+1) que acumula el número de observaciones para las
n
cuales se pudieron calcular Logits. PP es
P=1 y P=0.
∑ P , usando TODOS los P, incluyendo los
i =1
Por su parte, PX es el producto de TODOS los P por X(I,1), sin excepciones.
A, B, C, D y E son sumatorias de: X(I,1), X(I,1)^2, del Logit X(I,5), X(I,5 )^2,
y de X(I,1)* X(I,5), respectivamente.
En las líneas 1320 a 1335 se calculan: Las medias de X(I;1) y X(I,5), la suma de
cuadrados (SX) de X(I,1), (SY) de X(I, 5 ); la suma de productos cruzados (SXY) de
X(I,1) y X(I,5), y la pendiente(BB) e intercepto (AA) de la regresión preliminar.
En el segundo paso, con los estimadores preliminares BB y AA, se calculan los Lo-
gits esperados X(I,6)=AA+BB*X(I,1) a partir de los cuales se obtienen los nuevos
valores P=1/(EXP(-(X(I,6)) y Q=1-P que son almacenados en los vectores X(I,7) y
X(I,2) respectivamente. Los factores de ponderación(w), son alojados en el vector
X(I,8)=P*Q= X(I,7)*X(I, 2) en la línea 1350. Nótese que cuando se alcanza una con-
vergencia adecuada, y el operador responde (N) a la proposición de otra iteración,
los factores de ponderación (W) se multiplican por X(I;3) en la línea 1355. Ésta es la
única forma de obtener un intervalo de confianza para la Dosis Efectiva (DE).
Como tercer paso, se efectúa un regresión ponderada que se detalla en las

n
∑X
n 2
líneas 1390 y 1430, en las cuales, = A=A + X(I,1)*X(I,8), y
∑ Xw
i =1
i =1
w
=B=B+X(I,1)^2*X(I,8), son sumas ponderadas con X(I,8) como pesos(w).

n
La suma no ponderada de P es: ∑ P =C=C+X(I,7).
i =1
46

n i =1
!X 2
w =B=B+X(I,1)^2*X(I,8), son sumas ponderadas con X(I,8)n como pesos(w).
i =1 La suma no ponderada de P es:
n
!
P =C=C+X(I,7) .
i =1
La suma no ponderada de P es: !
P =C=C+X(I,7) . n
Luis Rodríguez Aguayo2
La suma
i =1 ponderada de los cuadrados de P es :
n
Pw = D=D+X(I,7)^2 !
i =1
La suma ponderada de los cuadrados de P es : ! P = D=D+X(I,7)^2*X(I,8).
n
2
La suma ponderada de los cuadrados de P es: ∑ P = D=D+X(I,7)^2*X(I,8).

w
2
i =1 n
w
Finalmente, la suma de productos cruzados es:
i =1
n
! XP
i =1
=E=E+X(
Finalmente, la suma de productos cruzados es:

Finalmente, la suma de ponderar.
productos cruzados es: ! XP
i =1
=E=E+X(I,1)*X(I,7) sin
=E=E+X(I,1)*X(I,7) sin
n
ponderar.
ponderar. n
(! X
nn
Se debe calcular la suma

nn
((∑
!
de cuadrados X ww ))22 de X:
X !X 2
w " i =1
n
Se debe calcular la suma de cuadrados de X: ∑

! XX ww22 −" ii==11nn , =SXw,
i =1
!
Se debe calcular la suma de cuadrados de X: ii==11 , =SXw, i =1
línea1390. ∑
! ww
ii==11
línea1390.
Recordemos que PX y PP ya fueron definidos en la línea 1270 del programa 7.
línea1390. Recordemos que PX y PP ya fueron definidos en la línea 1270 del pro
Con todos
Con todos los valores obtenidos los valores
se procede obtenidos
a calcular un parsedeprocede a calcular un par de difere
diferenciales:
Recordemos que PX y PP ya fueron definidos en la línea 1270 del programa 7.
∂a ylos∂bvalores
Con todos obtenidos
, que se suman se
y !procede
b , que se
!arespectivamente a calcular
alsuman un par
y ade diferenciales:
respectivamente
intercepto la pendienteal del
intercepto
paso y a la pendie
anterior permitiendo obtener nuevos
anterior estimadores,
permitiendo y connuevos
obtener ello, nuevos diferenciales
estimadores, y con ello, nuevos
!a y !cada
b , que se suman
vez más respectivamente
pequeños, hasta vez
cada que más al intercepto
dos sucesivas
pequeños, y a la
pendientes
hasta pendiente
sólo
que del paso
se diferencian
dos sucesivas por
pendientes sólo s
anterioruna
permitiendo obtener por
mínima cantidad. nuevos estimadores,
una mínima cantidad.y con ello, nuevos diferenciales
cada vez más pequeños, hasta que dos sucesivas pendientes sólo se diferencian
por una mínima cantidad. (PX " E )" (A * ( PP " C ) )
!b =
(PX " E )" (A * ( PP " C ) ) SX
!b = PP " C " !b * A
SX !a =
PP " C " !b * A G
!a = G= w, es el factor de ponderación definido en la línea 1350 o 1355 de
G= w, G
es el factor de ponderación
Todos losdefinido
símbolosen la
: Alínea
, C 1350
, E yó G
1355 del programa
, pertenecen a 7.
la primera iteració
G= w, es el factor de ponderación PX y PPdefinido en la de
provienen línea 1350 o 1355
la ecuación del programa 7.
preliminar.
Todos Todos los símbolos:
los símbolos : A , A,C ,C,EE yy G,
G ,pertenecen
pertenecen a laa primera
la primeraiteración ponderada;
iteración PX y
ponderada;
PP provienen de la
PX y PP provienen de la ecuaciónecuación preliminar.
preliminar. mencionados se denominan: DA y DB respect
Los diferenciales
Los diferenciales mencionados suma:se denominan: DA y DB respectivamente. Las sumas:
Los diferenciales mencionados se denominan: DA y DB respectivamente. La
suma: AA+DA y BB+DB hacen crecer AA+DA los ydos estimadores
BB+DB hacende: intercepto
crecer los dos y pendiente
estimadoresde la de : intercepto y
regresión ponderada del la segundo paso de operación, y con ellos
regresión ponderada del segundo paso de operación,se regresa a la línea y con ellos se
1337 para calcular
AA+DA y BB+DB hacen crecer nuevos: valores P, nuevos pesos (w); y nuevos diferenciales -cada
línealos1337
dos estimadores
para calcular de : nuevos:
interceptovalores
y pendiente de
P, nuevos pesos (w
vez más
la regresión pequeños del
ponderada quesegundo
harán que, paso finalmente, dos sucesivas
de operación, con estimaciones de pen-la
diferenciales-cada vez más ypequeños ellos sequeregresa
harán aque, finalmente, d
diente opara
línea 1337 intercepto
calcularsean nuevos:
prácticamente iguales.
valores P, Llegado
nuevos esepesos
momento, (w);al responder
y prácticamente
nuevos
estimaciones de pendiente o intercepto sean iguales.
con N al pedido de otra
diferenciales-cada vez más momento, iteración,
pequeños alel programa 7
queresponder irá
harán que, de nuevo a
finalmente,la línea
dos1337, donde
sucesivas
con N al pedido
la última iteración tomará en cuenta el número de individuos por dosis para terminar
de otra iteración, el progr
estimaciones de pendiente o intercepto sean prácticamente iguales. Llegado ese
mostrando la DE 50= -A/B y sus límites de confianza.
momento, al responder con N al pedido de otra iteración, el programa 7 irá de
45
47

nuevo a la línea 1337 donde la última iteración tomará en cuenta el número de
individuos por dosis para terminar mostrando la DE50= -A/B y sus límites de
confianza.
M étodos estadísticos en microbiología y ensayos biológicos
Elerror
El errorestándar
estándardede –a/b,
–a/b, (Govindarajulu,1988)
(Govindarajulu,1988) es: es:
& 2 #
&Y #
+ $ ! / SX ! , donde b es la pendiente dosis-repuesta y (Wi) es
1 $ 1
SCx = 2 $
b ' Wi % b " !
$% i !"
, donde b es la pendiente dosis-repuesta y (W ) i
el el
es factor
factordedeponderación paracada
ponderación para cadanivel
nivel
dede
las las K dosis.
K dosis. La sumatoria
La sumatoria de Wi, de
estáWi , está
declarada como G=G+X(I,8) en la línea 1358 del programa
declarada como G=G+X(I,8) en la línea 1358 del programa Logit. Logit.
EJEMPLO
EJEMPLO24: 24:
Usando los datos de la tabla 10 que fueran presentados por Berkson en 1957, y
Usandoel los
usando datos 7,
programa decalcular
la tabla 10 que
la dosis letalfueran presentados por Berkson en 1957, y
50% (DE50).
usando el programa 7, calcular la dosis letal 50% (DE50).
No.Observaciones? 7
Dosis1? 9
No.Observaciones? 7
Positivos1?
Dosis1? 9 8
Inoculados1?88
Positivos1?
Dosis2? 8
Inoculados1? 8
Positivos2?
Dosis2? 8 7
Inoculados2?78
Positivos2?
Dosis3? 7
Inoculados2? 8
Positivos3? 3
Dosis3? 7
Inoculados3? 8
Positivos3?
Dosis4? 6
3
Inoculados3?
Positivos4? 3 8
Dosis4? 6 8
Inoculados?
Positivos4?
Dosis5? 5 3
Inoculados?
Positivos5? 2 8
Dosis5? 5 8
Inoculados5?
Positivos5?
Dosis6? 4 2
Inoculados5?
Positivos6? 0 8
Inoculados6?
Dosis6? 4 8
Dosis7? 3 0
Positivos6?
Positivos7? 0 8
Inoculados6?
Inoculados7?
Dosis7? 3 8
Ecuación
Positivos7? Preliminar=
0 0.9133567313 X+(-5.9804071)
BB=1.13499518
Inoculados7? 8
AA= -7.519916908
OTRA ITERACIÓN(S)(N)?
Ecuación Preliminar=S0.9133567313 X+(-5.9804071)
BB=1.20004023
BB=1.13499518
AA= -7.972286217
AA= -7.519916908
OTRA ITERACIÓN(S)(N)? S
BB= 1.204430145
AA= -8.002786691
BB=1.20004023
AA= -7.972286217
48

BB= 1.204448388
AA= -8.002913303
BB= 1.204448389
AA= -8.002913307
OTRA ITERACIÓN(S)(N)? N
DE50= 6.644463459, con límites de confianza: (5.98; 7.31), que es el resultado

correcto. En 1957, sin instrumentos computacionales de alta precisión, y valiéndose
de tablas y gráficos, Berkson obtuvo:
BB=1.2043, AA= -8.002 y DE50= 6.6445, partiendo de una ecuación inicial esti-
mada gráficamente: BB=1.04 y AA= -6.94. NOTA: Si las dosis hubiesen sido
transformadas a logaritmos, tendríamos que obtener el antilogaritmo del
valor de DE50 que entrega este programa.
Como puede observarse en el presente ejemplo, no es importante la estimación del

comienzo, dado que las iteraciones conducen con certeza a los valores correctos.
El programa 7 puede automatizarse agregando órdenes para detenerse cuando

la diferencia entre dos sucesivas pendientes sea menor o igual a, por ejemplo:
0.00000001.
Resultados similares pueden obtenerse usando el paquete estadístico Stata 6.0 o

7.0.
Empleando las propiedades del Modelo Lineal General podemos usar los siguientes
comandos:
.glm r dosis, family(binomial n) link(logit)
Obteniendo: BB= 1.20448, AA= -8.002913 y DE50=-(AA) / BB = 6.6444653.
Estos resultados pueden compararse con los obtenidos por los programas 6 y 7 y
comprobar que hay una aceptable concordancia entre ellos. Debe agregarse que,
pese al frecuente uso de este método, nunca ha habido un acuerdo internacional
sobre el número “óptimo” de iteraciones que deben aplicarse a un conjunto deter-
minado de datos. La idea de permitir al usuario del programa decidir si desea o no
una nueva iteración, concede la posibilidad de observar la marcha del proceso de
convergencia hasta su culminación. Este criterio se aplicó a casi todos los otros pro-
gramas descritos en el presente libro.
2.1.4. Probits
Un método similar al Logit, aunque más antiguo (1934), es el de Probits debido al
estadístico norteamericano Chester Bliss (Finney, D.,1972)(Bliss,1938, 1945,1951).
49

El desarrollo del análisis probit fue consecuencia directa de un método propuesto por
J.H.Gaddum (Gaddum,1933), el que ahora es conocido como método Normit, y que
cayó definitivamente en el olvido. En la puesta a punto del método Probit, participó
hasta Sir Ronald Fisher.
Un probit se obtiene sumando el valor 5 al Z de la Curva Normal Estándar, dada

una cierta probabilidad p=Positivos / Inoculados. Este problema es conocido como:
curva normal inversa. Él no tiene solución analítica, y puede resolverse mediante
un método numérico. Entre los muchos existentes, el de Derenzo (Derenzo,1977)
(Morgan,1992) es el preferido. Para empezar, mostraremos el algoritmo de Deren-
zo:
Sea P la probabilidad de morir originada por (Muertos/Inoculados). Por ejemplo:
P=28 / 30.
Con P= 28/30, (28 vivos de 30 inoculados)= 0.9333, tenemos:
C7=SGN(0.5-P), donde SGN toma los valores: -1, cero ó +1 según signo de (0.5-P)
C7= -1
C8= 2.014403146
C8= 2.252737759
Probit (C8)= 6.5012
Z= 5.5012
Entrando el valor P= 0.9333 en el programa 8, obtendremos los valores de su Probit

y su Z, tal como se acaban de mostrar.
PROGRAMA 8
1000 CLS:CLEAR:INPUT “P”; P

1010 C7=SGN(0.5-P)
1020 C8= -LN(1-C7+2*C7*P)
1030 C8=((4+C8+100)*C8+205)*C8*C8 / (((2*C8+56)*C8+192)*C8+131)
1040 C8=5-C7*SQR(C8)
Las líneas 1000 - 1040 muestran el algoritmo de Derenzo que, a partir de una
proporción P, obtiene directamente el Probit = (Z+5), declarado como C8 en el
programa.
1045 Z=C8-5, Este es el valor Z de la abscisa de la curva normal.

1047 PRINT “PROBIT=”; C8
1048 PRINT “Z=”; Z
1050 END
Este pequeño programa forma parte de aquel que ejecuta el método PROBIT más
abajo.
50

n! 2 Luis Rodríguez Aguayo
El factor de ponderación(w) es : , donde : ! es la ordenada (función de
PQ
densidad) en la abscisa Z de la Curva n! 2 Normal . Z=Probit – 5. En este caso Z=
El factor
6.5012-5= de ponderación(w)
1.5012.
El factor es :
de ponderación(w) es: donde ς: es
,, donde: ! laesordenada
la ordenada
(función(función
de densi-de
PQ
dad) en lalaabscisa Z deZ la
deCurva Normal. Z=Probit – 5. En este
– 5.caso
En Z= 6.5012-5=
Sidensidad)
usamos elenprograma
1.5012.
abscisa la Curva
1, tendremos: Normal . Z=Probit este caso Z=
6.5012-5= 1.5012.
Si usamos el programa 1, tendremos:
Area bajo la curva(entre: � y 1.5009) = 0.9333
Si usamos el programa 1, tendremos:
Área bajo la curva(entre: ∞ y 1.5009) = 0.9333
Area por fuera del límite Z= 0.0667
Area bajo
Áreala curva(entre:
por � yZ=
fuera del límite 1.5009)
0.0667= 0.9333
Ordenada en el punto Z = 0.12934
Ordenada
Area por en el
fuera del punto
límite Z=Z 0.0667
= 0.12934
ni " i2 ni ς i2
(Pi (w1 !=P(iP))i (1 − Pi )) , donde:ζ es la ordenada en Z de la curva normal estandarizada
wOrdenada
= en el punto Z =es0.12934
, donde:� la ordenada en Z de la curva normal estandarizada
N(0; 1) para
N(0;
2cada dosis , i=1,2,...,K dosis.
ni "1)
i para cada dosisi, i=1,2,...,K dosis.
i
w= , donde:� es la ordenada en Z de la curva normal estandarizada
(Pi (1 ! Pi ))
30 * 0.12934 2
N(0; 1)
Según Según para cada
estosestos dosis
datos, , i=1,2,...,K
datos,i w = dosis. = 8.061945691 ,, para
para la corres-
la dosis dosis
pondiente. 0 . 9333 * 0.0667
correspondiente.
30 * 0.12934 2
SegúnEstos factores
estos de ponderación
datos, w = (w) se usan en =las8.iteraciones
061945691ponderadas
, para dela mane-
dosis
ra análoga
Estos factores dea la 0(w)
ya vista con el
ponderación .9333
se* usan
método 0Logit.
.0667en las iteraciones ponderadas de
correspondiente.
manera análoga a la ya vista con el método Logit.
PROGRAMA 9
Estos Elfactores
PROGRAMA Método de ponderación (w) se usan en las iteraciones ponderadas de
9 PROBIT
manera
El Método PROBIT análoga a la ya vista con el método Logit.
10 CLEAR:10CLS CLEAR: CLS
PRINT 12
12PROGRAMA PRINT 9 “PROBIT<exe>”
“PROBIT<exe>”
El Método
15 PRINT “NÚMERO 15 PRINT
PROBIT “NÚMERO DE DE OBSERVACIONES”;:INPUT;:INPUT
OBSERVACIONES” N N
10 CLEAR: 17 PRINT
CLS “Quiere usar Logaritmo
17 PRINT “Quiere usar Logaritmo Decimal de las Dosis Decimal de las Dosis (S)(N);: (S)(N)
INPUT FR$
; : INPUT FR$
12 PRINT 20“PROBIT<exe>”
DIM A(N, 12)
20 DIM A(N, 12)
30 FOR I=1 TO N DE OBSERVACIONES” ;:INPUT N
3015FORPRINT I=1 “NÚMERO
TO N
PRINT40
4017PRINT
PRINT “DOSIS(“;
“Quiere
“DOSIS(“; usar I; “)”;: INPUT X:A(I,1)=X
I ; “)”Logaritmo
;: INPUT X Decimal
:A(I,1)=Xde las Dosis (S)(N) ; : INPUT FR$
41 IF FR$=” S “ THEN 42 ELSE 44
4120IFDIM
FR$=” A(N, S 12)
“ THEN 42 ELSE 44
42 A(I, 1)=LOG(X): GOTO 50 (En computador es: LOG(X)/LOG10)
4230A(IFOR I=1 TO N
44 A( I, 1)=X GOTO 50 (En computador es: LOG(X)/LOG10)
, 1)=LOG(X):
40 PRINT
44 A( I , 1)=X “DOSIS(“; I ; “)” ;: INPUT X :A(I,1)=X
50 PRINT “POSITIVOS(“; I; “)”;: INPUT R: A(I,2)=R
41 IF
50 PRINT 60FR$=” S “
“POSITIVOS(“ THEN 42
; I ;ELSE 44
“)”I; “)”;:
;: INPUT R :A(I,
A(I,2)=R
PRINT “INOCULADOS(“; INPUT NN: 3)=NN
42 A(I
60 PRINT 70 , 1)=LOG(X):
“INOCULADOS(“ GOTO ; 50
I ; (En
“)”
A(I, 4)= A(I,2)/A(I,3), calcula P=r/n ;: computador
INPUT NN es:, LOG(X)/LOG10)
: A(I 3)=NN
7044A(IA(, I4)=, 1)=X
A(I,2)/A(I,3),
80 NEXT I calcula P=r/n
8050NEXT
PRINT I85“POSITIVOS(“
A=0:B=0:C=0:D=0: E=0: ; I ;FF=0
“)” ;: INPUT R : A(I,2)=R
60 PRINT
85 A=0:B=0:C=0:D=0: “INOCULADOS(“
90 FOR I=1 TO N E=0: FF=0 ; I ; “)” ;: INPUT NN : A(I , 3)=NN
70 A(I
90 FOR I=1 , 4)=
92 TOA(I,2)/A(I,3),
IF A(I,4)=0 calcula
N OR A(I,4)=1 THEN 120 P=r/n
ELSE FF=FF+1
80 NEXT
92 IF A(I,4)=0 I
95 C7=SGN(0.5-A(I,4))
OR A(I,4)=1 THEN 120 ELSE FF=FF+1
9585C7=SGN(0.5-A(I,4))
A=0:B=0:C=0:D=0: E=0: FF=0
90 C8=
100 FOR -LN(1-C7+2*C7*A(I,4)),
I=1 TO N en un computador, LN es: LOG, el logaritmo
92 IF A(I,4)=0 OR A(I,4)=1 THEN 120 ELSE FF=FF+1
natural. 51
95 C8=((4*C8+100)*C8+205)*C8*C8/(((2*C8+56)*C8+192)*C8+131)
105 C7=SGN(0.5-A(I,4))
100A(I,5)=
110 C8= -LN(1-C7+2*C7*A(I,4)),
5-C7*SQR(C8), el probit encorrespondiente
un computador, alLN es: según
p=r/n LOG, el logaritmo
Derenzo.
natural.
115 A=A+ A(I,1):
3841MetodosEstadisticos B=B+
correguido.indd 51 A(I,1)^2: C=C+ A(I, 5): D=D+ A(I,5)^2: E=E+ A(I,1)*A(I,5) 22/4/10 10:45:12
100 C8= -LN(1-C7+2*C7*A(I,4)), en un computador, LN es: LOG, el logaritmo

natural.
105 C8=((4*C8+100)*C8+205)*C8*C8/(((2*C8+56)*C8+192)*C8+131)
110 A(I,5)= 5-C7*SQR(C8), el probit correspondiente al p=r/n según Derenzo.
115 A=A+ A(I,1): B=B+ A(I,1)^2: C=C+ A(I, 5): D=D+ A(I,5)^2: E=E+ A(I,1)*A(I,5)
120 NEXT I
125 MX=A/FF: MY=C/FF: SX=B-A*A/FF: SY= D-C*C/FF: SXY=E-A*C/FF
135 PRINT “(“; BB; “(X)+”; AA; “) Preliminar”
BB es la pendiente, y AA es el “intercepto”. En la línea 125 están las sumas de

cuadrados.
140 A=0: B=0: C=0: D=0: E=0: F=0

145 FOR I=1 TO N
150 A(I,6)=BB*A(I,1) + AA
160 A(I,7)=A(I,6)-5: A(I,8)=ABS(A(I,7))
En la línea 150 se calcula el probit esperado. En la línea 160 se calcula el valor

Z que se guarda en A(I,7), y en A(I,8) se localiza el valor absoluto de ese Z.
165 P1=EXP(-((83*A(I,8)+351)*A(I,8)+562)*A(I,8)/(165*A(I,8)+703)
170 A(I,9)=0.5*(1+SGN(A(I,7))*(1-P1))
En las líneas 165 y 170 se calcula el P correspondiente al Z calculado localizá-

dolo en el vector A(I,9). Ese algoritmo se debe también a Derenzo.
175 A(I,10)=SQR(2*3.141592654)*EXP(0.5*(A(I,7)*A(I,7))), que es 1/ordenada de la

curva normal.
180 A(I,11)=A(I,3)/(A(I,9)*(1-A(I,9))*A(I,10)*A(I,10)), que es el factor de ponderación
(Weight)=Ni/(PQ*ζ2) que, para fines prácticos es =Niζ2/(PQ).
190 A(I,12)=A(I,6)-A(I,10)*(A(I,9)-A(I,4)), que es el probit de trabajo (working probit),
formado por: Probit esperado-1/ordenada*(P-p original). A(I,12) es la nueva
variable respuesta o dependiente.
A continuación se calculan las sumas de cuadrados ponderados que son la

materia prima para obtener las iteraciones que nos llevarán a los estima-
dores de máxima verosimilitud.
200 A=A+ A(I,1)*A(I,11): B=B+A(I,1)^2*A(I,11): C=C+A(I,12)*A(I,11)

210 D=D+A(I,12)^2*A(I,11): E=E+A(I,1)*A(I,12)*A(I,11): F=F+A(I,11)
215 NEXT I
220 MX=A/F: MY=C/F: SX=B-A*A/F: SY=D-C*C/F: SXY=E-A*C/F
240 PRINT “BB=”; BB, “AA=”; AA
52

Desde la línea 140 a la 230 se han efectuado los cálculos de la regresión

ponderada.
Los estadísticos de habla inglesa lo llaman “Reweighted Iterative Regres-

sion”.
250 PRINT “Otra Vuelta??(S)(N)”;: INPUT W$

260 IF W$=”S” THEN 140 ELSE 270
270 PRINT “Está Seguro?(S)(N)”;: INPUT R$
280 IF R$=”S” THEN 285 ELSE 140
285 PRINT “Que PROBIT desea teclear?”;:INPUT PROB
Si se busca DE50, se tecleará Probit = 5. En otros casos que veremos más

adelante, se entrará Probit 6.645 para DE95 o Probit 7.33 para DE99.
290 PRINT “D.EFECTIVA%=”; (PROB-AA)/BB

295 PRINT “MX=”; MX, “MY=”; MY, “SX=”; SX, “SY=”; SY, “SXY=”; SXY, “S(W)=”; F
296 B2=(SXY)^2/SX: C2=B2/(B2-1.96^2): LAM=1/BB: PRINT “B2=”;B2,”C2=”;C2,
“LAM=”; LAM
Todos los valores que se muestran en las líneas 295 y 296 sirven para ser com-
binados según se explica en los párrafos venideros que se refieren a ensayos
de Potencia de vacunas.
297 SCx=LAM*SQR(1/F+(PROB-MY)^2 / (B2-1.96^2))
SCx es el error estándar de la Dosis Efectiva según el Teorema de Fieller

(Bliss,1945).
298 LS=MX + LAM*C2(PROB-MY)+1.96*LAM*SQR(C2)*SCX

299 LI=MX + LAM*C2(PROB-MY)-1.96*LAM*SQR(C2)*SCX
Donde, LS es el límite superior de confianza 95% y LI es el inferior.
300 PRINT “LIMITE SUPERIOR=”; LS, “LIMITE INFERIOR=”; LI

305 JI2=SY-(SXY )^2 / SX: PRINT “Ji cuadrado (gl=”; N – 2;”)”; JI2
310 END
Tanto: B2 como C2 y LAM, están descritos en la línea 296 del programa. Por su
parte, el valor 1.96 corresponde a (Student)

t1−α / 2 con: α=0.05 y grados de libertad
= ∞.
La línea 305 evalúa el ajuste lineal mediante Ji2; los que procuren efectuar un test de
razón de varianzas (F), encontrarán que la varianza residual es: cero.
53

El valor Probit que se pide en la línea 285, será 5 para obtener DE50. Para otras
DE’s, tenemos la siguiente lista: 5.8417(DE80), 6.2816(DE90), 6.645(DE95) y
7.3265(DE99). Es muy frecuente que, en las pruebas de eficacia de insecticidas, se
desee saber qué dosis “garantizará” la muerte del 99% de las moscas (DE99) o la
del 99.99%(Probit=8.719).
En países exportadores de frutas, la amenaza de infestación (no se diga infección

tratándose de moscas, tiburones, escorpiones, etc.), por la llamada Mosca de la
Fruta exige el empleo de insecticidas con una alta DE conocida y garantizada por
el proveedor.
Los insecticidas y pesticidas contaminan el ambiente y no dan certeza a los agriculto-

res de que ganarán la guerra contra los depredadores de sus cultivos, pero encontrar
seres vivos capaces de predar a todos los predadores (control biológico), es algo
de lento desarrollo, y entretanto, habrá que seguir usando insecticidas hasta que la
ciencia diga que ya no es necesario.
Supongamos que queremos determinar la DE95 de un insecticida. Usamos, por

ejemplo: cinco dosis decrecientes del insecticida, aplicando cada una de ellas a
un frasco que contiene 300 moscas, y colocamos un frasco (control negativo) con
otras 300 moscas sin insecticida. Sabemos que –y eso ocurre por causas difíciles
de identificar–, que algunas moscas morirán aunque no estén expuestas; también
habrá algunas moscas que lograrán sobrevivir a concentraciones muy altas de un
insecticida. Si no fuera así, ya habríamos extinguido a todos los insectos, pero ellos
aún están florecientes. La vida se defiende.
Veamos la siguiente tabla:
TABLA 11
Dosis Control 1 mg 2 mg 3 mg 4 mg 5 mg
r 18 40 95 200 276 300
n 300 300 300 300 300 300
P 0.06 0.133 0.317 0.67 0.92 1.00
P* 0.00 0.078 0.27 0.65 0.915 1.00
Puede observarse en el grupo control, que murieron 18 moscas del total de 300
(P=0.06). Es lógico suponer que, en los otros grupos, no todas las muertes se pue-
dan imputar a la acción de la dosis correspondiente de insecticida. Así, es necesario
corregir las proporciones de muertos en los grupos tratados. Para ese propósito se
emplea la fórmula de Abbott (Fall,1998 Entomology 128 Section 001 02. Bioassay).
La fórmula es la siguiente:
54

(P=0.06). Es lógico suponer que, en los otros grupos, no todas las muertes se
puedan imputar a la acción de la dosis correspondiente de insecticida. Así, es
necesario corregir las proporciones de muertos en los grupos tratados. Para ese
propósito se emplea la fórmula de Abbott (Fall,1998 Entomology 128 Section 001
02. Bioassay). La fórmula es la siguiente : Luis Rodríguez Aguayo
* PP−!CC
PP* == 1 ! C, , donde C es la proporción de muertes en el grupo control. Ejemplo:
1 − C donde C es la proporción de muertes en el grupo control. Ejemplo:
Con C= 0.06 y P= 0.133, tenemos:
Con C= 0.06 y P= 0.133, tenemos:
0.133 ! 0.06
P* = = 0.078 , última línea y tercera columna desde la izquierda de la
1 ! 0.06 , última línea y tercera columna desde la izquierda de
latabla
tabla.
SiSimultiplicamos
multiplicamos cadacada
P* porP*
cadapor(n=300),
cada estableceremos el “número” de
(n=300), estableceremos elsobre-
“número” de
vivientes
sobrevivientes que usaremos para el análisis Probit. Los datos finalesen
que usaremos para el análisis Probit. Los datos finales se muestran selamuestran
siguiente tabla.
en la siguiente tabla.
TABLA 12
TABLA N° 12 0 mg 1 mg 2 mg 3 mg 4 mg 5 mg
r 0 0 mg
23.4 1 mg 2 mg
81 3 mg 4 mg 5 mg
195 274.5 300
n 300 r 0 300 23.4 81
300 195 274.5 300300
300 300
n 300 300 300 300 300 300
Usando el probit 6.645 resulta una DE95=4.23 mg con intervalo de
confianza:(4.08;4.39).
Usando el probitNo6.645 se usaron logaritmos
resulta unade las dosis porquemg
DE95=4.23 éstascon
ya estaban
intervalo de
separadas por distancias iguales.
confianza:(4.08;4.39). No se usaron logaritmos de las dosis porque éstas ya
estaban separadas por distancias iguales.
Hay observaciones que imposibilitan o dificultan el uso de Logits o Probits. Estas
dificultades se originan en la rígida simetría de esos modelos que, en ocasiones,
impide el ajuste de ellos a conjuntos de datos que presentan gruesas y largas colas
(“tails”).
52
Para esos casos se recomienda el uso del llamado “Trimmed Spearman Karber”
(TSK); una modificación del método no paramétrico ya descrito en este capítulo.
El TSK será explicado en el Apéndice 1.
2.2. El número óptimo de animales por dosis

La OMS recomienda planear ensayos de potencia tales que, el límite superior de
confianza 95% no sea más del 200% del valor central de potencia, y que el límite
inferior no sea menos del 50% de ese valor central. Para la estimación del número
de animales por dosis, debemos obtener la media de los factores de ponderación (w)
para diferentes proporciones de positividad.
Escogiendo estas proporciones desde 0.1 hasta 0.9 como se ve en la tabla 13, te-
nemos:
55

TABLA 13
P Z W(pesos)
0.1 -1.2816 0.342176
0.16 -0.9946 0.44036
0.2 -0.8417 0.4898
0.25 -0.6746 0.53849
0.3 -0.5244 0.5757
0.35 -0.3853 0.60307
0.4 -0.2532 0.62197
0.45 -0.1255 0.633
0.5 0.0 0.63662
0.55 0.1255 0.633
0.6 0.2532 0.62197
0.65 0.3853 0.60307
0.7 0.5244 0.5757
0.75 0.6746 0.53849
0.8 0.8417 0.4898
0.84 0.9946 0.44036
0.9 1.2816 0.342176
Donde lo pesos (w) han sido calculados sin incluir (n) en el numerador, suponiendo
que todas la dosis tienen el mismo número de individuos.
Tomando la media de la columna W(pesos), tenemos: 0.5368 cuyo recíproco es:

1.86286.
Si usamos la forma aproximada del ancho del intervalo de confianza (L):

2*Z 1/ w
L = 2 * Z * 1 / w , donde Z= 1.96 y BB = la pendiente de una prueba anterior.
L = BB * N , donde Z= 1.96 y BB = la pendiente de una prueba anterior.
BB N , donde Z= 1.96 y BB = la pendiente de una prueba anterior.
Si substituimos los valores que conocemos hasta aquí, tenemos:
Si
Sisubstituimos
substituimosloslos
valores queque
valores conocemos hastahasta
conocemos aquí, tenemos:
aquí, tenemos:
2 * 1.96 1.86286
L = 2 * 1.96 1.86286 , donde si conocemos BB, por ejemplo: 1.2
L = BB N , donde si conocemos BB, por ejemplo: 1.2
BB N , donde si conocemos BB, por ejemplo: 1.2
yy sisise
sepide
pideque
queel el
límite superior
límite de confianza
superior 95% sea
de confianza 95%elsea
120% (1.2) de(1.2)
el 120% la DE50,
de la DE50,
y si se pide
tenemos, que el
después de límite superior
resolver la de confianza
expresión anterior 95%N:sea el 120% (1.2) de la DE50,
para
tenemos, después de resolver la expresión anterior para N:
tenemos, después de resolver la expresión anterior para N:
28.6254519
N= 28.6254519 = 48 animales para el total de dosis. Por lo
N = 1.2 22 [log (1.2) ! log (1 / 1.2)]22 = 48 animales para el total de dosis. Por lo
1.2 [log10 10 (1.2) ! log 10 (1 / 1.2) ]
10
tanto, si se van a usar 4 dosis, cada56una de ellas tendrá 12 animales inoculados.
tanto, si se van a usar 4 dosis, cada una de ellas tendrá 12 animales inoculados.
Nótese que la expresión entre corchetes del denominador es L al cuadrado.
Nótese que la expresión entre corchetes del denominador es L al cuadrado.
El método descrito es una excelente aproximación (DeArmon and Lincoln,22/4/10
1959)
El método descrito es una excelente aproximación (DeArmon and Lincoln, 1959)
3841MetodosEstadisticos correguido.indd 56 10:45:14
2 * 1.96 1.86286
LL==
2*Z
*
1/ w , donde
, donde Z= 1.96 y BB = lasipendiente
conocemos BB, por
de una prueba ejemplo:
anterior. 1.2
BB BB N N
Si substituimos los valores que conocemos hasta aquí, tenemos:
y si se pide que el límite superior de confianza 95% sea el 120% (1.2) de la DE50,
tenemos, después
2 * 1.96 1.86286 de resolver la expresión anterior para N:
L= , donde si conocemos BB, por ejemplo: 1.2
BB N
28.6254519
yNsi se
= pide2que el límite superior de confianza 295%= sea
48 elanimales para
120% (1.2) de el
la DE50, total de dosis. Por lo
tenemos, [
1.2después
log de(1resolver
10
la expresión
.2) ! log ]
(1 / 1.anterior
10 2) para N:
= 48 animales para el total de dosis. Por lo
tanto, sisise
tanto, se28 van
van a ausar
usar 4 4 dosis,
dosis, cadacada
una una
de el de ellas
ellas tendrá 12 animales inoculados.
totaltendrá 12Por
animales inoculados.
.6254519
N= = 48 animales para de dosis. lo
Nótese
Nótese que
1.2 [que
2
log (1.la
10 la ) !expresión
2expresión 2)] entre
log10 (1 / 1.entre
2
corchetes
corchetes del denominador
del denominador es L al es L al cuadrado.
cuadrado.
tanto, si se van a usar 4 dosis, cada una de ellas tendrá 12 animales inoculados.
El
Elmétodo
Nótese que la descrito
método expresión
descritoes es
entreuna excelente
corchetes
una aproximación
del denominador
excelente (DeArmon
es L al cuadrado.
aproximación (DeArmonand Lincoln, 1959) 1959)
and Lincoln,
pero
pero sus
sus autores
autoressubestimaron la media de los valores w, obteniendo un nume-
El método descrito es una subestimaron la (DeArmon
excelente aproximación media and de Lincoln,
los valores
1959) w, obteniendo un
rador
pero = 39
numerador
sus que
= 39
autores resulta en un
que resulta
subestimaron Neninnecesariamente
la media un
de N grande.
losinnecesariamente
valores w, La grande.
obteniendo forma
un descrita aquí descrita
La forma
corresponde
numerador = 39aque
aquícorresponde
correspondeuna modificación
resulta del método
en un N innecesariamente
a una modificación original
grande. La
del que
métodoque permite
forma satisfacer
descrita bien los
aquí
requisitos de la aOMS.
una modificación del método original permiteoriginal
satisfacer que permite satisfacer
biénloslos
bién requisitos
requisitos de la
de la OMS. OMS.
En elcaso
En el casodedeunauna prueba
prueba de potencia
de potencia con una
con una vacuna vacuna yde
de referencia referencia
una vacuna y una vacuna
En el caso
desconocida,
desconocida , lade
la una prueba
expresión
expresión dedepotencia
L es: de L con
aproximada
aproximada es: una vacuna de referencia y una vacuna
desconocida , la expresión aproximada de L es:
2 Z 1.86286 1.86286
L= +
86286N s = N x y Z y BB tienen el mismo signifi-
, donde : N s = N x y Z y BB tienen el mismo
BB2 Z N1S .86286 Nx 1 , .donde:
L =indicado
significado
cado indicado paraelel caso
para +una
caso de
de una sola preparación.
sola preparación.
, donde : N s = N x y Z y BB tienen el mismo
BB S N
A partir de esta última expresión, x
el numerador
Nes: 58 , y suponiendo una
Apendiente
partir de esta
(BB) última
yindicado
límites expresión,
de confianza el numerador es: 58,
un y suponiendo una pendiente
significado para el : caso
200% y 50%,
de unaobtenemos valor
sola preparación.
(BB) y límites de confianza: 200% y 50%, obtenemos un valor de N:
de N:
58
A
N =partir2 de esta última 2expresión, el numerador es:= 58
92 , y suponiendo una
BB [log10 (258
, con BB =1.32 obtendríamos N
) ! log10 (1 / 2)]
N = 2 (BB) y límites de2 confianza : 200% y 50%, obtenemos un valor de N:
pendiente
animales {log
BB por (2) -92/3
vacuna,
2
logdosis=
10
(½)}
30 animales por cada dosis de vacuna.
, con BB =1.32 obtendríamos N = 92 animales por
vacuna, 92/3
En el caso de ladosis= 3058
vacunas animales
contra por cadacada
tos convulsiva, dosis de vacuna.
vacuna tiene tres dosis
decrecientes de la respectiva preparación. Por eso, cada dosis tendría 30 ratones
N=
que es lo habitualmente usado para garantizar 2un, intervalo
con BB confianza
=1.32 con obtendríamos N = 92
En el caso de2 la vacunas contra tos convulsiva, cadadevacuna
BB [log (2) ! log (1 / 2)] tiene tres dosis decre-
límites: 200% y 50% del10 valor central 10
de potencia. El valor 1.32 para la pendiente,
cientes
es muy de la respectiva
frecuente preparación.
en las pruebas Por eso,
de potencia cada dosis
de vacunas tendríay 30 ratones, que
antipertussis
animales
es
antirrábicas. por vacuna,
lo habitualmente
Para usado92/3
estas últimas dosis=
para
debieran 30unos
garantizar
usarse animales
un por por
intervalo
23 animales cada dosis
dedosis
confianza
de decon
vacuna.
límites:
vacuna.
200% y 50% del valor central de potencia. El valor 1.32 para la pendiente, es muy
En el caso
frecuente depruebas
en las la vacunas contradetos
de potencia convulsiva,
vacunas cada yvacuna
antipertussis tienePara
antirrábicas. tres dosis
decrecientes de la respectiva preparación. Por eso, cada dosis
estas últimas debieran usarse unos 23 animales por dosis de vacuna. tendría 30 ratones
que es lo habitualmente usado para garantizar un intervalo de confianza con
En general
límites: podemos
200% y 50%decir
delque, para
valor reducirde
central a lapotencia.
mitad el ancho del
El valor54 intervalo de con-
1.32 para la pendiente,
fianza,
es muy deberíamos aumentar
frecuente en las en cuatro
pruebasveces
deel número
potenciade de
animales.
vacunas Por otro lado,
antipertussis y
un intervalo de confianza de ancho cero sólo se conseguiría con infinitos
antirrábicas. Para estas últimas debieran usarse unos 23 animales por dosis de animales.
vacuna.
Los métodos in vitro no son recomendados aún por la OMS para determinar potencia
en las vacunas como: anticoqueluche, antitetánica o antidiftérica, porque solamente
los ensayos en ratones o cobayos pueden medir protección; los otros sólo miden
presencia del antígeno pero no su capacidad de inducir respuesta inmune. Un caso
dramático es el rechazo por parte de la OMS, de la glicoproteína del virus rábico,
que parecía ser un excelente reemplazante de las pruebas de potencia de vacunas 54
antirrábicas en animales (WHO.TRS 822,1992). En esos casos las reducciones del
57

solamente los ensayos en ratones o cobayos pueden medir protección; los otros
sólo miden presencia del antígeno pero no su capacidad de inducir respuesta
inmune. Un caso dramático es el rechazo por parte de la OMS, de la glicoproteína
del virus rábico, que parecía ser un excelente reemplazante de las pruebas de
Mpotencia de vacunas
étodos estadísticos antirrábicas
en microbiología en animales
y ensayos biológicos (WHO.TRS 822,1992). En esos
casos las reducciones del número de animales por prueba sólo consiguen llevar
los límites del intervalo de confianza más allá de los aceptados por la OMS. Habrá
número de animales
que esperar por pruebadesarrollen
que los científicos sólo consiguen llevar
métodos in los límites
vitro, del intervalo
capaces de
de garantizar
confianza más allá de los aceptados por la OMS. Habrá que
una buena estimación de potencia. Uno de los problemas para alcanzar esa meta esperar que los cientí-
ficos
es el desarrollen métodos ainlos
tratar de convencer vitro, capaces de garantizar
investigadores de no usaruna buena estimación
la correlación de
de Pearson
potencia.
para medir Uno de los problemas
concordancia para alcanzar
entre pruebas esa meta
en animales es ensayos
y los el tratar in
devitro,
convencer
ya que
aesa
los mala
investigadores de no usarunla verdadero
práctica constituye correlacióndogma
de Pearson
en lapara medir concordancia
actualidad. Supongamos
entre pruebas entres
los siguientes animales
pares y delos observaciones:
ensayos in vitro, ya (1; que
100),esa(2;
mala práctica
200), constitu-
(3; 300); con
ye un verdadero
cualquier dogmaseenobtendrá
calculadora la actualidad. Supongamos
un coeficiente los siguientes
de correlación (r) tres pares de =
de Pearson
observaciones:
1.0 pero, como (1;puede
100), verse,
(2; 200),hay(3;
una300); con cualquier
enorme discordanciacalculadora
de medidase obtendrá
entre los
un coeficiente
miembros de de correlación
cada par. El r(r)dedePearson
Pearson no = 1.0
fuepero, como
hecho para puede
medirverse, hay una
concordancia
enorme
(Altman discordancia
D. and BlanddeJ.,1983).
medida entre los miembros de cada par. El r de Pearson no
fue hecho para medir concordancia (Altman D. and Bland J.,1983).
2.3.- 2.3. Potencia

Potencia deo vacunas
de vacunas antisueros. o antisueros
Las
Las determinaciones
determinaciones de
de potencia
potenciade
deuna
unavacuna
vacunase
sepueden
puedendefinir
definircomo:
como:
DE 50.Vacuna de Referencia
Re ferencia
Potencia = Vac.
* UI / Dosis[Vac de Referencia
. de Re ferencia ]
Problema
DE 50.Vacuna Pr oblema
Donde
Donde DE50
DE50 es es la
la dosis
dosis efectiva
efectiva50%,
50%,es
esdecir
deciraquella
aquellaque
queprotegió
protegióalal50%
50%dedeloslos
animales y UI/Dosis (Vacuna
animales y UI/Dosis (Vacuna de Referencia) son las Unidades Internacionalesque
de Referencia) son las Unidades Internacionales que
la
la OMS
OMS oo la
la Autoridad
Autoridad Nacional
Nacionalde deControl
Controlde
deCalidad
Calidadde
deun
unpaís
paísleleotorgaron
otorgarona alala
Vacuna de Referencia.
Vacuna de Referencia.
La potencia se puede estimar usando el programa 6, combinando los valores de las
La potencia se puede estimar usando el programa 6, combinando los valores de
sumas de cuadrados:
las sumas Sx, Sy,
de cuadrados: Sx,Sxy,
Sy etc.,
Sxy para
etc., obtener pendiente
para obtener e intercepto
pendiente y otros y
e intercepto
valores intermedios que conducen a la expresión de la potencia.
otros valores intermedios que conducen a la expresión de la potencia. Debe Debe recalcarse
aquí, que tendremos
recalcarse aquí , quedos líneas dedos
tendremos regresión,
líneas de una para la ,vacuna
regresión una parade referencia
la vacuna yde
otra para la vacuna problema. Estas líneas deben ser, digamos,
referencia y otra para la vacuna problema. Estas líneas deben ser ,digamos, “estadísticamente”
paralelas. La falta deparalelas.
“estadísticamente” paralelismoLa puede
falta de conducir a repetir
paralelismo la prueba
puede entera
conducir puestola
a repetir
que,
prueba entera puesto que, en ese caso, la potencia es considerada inconfiable.esLa
en ese caso, la potencia es considerada inconfiable. La falta de paralelismo
puesta
falta deaparalelismo
prueba mediante una dócima
es puesta a prueba –como se denominan
mediante las pruebas
una dócima-como de signifi-
se denominan
cación–, de Ji cuadrado con grados de libertad = No. de vacunas –
las pruebas de significación -, de Ji cuadrado con grados de libertad = No. de 1.
vacunas – 1.
Por su parte, la dócima de falta de linealidad de las líneas de regresión de cada va-
cuna tiene grados de libertad = Suma del número de dosis de ambas vacunas-4.
Las combinaciones que se indican a continuación llevan sufijos: (s) para la vacuna
de referencia y (u) para la vacuna problema. Usando en primer lugar el programa 9
(PROBIT) con la vacuna de referencia, y luego con la vacuna problema, obtendre-55
mos todas las sumas de cuadrados que se requieren para los cálculos de poten-
cia.
58

vacuna
Las tiene gradosque
combinaciones de libertad = Suma
se indican del númerollevan
a continuación de dosis de ambas
sufijos: (s) paravacunas-4.
la vacuna
vacuna tiene grados de libertad
Las que = Suma
combinaciones del númeroade dosis de ambas vacunas-4.
Las
de combinaciones
referencia y (u) para sevacuna
la aque se indican
indicanproblema.
continuación
Usando
continuación
llevan
en primer (s)llevan
sufijos:lugar para
el
sufijos:
la vacuna
programa
(s) para la
9
Las combinacionesde que se indican
referencia y (u) a continuación
para la vacuna llevan sufijos:
problema. (s) para
Usando en la vacuna
primer lugar
de referencia
(PROBIT) y (u)
con la para la vacuna
vacuna de problema. Usando
referencia, y luego encon
primer
la lugar
vacuna el programa
problema, 9 el pro
de referencia y (u) para la vacuna
(PROBIT) con laproblema.
vacuna Usando
de en primery lugar
referencia, luego el programa
con la 9
vacuna p
(PROBIT)
obtendremos con la las
todas vacuna
sumasde dereferencia, y luego
cuadrados que con la para
se requieren vacuna problema,
los cálculos de
(PROBIT) con la vacuna
obtendremos de referencia,
todas las sumas y de
luego con laque
cuadrados vacuna
se problema,
requieren para los cál
obtendremos
potencia. todas las sumas de cuadrados que se requieren para los
Luis Rodríguez cálculos de
Aguayo
obtendremos todas las sumas de cuadrados que se requieren para los cálculos de
potencia.
potencia.
potencia.
! SX = SX + SXSX = SX + SX
= SX + !
s u
!
! SX
SX
SX
SX ++sy
= SY SX s u
s u
! SY = SY + sy!
SY = s
SY = SY + sy
s u
u
!
! SY = SY + sy s u
s u
! SXY = SXY + SXY

SXY = SXY !
s u
SXY = SXY + SXY
s u
!
! SXY = SXY
SW = Vacuna.de
+ SXY
+ SXY s u
s u
SW. Re= ferencia

Vacuna.(depesos )
s u
SWs
s
= Vacuna.de. Re
s Referencia
. Re ferencia
ferencia( pesos) ( pesos)
SW
SWus = Vacuna
= Vacuna..de
Pr.oblema
Re ferencia ( pesos
( pesos )
)oblema
SWu = Vacuna.SW u = Vacuna
Pr oblema ( pesosProblema
. Pr) ( pesos)
SWu = Vacuna. Pr oblema( pesos)
La pendiente común (bc) es la combinación:
La pendiente común
La(bc) es la combinación:
pendiente
La pendiente común (bc) es lacomún (bc) es la combinación:
combinación:
La pendiente común (bc) es la combinación:
SXYs + SXYu SXY + SXY
bc = SXY
SXY s + SXY
bc =uu , consvarianza:u , con varianza:
bc
bc =
= SX ss + + SXY
SX u ,, SX
convarianza:
varianza:
+ SX u
SX s + SX , con
consvarianza:
SX + SX u
( SXYs + SXYu( SXY
s u 2
) 2 + SXY ) 2
BC22 = (( SXY
SXY + SXY
2
B+CSXY
s + = uu ))) 2 , usando
s
la unomenclatura de Bliss, (Bliss,C.I., 1951)
B = ( SX SX ) , usando ladenomenclatura de Bliss,
1951)(Bliss,C.I.,
2 s
BCC = ( SX s + SX u )( SX , usando
+ SXla nomenclatura Bliss, (Bliss,C.I.,
, usando
s lau nomenclatura de Bliss, (Bliss,C.I., 1951)
( SX s + SX u )
s u , usando la nomenclatura de Bliss (Bliss,C.I.,
1951)
Las pendientes de cada línea de regresión son:
Lascada
Las pendientes de pendientes
línea dede cada línea
regresión son:de regresión son:
Las pendientes de cada línea de regresión son: son:
Las pendientes de cada línea de regresión
SXYs SXYs
bs = SXY
SXY s b =
bbs = SX s s
s = SX s SX s
SX ss
1 1
ErrorEst!ndar = SEb
ErrorEst!n s dar =1
= 1SEb =
ErrorEst!n
Error dar
dar =
Estándar
ErrorEst!n = SEb
SEbss == SX s
SX s SX s
SX ss
SXYu SXYu
bu = SXY
SXY u b =
bbu = SX u u
u = SX u SX u
SX uu
1 1
ErrorEst!ndar = SEb
ErrorEst!n u dar =1
= 1SEb =
ErrorEst!n dar
Error Estándar
ErrorEst!n = SEb =
dar = SEbuu = SX u
SX u SX u
SX u u
El Ji cuadrado para docimar los desvíos de paralelismo es:
59 56
56
56
El Ji cuadrado para docimar los desvíos de paralelismo es:
MElétodos
Ji cuadrado para docimar los desvíos de paralelismo es:
estadísticos en microbiología y ensayos biológicos
El Ji2 cuadrado para docimar los desvíos de paralelismo es:
" (21) = bs SXYs + bu SXYu ! BC22 , donde las bi, son las pendientes de ambas
" (21) = bs SXYs + bu SXYu ! BC2 , donde las bi, son las pendientes de ambas
vacunas.
" (1) = bs SXYs + bu SXYu ! BC , donde las bi, son las pendientes de ambas
vacunas. , donde las bi, son las pendientes de am-
vacunas.
bas
Y vacunas.
donde, B2=(SXY)2/SX
Y donde, 2B2=(SXY) 2
/SX
YLadonde, B =(SXY)
dócimaBpara
Y donde, 2
=(SXY) /SX
2 2
/SX de linealidad se estima con:
desvíos
Ladócima
La dócimapara para desvíos
desvíos de de linealidad
linealidad se estima
se estima con: con:
La 2 dócima para desvíos 2de linealidad se estima con:
# [ K ! 4 ] = SYs + SYu ! BC , donde :
" ! K , es la suma del número de observaciones
de
# ["ambas
K !4]
= vacunas. donde :
SYs + SYu ! BC , donde: ∑!
# [22 K ! 4 ] = SYs + SYu ! BC22 , donde : KK , es la suma del número de observaciones
! , es
K, es la la suma
suma del del número
número de observaciones
de observacio-
de " ambas
nes de ambas vacunas.
vacunas.
de potencia
La ambas vacunas.
se programó como sigue:
La
Lapotencia
potenciasese programó
programó como sigue:
como sigue:
La potencia se programó como sigue:
M = X ! X ! (((YYYss −!!YYYuu )))
M == XXss −! XXuu −! (Yssbb!c Yuu )
M s u
M = X s ! X u ! bcc
El error estándar de M es: c
b
El error estándar de M es:
1 1 1 (Ys ! Yu )2 2
SM = 1 1 + 1 + (Y ! Y )2 , donde: t= 1.96 con �

S M = b1C SW 1 u + (YBssC22!!Ytuu 22)
1 s + SW
S M = bC SWs + SWu + BC2 ! t 2 ,, donde:
donde:t=t=1.96
1.96con
con
∞�
grados deblibertad. , donde: t= 1.96 con �
SWs SWu
grados de libertad.
C BC ! t
grados de libertad.
grados
Con de libertad.
estos elementos podemos calcular los límites de confianza con la expresión
Con estos elementos podemos calcular los límites de confianza con la expresión
(Bliss,1945),
estos que corresponde
(Bliss,1945), elementos
Con que correspondepodemos a la fórmula
calcular
a la fórmula de los
delímites
Fieller
Fieller (Finney,1971):
de confianza con la expresión
(Finney,1971):
Con estos elementos
(Bliss,1945), podemosa la
que corresponde calcular
fórmula losdelímites
Fieller de confianza con la expresión
(Finney,1971):
(Bliss,1945), que corresponde a la fórmula de Fieller 2(Finney,1971):
BBCC22
M ±± tt **C
22
=
22
C
C ** M C ** SS M , donde:
M , donde:
C C = 2 2BC2 2 2
2
C * M ± t *C * S
2 C 2
=
M , donde: C 2 = CC2 C 2
BB −!t t
B
C * M ± t *C * S
C 2 es un evaluador del empinamiento M , donde: B C2 ! t 2
2
de la B
pendiente
C !t
de regresión común. En
es un evaluador
laCnomenclatura del (citado),
de Finney empinamiento de lacon
es denotado pendiente de regresión
(g). La relación común. En la
entre ambas
2
nomenclatura es lade
C 2 es un evaluador
expresiones Finney (citado), es denotado
del empinamiento
siguiente: con (g).deLaregresión
de la pendiente relación común.
entre ambas
En la
C es un evaluador
expresiones
nomenclatura esde del empinamiento
la siguiente:
Finney de la pendiente
(citado), es denotado con (g).deLaregresión
relación común. En la
entre ambas
1
nomenclaturaesde Finney (citado), es denotado con (g). La relación entre ambas
gexpresiones
= 1− 2 la siguiente:
expresiones es la siguiente:
C , Finney recomienda diseñar el experimento de forma tal que g sea
1
g = 1 ! 0.1, , Finney recomienda diseñar el experimento de forma tal que, g sea
menor deC1 2 e idealmente menor que 0.05.
g = 1 ! 12 , Finney recomienda diseñar el experimento de forma tal que, g sea
menor
g = 1 !de C 20.1, e idealmente
, Finney menordiseñar
recomienda que 0.05. el experimento de forma tal que, g sea
menor de C 0.1, e idealmente menor que 0.05.
menor
El de 0.1,10e idealmente
programa que se detallamenormásque 0.05. efectua una estimación de potencia
adelante,
con límites de confianza 95%, estimaciones
El programa 10 que se detalla más adelante, efectua de desvíos de paralelismo
una estimación y de
de potencia
El programa
linealidad;
con límitesvalor 10
de g que se detalla
según la 95%,
confianza más
versión adelante,
de Finney y de
estimaciones efectua
el erroruna estimación
estándar
desvíos de potencia
de la pendiente
de paralelismo y de
con
común. límitesvalor
linealidad; de confianza
g según la 95%,
versiónestimaciones
de Finney yde
60 desvíos
el error de paralelismo
estándar y de
de la pendiente
linealidad; valor g según la versión de Finney y el error estándar de la pendiente
común.
común.
El programa 10, que se detalla más adelante, efectúa una estimación de potencia
El
con análisis
El límites se
se realiza
de confianza
análisis por
95%,
realiza por los
los tres
tres demétodos
estimaciones recomendados
desvíos de
métodos paralelismo y depor
recomendados la
lineali-
por la OMS:
OMS:
transformación
dad; angular
valor g según
transformación (A),
la versión
angular método
(A),demétodo probit
Finney probit (P)
y el error y método
(P)estándar
y método logit
de la (L).
pendiente
logit El ejemplo
(L). El común.
ejemplo que
que se
se
muestra
muestra después
después deldel listado
listado del
del programa;
programa; relacionado
relacionado concon lala vacuna
vacuna :: Pertussis
Pertussis 9-9-
El análisis sees
002-00-9, realiza
sólopor una
los tres métodos recomendados
simulación. En él por la verse
puede OMS: transforma-
que se usaron
002-00-9,
ción
es sólo una
angular (A), método
simulación.
probit (P) y método
En
logit
él puede verse
(L). El ejemplo
que se usaron
queincluye
se muestra
aproximadamente
aproximadamente 30
30 ratones
ratones por
por dosis
dosis de
de vacuna.
vacuna. El
El listado
listado incluye :: las
las dosis
dosis ,,
después
los del listado del
sobrevivientes, y programa;
los relacionado
inoculados ; con la
además sevacuna:
incluye Pertussis
el valor 9-002-00-9,
en UI/ 0.5 ml de la
lossólo
es sobrevivientes,
una y losEninoculados
simulación. ; además
él puede verse que se se usaron
incluyeaproximadamente
el valor en UI/ 0.5 30 ml de la
vacuna de referencia.
vacuna de referencia.
ratones por dosis de vacuna. El listado incluye: las dosis, los sobrevivientes, y los
inoculados; además se incluye el valor en UI/ 0.5 ml de la vacuna de referencia.
La
La potencia
potencia (P)
(P) por
por probit
probit es:
es: 5.5
5.5 UI/
UI/ dosis
dosis de
de 0.5
0.5 ml
ml de
de inyección,
inyección, redondeando
redondeando
cifras.
La potencia
cifras. (P) por probit es: 5.5 UI/ dosis de 0.5 ml de inyección, redondeando
La
La pendiente
pendiente probit
cifras. probit es es :: 1.878465,
1.878465, con con g=0.058;
g=0.058; dócimadócima de de desvíos
desvíos dede
paralelismo=
paralelismo= 0.02
0.02 (excelente);
(excelente); y
y linealidad
linealidad =
= 7.67
7.67 con
con 2
2 grados
grados de
de libertad;
libertad; esta
esta
La pendiente
última no probit es: un
1.878465, con g=0.058; dócima de desvíos de paralelismo=
última
0.02 no constituye
constituye
(excelente); y un motivo
motivo
linealidad = 7.67
de
decon
rechazo
rechazo
2 grados
de
de
de
la prueba
lalibertad;
pruebaestaaunque
aunque
última
,de
,de
no
hecho,
hecho, indica
consti- indica
que
que la
la alineación
alineación de las observaciones con respecto a la línea de regresión, no es
tuye
muy un motivo de rechazo de la prueba, aunque,de hecho, indica que la alineación no es
buena.
de las observaciones con respecto a la línea de regresión,
muy buena.
de las observaciones con respecto a la línea de regresión, no es muy buena.
Si
Si verificamos
verificamoselel
Si verificamos cumplimiento
cumplimiento
el de
de las
cumplimiento las
las recomendaciones
de recomendaciones de
de la
de la OMS
recomendaciones OMS
lasobre sobre
OMSlímites límites
límites de
sobrede de
confianza,
confianza, tenemos:
tenemos:
confianza, tenemos:
1
1..51886
51886 * 100 = 174.29% , que es menor que 200%
0 . 871438 * 100 = 174.29% , que es menor que 200%
0.871438 , que es menor que 200%
0
0..4958631
4958631 * 100 = 56.9% , que es mayor que 50%
0 * 100 = 56.9% , que es mayor que 50%
0..871438
871438 , que es mayor que 50%
Con
Con todos
Con todos estosestos
todos resultados
resultados
estos podemos podemos
resultados concluir que,concluir
podemos la prueba que,
concluir cumplela
que, prueba
prueba cumple
lasatisfactoria- cumple
satisfactoriamente
mente
satisfactoriamente los requisitos
los requisitos importantes de un
los requisitos importantes de
buen diseño,de
importantes un
y que buén
un la diseño,
vacuna
buén yy que
problema
diseño, la
la vacuna
pasa
que vacuna
problema
el ensayo de
problema pasa el
el ensayo
potencia
pasa dado que
ensayo de
desupotencia
valor 5.5 dado
potencia superaque,
dado su
el valor
que, valor
valor 5.5
su mínimo supera
supera4 el
aceptable:
5.5 el valor
valor
mínimo
UI/ dosis aceptable:
establecido 4 UI/
por El dosis
Comitéestablecido
de Expertos por
en El Comité
Ensayos de Expertos
Biológicos
mínimo aceptable: 4 UI/ dosis establecido por El Comité de Expertos en Ensayos de la en
OMS Ensayos
Biológicos
(WHO,TRS de
de la
Biológicos 800, OMS
OMS (WHO,TRS
la1990). (WHO,TRS 800, 800, 1990).
1990).
El
El programa
programa1010fue escrito
fue en en
escrito MicrosoftQuick BasicBasic
Microsoft�Quick comocomo
versión autoejecutable.
versión autoejecutable.
El programa 10 fue escrito en Microsoft�Quick Basic como versión autoejecutable.
La
La idea
La idea de
ideade emplear
deemplear
emplear loslos tres
tres
los métodos
métodos
tres mencionados
mencionados
métodos para
para analizar
para analizar
mencionados la
la potencia
la potencia
analizar de una de
potencia de una
una
vacuna,
vacuna, puede
puede añadir
añadir más más seguridad
seguridad a la hora a
de la hora
estimar unade
vacuna, puede añadir más seguridad a la hora de estimar una potencia estimar
potencia una potencia
peligrosa-
peligrosamente
mente cercana al cercana
peligrosamente al
al valor
valor crítico
cercana crítico
crítico de
de aprobación.
valor de aprobación.
aprobación.
Se
Se puede comentar que no existe no
un programa probit estandarizado internacional-
Se puede
puede comentar
comentar que que no existeexiste un un programa
programa probitprobit estandarizado
estandarizado
mente; existen muchos
internacionalmente; programas
existen de
muchos uso oficial
programas en susdepaíses
uso de origen,
oficial en y no países
sus es
internacionalmente;
inusitado que den existen
resultados quemuchos
no son programas
exactamente de uso
iguales oficial
entre en
ellos, sus
dado países de
que de
origen,
origen, y
y no
no es
es inusitado
inusitado que
que den
den resultados
resultados que
que no
no son
son exactamente
exactamente iguales
iguales entre
entre
no se ha acordado
ellos, el número “ideal” de iteraciones para obtener los estimadores obtener
ellos, dado
dado que
requeridos. que nono se
se ha
ha acordado
acordado el el número
número “ideal”
“ideal” de
de iteraciones
iteraciones para
para obtener
los
los estimadores
estimadores requeridos.
requeridos.
Como
Como autocrítica
autocrítica puedopuedo denunciar
denunciar que
que elel programa
programa 10 10 usa
usa una
una dede las
las últimas
últimas
iteraciones
iteraciones efectuadas por el método Logit para iniciar las correspondientes al
efectuadas por el método61 Logit para iniciar las correspondientes al
método
método Probit; Probit; esto esto no
no es
es muy
muy elegante
elegante pero
pero hasta
hasta ha
ha sido
sido sugerido
sugerido por
por algunos
algunos
autores
autores (Cornfield
(Cornfield y y Mantel.1950),
Mantel.1950), que
que llegaron
llegaron aa recomendar
recomendar el el uso
uso del
del Spearman
Spearman
-- Karber
Karber para obtener el primer ciclo de cálculos requeridos por el análisis Probit.
3841MetodosEstadisticos para
correguido.indd obtener
61 el primer ciclo de cálculos requeridos por el análisis 22/4/10 10:45:22
Probit.
Como autocrítica puedo denunciar que el programa 10 usa una de las últimas itera-
ciones efectuadas por el método Logit para iniciar las correspondientes al método
Probit; esto no es muy elegante pero hasta ha sido sugerido por algunos autores
(Cornfield y Mantel.1950), que llegaron a recomendar el uso del Spearman - Karber
para obtener el primer ciclo de cálculos requeridos por el análisis Probit.
PROGRAMA 10
DECLARE SUB max ( )

DECLARE SUB calc ( )
CLS
COLOR 7, 1
CLEAR
PRINT “ EL PROGRAMA: ÁNGULO, CALCULA POTENCIA DE VACUNAS POR TRES MÉTODOS:”
PRINT “ PROBIT; LOGIT Y TRANSFORMACION ANGULAR -RECOMENDADOS POR OMS-,”
PRINT “ TAL COMO FUERON CREADOS POR:C.BLISS Y R. FISHER(1934-35),J. BERKSON (1944-
49) “
PRINT “ Y POR LILA KNUDSEN Y JACK CURTIS (1947) RESPECTIVAMENTE.”
PRINT “ PARA LOGITS Y PROBITS SE USO UN ALGORITMO DE MAXIMA VEROSIMILITUD DE”
PRINT “ B.J.T. MORGAN (SCORE METHOD) (1992).”
PRINT: PRINT “ Esta versión es de Luis Rodríguez-Aguayo.E-mail: lrodrig@ispch.cl
“
PRINT “ MARATHON 1000.Santiago.CHILE.Enero 1998. “
PRINT: PRINT
PRINT,, “ATENCION”
PRINT “----------------------------------------------------------------------------“
PRINT “ Este programa NO acepta dosis en forma fraccionaria como:”
PRINT “ 1/5,1/15 etc.etc.. Use solo la forma decimal:0.2,0.1 etc.”
PRINT “ o la entera como:250, 50, 10, etc.”
PLAY “ <L8 b MS > g e c ML d g MS e c”
PLAY “l16 a g f e f e d c e d e d e d e d e d e d e d c d”
PLAY “c4 c < g > c e g e c e f d < b > d”
PLAY “c4 <c < g > c e g e c e f d < b > d c4 >c4 c2”
PRINT
PRINT “ Quiere seguir (S=si) (N=no)”
DO
Ans$ = INKEY$
LOOP UNTIL ((ans$ = “s”) OR (ans$ = “n”))
IF ans$ = “n” THEN END
CLS
PRINT “ Cuantas diluciones tiene su vacuna patron”;: INPUT mc: yy= mc + 1
PRINT “ Cuantas diluciones tiene su vacuna problema”;: INPUT wc
n = mc + wc
DIM a (1 TO n, 1 TO 3), b (1 TO n, 1 TO 3), P (1 TO n), q (1 TO n), K%(1 TO n),
s(1 TO n)
62

coef = 57.29577951: feco =.01745329252

CLS
PRINT: PRINT
Q1 = 0
FOR k = 1 TO mc
PRINT “ Vacuna Patron:Dosis(“; k; “)”;: INPUT a (k, 1)
PRINT “ Vacuna Patron:sobrevivientes en dilución(“; k; “)”;: INPUT a (k, 2)
PRINT “ Vacuna Patron:vacunados en dilución(“; k; “)”;: INPUT a (K, 3)
b (k, 1) = LOG(a (k, 1)) / LOG(10)
sq = a (k, 2) / a (k, 3): ss = SQR(sq)
b (k, 3) = a (k, 3) *.0012185
q1 = q1 + b (k, 3)
SELECT CASE ss
CASE IS = 1
b (k, 2) = 90
CASE IS < 1
B (k, 2) = ATN(ss / SQR(1 - ss * ss)) * coef
END SELECT
k(k) = a (k, 2): s(k) = a (k, 3)
NEXT k
jk = 1
kk = mc
CALL max
ki = 1: kf = mc
la1 = 0
lb1 = 0
lc1 = 0
ld1 = 0
le1 = 0
lf1 = 0
pa1 = 0
pb1 = 0
pc1 = 0
pd1 = 0
pe1 = 0
pf1 = 0
FOR i = ki TO kf
lx = b (i, 1): 1y = LOG(q (i) / (1 – q (i)))
lw = q (i) * (1 – q (i)) * a (i, 3)
c7 = SGN(.5 - q (i))
c8 = -LOG(1 - c7 + 2 * c7 * q (i))
pt = ((4* c8 + 100) * c8 + 205) * c8 *c8 / (((2 * c8 + 56) * c8 + 192) * c8 +
131)
c9 = 8 – c7 * SQR(pt)
pz = c9 – 5
63

pfi = 1 / SQR(2 * 3.141592654) * EXP(-.5 * (pz))

pwk = c9 – q (i) / pfi + (a (i, 2) / a (i, 3)) / pfi
pw = a (i, 3) * (pfi * pfi) / (q (i) * (1 - q (i)))
la1 = la1 + lx -* lw
lb1 = lb1 + ly * lw
lc1 = lc1 + lx * ly * lw
ld1 = ld1 + lx * lx * lw
le1 = le1 + ly * ly * lw
lf1 = lf 1 +lw
pa1 = pa1 + lx * pw
pb1 = pb1 +pwk –pw
pc1 = pc1 + 1x * pwk * pw
pd1 = pd1 + 1x * 1x * pw
pe1 = pe1 + pwk * pwk *pw
pf1 = pf1 + pw
NEXT i
lx1 = ld1 – (la1 * la1) / lf1
ly1 = le1 – (lb1 * lb1) / lf1
lxy1 = lc1 – (la1 * lb1) / lf1
px1 = pd1 – (pa1 * pa1) / pf1
py1 = pe1 – (pb1 * pb1) / pf1
pxy1 = pc1 – (pa1 * pb1) / pf1
lmx1 = la1 / lf1
lmy1 = lb1 / lf1
pmx1 = pa1 / pf1
pmy1 = pb1 / pf1
test:
q2 = 0
PRINT: PRINT “ Identifique su vacuna problema”;: INPUT vac$
PRINT “ Tipo de vacuna y número del protocolo”;: INPUT prot$
PRINT “ Indique las iniciales del TEST”;: INPUT lra$
CLS
FOR K = yy TO n
PRINT “ Problema:dosis(“; k – mc; “)”;: INPUT A (k, 1)
PRINT “ Problema:sobrevivientes en dilución(“; k – mc; “)”;: INPUT a (k, 2)
PRINT “ Problema:vacunados en dilución(“; k – mc; “)”;: INPUT a (k, 3)
b (k, 1) = LOG(a (k, 1) / LOG(10)
qs = a (k, 2) / a (k, 3): qq = SQR(qs)
b (k, 3) = a (k,3) *.0012185
q2 = q2 + b (k, 3)
SELECT CASE qq
CASE IS = 1
B(k, 2) = 90
CASE IS < 1
b (K, 2) = ATN(qq / SQR(1 – qq * qq)) * coef
64

END SELECT
K%(k) = a (k, 2): s%(k) = a (k, 3)
NEXT k
af = 1
tt = mc
q =q1
CALL calc
Mx1 = m1: my1 = m2
Sx1 = t1
Sy1 = t2
Sxy1 = t3
Jk = yy
Kk = n
CALL max
la2 = 0
lb2 = 0
lc2 = 0
ld2 = 0
le2 = 0
lf2 = 0
pa2 = 0
pb2 = 0
pc2 = 0
pd2 = 0
pe2 = 0
pf2 = 0
FOR i = jk TO KK
lxx = b (i, 1): 1yy = LOG(q (i) / (1 – q (i)))
lww = q (i) * (1)) * a (i, 3)
c77 = SGN(.5 – q (i))
c88 = -LOG(1 – c77 + 2 * c77 * q (i))
ptt = ((4 * c88 + 100) * c88 + 205) * c88 * c88 / (((2 * c88 +56) * c88 + 192)
* c88 + 131)
c99 = 5 – c77 * SQR(ptt)
pzz = c99 – 5
pfii = 1 / SQR(2 * 3.141592654) * exp(-.5 * (pzz * pzz))
pwkk = c99 – 1 / pfii * (q (i) – (a (i, 2) / a (i, 3)))
pww = a (i, 3) * (pfii * pfii) / (q (i) * (1 – q (i)))
la2 = la2 + lxx * lww
lb2 = lb2 + lyy * lww
lc2 = lc2 + lxx *lyy * lww
ld2 = ld2 + lxx * lxx *lww
le2 = le2 + lyy * lyy * lww
lf2 = lf2 + lww
pa2 =pa2 + lxx * pww
65

pb2 = pb2 + pwkk * pww

pc2 =pc2 + lxx * pwkk * pww
pd2 = lxx * lxx * pww
pe2 = pe2 + pwkk * pwkk * pww
pf2 = pf2 + pww
NEXT
lx2 = ld2 – ( la2 * la2 ) / lf2
ly2 = le2 – ( lb2 * lb2 ) / lf2
lxy2 = lc2 – ( la2 * lb2 ) / lf2
px2 = pd2 ( pa2 * pa2 ) / pf2
py2 = pe2 – ( pb2 * pb2 ) / pf2
pxy2= pc2 – ( pa2 * pb2 ) / pf2
lmx2 = la2 / lf2
lmy2 = lb2 / lf2
pmx2 = pa2 / pf2
pmy2 = pb2 / pf2
b1 = sxy1 / sx1
a1 = my1 – b1 * mx1
ed1 = 10 ^ ( (45 – a1 ) / b1 )
af = yy
tt = n
q = q2
CALL calc
mx2 = m1: my2 = m2
sx2 = t1
sy2 = t2
sxy2 = t3
b2 = sxy2 / sx2
a2 = (my2 – b2 * mx2)
ed2 = 10 ^ ((45 – a2) / b2)
bc = (sxy1 + sxy2) / (sx1 + sx2)
pote = (mx1 – mx2= - (my1 –my2) / bc
pot = 10 ^ (pote)
sb = 1 / SQR((sx1 + sx2))
sx12 = sx1 + sx2: sy12 = sy1 + sy2: sxy12 = sxy12 + sxy2
sbc = bc * sxy12: bt = sbc – 3.8416
c2 = sbc / bt: sc2 = SQR(c2)
spot = 1 / bc * SQR(1 / q1 +1 /q2 +(my1 - my2) ^ 2 / bt)
ls = 10 ^ (mx1 – mx2 – c2 * (my2) / bc + 1.96 * sc2 * spot)
li = 10 ^ (mx1 – mx2 – c2 * (my2) / bc - 1.96 * sc2 * spot)
lsl1 = lxy1 / lx1
lsl2 = lxy2 / lx2
aal1 = lmy1 – lsl1 * lmx1
aal2 = lmy2 – lsl2 * lmx2
psl1 = pxy1 / px1
66

psl2 = pxy2 / px2

aap1 = pmy1 – psl1 * pmx1
aap2 = pmt2 – psl2 * pmx2
led1 = 10 ^ (-aal1 / lsl1)
led2 = 10 ^ (-aal2 / lsl2)
ped1 = 10 ^ ((5 – aap1) / psl1)
ped2 = 10 ^ ((5- aap2) / psl2)
ls1 = (lxy1 + lxy2) / (lx1 + lx2)
ps1 = (pxy1 + pxy2) / (px1 + px2)
lpote = (lmx1 – lmx2 –(lmy1 – lmy2) / lsl)
ppote = (pmx1 – pmx2 – (pmy1 – pmy2) / psl)
lpot = 10 ^ (lpote)
ppot = 10 ^ (ppote)
lsb = 1 / SQR(lx1 + lx2)
psb = 1 / SQR(px1 + px2)
lx12 = lx1 + lx2
px12 = px1 + px2
ly12 = ly1 +ly2
py12 = py1 + py2
lxy12 = lxy1 + lxy2
pxy12 = pxy1 + pxy2
lsbc = lsl * lxy12
lbt = lsbc – 3.8416
ccl =lsbc / lbt
ccl1 = SQR(cc1)
psbc = psl * pxy12
pbt = psbc – 3.8416
ccp = psbc / pbt
ccp1 = SQR(ccp)
pg =1 – 1 / ccp
lspot = 1 / lsl * SQR(1 / lf1 + 1 / lf2 + (lmy1 – lmy2) ^ 2 / lbt)
pspot = 1 / psl * SQR(1 / pf1 + 1 / pf2 + (pmy1 – pmy2) ^ 2 / pbt)
lls = 10 ^ (ccl * lpote + 1.96 * ccl1 * lspot)
lli = 10 ^ (ccl * lpote - 1.96 * ccl1 * lspot)
pls = 10 ^ (pmx1 – pmx2 – (ccp * (pmy1 – pmt2) / psl) + 1.96 * ccp1 * pspot)
pli = 10 ^ (pmx1 – pmx2 – (ccp * (pmy1 – pmt2) / psl) -1.96 * ccp1 * pspot)
lpar = lsl1 * lxy1 + lsl2 * lxy2 – lsbc
ppar = psl1 * pxy1 + psl2 * pxy2 – psbc
llin = ly1 + ly2 – lsbc
plin = py1 + py2 – psbc
paral = b1 * sxy1 + b2 * sxy2 – sbc
linea = sy1 + sy2 – sbc
PRINT: PRINT “U.I./0.5 ml del PATRON”;: INPUT ui
CLS
PRINT “DATOS(V.PATRON)”; ui; “ UI por 0.5 ml; (A)Ángulo (L)Logit (P)Probit”
67

PRINT “-------------------------------------------------------------------------------“
PRINT “DOSIS”; SPC(6); “SOBREV:”; SPC(2); “VACUNADOS “; SPC(1);m “SE50 (A)=”; INT(e
D1 * 100+.5) / 100; SPC(1); “(L)=”; INT(led1 * 100 +.5) / 100; SPC(1); “(P)=”
; INT(ped1 * 100 +.5) / 100
FOR i = 1 TO mc
PRINT a (i, 1); TAB(12); k%(i); TAB(23); s (i)
NEXT i
PRINT
PRINT “V.PROBLEMA=”; vac$; SPC(2); “ Protocolo=”; prot$; SPC(2); “ Responsable=”;
lra”
PRINT “-------------------------------------------------------------------------------“
PRINT “DOSIS”; SPC(6); “SPC(2); “VACUNADOS”; “DE50(A)=”; INT(e
D2 * 10000 +.5) / 10000; “(L)=”; INT(led2 * 10000 +.5) / 10000; SPC(1)
; “(P)=”; INT(ped2 * 10000 +.5) / 10000
FOR i = yy TO n
PRINT a (i, 1); TAB(12); k (i); TAB(23); s (i)
NEXT i
PRINT “-------------------------------------------------------------------------“
PRINT “POTENCIA(A)= “; pot; “ (“; li; “;”; ls; “)”; “ U.I./ 0.5 ml=”; pot * ui
PRINT “POTENCIAL(L):”; lpot; “ (“; lli; “;”; lls; “)”; “ UI/0.5 ml=”; lpot * ui
PRINT “POTENCIAL(P):”; ppot; “ (“; pli; “;”; pls; “)”; “ UI/0.5 ml=”; ppot * ui
PRINT “Pendiente(A)=”; bc / 19.59; “(L)=”; lsl; “(P)=”; psl
PRINT “Se(pendiente(P)=”; psb; “,”; “g(P)=”; INT(pg * 10000 +.5) / 10000; “ S p
Ot=”; INT(pspot * 10000 +.5) / 10000
PRINT “Desvíos de Paralelismo=”; ppar; “ con:1 g.libertd”
PRINT “Otra vacuna (s)(n)”;: INPUT sw$
SELECT CASE sw$
CASE IS = “s”
CLS
GOTO test
CASE IS = “n”
PRINT
END SELECT
END
SUB calc
SHARED b ()
SHARED q,af, tt, t1, t2, t3, w1, w2, m1, m2, n
g1 = 0
g2 = 0
FOR i = af TO tt
g1 = g1 +b (i. 1) * b (i, 3)
g2 = g2 + b (i, 2) * b (i, 3)
NEXT i
m1 = g1 / q
m2 = g2 / g
68

t1 = 0
t2 = 0
t3 = 0
FOR i = af TO tt
w1 = b (i, 1) – m1
w2 = b (i, 2) – m2
t1 = t1 + (w1 * w1) * b (i, 3)
t2 = t2 + (w2 * w2) * b (i, 3)
t3 = t3 + (W1 * w2)* b (i, 3)
NEXT i
END SUB
SUB max
SHARED b (), a (), P (), q ()
SHARED ao, bo, mc, n, yy, jk, kk, i
Ao = 1: bo= 0
DO
LET d11 = 0
LET d22 = 0
LET B11 = 0
LET b22 = 0
LET b44 = 0
LET c44 = 0
LET c22 = 0
FOR i = jk TO kk
A11 = EXP(-ao)
P (i) = 1 / (1 + a11 * EXP(-bo * b (i, 1)))
z = a (i, 2) – a (i, 3) * P (i)
d11 = d11 + z
d22 = d22 + z * b (i, 1)
q (i) = P (i)
P (i) = P (i) * (1 – P (i)) * a (i, 3)
b11 = b11 + P (i)
b22 = b22 + P (i) * b (i, 1)
b44 = b44 + P (i) * (b (i, 1)) ^ 2
NEXT i
w = b11 * b44 - b22 * b22
c11 = b44 / w
c22 = -b22 / w
c44 = b11 / w
a0 = a0 + c11 * d11 + c22 * d22
b0 = b0 + c22 * d11 + c44 * d22
IF q (jk) >=.999999 THEN EXIT DO
LOOP UNTIL (ABS(d11) <.00001)
END SUB
DATOS(V.PATRON) 60 UI por 0.5 mal; (A)Angulo (L)logit (P)Probit
69

-------------------------------------------------------------------------------------
DOSIS SOBREV: VACUNADOS DE50(A)=.01 (L)=.01 (P)=.01
.04 14 14
.02 10 13
.01 4 12
.005 1 14
V.PROBLEMA=Test.9-125-01-9 Protocolo=Test 000254 Responsabilidad=LRA
----------------------------------------------------------------------------------------
.04 11 12
.02 10 14
.01 6 13
.005 2 14
-----------------------------------------------------------------------------------
POTENCIA(A}=.9511936 (.6534711, 1.370755 ) U.I./ 0.5 ml= 57.07161
POTENCIA(L): 1.043974 (.6426728, 1.719148 ) UI/0.5 ml=62.63842
POTENCIA(P): 1.021612 (.6490658, 1.611374 ) UI/0.5 ml= 61.29671
Pendiente(A)= 3.563082 (L) 5.295885 (P)= 3.176738
Se (pendiente(P)=.5187308,g(P)=.1024
Desvios de Paralelismo= 1.719548 con:1 g.libertad
Linealidad= 2.203226 con: 4 g.libertad
Otra vacuna (s) (n)?
Datos(V.PATRON) 6.3 UI por 0.5 ml; (A)Ángulo (L)Logit (P)Probit
---------------------------------------------------------------------------
.1 30 30
.02 13 29
.004 6 30
V.PROBLEMA =Pert.9-002-00-9 Protocolo=Pert. 000211 Responsable=LRA
-----------------------------------------------------------------------------------------
.1 28 29
.02 14 31
.004 5 30
------------------------------------------------------------------------------------------
POTENCIA(A)=.7819685 (.4871446, 1.234808 ) U.I./0.5 mL= 4.926402
POTENCIA(L):.8815936 (.4858211, 1.567723 ) UI/0.5 mL= 5.55404
POTENCIA(P):.871438 (.4958631, 1.51886 )UI/0.5 mL= 5.49006
Pendiente(A)= 2.165344 (L)= 3.178618 (P)= 1.878465
Se(pendiente(P)=.2264558, g(P)=.0558
Desvío de Paralelismo= 2.026612E-02 con:1 g.libertad
Linealidad= 7.671425 con: 2 g.libertad
Otra vacuna (s) (n)?
70

La amplitud del intervalo de confianza de la potencia sugerido por la OMS muestra

que es extremadamente dificil obtener, en ensayos biológicos, una reproducibilidad
como la que se observa con métodos químicos. Los ensayos colaborativos que la
OMS efectúa para titular un Patrón Internacional evidencian que, pese al prestigio
de los laboratorios participantes, siempre se observan grandes varianzas tanto intra
como interlaboratorios.
En la mente de los especialistas en ensayos de potencia de vacunas es casi inevitable

que aparezca la inquietante idea sobre la imposibilidad de saber cuál es el verda-
dero, único y definitivo valor de potencia de una vacuna, debido precisamente a la
magnitud de los intervalos de confianza que uno encuentra en sus pruebas. Es muy
conocido el trabajo de J.D. van Ramshorst y colaboradores (van Ramshorst J.D. et
al.,1979), en el que la repetición de titulaciones del componente antipertussis de una
vacuna cuádruple (DPT, polio) dio los siguientes resultados en UI/ dosis:
5.6, 9.7, 5, 11.4, 3.4, 7.2, 3.5, 7.4, 5.6, 5.2, 3.4, 6.2, 4.4, donde los valores inferiores
a 4 UI / dosis indican rechazo de la vacuna por potencia insuficiente. Es verdad que
a juzgar por los intervalos de confianza, esas pruebas se efectuaron con un número
de animales relativamente bajo, pero la variación no mejora mucho con más rato-
nes. Esto debiera generar humildad en el experimentador ante una naturaleza que
muestra una especie de permanente estremecimiento probabilístico que impide una
alta reproducibilidad, y debiera también inducir a extremar las medidas de control
de calidad en el laboratorio.
71

CAPÍTULO 3
Nunca,
CAPÍTULO 3 la inferencia estadística puede
reducirse a un conjunto
Nunca, la fijo de reglas
inferencia de puede
estadística
aplicación rutinaria a cualquier
reducirse problema.
a un conjunto fijo de reglas de
Toda circunstancia siempre –aunque
aplicación rutinaria a cualquier problema.
Toda circunstancia siempre – aunque
sea por poco–, seadifiere de otras.
por poco-, difiere de otras.
Julian Simon.
Julian Simon.
3.1.- Transformaciones de Recuentos de Microorganismos.
3.1. Transformaciones de Recuentos de
Microorganismos
Se debe considerar que el primer propósito de la transformación es aproximar el
“contorno” de los datos a la distribución de la Curva Normal, como se observa en
Se figura
la debe considerar que elque,
2, y conseguir primer propósito de
al aumentar la transformación
el tamaño de la mediaes aproximar
no crezcaeltambién
“contorno” de los datos a la distribución de la Curva Normal, como
la varianza; un fenómeno indeseable que se conoce como heterocedasticidad se observa en la que
ocurre con los recuentos de colonias bacterianas, en los cuales, al crecer lala media
figura 2, y conseguir que, al aumentar el tamaño de la media no crezca también
varianza;
crece un fenómeno
también indeseable
la varianza. que se conoce
Es importante quecomo heterocedasticidad
no haya que ocu- entre
diferencia significativa
las varianzas de los grupos que se comparan, como ocurre en un crece
rre con los recuentos de colonias bacterianas, en los cuales, al crecer la media Análisis de
también la varianza.
Varianza; Es importante
este método es sensible que anolahaya diferencia significativa
heterocedasticidad, la queentrelelas va- perder
hace
rianzas de los
confiabilidad. grupos que se comparan, como ocurre en un Análisis de Varianza; este
método es sensible a la heterocedasticidad, la que le hace perder confiabilidad.
Algunas delas
Algunas de lastransformaciones
transformaciones usadas
usadas son: son:
3.1.1). Log 10 ( X + 1) , donde 1 es indispensable si algún recuento es cero, pero

3.1.1). , donde 1 es indispensable si algún recuento es cero, pero
ignorable encaso
ignorable en caso contrario.
contrario.
3.1.2). XX
3.1.3). XX ++ 00..55
3.1.4). X + 3/8
3.1.4). X + 3 / 8 ,, llamada
llamadaTransformación
Transformación de Ascombe
de Ascombe (Das y(Das
Giri.1979), muy
y Giri.1979), muy
recomendada por sus propiedades estabilizantes de la varianza, y por mantener
recomendada por sus propiedades estabilizantes de la varianza, y por mantener esas
propiedades con recuentos pequeños.
esas propiedades con recuentos pequeños.
3.1.5). X + X + 1 , poco conocida y usada; no es mejor que 3.1.4 según Zar

3.1.5). X + X + 1 , poco conocida y usada; no es mejor que 3.1.4 según Zar
(Zar. 1996)
(Zar. 1996)
3.1.6). log10 (X / log10 X ), usada en ensayos con Brucella abortus,
No obstante todas estas opciones,73 en la práctica se usa la transformación

logarítmica de recuentos microbiológicos (3.1.1) para estudios colaborativos,
ensayos de estandarizaciòn de métodos diagnósticos o valoración externa de
calidad.
recomendada por sus propiedades estabilizantes de la varianza, y por mantener
esas propiedades con recuentos pequeños.
3.1.5). 1 , poco conocida

X + Xen+microbiología
Métodos estadísticos y usada; no es mejor que 3.1.4 según Zar
y ensayos biológicos
(Zar. 1996)
3.1.6). log10 (X / log10 X ), usada en ensayos con Brucella abortus,

3.1.6). , usada en ensayos con Brucella abortus,
No obstante
obstantetodas estasestas
todas opciones, en la práctica
opciones, en lase usa la transformación
práctica se usa lalogarítmica
transformación
de recuentos microbiológicos
logarítmica de recuentos (3.1.1) para estudios(3.1.1)
microbiológicos colaborativos,
para ensayos
estudiosdecolaborativos,
estan-
darización de
ensayos de métodos diagnósticos
estandarizaciòn deo métodos
valoración diagnósticos
externa de calidad.
o valoración externa de
calidad.
Debe recalcarse que no basta transformar logarítmicamente los recuentos para que
los datos así obtenidos pertenezcan a una distribución lognormal. De hecho hay
Debe recalcarse
datos así que no
transformados, quebasta
no se transformar logaritmicamente
ajustan a la distribución lognormallos recuentos
porque, ha- para
que los datos así obtenidos pertenezcan a una distribución lognormal.
biendo tenido una marcada asimetría derecha antes de la transformación, adquieren De hecho
hay datos
fuerte así transformados,
asimetría izquierda después que
deno seSe
ella. ajustan
aceptaaquela distribución
los datos de lognormal
contaminan-porque ,
habiendo
tes industriales suelen tener una distribución lognormal pero, eso no es la
tenido una marcada asimetría derecha antes de transformación,
un dogma y,
adquieren fuerte asimetría izquierda después de ella. Se acepta
centíficamente tal afirmación debe ser comprobada mediante los métodos de explo-que los datos de
contaminantes industriales
ración de datos contenidos en suelen tener
la mayoría de una distribución
los paquetes lognormal
estadísticos. Los pero,
métodoseso no es
estadísticos tienen, con frecuencia, exigencias en cuanto al tipo de distribución de
los datos a los que aquellos deben aplicarse y, muchas de las mentiras que, injusta-
mente, se le atribuyen a la estadística, proceden de la liviandad con que se ignoran 68
dichas exigencias. Por otra parte, se puede mentir con cualquier disciplina; basta con
que se la use mal.
Supongamos la siguiente serie de recuentos bacterianos:
2, 4, 1100, 5, 2, 13, 1700, 8, 0, 79, 79, 950, 2, 8, 79, 0, 460, 26, 0, 13
Si calculamos la media aritmética y la desviación estándar de estos 20 recuentos,

obtendremos:
X = 226.5
S = 470.608
Según lo observado en la figura Nº 1, si la varianza (S2) es mayor que la media,
entonces, la distribución de los datos no podría considerarse poisoniana. Si desea-
mos emplear alguna dócima paramétrica, como el test de t, deberíamos pensar en
usar alguna transformación; ya sea la de raíz cuadrada o la logarítmica, y luego
observar cuál de ellas aproxima mejor los datos a una distribución normal. Esto
puede hacerse con un paquete estadístico como Statgraphics 5.0, como se muestra
a continuación.
El primer gráfico emplea los datos sin transformación alguna.
74

FIGURA N° 5
Normal
Normal Probability
Probability Plot
Plot
percent
cumulativepercent 99,9
99,9
99
99
95
95
80
cumulative
80
50
50
20
20
5
5
1
1
0,1
0,1 0 300 600 900 1200 1500 1800
0 300 600 900 1200 1500 1800
Recuentos
Recuentos
Con la raíz cuadrada de los datos:
Con la raíz cuadrada de los datos:FIGURA N°6
Con la raíz cuadrada de los datos:FIGURA N°6
FIGURA N°6
Normal
Normal Probability
Probability Plot
Plot
percent
cumulativepercent
99,9
99,9
99
99
95
95
80
cumulative
80
50
50
20
20
5
5
1
1
0,1
0,1 0 10 20 30 40 50
0 10 20 30 40 50
SQRTREC
SQRTREC
YY finalmente,con
Yfinalmente,
con
finalmente, conloslos logaritmos
logaritmos
los dede
logaritmos loslos
de
datos: FIGURA N°7
datos:
los datos: FIGURA N°7
75

FIGURA N°7
Normal Probability Plot

cumulative percent 99,9
99
95
80
50
20
5
1
0,1
0 2 4 6 8
LOGREC
Donde puede observarse que sólo la transformación logarítmica (LOGREC) con-
sigue
Dondeun ajuste
puederazonablemente
observarse quebueno sólo dela los recuentos a lalogarítmica
transformación distribución(LOGREC)
normal,
representada
consigue unporajuste
la línea recta. Puede constatarse
razonablemente bueno de que la transformación
los recuentos por raíz
a la distribución
cuadrada
normal, (SQRTREC),
representada recomendada para Puede
por la línea recta. recuentos de tipo poissoniano,
constatarse se com-
que la transformación
por casi
porta raíz tan
cuadrada (SQRTREC),
mal como los datos recomendada
originales sin para recuentos de
transformación, al tipo poissoniano,
menos en este
se particular.
caso comporta casi tan mal como los datos originales sin transformación, al menos
en este caso particular.
El modelo logarítmico, sin ser perfecto, nos permitirá calcular un intervalo de con-
fianza con cierto
El modelo nivel de confianza,
logarítmico, que encierra
sin ser perfecto, nos de alguna calcular
permitirá manera la unidea de unade
intervalo
predicción.
confianza con cierto nivel de confianza, que encierra de alguna manera la idea de
una predicción.
En otras palabras, hemos hecho que el modelo se ajuste al “contorno” de los da-
tos.
En otras palabras, hemos hecho que el modelo se ajuste al “contorno” de los
datos.
Tomando los logaritmos naturales de los recuentos (Ln(Recuentos)) podemos obte-
nerTomando
la media los
y la logaritmos
desviación estándar
naturalesde deellos:
los recuentos (Ln(Recuentos)) podemos
obtener la media y la desviación estándar de ellos:
Media(Ln(Recuentos)) = 3.42115, cuyo antilogaritmo es la Media Geométrica =
30.6
Media(Ln(Recuentos)) = 3.42115, cuyo antilogaritmo es la Media Geométrica =
30.6
Desviación Estándar(Ln(Recuentos)) = 2.31374
Desviación Estándar(Ln(Recuentos)) = 2.31374
Con estos estimadores podemos calcular el intervalo de confianza con las siguien-
tesCon estos estimadores podemos calcular el intervalo de confianza con las
expresiones:
siguientes expresiones:
76

2.31374
( 3.42115+1.96* )
Lím. Superior = e
L.Superior 17
= 91.93
2.31374
( 3.42115!1.96* )
Lím.
Lim.Inferior
Inferior = e 17
= 10.19
El intervalo geométrico de confianza 95% quedará constituido por:
El intervalo
(10.19, 91.93) con geométrico
media geométrica: de confianza 95% quedará constituido por:
30.6
(10.19, 91.93) con media geométrica: 30.6
3.2. Programas de Evaluación Externa de Calidad
3.2.- Programas de Evaluación Externa de Calidad (PEEC) y Estu
(PEEC) y Colaborativos.
Estudios Colaborativos
Un estudio colaborativo es aquel en que una misma muestra, cuidadosamente ho-
Un estudio colaborativo es aquel en que una misma muestra, cuidadosam
mogeneizada, es analizada por varios laboratorios, generalmente más de 8, y en el
homogeneizada, es analizada por varios laboratorios, generalmente más de
que cada uno de ellos efectúa el análisis usando rigurosamente el mismo método
enevaluación
analítico. En una el que cada unodede
externa ellos la
calidad, efectua
muestraelpuede
análisis
ser usando rigurosamente el m
idéntica para
método analítico. En una evaluación externa de calidad,
todos los laboratorios; pero éstos, no necesariamente usarán el mismo método ana- la muestra puede
lítico. idéntica para todos los laboratorios; pero éstos, no necesariamente usará
mismo método analítico.
Veamos los resultados de un PEEC (Programa de Evaluación Externa de Calidad)
en el que 34 laboratorios
Veamos loschilenos efectuaron
resultados de un elPEEC
recuento de colonias
(Programa de Bacillus Externa de Cal
de Evaluación
cereus, contenidas en ampollas remitidas por el Instituto de Salud Pública
en el que 34 laboratorios chilenos efectuaron el recuento de Chile,
de colonias de Ba
organismo responsable de ese programa.
cereus, contenidas en ampollas remitidas por el Instituto de Salud Públic
Chile, organismo responsable
TABLA 14 de ese programa.
Nº RECUENTO Nº RECUENTO
1 410 18 380
2 600 19 560
3 894 20 660
4 748 21 750
5 TABLA Nº 12:300 22 620
Nº RECUENTO Nº RECUENTO
6 580 23 800
1 410 18 380
7 370 24 350
2 600 19 560
8 710 25 510
3 894 20 660
9 570 26 690
4 748 21 750
10 390 27 740
5 300 22 620
11 460 28 420
6 580 23 800
7 370 24 350
77
8 710 25 510
9 570 26 690
10 390 27 740
12 460 29 600
13
12 630
460 30
29 620
600
Métodos estadísticos en microbiología
14
13 y ensayos810
biológicos
630 31
30 700
620
15
14 340
810 32
31 460
700
12 16460 540 29 33 600
4400
15 340 32 460
13
16630
17 530
540 30 34
33 620
700
4400
14
17810 530 31
34 700700
Puede verse
15 que la observación
340 nN 33, es aparentemente
32 un “outlier”,
460 es decir,
un valor que no parece formar parte del grupo de 34 observaciones que
16
Puede verse 540 33 4400
aparecen en laque
tablala observación nN 33, es aparentemente un “outlier”, es decir,
un valor17que no parece formar 530 parte del grupo
34 de 34 observaciones
700 que
N° 12.
aparecen en la tabla
Puede
N° 12.verse que nola observación nN 33, es aparentemente un “outlier”, es decir, un
Ciertamente, es fácil eliminar una observación extrema. Algunos
valor que no parece formar parte del grupo de 34 observaciones que aparecen en
investigadores
la tabla 14. usan el criterio de emplear el “score” Z:
Ciertamente, no es fácil eliminar una observación extrema. Algunos
investigadores es
Ciertamente, usan eleliminar
criteriouna
de emplear el “score” Z:Algunos investigadores
Z = ( X i ! Xno) / S ,fácil observación
donde S= Desviación extrema.
Estándar de las observaciones.
usan el criterio de emplear el “score” Z:
Z = ( X i ! X ) / S , donde S= Desviación Estándar de las observaciones.
Si
Z= un( X
Z es igual o mayor que 3.0, la observación Xi es eliminada. Este criterio que
i − X ) / S , donde S= Desviación Estándar de las observaciones.
parece tan prometedor, adolece de varios errores :
Si un Z es igual o mayor que 3.0, la observación Xi es eliminada. Este criterio que
Siparece
un Z es igual
tan o mayor que
prometedor, 3.0, lade
adolece observación
varios Xi es eliminada.
errores : como el Este criterio que
1). La media aritmética no es robusta, y en
parece tan prometedor, adolece de varios errores: casos de la tabla Nº 12, se
verá arrastrada en dirección al “outlier”, agrandando la distancia existente entre
1). restantes
1)
las La media
La mediaaritmética
aritméticanono
observaciones es es y robusta,
robusta, y enycasos
la media en casos
hastacomo como laeltabla
el de en
el punto de la
que 14,tabla Nºresultar
se verá
pueden 12, se
verá arrastrada
arrastrada
valores en
Z muyenaltos dirección
dirección al “outlier”, agrandando
al “outlier”, agrandando
que perjudicarán la
la distancia
a laboratorios distancia
que no existente existente
generaron las entre
entrerecuentos
las restantes observaciones y la media hasta el punto en que pueden resultar va-resultar
restantes
extremos. observaciones y la media hasta el punto en que pueden
valores
lores ZZ muy altosque
muy altos queperjudicarán
perjudicarán a laboratorios
a laboratorios quegeneraron
que no no generaron recuentos
recuentos
extremos.
extremos.
2) El máximo valor Z que puede resultar de un grupo de recuentos, depende de

2) El(n),
máximo valor
el número Z que puede resultar
de observaciones. de un
Ese máximo grupo
puede de recuentos,
calcularse depende de
con la siguiente
(n), expresión:
el número de observaciones. Ese máximo puede calcularse con la siguiente
2) El máximo valor Z que puede resultar de un grupo de recuentos, depende de
expresión:
(n), el número de observaciones. Ese máximo puede calcularse con la siguiente
expresión: & n ' 1#
Z (n) = $ !
%& n '
n 1"#
Z
Si tenemos 10 observaciones, el máximo nZ !será:
( n ) = $
Si tenemos 10 observaciones,
%
el máximo Z será:
"
Si tenemos&10 ' 1 #
10 observaciones, el máximo Z será:
Z (10 ) = $ ! = 2.846 , con lo que no se podrá eliminar un valor extremo por
%&1010
' 1#"
Z (10 ) = que
$ 10 ! =si2uno , con lo que no se podrá eliminar un valor extremo por
.846se
grande
% sea, " apega al criterio de rechazar con un Z �3.0.
, con lo que no se podrá eliminar un valor extremo por
grande
grande
3). quesea,
Si que
uno sea, si uno
si uno
elimina se sevalor
apega
elapega al criterio
al extremo,
criterio lade desviación
rechazar
de rechazar con uncon un Z �3.0.
≥3.0.
Z estándar se achicará
inmediatmente,
3) ely valor
puede aparecer otro “outlier” inesperado que es la segunda
3).Si uno
mayor
elimina
Si observación
uno elimina del
extremo,
el valor
grupo
laextremo,
desviación
original.
estándar
la se achicará
desviación inmediatmen-
estándar se achicará
te, y puede aparecer
inmediatmente, y otro
puede“outlier” inesperado
aparecer que es la segunda
otro “outlier” mayor
inesperado observación
que es la segunda
del grupoobservación
mayor original. del grupo original.
Se han desarrollado varios métodos para evitar uno o más de estos problemas.
Aquí trataremos sólo el caso de la media robusta.
Se han desarrollado varios métodos para evitar uno o más de estos problemas.
3.3.- Aquí trataremos
Media Robusta sólo el caso de la media robusta.
78
3.3.- Media Robusta
Se han desarrollado varios métodos para evitar uno o más de estos problemas. Aquí
trataremos sólo el caso de la media robusta.
3.3. Media Robusta

Los métodos robustos suponen que los datos tienen una distribución aproximada-
mente normal, unimodal y simétrica,Lospero métodos
contaminada con valores
robustos extremos (“out-
suponen que los datos tien
liers”). Estos métodos pueden dar resultados inconfiablesnormal,
aproximadamente si los datos son multimo-
unimodal y simétrica, pero con
dales o marcadamente asimétricos, extremos
o si una gran proporciónEstos
(“outliers”). de ellos son idénticos
métodos pueden dar resultad
en valor numérico. Los estadísticos datos
robustos
sonproveen una alternativa
multimodales para describir asimétricos, o s
o marcadamente
la parte “buena “ del total de observaciones,
de ellos sin
sonque requieran
idénticos enuna identificación
valor numérico.deLos estadísticos
“outliers” a priori. alternativa para describir la parte “buena “ del total de o
Existen varios métodos para obtener requieran unarobustos
estimadores identificación de “outliers”
(Lowthian and Thomp-a priori.
son, 2001) (Hogg, Ruberg and Yuh, 1990). De ellos, los dos primeros autores, sumi-
nistran una excelente descripción delExisten varios
método de Hubermétodos
destinado apara obtener
calcular media yestimadores rob
desviación estándar robustas. La siguiente tabla presenta 24 datos tomados de Yuh,
Thompson, 2001) (Hogg, Ruberg and los 1990). De e
autores,
archivos de la Royal Society of Chemistry UK. suministran una excelente descripción del método
calcular media y desviación estándar robustas. La siguie
TABLAtomados
datos 15 de los archivos de la Royal Society of Chem
N° Observación N° Observación
TABLA N° 13
1 2.2 13 3.4
N° Observación N° Observación
2 2.2. 14 1 2.2 3.4 13 3.4
3 2.4 15 2 2.2.3.4 14 3.4
4 2.4 16 3 2.4 3.5 15 3.4
5 2.5 17 4 2.4 3.6 16 3.5
6 2.7 18 5 2.5 3.7 17 3.6
7 2.8 19 6 2.7 3.7 18 3.7
8 2.9 20 7 2.8 3.7 19 3.7
9 3.03 21
8 2.9 3.7
20 3.7
9 3.03 21 3.7
10 3.03 22 3.77
10 3.03 22 3.77
11 3.1 23 5.28
11 3.1 23 5.28
12 3.37 24 28.95
12 3.37 24 28.95
En ordenadas
En la tabla 15, las observaciones están la tabla Nºde13, las observaciones
menor a mayor, y puedeestán
verseordenadas de m
que hay un valor muy alto (28.95) en verse que hay
un extremo deunla valor muy alto
lista, seguido de(28.95) en un extremo de l
otro (5.28)
(5.28)de
que también parece estar fuera del rango que
las también
restantes parece estar fuera
observaciones. del rango de las res
Con estos
datos tendríamos: Con estos datos tendríamos:
X = 4.28
S = 5.2974
La desviación estándar (S) es mayor que la media, y ésta ú

a un lugar situado entre las observaciones 22 y 23. Éste
79 estimadores robustos.
requiere
Para empezar, hacemos :

Con estos datos tendríamos:
X = 4.28
S = 5.2974
La desviación estándar (S) es mayor que la media, y ésta última está desplazada
La desviación estándar
a un (S) es mayor
lugar situado entreque
laslaobservaciones
media, y ésta última
22 y está
23. desplazada
Éste es una caso típico que
un lugar situado entre las observaciones 22
requiere estimadores robustos. y 23. Éste es un caso típico que requiere
estimadores robustos.
Para
Para empezar, empezar, hacemos :
hacemos:
U = X + 1.5S = 4.28 + 1.5 * 5.2974 = 12.2261

L = X ! 1.5S = 4.28 ! 1.5 * 5.2974 = !3.6661
Toda observación mayor que U=12.2261 que(Ese es el caso de la que caso
vale 28.95),
-3.6661, Toda observación
tomarán mayor
este último valor. U=12.2261
En (Ese
este ejemplo eslasel dos de la que vale 28.95),
observaciones
tomará el nuevo
-3.6661, tomarávalor:
tomaránel 12.2261.
este
nuevo últimoPor
valor : su parte,
valor. En
12.2261. aquellas
este
Por su que sean
ejemplo
parte, menores
las
aquellas dos
que que L=menores que L=
observaciones
sean
menorestomarán
-3.6661, valen 2.2
estecada una,
último deEn
valor. manera
este que nolassufrirán
ejemplo dos modificaciones.
observaciones menores
menores valen 2.2 cada una, de manera que no sufrirán modificaciones.
valen 2.2 cada una, de manera que no sufrirán modificaciones.
Calculando la media y la desviación estándar del nuevo conjunto de
Calculando
Calculando
observaciones la cuyo
la media media
y la y28.95
la desviación
desviación
valor estándar
ha estándar
del nuevo
sido substituido del denuevo
conjuntode conjunto
observaciones
por 12.2261, obtenemos:
observaciones cuyo valor 28.95 ha sido substituido por
cuyo valor 28.95 ha sido substituido por 12.2261, obtenemos: 12.2261, obtenemos: 74
X = 3.5836
X = 3.5836
S = 1.95975
S = 1.95975
Con estos datos podemos repetir el cálculo de U y L:
Con
Conestos
estosdatos podemos
datos repetir
podemos el cálculo
repetir de U ydeL:U y L:
el cálculo
U = 3.5836 + 1.5 * 1.95975 = 6.523225
U = 3.5836 + 1.5 * 1.95975 = 6.523225
L = 3.5836 ! 1.5 * 1.95975 = 0.643975
L = 3.5836 ! 1.5 * 1.95975 = 0.643975
El
Elvalor
valorextremo
extremo deldel
paso anterior
paso (12.2261),
anterior es mayor
(12.2261), que 6.523225,
es mayor por lo por
que 6.523225 que lo que
El valor
tendrá
tendrá queextremo
que adoptar
adoptar del
el elpaso
nuevo
nuevoanterior
valor (12.2261),
U =U
valor 6.523225.
= 6.523225.es mayor
ComoComo que
no hay 6.523225
no valores
hay por
menores
valores lo que
menores
tendrá
que que
que0.643975, adoptar
0.643975,las las el nuevo
restantes valor U
observaciones
restantes = 6.523225.
permanecerán
observaciones Como no hay valores
sin modificaciones.
permanecerán menores
Estos
sin modificaciones.
que
pasos 0.643975,
deben las
repetirse restantes
hasta
Estos pasos deben repetirse que observaciones
dos sucesivas permanecerán
medias sean sin
prácticamente
hasta que dos sucesivas medias sean modificaciones.
iguales.
Estos
Cuando pasos
eso
prácticamente deben
ocurra, la media
iguales. repetirse
resultante
Cuando hasta
esoserá que
un estimador
ocurra, la mediados sucesivas
robusto (Media
resultante medias
Robusta).
será sean
un estimador
prácticamente
La última iguales.
Desviación Cuando
Estándar deberáeso ocurra, la
multiplicarse media
por el resultante
factor 1.134 será
para
robusto (Media Robusta). La última Desviación Estándar deberá multiplicarse por un
ser estimador
con-
robusto
siderada (Media
el factorrobusta. Robusta).
1.134 para La última Desviación
ser considerada robusta. Estándar deberá multiplicarse por
el factor 1.134 para ser considerada robusta.
El procedimiento de rebajar paulatinamente el valor de las observaciones extremas
El procedimiento
mediante de rebajar
el proceso iterativo, paulatinamente
se denomina el valor de las observaciones
“winsorización”.
El procedimiento de rebajar paulatinamente el valor de las observaciones
extremas mediante el proceso iterativo, se denomina “winsorización”.
extremas
El siguientemediante
programa el
enproceso iterativo,
BASIC para CASIO se
FX denomina “winsorización”.
– 880 P permite obtener estimado-
res
El siguiente programa en BASIC para CASIO FX – 880 para
robustos por el método recién descrito que ha sido recomendado analistasobtener
P permite
El siguiente
químicos. programa en BASIC para CASIO FX – 880 P permite
estimadores robustos por el método recién descrito que ha sido recomendado obtener
estimadores
para analistasrobustos por el método recién descrito que ha sido recomendado
químicos.
para analistas químicos.
PROGRAMA N° 11
PROGRAMA N°
ESTIMADORES 11
ROBUSTOS
ESTIMADORES ROBUSTOS
10 CLEAR:CLS
10 CLEAR:CLS
20 PRINT “ROBUSTOS(ARITMÉTICA)”
20
PRINT 80 ;: INPUT N
“Número de Observaciones”
25 PRINT
30 DIM X(N) “Número de Observaciones” ;: INPUT N
30
35 A=0:DIM X(N) B=0
35
40 FOR A=0:
3841MetodosEstadisticos B=0
correguido.indd
I=1 TO 80 N 22/4/10 10:45:33
PROGRAMA 11
ESTIMADORES ROBUSTOS
10 CLEAR:CLS
25 PRINT “Número de Observaciones”;: INPUT N
30 DIM X(N)
35 A=0: B=0
40 FOR I=1 TO N
50 PRINT “X(“;I;”)=”;:INPUT X(I)
60 A=A+X(I): B=B+X(I)^2
70 NEXT I
80 MX=A/N: S=SQR((B-A*A/N)/ (N-1)): PRINT “ Media=”; MX, “S=”; S
90 SS= 1.134*S: PRINT “S*1.134=”; SS
95 U=MX+1.5*S: L=MX-1.5*S: PRINT “U=”; U, “L=”; L
97 A=0: B=0
100 FOR I=1 TO N
110 IF X(I) >U THEN X(I)=U ELSE 120
120 IF X(I) <L THEN X(I)=L ELSE 130
130 IF X(I)<U OR X(I)>L THEN X(I)=X(I)
135 A=A+X(I): B=B+X(I)^2
140 NEXT I
150 GOTO 80
160 END
Usando este programa con los datos de la tabla 15, resultan las siguientes estima-
ciones por iteración:
TABLA 16
Iteración Media S S* U L
1 4.28042 5.2974 6.0 12.2265 -3.6657
2 3.5836 1.95975 2.22 6.5232 0.64398
3 3.346 0.9537 1.0815 4.77655 1.91538
4 3.2522 0.6905 0.783 4.288 2.2164
5 3.2129 0.6029 0.6837 4.1172 2.3085
6 3.2063 0.5646 0.6403 4.05326 2.3594
7 3.2052 0.5489 0.6225 4.02861 2.3818
8 3.205 0.54266 0.61537 4.019 2.391
9 3.205 0.54 0.61257 4.0153 2.39473
10 3.205 0.5392 0.61147 4.01382 2.3962
11 3.205 0.53883 0.61104 4.01325 2.39675
12 3.205 0.53868 0.6109 4.013 2.39697
13 3.205 0.53863 0.6108 4.01294 2.39706
81

Las dos primeras iteraciones, ya las habíamos calculado manualmente más arriba.
En esta tabla: S*= 1.134 S.
Es evidente que se exageró el número de iteraciones, pero eso es tolerable, tratán-

dose de una demostración.
Nuestra Media Robusta es: 3.205, y la Desviación Estándar Robusta es: 0.61.
Pudimos haber empezado con la Mediana y un estimador intermedio llamado MAD

(Median Absolute Difference). Con los siguientes datos ejemplificaremos este siste-
ma:
4.2, 4.5, 4.9, 5.2, 5.6, 6.2, 9,9, donde la Mediana = 5.2 es un hallazgo inmediato.
Como segundo paso, obtenemos las diferencias o distancias entre cada observación
y la Mediana, como se ve en el siguiente listado:
-0.1, -0.7, -0.3, 0.0, 0.4, 1.0, 4.7
Ordenando de menor a mayor, los valores absolutos de esas diferencias, tenemos:
0.0, 0.3, 0.4, 0.7, 1.0, 1.0, 4.7
Donde la Mediana= 0.7 es MAD. La Desviación Estándar es: 1.4826*0.7=1.038
El valor 1.4826 es el recíproco de 0.6745. Ese valor fue escogido porque el área bajo
la curva normal entre: -0. 6745 y 0.6745 es: 0.5.
Aunque se puede iterar a partir de esos estimadores básicos, muchos investigadores

se conforman con los encontrados por el método recién descrito.
Para las 24 observaciones de la tabla 15, el método Mediana/MAD da una media

robusta = 3.38 y una Desviación Estándar Robusta = 0.5263.
Si empleamos Stata 6.0 creando una columna denominada var1 que contenga las 24
observaciones de la tabla 13, podemos obtener los estimadores robustos como se
indica a continuación (Hamilton, L., 1998):
.rreg var1
Con estos comandos logramos una Media Robusta = 3.14502, con Límites de Con-
fianza 95%: (3.424819; 2.865221) y Desviación Estándar = 0.6626
Para este resultado, Stata 6.0 usó cuatro iteraciones con factores de ponderación,
seguidas de otras tres con biponderación (Biweighted). Puede observarse que la di-
ferencia, entre estos estimadores con aquellos generados por el programa 11, según
las recomendaciones de Lowthian y Thompson, no es alarmante.
Después de obtener los estimadores robustos, es posible eliminar los valores extre-
mos, empleando “Scores” Z, como se indica a continuación:
82

Z=
[X i − X R ]
SR , donde:Xi es el valor de cada observación original; X R es la me-
dia robusta y SR es la desviación estándar robusta. Lowthian y Thompson sugieren
eliminar aquellas observaciones que generen Z≥2.5.
Una vez que esa eliminación ha sido realizada, se deben obtener nuevos estima-
dores robustos con los cuales se evalúa la calidad diagnóstica de cada laboratorio
participante con sus respectivos “scores” Z. Uno de los programas más importantes
en control externo de calidad es FEPAS (FOOD EXAMINATION PERFORMANCE
ASSESSMENT) del Reino Unido.UK (FEPAS. 1998). Algunos laboratorios de Chile
participan en ese programa, En él, se indica el uso de estimadores robustos tal
como se acaba de describir, para establecer el Valor de Consenso que es el pro-
medio de los resultados de todos los laboratorios participantes. Los “scores” Z, se
grafican como distancias entre cada laboratorio y la media robusta (de consenso);
cuando un laboratorio genera un Z ≥3, se entiende que ha tenido un pobre desem-
peño analítico.
Un caso enteramente diferente es aquel en que el Laboratorio de Referencia que

organiza y dirige el estudio de control de calidad, establece un Valor Asignado al
analito que se distribuye a los laboratorios participantes para ser analizado. En ese
caso, el valor asignado reemplazará a la media o a la media robusta en el cálculo de
los valores Z. Es obvio que el problema será elegir una desviación estándar para el
denominador en la expresión de este cálculo. Se puede usar una S asignada, tomada
de algún estudio anterior, o la obtenida por el Laboratorio de Referencia después de
múltiples determinaciones en su propio laboratorio.
3.4. El estudio colaborativo cualitativo en microbiología

La valoración de un método de detección de microorganismos agregados o presentes
en una matriz determinada (leche etc.), puede hacerse con seis u ocho laboratorios
que reciben varias muestras, algunas de ellas sabidamente positivas, y otras sabida-
mente negativas. La carga microbiana en las muestras positivas es muy pequeña, de
modo que no sea muy fácil detectar su presencia.
Los laboratorios deberán informar: Detecté el microorganismo (Que se codificará: 1)
......... No detecté el microorganismo (Que se codificará: 0)
Tendremos así una tabla de ceros y unos como la que se muestra a continuación:
83

TABLA 17
Laboratorios Diagnóstico Previo

Muestras 1 2 3 4 5 6
1 1 1 1 0 0 1 POSITIVAS
2 1 1 1 1 0 1
3 0 1 1 1 0 1
4 1 0 1 1 1 1
5 0 0 0 1 1 0
6 0 1 0 0 1 0 NEGATIVAS
7 0 0 0 0 0 0
Por ejemplo, nótese que el Laboratorio 4 encontró negativa a la muestra 1 (ver el

cero), cuando ella, en verdad, era positiva según el organizador del estudio.
Como es complicado analizar estos datos en su actual formato, deberíamos preparar

una nueva tabla, asignando “unos” a los aciertos, y “ceros” a los desaciertos. De esa
manera codificaríamos los resultados para analizar el conjunto, en términos de la
eficiencia diagnóstica de cada laboratorio.
El Dr. Foster McClure, estadístico de la AOAC (Association of Official Analytical Che-

mists. USA), ha propuesto un sistema global de análisis para este tipo de estudios
colaborativos en microbiología de alimentos (McClure,F.D., 1990). El sistema descrito
por McClure, parece ser la única fuente de referencia sobre este tema y su impor-
tancia es enorme, ya que cualquier estadístico quedaría perplejo ante la exigencia
de calcular la especificidad y la sensibilidad del método diagnóstico que se pretende
evaluar con los datos de la tabla 17, además de otras estimaciones.
La primera metodología que parece aplicable a tablas como la número 15, es la

prueba Q de William Geminell Cochran, estadístico escocés (Zar, J.H., 1996), lo cual
es correcto; el problema es, qué hacer después del Q.
Primero, construiremos una tabla con la nueva codificación de los datos en términos
de aciertos y desaciertos ( 1; 0).
TABLA 18
Laboratorios
Muestras 1 2 3 4 5 6
Sj
S 2j
1 1 1 1 0 0 1 4 16
2 1 1 1 1 0 1 5 25
84

TABLA N° 16:
Laboratorios
Muestras 1 2 3 Luis
4 Rodríguez
5 6 ASguayo
j S2 j
1 1 1 1 0 0 1 4 16
3 0 1 1 1 0 1 42 1 1 116 1 0 1 5 25
4 1 0 1 1 1 1 53 0 1 125 1 0 1 4 16
5 1 1 1 0 0 1 44 1 0 116 1 1 1 5 25
6 1 0 1 1 0 1 45 1 1 116 0 0 1 4 16
7 1 1 1 1 1 1 66 1 0 136 1 0 1 4 16
6 5 7 5 2 7 327 1 1 1150 1 1 1 6 36
Ti 6 5 7 5 2 7 32 150
Ti
2 36 25 49 25 4 49 188 36 25 49 25 4 49 188
Ti Ti 2
Ti muestra
La filalas muestra
Ti sumas las sumas de aciertos por laboratorio; la suma de esas suma
La fila de aciertos por laboratorio; la suma de esas sumas
es=32. Puede observarse que el laboratorio 5, Ttiene = sólo 2 aciertos ( Ti = 2),
es=32. Puede observarse que el laboratorio 5, tiene sólo 2 aciertos ( i 2), y puede
puede pensarse que es unS “outlier”. Por su parte S j , presenta la suma de lo
pensarse que es un “outlier”. Por su parte j , presenta la suma de los aciertos de
aciertos
cada laboratorio de muestra;
con cada cada laboratorio
la suma de con cada muestra;
esas sumas la suma de esas sumas e
es también=32.
también=32.
2
Ti y S contienen
2
j Ti y de S j , respectivamente. El total de la
2 los
2 cuadrados de:
T y S contienen los cuadrados de: Ti y de S j , respectivamente. El total de
S 2j
2 i j
T
fila i es 188,
filay Tlai de
2
esla188,
columna
y la de la, es 150, ambas
columna S 2j ,en
esnegrilla.
150, ambas en negrilla.
Sabiendo queSabiendo
tenemos: Lque
= 6tenemos:
laboratorios,
L =podemos calcular podemos
6 laboratorios, el estadístico Q con el
calcular la estadístico Q co
siguiente expresión:
la siguiente expresión:
(L ! 1)(Ti 2 ! (Ti )2 / L )
Q=
(S ! S / L ) j
2
j
Q=
(6 ! 1)(188 ! 32 / 6)= 12.38095238 2
(32 ! 150 / 6)
La Hipótesis de
La Nulidad es: Tde
Hipótesis 1
=TNulidad
2
=,......,=TL,es:
y laTHipótesis Alternativa
1 =T2 =,...... ,=TL, y lapuede expre- Alternativa pued
Hipótesis
sarse como: “Hay por lo menos
expresarse como:una diferencia”
Sabiendo que Q se distribuye aproximadamente Ji2, con (L-1) grados de libertad, y
Hay por lo menos una diferencia.
especificando α = 0.05, obtenemos un p= 0.03 que nos sugiere que hay por lo me-
nos un laboratorio que no tuvo la misma eficiencia diagnóstica que sus pares.
El siguiente programa en BASIC para calculadora CASIO FX-880P calcula el esta-

dístico Q:
85

PROGRAMA 12
Q de COCHRAN
350 CLEAR: CLS
355 PRINT “Q COCHRAN”
360 INPUT “NÚMERO DE LABORATORIOS”; L
370 INPUT “NÚMERO DE MUESTRAS(BLOQUES)”; N
380 DIM A(N,L): A=0: B=0: A1=0: B1=0
390 FOR I=1 TO N
400 FOR J=1 TO L
410 PRINT “Muestra(“;I; “, Laborat.”; J; “)”;: INPUT A(I,J)
412 NEXT J, I
413 FOR I=1 TO N
414 FOR J=1 TO L
420 A(I, 0)= A(I, 0)+ A(I,J): A(0, J)= A(0, J)+ A(I,J)
430 NEXT J
440 NEXT I
450 FOR I=1 TO N: A=A+A(I,0): B=B+ A(I,0)^2: NEXT I
455 FOR J=1 TO L:A1=A1+ A(0,J): B1=B1+ A(0,J)^2: NEXT J
460 PRINT “Sj=”; A, “Sj2=”; B, “Ti=”; A1, “Ti2=”; B1
470 Q=(l-1)*(B1-A1^2/L)/ (A-B/L)
480 PRINT “Q COCHRAN=”;Q; “con G.L.(“;L-1; “)”
485 GOSUB 1000
487 CLS: P=1-J*K*L: PRINT “p=”; P
490 END
1000 V=L-1: W=Q
1760 IF V=0 THEN GOTO 350
1770 R=1
1800 FOR I=V TO 2 STEP-2
1810 R=R*I: NEXT I
1830 K=W^(INT((V+1)/2))*EXP(-W/2)/ R
1840 IF INT(V/2)= V/2 THEN 1870
1850 J=SQR(2/W/3.14159
1860 GOTO 1880
1870 J=1
1880 L=1: M=1
1900 V=V+2: M=M*W/V
1920 IF M<0.0000001 THEN 1950
1930 L=L+M
1940 GOTO 1900
1950 RETURN
Usando este programa con los datos de la tabla 16, se obtiene Q=12.38095238 con
G.L.=5, y p=0.029925, como fue calculado anteriormente en forma manual.
86

En la subrutina contenida entre las líneas: 1000 y 1950, se calcula el valor p del Q
de Cochran.
En la subrutina contenida entre las líneas: 1000 y 1950, se calcula el valor p del
3.4.1. Verificación de la presencia de “Outliers”
Q de Cochran.
Como se sospecha que el laboratorio 5 puede ser un “outlier”, se aplicará otra dóci-
3.4.1.- ma
Verificación de la
para constatar quepresencia de es
esa sospecha “outliers”.
efectiva. Para eso, dividiremos los laborato-
rios en dos grupos: el primero formado –en este caso–, por sólo el laboratorio 5, y
elComo se constituido
segundo sospecha porqueelelresto
laboratorio 5, puede ser un “outlier”, se aplicará otra
de los laboratorios.
dócima para constatar que esa sospecha es efectiva. Para eso, dividiremos los
Datos requeridos
laboratorios endel
dosgrupo “outlier”
grupos: el (Laboratorio 5):
primero formado –en este caso-, por sólo el
Tlaboratorio
1
=2, la suma5,de
y el segundo constituido por el resto de los laboratorios.
aciertos.
LDatos
1
= 1, sólo un laboratorio.
requeridos del grupo “outlier” (Laboratorio 5):
ST==2,
7, número
la sumadedemuestras analizadas por el laboratorio 5.
aciertos.
1
RL11=
= 1,
T1 sólo un laboratorio.
/ (L1S)= 2/(1*7)= 0.286
S = 7, número de muestras analizadas por el laboratorio 5.
Datos
R1 = Trequeridos
1 / (L1S)=del grupo formado
2/(1*7)= 0.286 por los cinco laboratorios restantes.
T2= 6+5+7+5+7= 30, la suma de aciertos del grupo.
Datos requeridos del grupo formado por los cinco laboratorios restantes.
LT2 2== 5,
6+5+7+5+7= 30, la suma de aciertos del grupo.
número de laboratorios.
L2 = 5, número de laboratorios.
SS==7,7,número
númerodede muestras
muestrasanalizadas por cada
analizadas laboratorio.
por cada laboratorio.
R = T /(L S)= 30 / (5*7)
R = T /(L S)= 30 / (5*7) = 0.857
2 2 2 = 0.857
2 2 2
La
Ladócima
dócimaindicada porpor
indicada F. McClure para comparar
F. McClure ambas ambas
para comparar proporciones es:
proporciones es:
Q1 =
((L ! 1)/ L1 L2 )( L1T2 ! L2T1 ) 2
(LS j ! S 2j )
Q1 =
((6 ! 1)/ 1 * 5)(1 * 30 ! 5 * 2)2 = 9.524
(6 * 32 ! 150)
Como Q1 se distribuye aproximadamente Ji2, con 1 grado de libertad ,(no de
Como Q1 se distribuye
grupos-1), obtenemos aproximadamente
el valor p = Ji0.002028.
2
, con 1 grado Con de esta
libertad, (no de gru-
evidencia muestral,
pos-1),
podemos obtenemos el valor
concluir que p la
= 0.002028.
proporciónCon deesta aciertos
evidencia muestral, podemos 5, es
del laboratorio
concluir que la proporción
significativamente de aciertos
inferior del laboratorio
a la que muestra el 5 esresto
significativamente inferior Ese
de los laboratorios.
alaboratorio
la que muestra el resto de los laboratorios. Ese laboratorio es, por
es, por lo tanto, un “outlier” que debe excluirse de subsiguienteslo tanto, un
“outlier” que debe excluirse de subsiguientes comparaciones. Llama
comparaciones. Llama la atención que, si se comparan las dos proporciones: la atención que,
siRse=2/7
comparan
y R2 las
= dos proporciones:
30/35 mediante Rla 1
=2/7
Pruebay R2 =Exacta
30/35 mediante
de Fisher,la Prueba Exac-
se obtenga p =
1
ta de Fisher, se obtenga p = 0.00488 (una cola).
0.00488,(una cola).
3.4.2.- Homogeneidad intragrupos.
Es necesario verificar si el conjunto de laboratorios-sin el excluido “outlier”-, es

87
homogéneo en aciertos. Podría acontecer que aún pudiese aparecer otro
inesperado laboratorio que nos viésemos obligados a eliminar. Para esa
verificación, McClure propone la siguiente dócima:
3.4.2. Homogeneidad Intragrupos

Es necesario verificar si el conjunto de laboratorios –sin el excluido “outlier”–, es
homogéneo en aciertos. Podría acontecer que aún pudiese aparecer otro inesperado
laboratorio que nos viésemos obligados a eliminar. Para esa verificación, McClure
propone la siguiente dócima:
(L(L − 1)/ L2 )(L2 ∑ Ti 22 − (T2 )2 )

Q3 =
(L∑ S − ∑ S )
j
2
j
Para poder substituir valores en esta expresión, debemos entender la simbología que
sePara
expone a continuación:
poder substituir valores en esta expresión, debemos entender la simbología
L=que se exponeiniciales.
6 laboratorios a contiuación:
L 2=
L=5 6laboratorios restantes
laboratorios después de eliminar el n° 5.
iniciales.
∑LT= 5=laboratorios
2
2 i2 restantes
184, es la suma de los después
T eliminar
valores dede la tablael
2
16,n°excluyendo
i 5. el del “out-
lier”.
!T 2
= 184, es la suma de los valores Ti 2 de la tabla 16, excluyendo el del
(T“outlier”.
i) =
2 i2
Ti
2
30 , es el total de los valores ,sin el del “outlier”, y elevado al cuadrado=
900.
(T 302 , es el total de los valores Ti ,sin el del “outlier”, y elevado al
i) =
2
∑ cuadrado=
Sj =
32,
900.
es la suma de todos los aciertos por muestra
Sj
en laStabla 16.
! S j = 32, es la suma de todos los aciertos por muestra j en la tabla 16.
∑!S S = 150,
2 2
= 150, es la suma de la columna
j j
es la suma de la columna
2
S S de la tabla 16.
j
de la tabla 16.
2
j
Con
Con estos
estos datos,
Q3 nos
datos, Q3 nos
da: da:
Q3 =
(6(6 ! 1)/ 5)(5 *184 ! 30 2 )= 2.857 con 4 grados de libertad,(L2-1); p=0.582

(6 * 32 ! 150) con 4 grados de libertad (L2-1);
p=0.582
Con hipótesis análogas a las planteadas en el caso de Q1 , podemos aceptar
que
Con no hay
hipótesis diferencias
análogas significativas
a las planteadas en elentre losQ15, podemos
caso de laboratorios queque
aceptar quedaron
nodespués de la eliminación
hay diferencias significativasdel laboratorio
entre n° 5.
los 5 laboratorios que quedaron después de
la eliminación del laboratorio n° 5.
3.4.2.- Sensibilidad y Especificidad.
3.4.3. Sensibilidad y Especificidad
Volvamos ahora a la tabla n° 15. Nos interesan el número de respuestas
Volvamos ahora a la tabla 17. Nos interesan el número de respuestas positivas
(a)positivas
y el total (a) y el totalanalizadas
de muestras de muestras analizadas
(m), por (m), por
cada laboratorio. cada
Para laboratorio.
determinar la Para
determinar la sensibilidad del método analítico que estamos probando,
empleamos la porción de muestras sabidamente positivas, excluyendo el
laboratorio n° 5. 88
Preparemos la nueva tabla que se muestra a continuación:

sensibilidad del método analítico que estamos probando, empleamos la porción de

muestras sabidamente positivas, excluyendo el laboratorio n° 5.
Preparemos la nueva tabla que se muestra a continuación:
TABLA 19
Laboratorio Respuestas m a Porción
1 1 1 0 1 4 3
2 1 1 1 0 4 3 Positiva
3 1 1 1 1 4 4
4 0 1 1 1 4 3
6 1 1 1 1 4 4
∑ m = 20
20
∑ a = 17
17
∑ m = 20
802
∑ a = 59
59 2
Sensibilidadad( (pp+ +) )==

Sensibilid
Sensibilidad
∑!aa ==17
1717
==0.85
00.85.85
∑! 20
mm 2
020
∑"a a −!(∑
("aa))/ L/ L
2 2
2 2
Error
Error Est!ndar( p( +p)+ )==
Estándar
(L(L−!1)1)
mm2 L2 L
5959−!17172 2/ 5/ 5
ErrorEst!ndar ( +p + ) = 16 * 5 + 4 ==0.006124
ErrorEstán dar ( p ) = .06124
16 * 5 +*4
Los límites aproximados de confianza se pueden calcular usando t
α=0.025; (4)
=2.7764,
Los límites aproximados de confianza, se pueden calcular usando
resultando: t�=0.025;
(4) =2.7764, resultando:
Límites= 0.85±2.7764*0.06124; (0.68; 1.0)
Límites= 0.85±2.7764*0.06124; (0.68; 1.0)
Para el cálculo de la Especificidad se debe construir otra tabla con la porción nega-
tiva de la tabla 17.
Para el cálculo de la Especificidad se debe construir otra tabla con la porción
negativa de la tabla 15
TABLA N° 18
1 0 0 0 3 3
2 0 1 0 3 2
3 0 0 0 89 3 3 Negativa
4 1 0 0 3 2
6 0 0 0 3 3
m = 15 a = 13
Los límites aproximados de confianza, se pueden calcular usando t�=0.025;
(4)=2.7764, resultando:
Límites= 0.85±2.7764*0.06124; (0.68; 1.0)

Para el cálculo de la Especificidad se debe construir otra tabla con la porción
negativa de la tabla 15 TABLA 20
Laboratorio
TABLA N° 18 Respuestas m a Porción
1 0 0 0 3 3
2 10 1 0 0 0 3 0 32 3 Negativa
3 20 0 0 0 1 3 0 33 2
4 31 0 0 0 0 3 0 32 3 Negativa
6
40 0 0
1 0 3
0 33 2
6 0 0 0 3 3
∑ m = 15
15 ! m = 15 ! a = 13
∑ a =13
13
∑ m = 45 2
45
! m = 45 ! a = 35
2 2
∑ a = 35
352
! a 13 = 0.867
Especificidad ( p " ) = ∑ a =13
13
Especificidad ( p − ) = ! m = 15 = 0.867
∑ m 1515
" aa −! ((∑
∑ aa)) // LL
2 2
2
Error Est!ndar(( pp−! )) ==
ErrorEstándar
2
"
0.85
m 2 LL((LL −!11))
2
m
3535 −!131322 // 55
ErrorEstán dar ( p ) =
ErrorEst!ndar ( p−! ) = = 0.08165
99 ** 55 ++ 44 = 0.08165
Los límites de confianza resultantes son:0.867±2.7764+0.08165; (0.64; 1.0), aproxi-

madamente.
ElElejemplo
ejemplooriginal
original del
del trabajo
trabajo dede McClure
McClureteníatenía1515
laboratorios, cinco
laboratorios, muestras
cinco muestras
positivas y cinco negativas. Se remite al lector a ese trabajo para la demostración
positivas y cinco negativas. Se remite al lector a ese trabajo para la demostración
dedeque,
que elelnúmero
númeroóptimo de laboratorios
óptimo y muestras
de laboratorios y positivas
muestrasdebe ≥362. ser
ser: Lm2debe
positivas
Para
2 el presente ejemplo, con L=7, y m=4, tenemos: 112, un número
:Lm �362. Para el presente ejemplo, con L=7 , y m=4, tenemos: 112 , un número insuficiente
para valorar un método analítico de manera confiable. Con los datos de McClure,
resulta: 15*52= 375.
El problema para países como los latinoamericanos, reside en convocar a 10 o 15 83

laboratorios para un estudio colaborativo de este tipo.
3.5. La prueba de mutagenicidad de Ames

Este ensayo se usa con gran frecuencia en Chile para determinar la mutagenicidad
de los hidrocarburos aromáticos policíclicos asociados al material particulado resul-
tante de la combustión del Diesel en buses y camiones (Rodríguez, Edith, 2001).
90

Esta prueba fue desarrollada en los años 70 por Bruce Ames y se ha popularizado
por ser ingeniosa, confiable y comparativamente barata.
La prueba consiste en usar una cepa de Salmonella typhimurium TA 98 que no

crece en un medio de cultivo, a menos que se le agregue a éste el aminoácido His-
tidina. Las substancias como los hidrocarburos mencionados inducen mutaciones
de un tipo tal que la bacteria se torna capaz de crecer aún en ausencia de Histidina.
Habitualmente se agrega un inductor metabólico llamado S9, aislado de hígados de
roedores. El S9 magnifica la tasa de mutación. Sin embargo, hay substancias que
pueden inducir altas tasas de mutación en ausencia total de S9; éstas son las de
mayor peligrosidad.
Esencialmente, el procedimiento es el siguiente:
Se agregan entre 107-108 células de Salmonella a placas Petri que contienen medio
de cultivo con trazas de histidina, para permitir un muy limitado crecimiento de la
bacteria; la substancia mutagénica y S9, si se considera adecuado. Las placas se
cultivan por dos o tres días a 37°C. Sólo las mutantes continuarán multiplicándose
hasta que sus colonias sean visibles a simple vista (Kirkland, 1989). El diseño ha-
bitual de la prueba incluye un control negativo, un control positivo, y cinco concen-
traciones del mutágeno en duplicado o triplicado. Las diluciones van separadas por
factores de dilución 2; 3; 4 ó 5.
El análisis estadístico ha generado controversias. Uno de ellos, por ser no paramétri-

co, parece contar con más preferencias (Wahrendorf et al., 1985), precisamente por
usar menos presuposiciones en cuanto al tipo de distribución que pueda subyacer
en las observaciones.
Un ejemplo se muestra en la siguiente tabla:
TABLA 21
Dosis Recuentos Rangos Suma de Rangos Suma Acumulada

D X R S(R) Lj
0 129 8
0 128 6.5
0 119 3 17.5 17.5
0.5 128 6.5
0.5 116 2
0.5 121 4 12.5 30
1.7 127 5
1.7 142 9
1.7 112 1 15 45
3.8 165 14
91

3.8 152 11
3.8 159 12 37 82
5 178 15
5 149 10
5 163 13 38 -
L=174.5
El rango 1 es otorgado a la observación más pequeña (112 en este caso), 2 se le da

a la siguiente, y así sucesivamente. Si hay empates (el caso de 128) se les otorga el
promedio de los rangos que les hubiese correspondido. Al primer 128 le correspon-
día el rango 6; al segundo le hubiese correspondido el rango 7; por lo tanto, a cada
uno se le da: (6+7)/2=6.5.
El valor L= 174.5 es menor que el valor crítico = 184 que aparece en la tabla de
Wahrendorf en negrilla, por lo que se puede concluir que el crecimiento de las su-
mas de rangos, a medida que aumentan las concentraciones del mutágeno, no
debe ser un mero resultado del azar. Eso significa confiabilidad de la prueba.
La tabla de Wahrendorf fue construída mediante un proceso de simulación usando

el método de Montecarlo, y presenta varios diseños con diferente número de dosis
y de replicados. Establece dos niveles de significación (α=0.05, y 0.01).
TABLA 22
Diseño 1% 5%
222 - 14
2222 37 40
22222 79 87
222222 147 159
422 32 34
4222 73 80
42222 140 150
422222 235 252
333 29 33
3333 85 93
33333 184 199
333333 340 363
633 74 79
6333 170 182
63333 322 342
633333 543 574
444 54 60
4444 155 168
44444 334 357
92

444444 614 652

844 133 143
8444 307 326
84444 581 614
844444 979 1030
555 87 96
5555 247 265
55555 530 563
555555 973 1026
666 128 139
6666 360 385
66666 772 816
666666 1418 1487
La columna: Diseño, presenta el número de diluciones del mutágeno, y los replica-

dos de uso más frecuente.
3.6. Ensayo Factorial de Líneas Paralelas para

Variable Cuantitativa
Hay algunos ensayos biológicos en los que la respuesta es cuantitativa. El caso que
se tratará aquí emplea seis dosis: tres de una preparación de referencia o patrón, y
tres de la preparación problema de potencia desconocida. Estas dosis son crecientes
por un factor de dilución (2; 3; 4; 5, etc.), y el conjunto de ellas se aplica a cada uno
de los llamados bloques. Se entiende por bloque: un animal o una placa de Petri.
Un ensayo satisfactorio sólo es posible si el mínimo número de grados de libertad

para la varianza residual es 10 (Finney,D.,1971).
Veremos ahora un típico ejemplo:
TABLA 23
Diámetro mm Diámetro mm
Patrón. Problema.
S1 S2 S3 T1 T2 T3
Bloque 1.25 2.5 5.0 1.25 2.5 5.0
1 7 10 12 6 11 12
2 6 11 13 6 10 12
3 7 10 14 6 9 12
4 6 11 12 7 12 13
5 6 10 14 6 11 13
Suma 32 52 65 31 53 62
93

Las dosis: 1.25 2.5 5.0 son crecientes por un factor de dilución: 2.
Las sumas que aparecen en la línea inferior de la tabla n° 21, se multiplican por
cada línea de factores de la siguiente tabla de coeficientes ortogonales.
TABLA 24
Varianzas
EFECTOS S1 S2 S3 T1 T2 T3 fx2 Rx (Rx)2/fx2
Patrón vs. Problema -1 -1 -1 1 1 1 30 -3 (-3)2/30=0.3
Regresión -1 0 1 -1 0 1 20 64 642/20=204.8
Falta de Paralelismo 1 0 -1 -1 0 1 20 -2 (-2)2/20=0.2
Curvatura 1 -2 1 1 -2 1 60 -20 (-20)2/60=6.67
Curvaturas Opuestas -1 2 -1 1 -2 1 60 -6 (-6)2/60=0.6
32 52 65 31 53 62
∑ de Respuestas (R)
Para explicar el procedimiento, detallemos el cálculo hecho a lo largo de la primera

línea de la tabla 24
El número de bloques es: (f = 5)
X2 = (-1)2+ (-1)2+ (-1)2+(1)2+(1)2+(1)2 = 6
Luego, fx2 = 5*6 = 30
Rx = -1*32-1*52-1*65+1*31+1*53+1*62= -3
La Suma de Cuadrados: (Rx)2/fx2 = (-3)2/30 = 0.3, y análogamente se procede con

las otras líneas.
Cada una de las sumas de cuadrados calculadas de la manera indicada, tiene 1

grado de libertad.
Todo el procedimiento es tedioso, y requiere una herramienta computacional. El pro-

grama en BASIC para CASIO FX-880P, efectúa todo el análisis en pocos segundos.
94

PROGRAMA 13
LÍNEAS PARALELAS
400 CLEAR: CLS

405 PRINT “Líneas Paralelas<exe>”
410 INPUT “Número de Bloques”; N
420 DIM A(N,7): A=0: B=0
430 FOR I=1 TO N
440 FOR J= 1 TO 6
450 IF J<4 THEN W$=”Patrón:” ELSE W$=”Problema:”
455 PRINT “A(“; I; “,”; J;”)”; W$;: INPUT A(I, J): GOSUB 1000
460 A(0,J)=A(0,J)+A(I,J): A(I,0)=A(I,0)+A(I,J)
470 NEXT J
475 NEXT I
480 S1=A(0,1): S2=A(0,2): S3=A(0,3): T1=A(0,4): T2=A(0,5): T3=A(0,6)
S1, S2, S3 son las tres dosis del Patrón; T1,T2 y T3 son las dosis de la pre-
paración Problema.
485 PRINT “Fact.Dilución”;: INPUT FD: II=LOG(FD)
En computador: II=LOG(FD)/LOG(10), porque en CASIO, LOG es logarit-

mo decimal, en cambio, en los computadores, LOG es logaritmo natural.
490 SS T=B-A*A/(6*N): FC=A^2/(6*N)

492 PRINT “SC total=”; SST
495 PRE= (-S1-S2-S3+T1+T2+T3)^2/ (6*N): REG=(-S1+S3-T1+S3)^2 / (4*N): PAR=(S1-S3-
T1+T3)^2/(4*N): CUA=((S1-2*S2+S3+T1-2*T2+T3)^2 / (12*N): OP=(-S1+2*S2-S3+T1-2*T2+T3)^2
/ (12*N)
En la línea 495 se efectúan las multiplicaciones de los coeficientes ortogonales por

los totales de las respuestas por dosis. REG= suma de cuadrados de regresión, etc.
497 PRINT “SC prep.=”; PRE, “SC regresión=”; REG, “SC paralelismo=”; PAR, “SC cuadráticas=”;
CUA, “SC curvas opuestas=”; OP
500 BB=(S3-S1+T3-T1)/(4*N*II): MS=(S1+S2+S3)/3: MT=(T1+T2+T3)/3: MM=(T1+T2+T3-S1-S2-
S3) / (S3-S1+T3-T1)*(4*II/3)
510 CO=0: FOR I=1 TO N
520 CO=CO+(A(I,0)^2): NEXT I
530 COB=CO/6-FC: BLO=COB/(N-1)
540 SSE=SST-COB-(PRE+REG+PAR+CUA+OP): TRA=(PRE+REG+PAR+CUA+OP): GL= 5*(N-1): SS2=
SSE/GL
SS2 es la varianza residual (S2).
95

550 PRINT “t de Student, alfa=0.025, g.libert.(“;GL;”)”;: INPUT T
El valor de t de Student se puede obtener de la tabla n° 23.
560 GG=1-(4*N*T^2*SS2)/(S3-S1+T3-T1)^2
El valor GG es el (g) necesario para el Teorema de Fieller (Finney, D.,

1971)
570PP=MM/GG:VPP=(T*SQR(SS2)) / (BB*GG)*(GG*2/(3*N)+MM^2/(4*N*II^2))^0.5
580 LU= 10^(PP+VPP): LI=10^(PP-VPP)
590 PRINT “F regresión=”; REG/SS2; “(1:”;GL;”)”
600 PRINT “F paralelismo=”;PAR/SS2;”(1:”;GL;”)”
610 PRINT “F preparaciones=”; PRE/SS2; “(1:”;GL;”)”
620 PRINT “F cuadráticas=”; CUA/SS2;”(1:”;GL;”)”
630 PRINT “F cuadr.opuestas=”; OP/SS2;”(1:”;GL;”)”
635 K1=1: K2=GL:P=0.95:GOSUB 1040
637 PRINT “F (valor crítico)”; F
640 PRINT “F Bloques=”;BLO/SS2;(“;N-1;”,”;GL;”)”
645 K1=N-1: K2=GL:P=0.95:GOSUB 1040
647 PRINT “F (valor crítico)”; F
650 PRINT “POTENCIA=”; 10^(MM),”Límite Superior=”; LU,”Límite Inferior=”;LI
660 END
1000 A=A+A(I,J): B=B+A(I,J)^2
1010 RETURN
1040 AK=SGN(0.5-P):BK= -LN(1-AK+2*AK*P)
LN es logaritmo natural en la CASIO FX-880P; en computador es LOG.
1041 BK= ((4*BK+100)*BK+205)*BK*BK / (((2*BK+56)*BK+192)*BK+131)

1050 BK=5-AK*SQR(BK): Z=BK-5
1060 W=Z*Z
1070 A1=2/(9*K1): A2=2/(9*K2)
1080 W1=1+A2*(A2-W-2): W2=A1+A2-A1*A2-1
1090 W3=1+A1*(A1-W-2): W4=SQR(W2*W2-W1*W3)
1100 F=(W4-W2)/W1: F=F^3
1110 IF K1=1 THEN F=F+0.1 ELSE IF K1>1 THEN F=F
1150 F=INT(F*100)/100
1160 RETURN
Nótese que la subrutina contenida entre las líneas:1040 y 1160, calcula los valo-
res críticos de los F (Razones de Varianzas) mediante una aproximación (Cooke,
Craven, Clarke,1984), que fue mejorada en este libro, con el algoritmo de Derenzo
(líneas: 1040 a 1050).
96

La siguiente tabla muestra valores escogidos de t de Student para un diseño con

bloques y para α=0.025. En ella, N representa el número de bloques, y los grados
de libertad vienen dados por el producto: (N-1)(Número de Dosis(6)-1).
TABLA 25
N t GL
4 2.1314 15
5 2.086 20
6 2.0595 25
7 2.0423 30
8 2.0301 35
9 2.0211 40
10 2.0141 45
11 2.0086 50
12 2.004 55
Operando el programa N° 13 con los datos de la tabla N° 21, tenemos:
LÍNEAS PARALELAS<exe>
Número de Bloques? 5
A(1, 1) PATRÓN: 7
A(1, 2) PATRÓN: 10
A(1, 3) PATRÓN: 12
A(1, 4) PROBLEMA: 6
A(1, 5) PROBLEMA: 11
A(1, 6) PROBLEMA: 12
Así se tecleó la primera línea de respuestas. El resto, hasta el último bloque, se

ingresa de modo análogo.
Factor de Dilución: 2
SC total= 226.166......
SC preparaciones= 0.3
SC regresión= 204.8
SC falta de paralelismo= 0.2
SC curvas = 6.66....
SC curvas opuestas= 0.6
T Student, alfa:0.025, gl(20)? 2.086, tomado de la tabla N° 23.
F regresión= 333.9130433 (1; 20)
F paralelismo = 0.326...(1; 20)
F preparaciones = 0.489...(1; 20)
F curvas = 10.869...(1; 20)
F curvas opuestas= 0.6 (1; 20)
97

F (valor crítico)= 4.35

F bloques= 0.54347...(4; 20)
F (valor crítico, bloques) = 2.85
POTENCIA = 0.9576032807
Límite Superior = 1.09...
Límite Inferior = 0.84...
Todo valor F observado (Regresión, etc.) que supera al valor crítico (4.35 en este
caso), es considerado motivo de interpretación cuidadosa. El único F que siempre
DEBE superar al valor crítico es el de regresión, dado que, en caso contrario significa
que el diseño escogido no fue capaz de detectar el aumento de dosis para dar res-
puestas también crecientes.
Los siguientes valores F no deberían superar nunca al valor crítico; infelizmente,

en este caso, el F de curvas viola esa regla con un valor muy alto (10.869...). Esto
indica que el rango de dosis quedó fuera de la zona lineal de la línea de regresión
(Bliss,.C., 1951).
Si el F de paralelismo es mayor que el F crítico, significa que las dos líneas de regre-
sión NO son paralelas; un problema que obliga a declarar inválida la prueba.
El F de bloques observado(0.54347), es menor que el valor crítico (2.85). Si lo hu-

biese superado, significaría que nuestra técnica de laboratorio es defectuosa puesto
que los bloques son meras repeticiones de aplicación del mismo conjunto de dosis,
y, por lo tanto, deberían ser muy semejantes. Felizmente, en el presente ejemplo, el
F observado fue muy inferior al valor crítico.
3.7. Prueba de Campo de Eficiencia de Vacunas

La eficiencia de una vacuna puede medirse calculando la tasa de incidencia de la
enfermedad en los individuos vacunados y en los no vacunados, la cual debe ser
menor en el grupo de individuos vacunados; porque si no es así, la vacuna no sirve
para nada.
No hay vacuna que sea totalmente efectiva ni que sea absolutamente inefectiva. La
vacuna contra el Sarampión, por ejemplo, es efectiva en 80-95% siempre que su
temperatura de almacenamiento sea la adecuada, y que se la administre apropia-
damente.
El estudio de eficacia ideal es un ensayo clínico que parte tomando personas sus-
ceptibles a la enfermedad. En un ensayo aleatorizado, controlado con un placebo, y
doble ciego, la mitad de los individuos recibe la vacuna, y la otra mitad un placebo.
Para calcular la eficiencia, se practica un seguimiento para determinar las tasas de
incidencia en ambos grupos.
El método de análisis incluye el cálculo de un intervalo de confianza, lo cual no

siempre es considerado tan obvio como en realidad lo es. Por muy grande que sean
98

ambos grupos, ellos siguen siendo una muestra, y como tal, tiene una variación
implícita que puede generar desagradables sorpresas en eventuales repeticiones
posteriores del ensayo.
El método estadístico es comparativamente simple (Orenstein,W.A. et al., 1985)

(Hightower, A.W. et al, 1988).
La tabla siguiente, presenta un ejemplo.
TABLA 26
Casos No Casos
Vacunados 4 (a) 41996 (b) 42000
No Vacunados 21 (c) 41979 (d) 42000
Sean: ARV = tasa de ataque en los vacunados, y ARU = tasa de ataque en lo no

vacunados.
ARV=a/(a+b)= 4/42000= 0.000095238
ARU=c/(c+d)=21/42000= 0.0005
Riesgo Relativo(RR)=ARV /ARU= 0.000095238 / 0.0005= 0.1905
Eficacia= (1-RR)= 0.8095, (80,95%)
Los límites de confianza 95% del RR, se calculan con la expresión:
11−! ARV
ARV 11−! ARU
ARU
RR±±11..9696
lnln R ++
Limites =
Limites
Límites = ee aa cc
11−!00..000095238
000095238 11−!00..0005
0005
−!11..6581
6581±±11..9696 ++
Limites =
Limites
Límites = ee 44 2121
Los
Loslímites
límitesdel
delRiesgo Relativo
Riesgo son:son
Relativo 0.555 y 0.0654.
: 0.555 y 0.0654.
En cuanto a los límites de la eficacia, ellos se calculan:
En cuanto a los límites de la eficacia, ellos se calculan:
Límite Inferior de la Potencia = 1-0.555 = 0.445, (44.5%)
Límite Inferior de la Potencia = 1-0.555 = 0.445, (44.5%)
Límite Superior de la Potencia = 1-0.0654 = 0.9346, (93.46%)
Limite
Es Superior de
desilusionante quelaelPotencia = 1-0.0654
límite inferior nos diga =que
0.9346, (93.46%)
la vacuna no es tan buena como
sugería la potencia de 80.95%. De ahí la importancia de no olvidar jamás el cálculo
Es intervalo
del desilusionante que el límite inferior nos diga que la vacuna no es tan buena
de confianza.
como sugería la potencia de 80.95%. De ahí la importancia de no olvidar jamás el
cálculo del intervalo de confianza.
99

APÉNDICE 1
A.1. El Método de Spearman-Karber Recortado (The

Trimmed Spearman-Karber, TSK)
En la siguiente tabla se presenta un grupo de datos que difícilmente permitirá calcu-
lar una DE 50 mediante los modelos simétricos como Logit o Probit, o aún con el de
Spearman-Karber como fueron descritos en el capítulo 2.
Cuando la respuesta (muerte o sobrevivencia) se manifiesta, no en forma decrecien-

te estricta, sino en una larga serie, en que se alternan positividades y negatividades
sin relación con la magnitud de la dosis aplicada, se recomienda usar el método de
Spearman-Karber Recortado (TSK).
TABLA 27
Concentración mg/L 15.54 20.47 27.92 35.98 55.52

N Peces en el ensayo
o
20 20 20 19 20
No Peces muertos 0 1 0 3 20
Proporción de muertes 0.0 0.05 0.0 0.158 1.00
Si usamos el programa Probit, transformando las concentraciones a logaritmos, ob-

tendremos los siguientes resultados:
DE 50 = 40.48 mg/L, con límites de confianza 95%: (40.44 a 41.25 ). Además, tene-
mos un Ji2 con 3 grados de libertad = 52.125, que es un valor enorme que supera
largamente el valor crítico ( 7.8147 para α = 0.05 ), por lo que tendríamos fuertes
razones para sospechar que los datos no pudieron ser ajustados a un modelo lineal,
y que el método Probit ha fallado lastimosamente.
Si observamos los datos de la tabla 27, veremos que hay oscilaciones de positivi-
dad-negatividad, y una fuerte caída de la proporción de muertes; desde 1.00 a 0.158
para las dos concentraciones del extremo derecho de la tabla 27.
Por otra parte, las dosis están separadas por distancias variables; un verdadero
desastre.
Este ejemplo no es el resultado de errores de administración de las dosis o fallas de

laboratorio o investigadores. Todo procede de características de los individuos expe-
rimentales; del “estado de la naturaleza”, de una extraña distribución de la tolerancia
de algunos peces a ciertos tóxicos, virus y vacunas.
101

En vista de que, tanto Probit como Logit dan resultados inconfiables, los investi-
gadores probaron con el método de Spearman-Karber confiando en su reconocida
robustez, pero éste también mostró algún grado de sensibilidad a tanta dificultad.
Hamilton y colaboradores (Hamilton, Russo and Thurston, 1977), desarrollaron un
método que usa el ABERS ( Ver Capítulo 2 ) y un podado o recortado de los extremos
más influyentes.
Veamos ahora el procedimiento llamado: Spearman-Karber Recortado (TSK).
La siguiente tabla resume los pasos que deben seguirse para llegar a calcular una
DE 50 más confiable.
TABLA 28
Grupo i 1 2 3 4 5
Concentración Mg/L 15.54 20.47 27.92 35.98 55.52
Loge Concentración Xi 2.7434 3.019 3.3293 3.583 4.0167
No de Peces ni 20 20 20 19 20
No de Muertos pi 0 1 0 3 20
Prop. De Muertes 0.0 0.0 0.05 0.0 0.159 1.00
Prop. Corregida ABERS
Los 0.0 pasos0.0 usarán
siguientes 0.025los logaritmos
0.025 0.158 1.00 de las dosis y
naturales
proporciones ~
p que han sido
Puede observarse que el ABERS ha creado una corregidas comode
serie sin altibajos sepositividad.
muestra en la fila inferior d
tabla 25.
Los siguientes pasos usarán los logaritmos naturales de las dosis y las proporciones
~
p que han sidoHamilton
corregidaspropuso
como seutilizar
muestraunenvalor
la filadenominado
inferior de la tabla
�, que25. debe ser escogido ent
Hamilton propusoy 0.5. Si se

utilizar escoge
un valor �= 0, tenemos
denominado el Spearman-Karber
α, que debe ser escogido entreclásico.
0y Si usamos
valor
0.5. Si se escoge α= 0,: 0.05, 0.1,el0.2
tenemos etc., resulta el clásico.
Spearman-Karber TSK. Si usamos otro valor:
0.05, 0.1, 0.2 etc., resulta el TSK.
Veamos el caso con � = 0.
Veamos el caso con α = 0.
Usaremos la expresión general de cálculo de la DE50 debido a que las d
Usaremos la expresión general de cálculo de la DE50 debido a que las dosis están
separadas por están separadas
distancias por
desiguales. distancias
Como se vio endesiguales.
el capítulo 2,Como se vió
empleamos la en el capítulo
empleamos la fórmula desarrollada para el caso particular,
fórmula desarrollada para el caso particular, en que las distancias entre dosis estánen que las distan
entre dosis, están igualadas
igualadas por transformación logarítmica. por transformación logarítmica.
La fórmula general, válida para

La fórmula todos válida
general, los casos es:todos los casos es:
para
(X + Xj)
Log e DE 50 = !
j "1
(~p j p j "1 )
"~
j 2
Log e DE 50 =
(2.7434 + 3.019)(0.025 ! 0.0)+ (3.019 + 3.3293)(0.025 ! 0.
2 2
+
(3.3293 + 3.583)(0102
.158 ! 0.025)+
(3.583 + 4.0167 )(1.0 ! 0.158) = 3.731
2 2
DE 50 = e 3.7312 = 41.73mg / L
La fórmula general, válida para todos los casos es:
(X + Xj)
Log e DE 50 = !
j "1
(~p j p j "1 )
"~ Luis Rodríguez Aguayo
j 2
Log e DE 50 =
(2.7434 + 3.019)(0.025 ! 0.0)+ (3.019 + 3.3293)(0.025 ! 0.025)
2 2
+
(3.3293 + 3.583)(0.158 ! 0.025)+ (3.583 + 4.0167 )(1.0 ! 0.158) = 3.7312
2 2
DE 50 = e 3.7312 = 41.73mg / L
Si uno mira cuidadosamente la tabla 25, no debería tener dificultades para calcular
Si uno mira cuidadosamente la tabla 25, no debería tener dificultades para
la DE50.
calcular la DE50.
Veamos ahora cómo se recorta el S-K.
Veamos ahora como se recorta el S-K.
Casi siempre conviene empezar con α = 0.1, pero puede ser conveniente usar otro
valor.
Casi siempre conviene empezar con � = 0.1, pero puede ser conveniente usar
otro valor.
Ese valor: ( 0.1), significa que recortaremos simétricamente las probabilidades de
muerte en un 0.1),
Ese valor:( 10% en cada extremo.
significa que recortaremos simétricamente, las probabilidades
de muerte en un 10% en cada extremo.
Para ver el efecto del “podado”, tenemos que graficar los logaritmos de las dosis, y
~
p corregidos,
losPara como
ver el efecto delse“podado”,
ve en el gráfico
tenemossiguiente:
que graficar los logaritmos de las
dosis, y los ~
p corregidos, como se ve en el gráfico siguiente:
FIGURA Nº 8
FIGURA Nº 8 :
Spearman-Karber Recortado TSK
1
0.9 p:0.9 , X:3.9652
0.8
0.7
0.6 94
p
0.5
0.4
0.3
0.2 p:0.158 , X:3.583
p:0.1 , X:3.4724
0.1
0
2.72.82.9 3 3.13.23.33.43.53.63.73.83.9 4 4.14.2
Logdosis
Podemos observar que, las abscisas trazadas a nivel p: 0.1 y 0.9 cortan la línea que
une las observaciones en dos lugares. En el primero de ellos, a la probabilidad = 0.1,
le corresponde
Podemos un logaritmo
observar que, las= abscisas
3.4724 (leyendo en la
trazadas abscisa).
a nivel En ely segundo,
p : 0.1 a la
0.9 cortan la línea
que une las observaciones en dos lugares. En el primero de ellos, a la
probabilidad = 0.1, le corresponde un logaritmo = 3.4724 (leyendo en la abscisa).
En el segundo, a la probabilidad 0.9, le corresponde el logaritmo 3.9652.
Finalmente, la dosis que quedó al medio,
103 y que no fue afectada por los cortes,
conserva sus valores originales.
Las tres observaciones que quedaron a la izquierda y por debajo de p =22/4/10

3841MetodosEstadisticos correguido.indd 103 0.1,10:45:46
probabilidad 0.9, le corresponde el logaritmo 3.9652. Finalmente, la dosis que quedó

al medio, y que no fue afectada por los cortes, conserva sus valores originales.
Las tres observaciones que quedaron a la izquierda y por debajo de p = 0.1, fueron
eliminadas, al igual que aquella que estaba por encima de p = 0.9.
Como se ve, el α = 0.1 eliminó el 10% de la distribución de mortalidades, en am-

bos extremos. Mirando la figura 8, podemos ver que no sería conveniente usar, por
ejemplo, un α = 0.2, porque podemos correr el riesgo de quedar con poquísimas
observaciones.
Ahora emplearemos la siguiente expresión:
P=
( p −α)
~
(1 − 2α )
Con ella, calcularemos los P definitivos como sigue.
(0.9 − 0.1) = 1.0

P1 =
(1 − 0.2)
P1 =
(0.9 ! 0.1) = 1P.02 = (0.158 − 0.1) = 0.0725
(1 ! 0.2) (1 − 0.2)
P2 =
(0.158 ! 0.1) (0.1 − 0.1) = 0.0
= 0.0725
(1 ! 0.2) P3 =
(0.1 ! 0.1)
(1 − 0.2)
P3 = = 0.0
Si tabulamos(1estos )
! 0.2valores P, y sus respectivos logaritmos, tenemos:
TABLA 29 logaritmos, tenemos:

Si tabulamos estos valores P, y sus respectivos
TABLA No 27 : Loge Pi
Log
3.9652
e Pi 1.0
3.9652 1.0
3.583
3.583 0.0725 0.0725
3.4724
3.4724 0.0 0.0
Empleando finalmente
Empleando finalmentelalafórmula general,tenemos:
fórmula general, tenemos:
Log e DE 50 =
(3.4724 + 3.583)(0.0725 ! 0.0)+ (3.9652 + 3.583)(1.0 ! 0.0725) = 3.7562
2 2
3.7562
DE 50 = e = 42.79mg / L
Pese a que, Hamilton y colaboradores postulan que el TSK funciona bién en todos
los casos, hay algunos ejemplos en la literatura (Sanathanan, Gade and
104
Shipkowitz, 1987), que muestran varias excepciones.
Por otra parte, la varianza de la DE50 obtenida por el TSK es sólo aproximada, y
en las excepciones mencionadas, no fue posible calcularla.
Pese a que Hamilton y colaboradores postulan que el TSK funciona bien en todos
los casos, hay algunos ejemplos en la literatura (Sanathanan, Gade and Shipkowitz,
1987) que muestran varias excepciones.
Por otra parte, la varianza de la DE 50 obtenida por el TSK es sólo aproximada, y en

las excepciones mencionadas no fue posible calcularla.
Como esa varianza se pueden obtener expresiones que demandan gran paciencia
y laboriosidad, que no serán incluidas en este libro; sobre todo, atendiendo a las
críticas de Sanathanan y colaboradores.
El TSK es usado con frecuencia, pues permite obtener la DE50 en situaciones difíci-
les, aunque se debe reconocer que la necesidad de usar un buen método gráfico es
un pesado obstáculo.
Es posible eliminar el procedimiento gráfico recién descrito, empleando el método

que se expone a continuación.
Para calcular el valor de los logaritmos de las dosis correspondientes a los puntos de
corte resultantes del a = 0.1 que elegimos: 0.1 y 0.9 (ver figura 8), determinaremos:
la pendiente y el intercepto de cada recta que una dos puntos sucesivos.
Podemos tabular un resumen de los puntos que usaremos, tomándolos de la tabla

Nº 28.
TABLA 30
i ~
p Loge
1 1.0 4.0167
2 0.158 3.5830
3 0.025 3.3293
La pendiente (b) de la recta que une los dos primeros puntos, es:
b=
(4.0167 − 3.5830) = 0.515
(1.0 − 0.158)
El intercepto (a) se calculará como sigue, usando el primer logaritmo de la tabla
28:
a = 4.0167 − 0.515 x1.0 = 3.5017

Así, para obtener el valor logarítmico que corresponde a la intersección de la abscisa
0.9 con la recta que unía los dos puntos, haremos uso de la ecuación de la recta que
hemos obtenido:
105

3.5017 + 0.515 x0.9 = 3.9652 , que es exactamente el valor que aparece en la

tabla 29.
Procediendo de igual manera con la recta que une los puntos: (0.158, 3.583) y
(0.025, 3.3293), obtendremos: 3.4724, tal como se ve en la tabla Nº 27.
Después, el procedimiento continúa con el cálculo de los P definitivos, con la fórmula

general, y culmina con la estimación de la DE 50, como ya fue descrito antes.
106

ÍNDICE DE MATERIAS
Abbott (2.1) 54
AMES (3.5) 90
Berkson, J. 37
Colaborativo Cualitativo, estudio 83
DE 50 36
DE 95 54
DE 90 54
DE 99 54
Dispersión, Indice 12
D, Valor 43
Fisher, R. Sir 12
Homogeneidad Intragrupos 88
Hamilton, M.A. (A.1) 82
Insecticidas 54-55
Karber, Spearman-Karber 37
, Podado (TSK) 101
Líneas Paralelas 58 y 93
Logit 38-39
Logit, Programa 39-40
Mather, k 28
Mutagenicidad (3.5) 90
Media (Poisson) (1) 5
(Robusta) (3.3) 79
Programa 81
Número Óptimo De Animales (2.2) 55
Número Más Probable (NMP) (1.2) 16-20
NMP Programa (1.2) 17-19
Óptimo, Número De Animales (2.2) 55
“Outliers” (3.4.1) 78
Programa. Áreas Bajo C. Normal 11-12
Número Más Probable 17-19
Unidades Formadoras de Colonias 21-22
Número Partículas Por Placa 25
Diluciones Límite 31
Logit 44-45
Algoritmo Derenzo 50-52
Probit 51-53
Potencia de Vacunas 62-70
Estimadores Robustos 81
107

Q Cochran 86
Líneas Paralelas 95-96
Potencia 58
Poisson 1
Probits 55
Q Cochran 84
Recuentos 21-22
T Student, Tabla Parcial 97
Wahrendorf (Tabla) 92
Z, valor 52
108

REFERENCIAS
 Altman, D.G. and Bland J.M. (1983). “Measurement in Medicine: The Analysis
of Method Comparison Studies”. The Statistician 32:317.
 Best, D.J. (1990). “Optimal Determination of Most Probable Numbers”. Interna-

tional Journal of Food Microbiology 11:159-166.
 Bi, J. and D. Ennis (1998). “Sensory Thresholds: Concepts and Methods”. J.

Sensory Studies 13:133-148.
 Bianchi, R.A. y Susana Malkisher (1982). “Aspectos Estadísticos de los Ensa-

yos Diagnósticos In Vitro”. Acta Bioquímica Clínica Latinoamericana. Vol. XVI
(1):45-80.
 Bliss, C. (1945). “Confidence Limits for Biological Assays”. Biometrics 1(5):57-

65.
 Bliss, C. (1951). “Statistical Methods in Vitamin Research”, in “Vitamin Method”.

Edit. by P. György. Vol. II. Academic Press Inc. New York.
 Bliss, C. (1938) “The Determination of The Dosage Mortality Curve From Small
Numbers”. Quart. J. Pharmacy and Pharmacology 11:192-216.
 Biol. of Water Pollution. www.uis.edu/ jenkins/bwp/bwplab2.txt.
 Bryan, W.R. (1957) “Interpretation of Host Response in Quantitative Studies in

Animal Viruses”. Annals of the New York Academy of Sciences 69:698-728.
 Burleson, J.A. et al (1993). “Use of Logistic Regression in Comparing Multiple

Limiting Dilution Analysies of Antigen-Reactive T Cells”. J. Inmunol. Methods
159:47-52.
 Cornfield, J. and N. Mantel (1950). “Some New Aspects of the Aplication of

Maximum Likelihood to the Calculation of the Dosage Response Curve”. J.
American Statistical Association 45(250):181-210.
 Das, M.N. and N.C. Giri (1979). Design and Analysis of experiments. Wiley Eas-
tern Limited. New Delhi.
 Derenzo, L. (1977). Mathematical computing (31): 214.
 Detre, K. And White, C. (1970). “The Comparison of the Two Poisson- Distribu-
ted Observations”. Biometrics 26:851-854.
109

 Education 231c (2002). www.gseis.ucla.edu/courses/ed231c/motes3/probit1.

html
 Eisenhart, C. and P.W. Wilson (1943) “Statistical Methods and Control in Bacte-
riology”. Bacteriological Reviews 7(2): 57-137.
 Fazekas de ST. Groth, S. (1982) “The Evaluation of Limiting Dilution Assays”.

Journal of Inmunological Methods 49:R11-R23.
 FEPAS (1998). “Organization and Analysis of Data”. 2nd Edition. Central science
laboratory Sand Hulton. UK.
 Finney, D. (1971). “Statistical Method in Biological Assay”. 2nd Impresion. Griffin.

London.
 Gaddum, J.H. (1933). “Methods of Biological Assays Depending on a Quantal

Response”. Special Report Series Nº 183. Medical Research Council. Publis-
hed by His Majesty´S Stationery Office. London.
 Govindarajulu, Z. (1988). “Statistical Techniques in Bioassay”. Karger. Basel.
 Hamilton, L. “Statistics With Stata 5. (1988). “Duxbury Press. Pacific Grove.
 Hamilton, M.A., R.C. Russo and R.V. Thurston (1977). “Trimmed Spearman-
Karber Method for Estimating Median Lethal Concentrations in Toxicity Bio-
assays”. Environmental Science And Technology 11(7): 714-719; Correction
(1978) 12(4):417.
 Hightower, A.W., W.A. Orenstein and S.M. Martin (1988). “Recommendations

for the use of Taylor Series Confidence Intervals for Estimates of Vaccines Effi-
cacy”. Bulletin of the World Health Organization 66(1):99-105.
 Hogg, R.V., S.J. Ruberg and L.Yuh (1990). “Robust Data Analysis”, in “Statisti-
cal Methodology in the Pharmaceutical Sciences”. Donald Berry. Editor. Marcel
Dekker Inc.. New York.
 Hurley, M.A. and M.E. Roscoe (1983). “Automated Statistical Analysis of Micro-
bial Enumeration by Dilution Series”. Journal of Applied Bacteriology 55:159-
164.
 Ibelgaufs, Hort (1999). ”Limiting Dilution Analysis”. Www.copewithcytokines.de/

cope.cgi?3735.
 Jarvis, B. (1989). “Statistical Aspects of the Microbiological Analysis Of Foods”.

Elsevier, Amsterdam.
 Kalbfleisch, J.G. and D.A. Sprott (1974) “Statistical Analysis of Data Bearing
on the Number of Particle Required to form a Plaque”. J. Hygiene, Cambridge
73:27-34.
110

 Knudsen, Lila and J. Curtis (1947). “The Use of the Angular Transformation in
Biological Assays”. J. American Statistical Association 42:282-296.
 Macken, C. (1999). “Design and Analysis of Serial Dilution Assays with Small
Sample Sizes”. J. Inmunol. Methods 222:13-29.
 Match 120. The Logistic Function. http://cerebro.xu.edu/match/match120/01f/

logistic.pdf.
 Mather, K. (1971). “Análisis Estadístico en Biología”. Ed. Paraninfo. Madrid. Pp.

311-325.
 Mead R. And R.N. Curnow (1983). “Statistical Methods In Agriculture And Expe-
rimental Biology”, Chapman Hall. London. Pp. 267-273.
 Mather, K. (1949) “The Analysis of Extintion Time Data in Biossay”. Biometrics

5:127-147.
 Morgan, B.J.T. (1992). “Analysis of Quantal Response Data”. Chapman And

Hall, London. pp 303-317.
 Mc Clure, F.D. (1990). “Design and Analysis of Qualitative Collaborative Studies:

Minimum Collaborative Program”. J.Assoc. Official Anal. Chem. 73(6):953-960.
 Montana State University. “The Trimmed Spearman-Karber Method”. www.cee.

odu.edu/mbin/lc50/dos/lc50_manual.pdf.
 Orestein, W. et al. (1985). “Field Evaluation of Vaccine Efficacy”. Bulletin of the

World Health Organization 63(6):1055-1068.
 Peña Sánchez De Rivera, D. (1995). “Estadística, Modelos y Métodos 2. Mode-

los Lineales Series Temporales”. 2ª Edición. Alianza Universidad Textos. Ma-
drid. Pp:502-510.
 Perry, W.L.M. (1950). “The Design of Toxicity Test”. Special Reports Series Nº
270. Medical Research Council. Published by His Majesty´S Stationery Office.
London.
 Pollard, J.H. “A Handbook of Numerical and Statistical Techniques (1977). Cam-

bridge Univ. Press. Cambridge.
 Rabe-Hesketh, Sofia and Brian Everitt (2000). “Handbook of Statistical Analysis

Using Stata”. 2nd Edition. Chapman-Hall. Boca Raton.
 Rodríguez, E. (2000). “Determinación de las Diferentes Fracciones de Material

Particulado Respirable en los niveles de toxicidad en Santiago de Chile”. Chi-
le.
111

 Rodríguez, L.(1983). “El Muestreo y Sus Riesgos en el Control de Esterilidad de

Biológicos”. Boletín del Instituto de Salud Pública de Chile 24 (1-2):191-195.
 Sample: Overdispersed Quantal Assay Data. http://ftp.sas.com/Techsup/down-

loa…/statsampOverdispersed_quantal_assays_data.htm.
 Sanathanan, l.P.; E.T. Gade, and N.L. Shipkowitz (1987). “Trimmed Logit Me-
thod for Estimating the ED 50 in Quantal Bioassay”. Biometrics (43):825-832.
 Saunders, L. and R. Fleming (1971). “Mathematics and Statistics”. The Pharma-

ceutical Press. London. Pp. 233-235.
 Schmehl, M.K. et al (1989). “Power Analysis of Statistical Methods for Compa-

ring Treatment Differences From Limiting Dilution Series”. In Vitro Cellular And
Developmental Biology 25(1):69-75.
 Silva, L.C. (1995). “Excursión a la Regresión Logística en Ciencias de la Salud”.

Díaz de Santos. S.A. Madrid.
 Simon, Julian. www.juliansimon.com/writings/Resampling_Philosophy/Part_I/

STUDGMNT.txt
 Stearman, R. (1955). “Statistical Concepts in Microbiology”. Bacteriological Re-

views 19:160-215.
 Taswell, C. (1981). Limiting Dilution Assays for the Determination of Immuno

Competent Cell Frequencies”. Journal of Immunology 126 (4):1614-1619.
 Van Ramshorst Et Al. (1979). “Potency Measurement of Pertussis Vaccines and

Consistency in Production”. J. Biol. Standardization 7:307-314.
 WHO. Technical Report Series (TRS 800) (1990). “Requirements for Diphtheria,
Tetanus, Pertussis and Combined Vaccines” Geneva.
 Zar, J. (1996). “Biostatistical Analysis”. 3 rd Edition. Prentice-Hall. New Jersey.
112

2010 MetodosEstadisticos en Microbiologia

Încărcat de

Informații document

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

2010 MetodosEstadisticos en Microbiologia

Încărcat de

Drepturi de autor:

Formate disponibile

MÉTODOS ESTADÍSTICOS

EN MICROBIOLOGÍA Y ENSAYOS BIOLÓGICOS

Luis H. Rodríguez Aguayo

3841MetodosEstadisticos correguido.indd 3 22/4/10 10:44:43

REGISTRO DE PROPIEDAD INTELECTUAL Nº 189045

IMPRESO EN CHILE POR

3841MetodosEstadisticos correguido.indd 4 22/4/10 10:44:43

El capítulo 1 en el que han sido incluídos el Índice de Dispersión de Fisher, el Número

Dra. Ingrid Heitmann Ghigliotto

3841MetodosEstadisticos correguido.indd 5 22/4/10 10:44:43

Este libro está dirigido a profesionales especializados en microbiología o que efec-

Se creyó indispensable presentar varios programas computacionales para efectuar

Luis Rodríguez Aguayo

3841MetodosEstadisticos correguido.indd 7 22/4/10 10:44:43

1.1 El Índice de Dispersión de Fisher 12

Estimación de Concentración de Microorganismos

1.2 El Número Más Probable (NMP) 16

1.3 Recuentos Bacterianos o Virales en Placa 20

1.4 Número de Partículas Virales por Placa Lítica 23

1.5 Serie de Diluciones Límites 26

2.1 Cálculo de la Dosis Efectiva 50% (De50) 35

2.1.1 El Método de Spearman-Karber 37

2.1.2 El Método Logit 38

2.1.3 El Valor D en Termorresistencia de Esporas 43

2.2 Número Óptimo de Animales por Dosis 55

2.3 Potencia de Vacunas o Antisueros 58

3.1 Transformaciones de Recuentos de Microorganismos 73

3.2 Programas de Evaluación Externa de Calidad 77

3.3 Media Robusta 79

3841MetodosEstadisticos correguido.indd 9 22/4/10 10:44:43

3.4 Estudio Colaborativo Cualitativo en Microbiología 83

3.4.1 Verificación de la Presencia de “Outliers” 87

3.4.2 Homogeneidad Intragrupos 88

3.4.3 Sensibilidad y Especificidad 88

3.5 Prueba de Mutagenicidad de AMES 90

3.6 Ensayo Factorial de Líneas Paralelas para Variables Cuantitativas 93

3.7 Prueba de Campo de Eficiencia de Vacunas 98

A.1 Método de Spearman-Karber Recortado (trimmed) 101

Índice de Materias 107

3841MetodosEstadisticos correguido.indd 10 22/4/10 10:44:43

P ( x " 1) = 1 ! e !0.01( 20 ) = 0.1813 Luis Rodríguez Aguayo

3841MetodosEstadisticos correguido.indd 3 22/4/10 10:44:45

Tomando logaritmos naturales (ln) a ambos miembros, obtenemos:

El mismo procedimiento ha El sidomismo

Luis Rodríguez Aguayo

La imagen de la izquierda muestra el caso típico de la distribución de Poisson; pue-

Finalmente, a la derecha, se observa el caso que puede estudiarse mejor con la

Si escribimos la distribución de Poisson:

3841MetodosEstadisticos correguido.indd 5 22/4/10 10:44:47

d 2 ( fgm) t t ! ( e t "1) ! ( e t "1) t

La varianza V(X) se calcula haciendo :

3841MetodosEstadisticos correguido.indd 6 2 2 22/4/10 10:44:49

La varianza V(X) se calcula haciendo:

Supongamos que se siembra una dilución de Bordetella pertussis en una placa de

La media es 65, la varianza es también 65 según la demostración recién vista. Por

Según dos estadísticos (Eisenhart y Wilson, 1943), el total de recuentos bacterianos

Sean los recuentos: 64, 60, 54, 58, 67

3841MetodosEstadisticos correguido.indd 7 22/4/10 10:44:50

¿Por qué?. Veamos lo que ocurre si usamos la expresión de la varianza des

Como ya sabemos, el término entre paréntesis corresponde a la varianza de X,

En el caso de los recuentos de bacterias, levaduras, etc., el error estándar se puede

3841MetodosEstadisticos correguido.indd 8 22/4/10 10:44:51

Medio B: 80, 70, 68, 70, 65

Usando los datos del problema, tenemos:

580 II = X(DB-A^2)*(LN(DD))^2 / (B)^2