Documente Academic
Documente Profesional
Documente Cultură
FACULTAD DE MEDICINA
DEPARTAMENTO DE MEDICINA PREVENTIVA Y SALUD
PUBLICA
ASOCIACION
OR Y RR
PROFESOR AUXILIAR
RIESGO:
ASOCIACION RIESGO
Factor de riesgo
Es de carácter predictivo
Al estar asociado a la probabilidad de
ocurrencia, tiene una fuerte base
estadístico-matemática.
Permite identificar e implementar
intervenciones preventivas.
Desventajas del concepto de riesgo
Uso de Tumores
celulares cerebrales
Para responder esta pregunta la
epidemiología utiliza un recurso
metodológico: COMPARAR
La medida es probabilística.
Si los expuestos tienen más enfermos con
tumores cerebrales entonces los
expuestos a celulares tienen mayor
probabilidad de presentar tumores
cerebrales.
Esta probabilidad mide el riesgo de
enfermar cuando están expuestos a algún
factor.
¿QUÉ ES UN ENFOQUE DE RIESGO?
El enfoque de riesgo es la
metodología que se sigue para
encontrar grupos poblacionales
donde está presente los factores
que están asociados a mayor
riesgo, con el objeto de focalizar las
medidas de intervención sanitaria
apropiadas.
Por ejemplo
Si se encuentra que los que usan
celulares tienen mayores
probabilidades de enfermar de tumores
cerebrales, entonces se puede realizar
medidas preventivas en estos usuarios.
Por ejemplo controlar la intensidad de
las ondas de los celulares.
Tipos de Factores Asociados
Necesario:
Factor de riesgo
Causal
Relación de
dependencia
Contribuye (sin ser
necesario)
Factor asociado a Factor de riesgo
La mayor frecuencia No Causal
Fuerza de asociación
Consistencia
Constancia
Especificidad
Relación dosis-respuesta
Temporalidad
Compatibilidad con hipótesis
científicas comprobadas.
Fuerza de asociación
Riesgo Relativo
Razón de probabilidad u
“ODDS RATIO” (OR).
RIESGO RELATIVO (RR)
Si el RR es igual a 1 no existe
evidencia de asociación entre el
factor y el daño.
Si el RR es mayor de 1, es un factor
de riesgo (aumenta el riesgo de
aparición de daño).
Si el RR es menor de 1, es un factor
protector (disminuye el riesgo de
aparición del daño).
Interpretación de RR y OR*
RANGO de RR INTERPRETACIÓN
RR en la población
RAZON DE PROBABILIDADES
(Odds ratio )
RR = a:a+b/c:c+d OR = a.d/b.c
Manifestaciones Sin manifestaciones Total
neurológicas neurológicas
Tipo de trabajo
Trabajadores de 20 80 100
baterías (Pb)
Trabajadores de 4 96 100
tejidos (no Pb)
Tasas de mortalidad RR RR
Factor a b a+b
Presente
Factor c d c+d
Ausente
Total a+c b+d a+b+c+d
OR = ad / bc
Se realiza un estudio de caso control para determinar el efecto de la
irradiación prenatal en niños con leucemia
Factor
Niños con irradiación 30 70 100
Exposición a Invasión de
la bacteria los tejidos
Factores genéticos
Malnutrición
Hacinamiento
Pobreza
Malnutrición
INGESTIÓN DEL
AUMENTO DE LA VIBRIÓN DEL CÓLERA
SUSCEPTIBILIDAD CÓLERA
Hacinamiento
Pobreza
100 4000
90
80 Lesiones mortales y
graves 3000
70
Uso de cinturón de seguridad
60
N° de lesiones
50 2000
Uso de cinturón de seguridad
(%)
40
30
1000
20
10
0 0
E F M A M J J A S O N D E F M A M J J A S O N D
1982 1983
PRUEBA
2
DR RAMIRO CARBAJAL NICHO
PROFESOR AUXILIAR
Se clasifican en:
CUANTITATIVAS O NUMÉRICAS : Se
pueden promediar
CUALITATIVAS O CATEGÓRICAS:
Muestran valores que se pueden
expresar en porcentajes
CUANTITATIVAS
( Numéricas)
Se pueden promediar. Tienen posibilidades de
aprovechar las propiedades matemáticas. Ej:
Edad, peso, talla, etc
Se subclasifican en :
– CUANTITATIVA CONTÍNUA: Pueden
adoptar decimales.Ej: Peso, Nivel de
Hemoglobina, Ingreso familiar.
– CUANTITATIVA DISCRETA:No se pueden
fraccionar:Ej: Número de hijos, Número de
embarazos, Integrantes de la familia, etc.
Cualitativas ( categóricas)
– Expresan valores que se pueden
expresar en porcentajes. Ej:
Enfermedad, estado nutricional, etc.
ESCALAS DE MEDICION
VARIABLE ESCALA UTILIDAD
FUMADORES 11 52 63
NO 3 71 74
FUMADORES
TOTAL 14 123 137
EL ANÁLISIS
Es parte del diseño y debe planearse
claramente antes de recoger los
datos .
ELECCION DEL TEST ESTADISTICO ADECUADO
NATURALEZA DE METODO HIPOTESIS CONCLUSIONES
LAS VARIABLES NECESARIAS POSIBLES
VARIABLES DOS
INVOLUCRADAS
NIVEL DE MEDICION NOMINAL U ORDINAL
PROCEDIMIENTO TABLA DE
CONTINGENCIA
ASOCIACION ENTRE
VARIABLES CUALITATIVAS
Ji cuadrada: Distribución de probabilidades
Sesgada a la derecha
Valores de Z han sido elevados al cuadrado y toman
el nombre 2
La distribución 2 puede deducirse a partir de la
distribución normal, con media y varianza 2
Al estudiar la distribución muestral de Z2 se observa
que sigue una distribución 2 con n grados de
libertad
Ji CUADRADO
2
CARACTERÍSTICAS
En la distribución 2, para cada grado de
libertad hay una curva de probabilidades o
de frecuencias.
No tiene valores negativos. El valor mínimo es
0 y a la derecha se distribuye hasta el
infinito.
Todas las curvas son asimétricas.
A medida que aumentan los grados de libertad
las curvas son menos elevadas y más
extendidas a la derecha.
APLICACIONES
Construir intervalos de confianza y
probar hipótesis acerca de la varianza
de la población.
Probar hipótesis
Karl Pearson demostró que la
distribución x2 puede emplearse
como prueba de la congruencia entre
la observación y la hipótesis
La estadística x2 es más adecuada
para utilizarse con variables medidas
PROBAR HIPOTESIS
Los procedimientos más conocidos :
Prueba de bondad de ajuste
Prueba de Independencia y
Prueba de homogeneidad.
La fórmula
Donde:
⎛ Oi − E i ⎞ Oi representa las frecuencias observadas para
X = ∑ ⎜⎜
2
⎟⎟ la i-ésima categoría de la variable de interés
⎝ Ei ⎠ Ei representa las frecuencias esperadas para la
i-ésima categoría dado que la Ho es verdadera
FRECUENCIAS OBSERVADAS
x2 2 n(ad- g.l=1
bc-0.5n)
(a+c)(b+d)(a+b)(c+d)
Prueba de bondad de ajuste 2
H0: F = F0 y H1: F x F0
Número de accidentes 0 1 2 3 4 5 6 7
Número de días 22 53 58 39 20 5 2 1
Núm. de accidentes 0 1 2 3 4 5
(ni − Ei )
k ˆ 2
χ =∑
2
i =1 Eˆ i Frecuencias
esperadas
que sigue una distribución chi-cuadrado con k-1 grados
de libertad.
En nuestro ejemplo tenemos k = 6 clases. Luego:
6
( n − E ˆ ) 2
( 22 − 27. 06) 2
(8 − 10. 54) 2
χ2 = ∑ i i
= + ... + = 2.307
i =1 Eˆ i 27.06 10.54
Procedimiento:
(2) Ahora construimos las mismas k clases o
intervalos disjuntos para los datos muestrales.
Tendremos también: A1, A2, ... ,Ak clases con
n1, n2, ... ,nk datos muestrales en cada clase.
Número de accidentes 0 1 2 3 4 5 6 7
Número de días 22 53 58 39 20 5 2 1
Número de días 22 53 58 39 20 8
Aquí la probabilidad
será de 5 a infinito.
Nuestro estimador chi-cuadrado vale: χ 2 = 2.307
χ 2
5, 0.05 = 11.07
( x1 , y1 ), ( x2 , y2 ),..., ( xn , yn )
Deseamos contrastar si las características poblacionales
X e Y son independientes o no.
Nuevamente hemos de dividir el conjunto de
observaciones en k clases: A1, A2, ... ,Ak clases
determinadas por los valores esperados de X y
en r clases: B1, B2, ... ,br para Y. (De nuevo en cada
clase, todos valores mayores o iguales a 5)
El estadístico de contraste será ahora: Número total de
elementos de la clase j
de Y con el resto de clases
Frecuencia muestral de de X
la clase (i, j) (X,Y).
2
⎛ Eˆ Eˆ total total
⎞
nij − ⎜ i j ⎟
⎜ n ⎟
⎝ ⎠
k r
χ = ∑∑
2
i =1 j =1
ˆ total ˆ total
Ei E j
El estadístico
n seguirá una
Número total de distribución
elementos de la clase i chi-cuadrado de
de X con el resto de clases (k-1)(r-1) grados
de Y de libertad.
PRUEBA DE
INDEPENDENCIA
Se usa para probar hipótesis de nulidad que indica
que dos criterios de clasificación son independientes.
Incluye dos variables
H1: Si dos criterios de clasificación están
relacionados
H0: Si las variables no están relacionadas, son
independientes
Dos criterios de clasificación son independientes sí la
distribución de un criterio es la misma, sin importar
cuál sea la distribución del otro
Si se rechaza la hipótesis de nulidad, se concluye
que los dos criterios de clasificación no son
independientes, es decir están asociados.
Los datos para esta prueba están medidos en escala
nominal u ordinal
La característica principal de esta prueba es que n
se extrae en forma aleatoria de una población, en
consecuencia, las frecuencias que caen en las
diferentes celdas suceden en forma aleatoria, por lo
tanto los totales marginales de las filas y renglones
son también aleatorios.
TABLAS DE CONTINGENCIA
2X2
X 2
=
(31− 43.29) (52− 39.71)
+ + ...
(92−104.29)
2
= 10.073
43.29 39.71 104.29
Decisión estadística: se rechaza la hipótesis de
nulidad por que 2 calculado es que el de la tabla.
Se concluye que la proporción en que se presenta la
arterioesclerosis oblitenrans en pacientes diabéticos
està asociada con el hàbito de fumar.
Conclusión: Se concluye que la proporción en que se
presenta la arterioesclerosis oblitenrans se relaciona
con el hábito de fumar.
Para estudiar la dependencia entre la
práctica de algún deporte y la
depresión, se seleccionó una muestra
aleatoria simple de 100 jóvenes, con los
siguientes resultados:
Sin depresión Con depresión
Deportista 38 9 47
No deportista 31 22 53
69 31 100
L = (38 – 32,43)2/32,43 + (31 – 36,57)2/36,57 + (9 –
14,57)2/14,57 + (22 – 16,43)2/16,43= 0,9567 + 0,8484 + 2,1293
+ 1,8883 = 5,8227
= n1 + n2 + ... + nm
Tamaño Tamaño de
total de todas
n la muestra m.
las muestras.
Nuevamente hemos de dividir el conjunto de
observaciones en k clases: A1, A2, ... ,Ak clases
determinadas por los valores esperados (en cada
clase, todos valores mayores o iguales a 5). Pero
ahora lo haremos m veces.
El estadístico de contraste será ahora:
Número total de
Frecuencia muestral de elementos de la muestra i
la clase j de la muestra i
2
⎛ Eˆ i Eˆ total
⎞
nij − ⎜⎜ i ⎟
⎟
m k
⎝ n ⎠
χ = ∑∑
2
i =1 j =1
ˆ
Ei Ei ˆ total
El estadístico
n seguirá una
Suma de las frecuencias distribución
muestrales de todas las chi-cuadrado de
clases número i (m-1)(k-1) grados
de libertad.
PRUEBA DE HOMOGENEIDAD
Se usa para probar hipótesis de nulidad que indica si, dos o más
muestras provienen de poblaciones homogéneas con respecto a algún
criterio de clasificación.
En este caso la hipótesis nula establece que las muestras se extraen de
la misma población.
En esta prueba los datos se presentan en tablas de contingencia en las
que un conjunto (fila o columna) de totales marginales es fijo, mientras
que el otro conjunto, es aleatorio.
Es conveniente entender que los totales de los renglones o columnas
están bajo el control del investigador, es decir, éste puede especificar que
las muestras independientes pueden ser extraídas de varias poblaciones
previamente seleccionadas, por lo tanto el procedimiento de muestreo en
esta prueba es diferente al de la prueba de independencia.
El estadístico de prueba es el mismo.
Las hipótesis y conclusiones se establecen en términos de homogeneidad
de las poblaciones con respecto a la variable de interés
EJEMPLO
Un investigador al estudiar el grado de uso de drogas
entre estudiantes de bachillerato que habían
declarado ser adictos a ellas, seleccionó de este
grupo una muestra de 150 alumnos del primer año,
135 del segundo, 125 del tercer año y 100 del último
año. Cada estudiante contestó un cuestionario en el
que indicaba el grado de su uso de droga, ya sea
como experimento, ocasionalmente, o bien, desde
moderado hasta intenso.
GRADO DE USO DE LA DROGA
Grado Académico De moderado TOTAL
Experimental Casual a alto
Primer año 57 63.24 50 51.47 43 35.29 150
Segundo año 57 56.91 58 46.32 20 31.76 135
Tercer año 56 52.70 45 42.89 24 29.41 125
Ultimo año 45 42.16 22 34.31 33 23.53 100
TOTAL 215 175 120 510
X2 = ∑
(Oi − Ei )
Ei
Solución
Hipótesis:
H0: Las cuatro poblaciones (primer año, segundo, tercero y cuarto)
son homogéneas, con respecto al grado de uso de drogas.
H1: Las cuatro poblaciones no son homogéneas con respecto al
grado de uso de drogas
= 0.05
Estadística de prueba
X 2
=
(57 − 63.24 ) (50 − 51.47 )
2
+
2
+ ... +
(33 − 23.53)
2
= 19.4
63.24 51.47 23.53
Recomendaciones:
• Construir categorías equiprobables
• Asegurar que nPj ³ 5 "j en 1..k
• No olvidar las “colas” de las distribuciones
Observaciones:
• El test tiende a no rechazar H0 cuando hay
pocos datos (n pequeño) y a rechazar H0
cuando hay muchos datos (n grande)
www.obesidadcirugia.com
MUCHAS
GRACIAS