Mopece3 PDF

Organizacin Panamericana de la Salud
Oficina Sanitaria Panamericana, Oficina Regional de la

Organizacin Mundial de la Salud
Modulo de Principios de Epidemiologa

para el control de Enfermedades
Segunda Edicin
Unidad
Medicin de las condiciones de salud
Y enfermedades en la poblacin
ii
Mdulos de principios de epidemiologa para el control de enfermedades
Catalogacin por la Biblioteca de la OPS.

Organizacin Panamericana de la Salud.
Mdulo de Principios de Epidemiologa para el Control de Enfermedades, segunda
edicin. Washington D.C.: OPS, 2002, 26 p. -(Serie PALTEX para Tcnicos Medios y
Auxiliares N 24).
ISBN 92 75 32407 7
I. Ttulo
1. EPIDEMIOLOGA-principios
3. SALUD PBLICA
II. (serie)
2. CONTROL-enfermedades
4. REGIN DE LAS AMERICAS
Este Mdulo de capacitacin est especialmente destinado a los profesionales de salud

de Amrica Latina y se publica dentro del Programa Ampliado de Libros de Texto y
Materiales de Instruccin (PALTEX) de la Organizacin Panamericana de la Salud
organismo internacional constituido por los pases de las Amricas para la promocin de
la salud de sus habitantes y de la Fundacin Panamericana para la Salud y Educacin.
Se deja constancia de que este programa est siendo ejecutado con la cooperacin
financiera del Banco Interamericano de Desarrollo.
Ilustracin de la portada: Leopoldo Mndez. Vacunacin, 1935. Grabado en madera. The
Granger Collection, Nueva York, E.U.A.
ISBN 92 75 32407 7
Organizacin Panamericana de la Salud, 2002
Las publicaciones de la Organizacin Panamericana de la Salud estn acogidas a la
proteccin prevista por las disposiciones sobre reproduccin de originales del Protocolo 2 de
la Convencin Universal sobre Derecho de Autor, Reservados todos los Derechos.
Las denominaciones empleadas en esta publicacin y la forma en que aparecen
presentados los datos que contiene no implican, por parte de la Secretara de la
Organizacin Panamericana de la Salud, juicio alguno sobre la condicin jurdica de pases,
territorios, ciudades o zonas, o de sus autoridades, ni respecto del trazado de sus fronteras o
lmites.
La mencin de determinadas sociedades mercantiles o del nombre comercial de ciertos
productos no implica que la Organizacin Panamericana de la Salud los apruebe o
recomiende con preferencia a otros anlogos.
De las opiniones expresadas en la presente publicacin responden nicamente los autores.
Unidad 5: Investigacin epidemiolgica de campo: Aplicacin al estudio de brotes
VIRUELA: AZTECAS, 1538

Vctimas aztecas de la
epidemia de viruela de 1538
son cubiertos con mortajas
como dos indios, a la derecha,
acostado muriendo: Dibujo
azteca.
The Granger Collection, New
York
INDIOS AMERICANOS
Indios atendiendo su enfermo
con trepanacin (a la
izquierda) para remover las
toxinas de las enfermedades
contradas de los europeos,
incluyendo sfilis y viruela:
Grabado, 1590, de Theodore
de Bry de su historia
Americana.
The Granger Collection. New
York
Crditos
Editores
Revisores tcnicos
Carlos Castillo-Salgado
Oscar J. Mujica
Enrique Loyola Elizondo
Jaume Canela Soler
Gabriela Fernndez Quintanilla

Enrique Vzquez Fernndez
Patricia Gassibe Klarin
Soledad Velzquez Garca
Edgar Navarro Lechuga
Patricia Arbelez Montoya
Mayra Cartn Brenes
Eduardo Velasco
Revisin editorial
Lucila Pacheco, DBI
Se agradece especialmente la colaboracin de: Gilberto Ayala, Julio Alberto Armero,

Xiomara Badilla, Itza Barahona de Mosca, Herbert Caballero, Marco Tulio Carranza, Roco
Cuevas, Thais Dos Santos, Carlos Flores, Modesta Haughton, Jos Federico Hernndez,
Marlo Libel, Miguel Machuca, Alfredo Molt, Jos Moya, Carlos Muoz, Maritza Ortega,
Alberto Paredes, Rosala Quinteros, Mirta Roses-Periago, Patricia Ruiz, Gloria Terwes,
Guadalupe Verdejo, Reinaldo Viveros Aguilar, as como a mltiples epidemilogos de la
Regin de las Amricas, por su participacin y recomendaciones sugeridas durante el
proceso de prueba de materiales.
UNIDAD 3: MEDICIN DE LAS CONDICIONES DE SALUD Y ENFERMEDAD EN LA

POBLACIN
NDICE
CONTENIDO Y OBJETIVOS. 5
MEDICIN DE SALUD Y ENFERMEDAD EN LA POBLACIN. 5
TIPOS DE DATOS Y SU TABULACIN.. 8
PRESENTACIN GRFICA DE DATOS............................................................................. 13
MEDIDAS DE RESUMEN DE UNA DISTRIBUCIN . 16
MEDIDAS DE TENDENCIA CENTRAL . 18
MEDIDAS DE DISPERSIN .. 23
MEDIDAS DE FRECUENCIA . 27
Prevalencia e incidencia.. 28
Medidas de morbilidad. . .... 28
Medidas de mortalidad 35
Distribucin proporcional 35
COMPARACIN DE LA FRECUENCIA DE ENFERMEDAD
Y MEDIDAS DE ASOCIACIN. 52
MEDIDAS DE ASOCIACIN .. .. 52
Comparacin de dos proporciones: Chi Cuadrado. 54
MEDIDAS DE LA FUERZA DE ASOCIACIN. 57
Riesgo relativo.. 57
APNDICE ESTADSTICO-EPIDEMIOLGICO 64
Comparacin de dos promedios: Prueba Z 64
Comparacin de dos proporciones: Chi Cuadrado 65
Intervalos de confianza para promedios y proporciones.. 66
Razn de posibilidades (odds ratio).. 70
MEDIDAS DE IMPACTO POTENCIAL 73
Riesgos atribuibles.................................................................................................. 73
Fracciones atribuibles 74
Estandarizacin de tasas. 77
REFERENCIAS BIBLIOGRFICAS 81
CONTENIDO Y OBJETIVOS
Esta Unidad presenta las medidas comunes de cuantificacin de las condiciones de

salud y enfermedad, sus aplicaciones y limitaciones; el ordenamiento y presentacin
tabular y grfica de datos epidemiolgicos; las medidas de resumen y de asociacin.
Esta Unidad se enfoca en los mtodos para la presentacin y anlisis de datos
cuantitativos.
Los objetivos de la presente Unidad son:
Describir las formas de medicin de la salud y sus aplicaciones.
Identificar las formas y usos de la presentacin tabular y grfica de datos.
Describir, calcular, interpretar y aplicar las medidas de resumen de datos.
Describir, calcular, interpretar y aplicar las medidas de asociacin.
MEDICIN DE SALUD Y ENFERMEDAD EN LA POBLACIN

Existen diversas formas de medir la salud, dependiendo de cul es su definicin; una
definicin amplia medira el nivel de salud y bienestar, la capacidad funcional, la presencia y
causas de enfermedad y muerte y la expectativa de vida de las poblaciones (Donaldson,
1989). Existen distintas medidas e indicadores de bienestar (social o econmico) en salud y
se han desarrollado ciertos ndices de "salud positiva" (Alleyne, 1998), tanto con fines
operacionales, como para investigacin y promocin de condiciones saludables, en
dimensiones tales como la salud mental, autoestima, satisfaccin con el trabajo, ejercicio
fsico, etc. La recoleccin de datos y la estimacin de indicadores tienen como fin generar,
en forma sistemtica, evidencia que permita identificar patrones y tendencias que ayuden a
emprender acciones de proteccin y promocin de la salud y de prevencin y control de la
enfermedad en la poblacin.
Entre las formas ms tiles y comunes de medir las condiciones generales de salud
de la poblacin destacan los censos nacionales, que se llevan a cabo decenalmente en
varios pases. Los censos proporcionan el conteo peridico de la poblacin y varias de sus
caractersticas, cuyo anlisis permite hacer estimaciones y proyecciones.
Para permitir las comparaciones a lo largo del tiempo en una misma poblacin o bien
entre poblaciones diferentes, se requiere de procedimientos de medicin estandarizados.
Es el procedimiento de aplicar una escala estndar a una variable o a un conjunto de
valores.
La medicin del estado de salud requiere sistemas armonizadores y unificados como

la Clasificacin Estadstica Internacional de Enfermedades y Problemas Relacionados con la
Salud (CIE), en su Dcima Revisin, cuyos XXI captulos inician con ciertas enfermedades
infecciosas y parasitarias (A00-1399) y culminan con factores que influyen en el estado de
salud y contacto con los servicios de salud (ZOO-Z99).
Los indicadores de salud miden de la poblacin distintos aspectos relacionados con
la funcin o discapacidad, la ocurrencia de enfermedad o muerte, o bien aspectos
relacionados con los recursos y desempeo de los servicios de salud.
Los indicadores de salud funcional tratan de medir el impacto de los problemas de
salud en la vida diaria, como por ejemplo la capacidad para llevar a cabo actividades
cotidianas, lesiones y accidentes en el hogar y el lugar de trabajo, y aos de vida libres de
discapacidad. Los datos se obtienen generalmente a travs de encuestas y registros de
discapacidades. Los ndices de calidad de vida incluyen variables de funcin tales como la
actividad fsica, la presencia de dolor, el nivel de sueo, de energa, o el aislamiento social.
Los indicadores de morbilidad miden la frecuencia de problemas de salud especficos
tales como infecciones, cnceres, accidentes en el trabajo, etc. Las fuentes de datos suelen
ser registros de hospitales y servicios de salud, notificacin de enfermedades bajo vigilancia
y encuestas de seroprevalencia y de autoreporte de enfermedad, entre otros. Cabe
mencionar que las enfermedades crnicas, por su larga evolucin, requieren de monitoreo
de etapas clnicas, por lo que es preferible contar con registros de enfermedad (cncer,
defectos congnitos) (Newcomer, 1997).
Los indicadores de mortalidad general o por causas especficas permiten comparar el
nivel general de salud e identificar causas de mortalidad relevantes como accidentes,
tabaquismo, etc. El registro de la mortalidad requiere de la certificacin de la muerte, para lo
cual se usa el Certificado Mdico de Defuncin. La mortalidad se presenta comnmente
como nmeros crudos, proporciones, o tasas por edad, sexo y causas especficas.
Adems de la medicin del estado de salud, tambin es necesario medir el
desempeo de los servicios de salud. Tradicionalmente esta medicin se ha enfocado a
insumos y servicios; en la actualidad se considera preferible medir los procesos y funciones
de los servicios de salud (Turnock, 1997).
Conjuntamente con los indicadores mencionados, la medicin en salud requiere de la
disponibilidad de datos sobre caractersticas relevantes de la poblacin (variables), tales
como su tamao, composicin, estilos de vida, clases sociales, eventos de enfermedad,
nacimientos y muertes.
Los datos para la medicin en salud provienen de diversas fuentes, por lo que deben
de tomarse en cuenta aspectos relacionados con la validez, calidad, integridad y cobertura
de los datos mismos y sus fuentes. Los datos, cuantitativos o cualitativos, que se obtienen y
registran de los servicios de salud y las estadsticas vitales representan la "materia prima"
para el trabajo epidemiolgico. Si los datos son incompletos o inconsistentes, se obtendrn
medidas sesgadas o inexactas, sin importar la sofisticacin del anlisis epidemiolgico, y las
intervenciones derivadas de su uso no sern efectivas. La deficiente cobertura de los
servicios en amplios sectores de poblacin en varios pases, limita la generacin de
informacin til y necesaria para resolver los problemas de salud que afectan de manera
especfica a sus comunidades. An cuando los datos estn disponibles y sean confiables, su
utilizacin para la gestin en salud puede ser insuficiente.
Con el propsito de responder a la necesidad de contar con un conjunto de datos
validados, estandarizados y consistentes de los pases de las Amricas, la Organizacin
Panamericana de la Salud (OPS) trabaja desde 1995 en la Iniciativa Regional de Datos
Bsicos de Salud. Se incluye en esta fuente una serie histrica de 117 indicadores
demogrficos, socioeconmicos, de morbilidad y mortalidad y de recursos, acceso y
cobertura de servicios de salud, de los 48 Estados y Territorios de la Regin.
Una vez que se cuenta con los datos e indicadores de salud, una de las dificultades
presente en los servicios de salud tiene que ver con las limitaciones para el manejo correcto
de la informacin numrica, su anlisis e interpretacin, funciones que requieren el uso de
los principios de la epidemiologa y la bioestadstica. Resulta paradjico que en el nivel en
que ocurren los problemas y en donde se solucionan, los procedimientos y tcnicas para la
obtencin, medicin, procesamiento, anlisis, interpretacin y uso de datos an no estn
plenamente desarrollados.
Para la correcta toma de decisiones en todos los niveles de los servicios de salud,
basada en informacin pertinente, es necesaria la capacitacin permanente del equipo local
de salud y de sus redes en la recoleccin, manejo, anlisis e interpretacin de datos
epidemiolgicos.
La cuantificacin de los problemas de salud en la poblacin requiere de
procedimientos y tcnicas estadsticas diversas, algunas de ellas de relativa complejidad.
Dadas las caractersticas multifactoriales de los problemas de salud, las tcnicas cualitativas
son tambin valiosas para aproximarse al conocimiento de los determinantes de salud. Es
por ello que existe la necesidad de incorporar, en forma dialctica, mtodos y tcnicas
cuantitativas y cualitativas que permitan estudiar los diversos componentes de los objetos de
estudio.
En el anlisis cuantitativo el empleo de programas computacionales facilita el manejo
y anlisis de datos, pero no se deben sobrestimar sus alcances y aplicaciones. Su utilidad es
mayor cuando se establecen redes de colaboracin y sistemas de informacin en salud, que
permiten el manejo eficiente de grandes bases de datos y generan informacin oportuna y
til para la toma de decisiones. Un programa computarizado reduce notablemente el tiempo
de clculo, procesamiento y anlisis de los datos, pero es el trabajo humano el que aporta
resultados racionales y vlidos para el desarrollo de los objetivos de salud pblica. Existen
dos paquetes de programas de cmputo diseados especficamente para salud que facilitan
el almacenamiento, proceso y anlisis de informacin epidemiolgica: Epi-Info producido por
el Centro de Prevencin y Control de Enfermedades de los Estados Unidos (CDC) y la
Organizacin Mundial de la Salud (OMS) y el Epi-Dat de la OPS y la Xunta de Galicia,
Espaa. Lejos de competir entre s, estos paquetes de programas, de gran uso y de libre
distribucin, ofrecen procesos y rutinas de manejo y anlisis epidemiolgico de datos que
son complementarios.
En un sentido amplio, podemos considerar que el quehacer de la salud pblica parte

de constatar una realidad de salud no deseable en una poblacin y apunta a conseguir un
cambio social, deliberado y sostenible en dicha poblacin. En ese sentido, y desde un punto
de vista metodolgico, la epidemiologa como toda ciencia tiene exigencia de mtodo desde
una perspectiva estadstica. El enfoque epidemiolgico, consiste bsicamente en: i) la
observacin de los fenmenos de salud y enfermedad en la poblacin; ii) la cuantificaci de
stos en frecuencias y distribuciones; iii) el anlisis de las frecuencias y distribuciones de
salud y de sus determinantes; y, iv) la definicin de cursos de accin apropiados. Este
proceso cclico de observar-cuantificar-comparar-proponer sirve tambin para evaluar la
efectividad y el impacto de las intervenciones en salud, para construir nuevos modelos que
describan y expliquen las observaciones y para utilizarlos en la prediccin de nuevos
fenmenos.
En resumen, en todo este proceso, los procedimientos y tcnicas de cuantificacin
son de gran relevancia y la capacitacin del equipo local de salud en estos aspectos del
enfoque epidemiolgico es, en consecuencia, fundamental.
TIPOS DE DATOS Y SU TABULACIN

La cuantificacin del estado de salud y patrones de enfermedad en la poblacin,
requiere de mtodos y tcnicas que permitan recolectar datos en forma objetiva y eficiente,
convertir los datos en informacin para facilitar su comparacin y simplificar su
interpretacin, y transformar la informacin en conocimiento relevante para las acciones de
control y prevencin. Para conocer los grupos de poblacin que presentan mayor nmero de
casos, los lugares con mayor incidencia o prevalencia de determinadas enfermedades y el
momento en que ocurren los eventos en salud, se deben aplicar sistemticamente algunos
procedimientos bsicos de manejo de datos o variables.
Uno de los primeros pasos en el proceso de medicin del estado de salud en la
poblacin es la definicin de las variables que lo representan o caracterizan.
Variable: caracterstica o atributo que puede asumir

valores diferentes.
Las variables pueden ser de dos tipos, cualitativas y cuantitativas. Denominamos

variables cualitativas aquellas que son atributos o propiedades. Las variables cuantitativas
son aquellas en las que el atributo se mide numricamente y a su vez se pueden clasificar
en discretas y continuas. Las variables discretas o discontinuas asumen valores que son
siempre nmeros enteros; por ejemplo, el nmero de hijos de una pareja, el nmero de
dientes con caries, el nmero de camas de hospital, el nmero de hemates por campo, el
pulso, etc., que slo pueden tomar valores de un conjunto finito. Las variables continuas
pueden tomar tantos valores como permita la precisin del instrumento de medicin; por
ejemplo, el peso al nacer de un beb de 2.500 gramos podemos medirlo con mayor
precisin, como 2.496,75 gramos, si nuestra bscula lo permite.
Las variables tambin pueden clasificarse segn el nivel o tipo de medicin que
podamos aplicarles. As, se pueden distinguir cuatro niveles de medicin de las variables:
nominal, ordinal, de intervalo y proporcional o de razn. Una variable nominal tiene
categoras a las que se les asignan nombres que no tienen ningn orden entre ellos; por
ejemplo, el sexo. La categora "hombre" no tiene ninguna relacin de orden sobre la
categora "mujer". Las variables nominales no tienen que ser necesariamente dicotmicas
(dos categoras) sino que pueden tener varias categoras, como por ejemplo el estado civil
(soltero, casado, divorciado, viudo, unin libre) o el grupo sanguneo segn el sistema ABO
(A, B, AB y 0). El hecho de cambiar el orden no tiene ninguna implicacin en el anlisis de
los datos.
Ahora supongamos que se nos pregunta sobre la calidad de un curso que acabamos de
realizar y se nos ofrecen las siguientes opciones de respuesta: muy malo, malo, regular,
bueno y excelente. Esta clasificacin tiene un orden: excelente es mejor que bueno, bueno
que regular y as sucesivamente; sin embargo, la "distancia" que hay entre excelente y
bueno no tiene porque ser la misma que entre malo y muy malo. Estamos ante una variable
ordinal, que se define como aquella cuyas categoras tienen un orden, aunque las
diferencias entre ellas pueden no ser iguales. Otros ejemplos de variables ordinales son los
estados de un cncer (I, II, III y IV) o los resultados de un cultivo de laboratorio (-, +, ++,
+++).
El siguiente nivel de medicin de variables es el intervlico. Una variable de intervalo
tiene distancias iguales entre sus valores y una caracterstica fundamental: el cero es
arbitrario. El ejemplo tpico de variable de intervalo es la temperatura corporal. Existe la
misma diferencia entre 37C y 39C que entre 38C y 40C (o sea, 2C). Sin embargo, no
podemos decir que una temperatura de 60'C sea 'tres veces ms caliente' que una de 20C.
Tampoco podemos concluir que un individuo con un coeficiente de inteligencia de 120 es el
doble de inteligente que otro con coeficiente 60.
Por ltimo, si la variable de intervalo tuviese un punto de origen que es el valor cero
absoluto, estaramos hablando de una variable proporcional o de razn. sta tiene intervalos
iguales entre valores y punto de origen cero. El peso y la altura son ejemplos tpicos de
variables proporcionales, 80kg es el doble que 40kg y hay la misma diferencia entre 50 y
35kg que entre 105 y 90kg. En este nivel se puede sumar, restar, multiplicar y dividir.
10
En el siguiente esquema se sintetiza la relacin entre los distintos niveles de

medicin de las variables.
Tipo de variable
Valores
Nominal
categoras con nombre convencional
Ordinal
como las nominales, + categoras ordenadas
de Intervalo
como las ordinales, + intervalos iguales
Proporcional o de Razn como las de intervalo, + cero absoluto
Adaptado de Norinan y Streiner, 1996.
Los datos sobre casos de enfermedades atendidas o notificadas por el centro o
servicio de salud pueden provenir de un listado de nombres, edades, sexo, etc., del cual se
puede obtener el nmero total o frecuencia de casos. Si se busca agrupar los casos segn
algunas caractersticas de los mismos, la tarea de identificar los grupos poblacionales con
mayores problemas se simplifica. Por ejemplo, entre las caractersticas de la persona, se
pueden agrupar los casos segn su edad, sexo o etnia. A partir de este listado de datos se
puede, adems, identificar los casos que han ocurrido en determinado lugar y comparar la
frecuencia de la enfermedad en distintos lugares o reas geogrficas. Por ltimo, se puede
examinar el nmero de casos segn el momento en que ocurrieron o fueron notificados. La
distribucin de los casos en el tiempo se puede agrupar en das, semanas, meses o
cualquier otro perodo de tiempo que se considere adecuado. Esto permite saber en qu
momento se present el mayor nmero de casos, cundo empez a aumentar y cundo a
disminuir. Es necesario recordar que la frecuencia es el nmero de veces que se repite un
valor de la misma variable.
Los datos agrupados segn determinadas caractersticas (edad, sexo, residencia,
clase social, etc.) pueden presentarse en cuadros y/o grficos; esto facilita los clculos y la
comparacin e interpretacin de los resultados como se puede ver en el siguiente Cuadro
Cuadro 3.1 Distribucin de los casos de gastroenteritis segn edad.
Centro de Salud A, mayo de 2000
edad
(aos)
<1
1
2
3
4
5 y ms
Total
Casos
(No.)
63
55
25
14
5
11
173
Porcentaje
%
36,4
31,8
14,4
8,1
2,9
6,4
100,0
11
Ejemplo para la elaboracin de un cuadro:

El siguiente listado corresponde a las edades en aos de 120 personas afectadas por
malaria durante el verano de 2001, en una isla del Caribe
27
28
40
32
30
35
36
25
29
30
29
46
30
29
35
32
36
37
36
29
33
27
41
49
51
33
51
35
44
47
58
38
35
48
36
38
34
27
50
43
54
49
36
38
32
44
48
36
42
44
63
32
53
34
46
40
37
34
42
54
24
38
36
46
30
37
46
40
47
38
28
41
43
43
41
32
47
36
35
36
53
38
31
36
49
63
37
43
35
41
29
29
42
32
27
35
43
47
38
47
36
39
37
42
35
50
39
45
54
37
46
20
43
24
30
41
38
55
50
40
La edad mayor es 63 aos y la menor es 20 aos. Si agrupamos estas edades en

clases, por intervalos de 4 aos, tendremos 11 grupos de edad, a los que procedemos a
asignar sus respectivas frecuencias ("paloteo'% como se muestra a continuacin:
20 - 23 aos
24 - 27 aos
28 - 31 aos
32 - 35 aos
36 - 39 aos
40 - 43 aos
44 - 47 aos
48 - 51 aos
52 - 55 aos
56 - 59 aos
60 - 63 aos
/
(un caso)
///// // (siete casos)
///// ///// ////
///// ///// ///// ////
///// ///// ///// ///// ///// //
///// ///// ///// ////
///// ///// ////
///// /////
///// /
/
//
(14)
(19)
(27)
(19)
(14)
(10)
(6)
(1)
(2)
12
Finalmente, preparamos la presentacin tabular de esta informacin, es decir, el

cuadro propiamente dicho, al que se denomina tabla o cuadro resumen de frecuencias, til
porque presenta la distribucin de la variable que estamos observando.
Distribucin: Es el resumen completo de las frecuencias de los valores o

categoras de la medicin realizada. La distribucin muestra cuntos o qu
proporcin del grupo se encuentra en un determinado valor o rango de
valores dentro de todos los posibles que la medida cuantitativa puede tener
(Last, 1995).
En nuestro ejemplo, la distribucin del nmero de casos de la enfermedad segn

grupos de edad, se presenta en el Cuadro 3.2. La distribucin del nmero de casos
(frecuencia absoluta) se acompaa del porcentaje de cada grupo (frecuencia relativa simple)
y del porcentaje acumulado (frecuencia relativa acumulada), que suelen aportar informacin
adicional til. Por ejemplo, el 15.8% de los casos correspondi a personas de 32 a 35 aos
de edad y cerca de un tercio de los casos (34. 1 %) tena menos de 3 6 aos.
Cuadro 3.2 Distribucin de casos de malaria por grupos de edad.

Isla del Caribe, verano de 2001
Grupos de edad
(en aos)
20-23
24-27
28-31
32-35
36-39
40-43
44-47
48-51
52-55
56-59
60-63
Total
Nmero de casos
(frecuencia absoluta)
1
7
14
19
27
19
14
10
6
1
2
Porcentaje
(%)
0,8
5,8
11,7
15,8
22,5
15,8
11,7
8,4
5,0
0,8
1,7
120
1000
Porcentaje
acumulado (%)
0,8
6,6
18,3
34,1
56,6
72,4
84,1
92,5
97,5
98,3
100,0
13
PRESENTACIN GRFICA DE DATOS

La distribucin de variables cualitativas as como las cuantitativas discretas se suele
representar grficamente por medio de diagramas de barras o bien por grficos de sectores,
ya sea corno frecuencias absolutas o relativas, como se muestra a continuacin:
Grfico 3.1 Distribucin de muertes por suicidio segn sexo. Lugar X, 1995-2000
5000
mujeres
27%
3000
2000
1000
varones
73%
0
varones
mujeres
Las variables cuantitativas continuas se representan grficamente por medio de

histogramas y polgonos de frecuencia. Aunque parecidos a los diagramas de barras, en
los histogramas las barras se disponen en forma adyacente, precisamente para ilustrar la
continuidad y distribucin de la variable representada. En el eje de las "x" se ubica la variable
continua y en el eje de las "y" se representa la frecuencia.
Grfico 3.2 Giardiasis. Casos notificados por mes, Lugar X, 2000
120
100
Caso s
Casos
4000
80
60
40
20
0
E
Mes
14
En el Grfico 3.2, las categoras (meses) de la variable tiempo, una variable continua,
se representan en el eje horizontal y el nmero de casos de giardiasis notificados en el eje
vertical. La altura de cada barra representa la frecuencia absoluta de casos (puede tambin
ser la frecuencia relativa) en cada una de las categoras de la variable tiempo, llamadas
tambin intervalos de clase. Note que los intervalos de clase pueden de ser de igual tamao.
El polgono de frecuencias
se construye uniendo con lneas
barra de un histograma (Grfico
simetra de una distribucin de
distribuciones.
tambin permite graficar la distribucin de una variable y

rectas los puntos medios del extremo superior de cada
3.3). Es particularmente til para visualizar la forma y
datos y para presentar simultneamente dos o ms
Una variante del polgono de frecuencias es la llamada "ojiva porcentual", que es un

polgono de frecuencias relativas acumuladas. Cada punto de este polgono representa el
porcentaje acumulado de casos en cada intervalo de clase y, por tanto, va de cero a 100%.
La ojiva porcentual permite identificar de manera grfica el valor correspondiente a la
mediana (.e., 50%) de la distribucin (Grfico 3.4).
15
16
Aunque no existe una regla explcita sobre la proporcionalidad entre las escalas de
un grfico, se recomienda que la razn entre la escala horizontal respecto de la vertical se
aproxime a 1,6:1 (la clsica "razn de oro"). Algunas veces el rango 1,2 a 2,2 se da como
referencia apropiada para la razn entre el eje horizontal respecto del eje vertical.
El siguiente esquema resume los tipos bsicos de grficos ms apropiados segn
cada tipo de variable.
Tipo de variable
Nominal
Ordinal
de Intervalo
Proporcional o de Razn
Tipo de grfico
diagrama de barras
grfico de sectores
diagrama de barras
grfico de sectores
diagrama de barras
histograma
grfico de sectores (**>
polgonos de frecuencias (simples y acumuladas)
diagrama de barras (*)
histograma
grfico de sectores (**)
polgonos de frecuencias (simples y acumuladas)
(*)manteniendo el orden de las categoras en variables discretas o categorizadas

(**)
Una forma de presentacin grfica del comportamiento histrico de una enfermedad y
los lmites de variabilidad esperados sobre su ocurrencia en el futuro se denomina corredor
o canal endmico. Esta herramienta de la vigilancia (Unidad 4) utiliza polgonos de
frecuencia y permite visualizar el comportamiento secular (.e., en el tiempo) de las
enfermedades en un territorio determinado y orientar la decisin sobre la necesidad de
desencadenar acciones de prevencin y control.
MEDIDAS DE RESUMEN DE UNA DISTRIBUCIN

Muchas veces es necesario utilizar un valor resumen que represente la serie de
valores en su conjunto, es decir, su distribucin. Para los datos de variables cualitativas, la
proporcin o porcentaje, la razn y las tasas son unas tpicas medidas de resumen. Para los
datos de variables cuantitativas, sin embargo, hay medidas que resumen su tendencia hacia
un valor medio (medidas de tendencia central) y otras que resumen su grado de variabilidad
(medidas de dispersin). Cada una proporciona informacin complementaria y til para el
anlisis epidemiolgico.
17
MEDIDAS DE TENDENCIA CENTRAL

Las medidas de tendencia central de los datos son la moda, la mediana, y la media o
promedio. La seleccin de las medidas depende del tipo de datos y propsitos. Los valores
de muchas variables biolgicas, como la talla, se distribuyen de manera simtrica. Otras
variables, como la mortalidad y la tasa de ataque en una epidemia, tienen distribucin
asimtrica. Para distribuciones normales (ejemplo de distribucin simtrica), la media, la
mediana y la moda son idnticas. Para distribuciones asimtricas, la mediana representa
mejor al conjunto de datos, aunque la media tiene mejores propiedades para el anlisis
estadstico y pruebas de significancia. El Grfico 3.6 ilustra estas distribuciones, usando la
serie observada de datos de la pgina 11 (listado de edades).
Para indicar que, por ejemplo, la rubola tiene un perodo de incubacin de 15 a 21

das (generalmente 18 das), fue necesario observar una gran cantidad de casos, desde el
primer contacto de una persona sana con un enfermo hasta la aparicin de los signos y
sntomas y medir este perodo en das. La diferencia entre el lmite inferior (15 das) y el
superior (21 das) se conoce como rango y se considera, junto con la desviacin estndar y
la varianza, una medida de dispersin de los datos, como se ver ms adelante. El Cuadro
3.3 presenta el perodo de incubacin de la rubola, en das, observado en 11 nios (a esta
forma de listar los datos se le denomina Serie Simple de datos).
18
Cuadro 3.3 Perodo de incubacin de la rubola observado en 11 nios

nio 1
nio 2
nio 3
nio 4
nio 5
nio 6
nio 7
nio 8
nio 9
nio 10
nio 11
19 das
16 das
37 das
15 das
16 das
32 das
15 das
16 das
20 das
16 das
15 das
El valor ms frecuente, o sea el que ms se repite, se denomina modo o moda. En el

ejemplo, observamos que lo ms frecuente fueron perodos de incubacin de 16 das (4
veces). Este valor puede ser utilizado para representar el perodo de incubacin en este
grupo; i.e., "el perodo de incubacin de rubola ms frecuente es de 16 das".
Si ordenamos los valores en forma ascendente, como por ejemplo:
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10) (11)
15, 15, 15, 16, 16, 16, 16, 19, 20, 32, 37
Observaremos que el sexto valor, o sea el que se encuentra en medio de la serie,
tambin es de 16 das. Este valor que ocupa la posicin central de una serie ascendente o
descendente se denomina mediana y divide la serie en 50% de las observaciones arriba y
50% abajo de ella. Esta medida tambin es til y puede ser empleada para representar la
tendencia central del conjunto de datos, sobre todo cuando no es conveniente usar la media
debido a la presencia de valores extremos o cuando la distribucin es asimtrica, como en
una curva epidmica.
Si en vez de un nmero impar de observaciones tuviramos un nmero par de
valores, como por ejemplo:
(1) (2) (3) (4) (5) (6) (7) (8) (9) (10)
15, 15, 15, 16, 17, 18, 19, 20, 32, 37,
Se puede constatar que en esta serie no hay un valor central. Para calcular la
mediana se suman los dos valores centrales (en el caso, 17 y 18) y se divide el resultado
entre dos:
17+18 = 35 = 17,5 das
2
2
19
La media o promedio aritmtico (x) tambin es muy til y se obtiene sumando los
valores de todas las observaciones y dividiendo el resultado entre el nmero de
observaciones. En nuestro ejemplo, es la suma de todos los valores de los perodos de
incubacin dividida entre el nmero de nios observados.
15+15+15+16+16+16+16+19+20+32+37
11
= 217 = 19,7 das

11
El promedio de 19,7 das es mayor que los valores del modo y de la mediana ya que,
como toma en cuenta los valores de todos los casos, se ve afectado por la influencia de los
casos con 32 y 37 das de incubacin, que son valores extremos.
En muchas ocasiones los datos estn disponibles como distribucin de frecuencias,
en cuyo caso la serie se presentara de la manera siguiente:
Perodo de
Casos(nmero)
incubacin(das)
15
3
16
4
19
1
20
1
32
1
37
1
El clculo de la media de estos datos se hara as:
3(15)+4(16)+1(19)+1(20)+1(32)+1(37) = 45+64+19+20+32+37 = 217/11 = 19,7 das
Las medidas de tendencia central son de gran utilidad tambin para comparar grupos
de valores. Por ejemplo, de las personas que participaron en un paseo, un grupo se enferm
despus de la comida y otro grupo no present ningn sntoma. Las edades de las personas
en los dos grupos fueron las siguientes:
enfermos: 8, 12, 17, 7, 9, 11, 6, 3 y 13
sanos: 19, 33, 7, 26, 21, 36, 33 y 24
Los promedios aritmticos calculados fueron:
Enfermos =
8 +12 +17 + 7 + 9 +11+ 6 + 3 + 13 = 10 aos

9
20
Sanos = 18 + 33 + 7 + 26 + 21 + 36 + 33 + 24 = 25 aos
8
Por lo tanto la enfermedad afect ms a los nios que a los adultos. Los nios eran
ms susceptibles o se expusieron ms (consumieron mayor cantidad del alimento
contaminado).
Series agrupadas
Cuando se tienen muchos datos se requiere agruparlos, para ello se construyen
intervalos, que pueden contener igual o diferente numero de unidades, y a ellos se asignan
los datos observados. Tenemos entonces una serie de datos agrupados como en el Cuadro
3.4a.
Cuadro 3.4a Casos de suicidio. Lugar X, 1995-2000

Edad (aos)
10 a 14
15 a 19
20 a 29
30 a 39
40 a 49
50 a 59
60 a 69
Total
Casos (1)
37
176
693
659
784
1.103
1.005
4.457
Cuando nuestros datos sobre una variable continua estn agrupados (categorizados)
tambin podemos calcular una media y mediana aproximadas. Para estimar la media se
debe construir una columna con los puntos medios (x) de cada intervalo de clase de la
variable y otra (fx) resultado de multiplicar el valor de cada punto medio (x) por el nmero de
casos (fl del intervalo correspondiente (Cuadro 3.4b). La suma de estos productos (fx)
dividida entre la suma de casos (f) nos da una aceptable aproximacin a la media.
Para calcular el punto medio (x) de cada intervalo de clase de la variable se obtiene
la media del intervalo, esto es se suman el lmite inferior y superior del intervalo y se divide
entre dos, por ejemplo en le cuadro 3.4a el primer intervalo es de 10 a 14 aos (10+14/2 =
12). Los puntos medios de los siguientes intervalos de clase se encuentran sumando la
amplitud del intervalo de clase al punto medio previo, por ejemplo el segundo intervalo en el
cuadro referido es de 15 a 19 aos, por lo tanto la amplitud del intervalo es de 5 + 12 = 17.
21
Cuadro 3.4b Casos de suicidio. Lugar X, 1995-2000

Edad
(aos)
10 a 14
15 a 19
20a29
30a39
40a49
50a59
60a69
Total
Casos
(f)
37
176
693
659
784
1.103
1.005
f 4.457
Punto medio
(x)
12,0
17,0
24,5
34,5
44,5
54,5
64,5
f 202.974,0
fx
444,0
2992,0
16.978,5
22.735,5
34.888,0
60.113,5
64.822,5
Casos
acumulados
37
213
906
1.565
2.349
3.452
4.457
En este ejemplo, la aproximacin a la media sera:

x = fx = 202.974,0 = 45,5 aos
f
4.457
Mientras que si utilizramos en el clculo los 4.457 casos, uno a uno, obtendramos
una media de 45,7 aos de edad.
Tambin podemos estimar la mediana a partir de datos agrupados en un cuadro de
frecuencias. Para ello tendremos que construir una columna de "casos acumulados", como
la que se presenta en el Cuadro 3.4b, que se obtiene a partir de la columna de "casos". La
primera celda corresponde a los casos de 10 a 14 aos (37), la segunda se obtiene
sumando a esos 37 los casos de 15 a 19 aos (176) y as sucesivamente, hasta completar la
ltima celda, cuyo valor tiene que coincidir con el total de casos (4.457). Una vez construida
la columna de frecuencias acumuladas podemos aproximar la mediana de la edad mediante
el siguiente proceso de clculo: primero, localizar el intervalo de clase que contiene la
posicin de la mediana (PM); es decir:
PM= (f)- 1 = 4.457 - 1 = 2.228
2
2
En la columna de casos acumulados el caso N 2.228 est situado en el intervalo de
edad de 40 a 49 aos.
Despus de obtener la posicin de la mediana, se estima la mediana por
interpolacin; es decir:
22
Mediana = Li + PM - fIPM (AIPM)

fPM
en donde:
Li =
Lmite inferior del intervalo de la posicin de la mediana
PM = Posicin de la mediana
fIPM = Frecuencia del intervalo anterior a la posicin de la mediana
fPM = Frecuencia de la posicin de la mediana
AIMP =Amplitud del intervalo de la posicin de la mediana.
Mediana = 40,0 +
[ 2.228 1.565] (10 ) = 40,0 + 8,45 = 48,45 aos

784
En donde:
2.228 = caso situado en el punto medio de la seria
1.565 = casos acumulados en el intervalo interior al que contiene el caso 2.228
784 = casos del intervalo que contiene la mediana
10 = amplitud del intervalo
Si calculsemos la mediana de edad de esta serie a partir de los 4.457 casos de
suicidio individualmente, sta sera 48 aos de edad.
23
MEDIDAS DE DISPERSIN
Grfico 3.7 Distribucin normal
Para las variables cuantitativas
las medidas de dispersin ms usadas
son bsicamente tres: el rango o
amplitud, la varianza y la desviacin
estndar. Estas medidas representan la
dispersin o variabilidad de los datos
continuos. El rango o amplitud es la
diferencia entre el valor mximo y el
valor mnimo de una serie de datos. La
varianza (s'), que mide la desviacin
promedio de los valores individuales
con respecto a la media, es el cociente
entre la suma de los cuadrados de la
diferencia entre cada valor y el
promedio, y el nmero de valores
observados (menos 1). La desviacin
estndar (DE) es la raz cuadrada de la
varianza. La desviacin estndar junto
con la media permiten describir la
distribucin de la variable. Si la variable
se distribuye normalmente, entonces el
68% de sus valores estar dentro de
1 desviacin estndar de la media,
95% dentro de 2 y 99,9% dentro de
3 DE (Grfico 3.7). (Es necesario notar que se trata de aproximaciones, ya que, por ejemplo,
el rea bajo la curva que abarca 95% no es exactamente 2 desviaciones, sino 1.96).
Veamos un ejemplo. Volviendo al Cuadro 3.3, el rango del perodo de incubacin de
la rubola, con base en las 11 observaciones, es de 22 das (i.e., 37-15 das). La varianza
sera:
varianza = (15 -19,7)2 + (15 -19,7)2 + ... + (16 -19,7)2 + ... + (32 -19,7)2 + (37 -19,7)2
11 -1
varianza = 572,19 = 57,219 das
10
y la desviacin estndar sera:
desviacin estndar (DE)= 57,219 = 7,56 das
En resumen, los estimadores de los parmetros de la distribucin del perodo de
incubacin de la rubola en los 11 nios del ejemplo seran:
media ( x ) = 19,7 das
desviacin estndar (DE) = 7,6 das
24
Cuando nuestros datos sobre una variable continua estn agrupados tambin
podemos calcular la varianza y correspondiente desviacin estndar aproximadas. Para ello,
al igual que para estimar la media en datos agrupados, se parte de la columna con los
puntos medios (X) de cada intervalo de clase. Luego generamos tres columnas; una con las
diferencias entre el punto medio de cada intervalo de clase y la media de nuestros datos (x x)2 llamada desviacin; otra con esta desviacin elevada al cuadrado (x - x)2 llamada
desviacin cuadrtica y, finalmente, otra columna (f.(x - x)2), resultado de multiplicar la
desviacin cuadrtica por el nmero de casos (f) del intervalo correspondiente (Cuadro 3.4c).
La suma de todos estos productos (f.(x - x)2) dividida entre la suma de casos (f) nos da
una razonable aproximacin a la varianza y extrayendo su raz cuadrada obtendremos un
estimado aceptable de la desviacin estndar de nuestros datos agrupados.
Cuadro 3.4c Casos de suicidio. Lugar X, 1995-2000
Edad(aos) Casos
(f)
10 a 14
15 a 19
20 a 29
30 a 39
40 a 49
50 a 59
60 a 69
Total
37
176
693
659
784
1.103
1.005
=4.457
Punto
medio
(x)
12,5
17,5
25,0
35,0
45,0
55,0
65,0
Desviacin
(x - x)
-33,5
-28,5
-21,0
-11,0
- 1,0
9,0
19,0
Desviacin
cuadrtica(x
- x)2
1.122,25
812,25
441,00
121,00
1,00
81,00
361,00
Producto f. (x x)2
41.523,25
142.956,00
305.613,00
79.739,00
784,00
89.343,00
362.805,03
=1.022.763,20
media (x) = 46,0 aos

En este ejemplo, la aproximacin a la varianza (S2) sera:
S2 = f,(x - x)2 = 1.022.763,20 = 229,47
f
4.457
y la correspondiente desviacin estndar (D.E., o "S') para datos agrupados sera:
RE. =
229,47 = 15,1 aos
mientras que si utilizramos en el clculo los 4.457 casos, uno a uno, obtendramos una
desviacin estndar de 15,3 aos de edad.
Finalmente, otra forma til de representar la dispersin de la distribucin de una serie
de datos es usando cuantiles, que son los valores que ocupan una determinada posicin en
funcin de la cantidad de partes iguales en que se ha dividido una serie ordenada de datos.
Si dividimos
25
Cuadro 3.5 Percentiles y sus

nuestra serie en 100 partes iguales, hablamos de percentiles;
valores en una distribucin
si la dividimos en 10 partes iguales, deciles; en cinco partes,
de casos
quintiles; y en cuatro, cuartiles. Como ejemplo, el Cuadro 3.5
presenta nueve percentiles de edad correspondientes a la serie
Percentiles
Edad
de casos de malaria del Cuadro 3.2: el percentil 25 de esta
1%
24
distribucin es 33 aos, que equivale a decir que 25% de los
5%
27
casos tenan edad menor o igual a 33 aos (y, en
10%
29
consecuencia, 75% de los casos eran mayores de 33 aos).
25%
33
Ntese que la mediana de la distribucin Percentiles
Edad
50%
38
corresponde al percentil 50 (o cuartil 2).
75%
44
90%
50
La diferencia entre los percentiles 25 y 75 (o cuartiles 1 y
95%
54
3, respectivamente) se conoce como rango intercuartil, que es
otra medida especfica de dispersin de una distribucin. El
rango intercuartil, que incluye el 50% central de valores en la serie de datos (en el ejemplo,
este rango es de 11 aos), es una medida muy aplicada en vigilancia en salud pblica
(Unidad 4), en especial para la elaboracin de canales endmicos.
Como hemos visto, el promedio y la desviacin estndar definen la distribucin

normal y, por ello, se les llaman sus parmetros. El promedio, como medida resumen de
tendencia central de los datos, es un indicador resumen de las observaciones. Por su parte,
la desviacin estndar, como medida resumen de la dispersin de los datos, es un indicador
de la variacin de las observaciones. Estos dos conceptos, promedio y variacin, son de
gran importancia para documentar la incertidumbre con la que observamos los fenmenos
en la poblacin y constituyen los principios bsicos del proceso de inferencia estadstica,
cuyo uso nos permite derivar conclusiones acerca de toda la poblacin observando
solamente una muestra de la misma. El Grfico 3.8 ilustra esquemticamente dos
situaciones posibles y frecuentes con relacin a la distribucin del peso al nacer en la
poblacin.
26
Una vez que se ha revisado la forma de presentacin de los datos, las medidas de tendencia
central y de dispersin de los mismos, se contina con el estudio de las distintas
distribuciones o modelos tericos. El ms conocido de ellos es la llamada Curva Normal
(Grfico 3.8) que acabamos de introducir. Existen otros modelos tericos que tienen
aplicacin en epidemiologa y salud pblica, pero que van ms all de los objetivos de este
curso. Mencionaremos que la distribucin normal queda definida por 4 elementos
caractersticos:
1.
Tiene un eje de simetra.
2.
La media aritmtica, la mediana y la moda coinciden en el mismo valor por el cual

pasa el eje de simetra.
3.
La distancia entre el eje de simetra y los puntos de inflexin de la curva equivalen

a la desviacin estndar.
3.
Es asinttica al eje de las "x" (abscisas), es decir nunca lo cruza.
27
MEDIDAS DE FRECUENCIA
Como revisamos en la Unidad 2 del MOPECE, el enfoque epidemiolgico parte de la
observacin de hechos en la poblacin. Estos hechos son la presencia de enfermedad, la
exposicin a determinados factores, u otros atributos o eventos de inters. Son "de inters"
porque consideramos que, eventualmente, actuando sobre ellos podremos modificar en
forma positiva la realidad observada. El segundo aspecto de este enfoque epidemiolgico es
la cuantificacin, es decir, asignar nmeros a los hechos y para ello nos valemos de
procedimientos estadsticos bsicos como los descritos hasta ahora en esta Unidad. As,
medir la frecuencia u ocurrencia de tales hechos en la poblacin es una tarea fundamental.
Para medir la frecuencia de enfermedad en la poblacin, el epidemilogo recurre a tres
conceptos muy importantes: probabilidad, riesgo y tasa.
En su acepcin ms sencilla, la probabilidad es una medida de ocurrencia de un
hecho incierto, o sea, el nmero de veces que se espera ocurra un evento a futuro. El riesgo
a la salud es una medida que refleja la probabilidad de que se produzca un efecto o dao a
la salud dentro de un periodo de tiempo establecido. La tasa es una medida de la rapidez de
cambio de un estado a otro estado (v.g., de sano a enfermo) y, por tanto, tambin expresa
un riesgo. Sin embargo, a diferencia del riesgo, la tasa involucra la experiencia de exposicin
de la poblacin en unidades efectivas de tiempo-persona.
Probabilidad: Nmero de eventos que ocurren dentro

de un nmero de eventos posibles.
Riesgo a la Salud: Probabilidad de

experimentar un efecto adverso o dao en un
tiempo determinado
Tasa: Medida de la rapidez de cambio de
un fenmeno dinmico por unidad de
poblacin y de tiempo (tiempo persona de
exposicin).
La probabilidad es medible o cuantificable y su valor numrico se sita entre 0 y 1

(siendo 1 la certeza absoluta). Por conveniencia se puede expresar como un nmero
decimal, una fraccin o un porcentaje.
El riesgo es tambin medible y se obtiene a partir de un cociente o fraccin. En
sentido estricto, al igual que la probabilidad, su valor se situara entre 0 y 1. Se suele
expresar como un valor de la fraccin multiplicado por una constante.
28
La tasa es la medida clsica de la epidemiologa. Tiene 3 componentes bsicos:
un numerador, que corresponde al nmero de individuos que experimenta el evento

de inters (v.g., muerte, enfermedad, nacimiento, ingreso hospitalario);
un denominador, que corresponde al nmero total de individuos en la poblacin

expuestos o en riesgo de presentar el evento; y,
un perodo de tiempo especfico, durante el cual se observa la frecuencia del evento

de inters y la poblacin que ha estado expuesta efectivamente.
De ah que la tasa pueda asumir un valor de 0 a infinito y se expresa en nmero de

eventos que ocurren en un tiempo-persona de exposicin, que es la caracterstica
fundamental de la tasa.
Como se puede apreciar, la tasa combina en una sola expresin las tres dimensiones
bsicas del anlisis epidemiolgico: persona, lugar y tiempo. Aplicada correctamente, la tasa
no solamente es una medida de frecuencia de enfermedad en la poblacin, sino una medida
del riesgo de enfermar en la poblacin. De esta forma, al emplear tasas podramos comparar
la frecuencia y riesgo de enfermedad en diferentes poblaciones, diferentes subgrupos de la
misma poblacin o diferentes periodos de tiempo en la misma poblacin.
PREVALENCIA E INCIDENCIA
Las clsicas medidas de frecuencia de enfermedad son dos: prevalencia e incidencia,
que veremos en esta Unidad. Ms especficamente, revisaremos la incidencia acumulada, y
la tasa de incidencia. Aunque de uso comn, el trmino "tasa de prevalencia" debe evitarse,
pues no representa una tasa en tanto no es una medida dinmica; una denominacin ms
apropiada es proporcin de prevalencia, que tambin revisaremos.
Medidas de morbilidad
En la cuantificacin de las condiciones de salud y enfermedad en la poblacin, resulta
imprescindible el uso de indicadores que faciliten su descripcin y anlisis. Se considera que
estos estimadores son convencionales, pues el consenso cientfico-tcnico y la prctica
avalan su utilidad como herramientas relevantes para la interpretacin de los perfiles de
enfermedad en la poblacin, con fines comparativos.
Para que puedan responder a las necesidades de las poblaciones en forma
adecuada, los servicios de salud deben efectuar sistemticamente mediciones con el objeto
de precisar la frecuencia de las condiciones de salud relevantes en la comunidad. Por
ejemplo, reconocer que existen 700 personas en la comunidad con diagnstico de lepra es
una informacin esencial para organizar los recursos existentes y obtener, desde otro nivel
del sistema si fuera preciso, el apoyo adicional requerido para la atencin de todos los
enfermos. As, el recuento de los casos de una enfermedad es una medida de gran
importancia que sirve para orientar los servicios a la magnitud de los recursos necesarios.
29
El recuento de nacimientos permite estimar la cantidad de nios menores de 1 ao de

edad que existen en una comunidad en un ao determinado. Esta medida puede ser usada,
por ejemplo, para proyectar la cantidad de vacunas necesarias para inmunizar a dicha
poblacin en ese ao. Esta informacin podr tener mayor precisin si, adems, se conoce
tambin el nmero de defunciones en menores de 1 ao ocurridas en esa misma comunidad
en el ao considerado. Es decir, en una poblacin y tiempo especficos, el nmero de nios
a vacunarse puede ser operacionalmente definido como el nmero de nios sobrevivientes
al primer ao de vida y se puede estimar por la diferencia entre el nmero de nacidos vivos y
nmero de defunciones en menores de 1 ao de edad.
En consecuencia, la enumeracin o recuento de casos de enfermedad, nacimientos
y defunciones, junto con estimados censales de la poblacin y sus caractersticas,
constituyen los datos bsicos que permiten a los servicios de salud obtener un mejor
conocimiento sobre las condiciones de salud y enfermedad en las poblaciones y, por tanto,
desempearse ms eficientemente.
Por otra parte, es prcticamente imposible conocer la magnitud real de la morbilidad
en una poblacin debido a mltiples y complejos factores, que van desde la diversidad de la
percepcin cultural sobre salud y enfermedad y la presencia de casos subclnicos (ver
seccin sobre historia natural de la enfermedad) hasta la inaccesibilidad a los servicios de
salud y la falta de confianza en la asistencia mdica. No obstante, es la disponibilidad de
registros de buena calidad lo que hace posible obtener estimaciones epidemiolgicamente
vlidas, que nos acercan al conocimiento de la realidad y nos permiten modificarla
positivamente.
Consideremos, como ejemplo, un rea geogrfica determinada en un pas de
Amrica Latina. En la poblacin se observaron 60 casos de tuberculosis en el ao 1995. Un
nuevo recuento en el 2000 demostr la existencia de 80 casos en la poblacin.
Cuadro 3.6a Casos de tuberculosis en una comunidad latinoamericana

por unidad de tiempo. 1995-2000
Ao
N de casos
1995
60
2000
80
Cul sera la mejor explicacin de la diferencia observada entre los dos aos? Los
hechos que podran explicar la diferencia observada se pueden resumir como sigue:
la atencin a los enfermos y las dems medidas de control fueron inadecuadas y por
ello se produjo un aumento en el nmero de casos;
las medidas de bsqueda activa y/o un cambio en la definicin de caso de

tuberculosis permitieron una mejor identificacin de casos antes desconocidos, dando
la impresin de aumento de la enfermedad en la poblacin;
30
ciertos factores socioeconmicos, independientes de las medidas de control,

provocaron un aumento de la enfermedad (v.g., crisis econmica-desempleodesnutricin); y/o,
hubo un aumento de la poblacin local, por crecimiento natural o por inmigracin neta
(v.g., atraccin por oferta de empleo en reas de desarrollo industrial).
Si relacionamos el nmero de casos con el total de la poblacin existente en los dos

aos tendremos:
Cuadro 3.6b Casos de tuberculosis en una poblacin latinoamericana

por unidad de tiempo. 1995-2000
Ao
No. de casos
Total poblacin
1995
60
30.000
2000
80
50.000
Observamos que si bien hubo un aumento de 60 a 80 en el nmero de casos,

tambin aument de 30.000 a 50.000 la poblacin en el mismo periodo. Por tanto, lo que
deseamos comparar es la diferencia entre 60 casos en 30.000 personas y 80 casos en
50.000. Es decir,
60 casos
30.000 habitantes
vs
80 casos
50.000 habitantes
Un clculo sencillo nos permitir la comparacin ms directa:

en 1995:
en 2000:
60 / 30.000 = 0,0020
80 / 50.000 = 0,0016
Con el fin de facilitar la comparacin, expresando la proporcin en nmeros enteros y

no decimales, se acostumbra multiplicar el resultado por 100, 1.000, 10.000 o 100.000,
segn nuestra conveniencia o siguiendo una convencin preestablecida. En el ejemplo, si
multiplicamos el resultado de la divisin entre casos y poblacin por 10. 000, obtendremos:
en 1995:
en 2000:
20 casos por 10.000 habitantes

16 casos por 10.000 habitantes
Ello nos permite indicar que hubo una disminucin de la prevalencia de tuberculosis
en ese perodo de tiempo y en esa comunidad latinoamericana.
31
Cuadro 3.6c Prevalencia de tuberculosis en una comunidad latinoamericana
1995
20
(casos por 10.000 personas)
2000
16
(casos por 10.000 personas)
El clculo realizado fue el de la proporcin de prevalencia de la tuberculosis (en el

rea especfica, en los aos 1995 y 2000).
Prevalencia: Es la medida del nmero total de casos existentes, llamados

casos prevalentes, de una enfermedad en un punto o periodo de tiempo y
en una poblacin determinados, sin distinguir si son o no casos nuevos. La
prevalencia es un indicador de la magnitud de la presencia de una
enfermedad u otro evento de salud en la poblacin.
Como ya se mencion, la prevalencia no puede ser considerada una tasa, pues no

toma en cuenta el inicio ni duracin de la enfermedad. Su denominador no necesariamente
corresponde a la poblacin en riesgo, es decir, a aquella poblacin expuesta y susceptible
de donde surgen los casos. Sin embargo, la prevalencia es un indicador de gran importancia
en salud pblica, pues provee una medida del volumen o carga de enfermedad en una
comunidad o poblacin en un momento dado -informacin esencial en la planeacin de los
servicios de salud.
Desde el punto de vista epidemiolgico, hay mayor inters en conocer
especficamente cuntos casos nuevos de una enfermedad aparecen en una poblacin
durante un perodo de tiempo. Ms concretamente, es importante conocer cuntos casos
nuevos surgen de una poblacin que est en riesgo de padecer una determinada
enfermedad o dao a la salud; es decir, un indicador de la rapidez de cambio del proceso
dinmico de salud y enfermedad en la poblacin. La medida de ocurrencia de casos nuevos
de enfermedad en una poblacin en riesgo en un tiempo determinado se denomina
incidencia. En general, la incidencia nos da una idea del riesgo promedio que tienen los
individuos en la poblacin de padecer la enfermedad, as como evaluar la eficacia de las
acciones de control adoptadas.
Incidencia: Es la medida del nmero de casos nuevos, llamados

casos incidentes, de una enfermedad originados de una poblacin en
riesgo de padecerla, durante un periodo de tiempo determinado. La
incidencia es un indicador de la velocidad de ocurrencia de una
enfermedad u otro evento de salud en la poblacin y, en
consecuencia, es un estimador del riesgo absoluto de padecerla.
32
Incidencia de la enf. B =
nmero de casos nuevos de la enf. B en un perodo

x factor
nmero total de personas en riesgo al comienzo del mismo periodo
En los clculos de incidencia y de prevalencia siempre es importante dejar bien claro

a qu poblacin y a qu momento o perodo de tiempo se refieren. Pueden relacionarse a la
poblacin entera de una regin o a un grupo especfico que estara expuesto al problema.
As, el denominador de incidencia de cncer de cuello de tero debera incluir nicamente a
mujeres y el de incidencia de gonorrea a poblacin sexualmente activa.
Por ejemplo, la incidencia de gastroenteritis, en la Provincia del Sur, durante el mes
de diciembre de 2001 fue de 20 por mil en nios de 5 a 10 aos. Es decir,
incidencia de gastroenteritis
en nios de 5 a 10 aos en la
Provincia del Sur en el mes
de diciembre de 2001
nmero de nios de 5 10 aos que

desarrollaron gastroenteritis en el mes de
diciembre de 2001
X factor
poblacin de nios de 5 a 10 aos residentes
en la Provincia de Sur en el mes de
diciembre de 2001
Conviene precisar que las frmulas sobre incidencia que acabamos de presentar en
este ejemplo corresponden especficamente a lo que se denomina incidencia acumulada. Al
calcularse como el cociente entre el nmero de casos nuevos y el tamao de la poblacin en
riesgo en un periodo de tiempo, la incidencia acumulada asume que todos los individuos de
la poblacin en riesgo estuvieron efectivamente en riesgo de presentar la enfermedad
durante todo el periodo de tiempo observado. Intuitivamente sabemos que esto raras veces
ocurre as; en principio porque al momento de presentar la enfermedad, la persona deja de
estar en riesgo (i.e., deja de "pertenecer al denominador"), pues se convierte en caso (Le.,
"pasa al numerador").
Una manera ms precisa de representar el riesgo de pasar del estado sano al estado
enfermo, o sea estimar la incidencia, la brinda la investigacin epidemiolgica de factores de
riesgo causales en cohortes de poblacin, como veremos en la Unidad 5. En tales
condiciones es posible "seguir" a la poblacin, midiendo con exactitud el tiempo que cada
individuo estuvo en riesgo de enfermar y obtener el nmero total de "tiempo-persona" de
observacin (v.g., aos-persona; das-persona). Si ahora dividimos el nmero de casos
nuevos entre el nmero total de aos-persona observados, obtendremos la tasa de
incidencia propiamente dicha, llamada tambin densidad de incidencia o fuerza de
morbilidad (Miettinen, 1975).
En trminos prcticos, cuando calculamos la incidencia de una enfermedad en la
poblacin a menudo empleamos la incidencia acumulada, pues el clculo de la tasa de
incidencia propiamente dicha suele estar restringido al contexto de una investigacin
epidemiolgica. Una forma de estimar la tasa de incidencia cuando no se cuenta con los
aos-persona consiste en tornar como denominador a la poblacin a mitad de perodo.
33
Tanto la prevalencia como la incidencia son medidas de morbilidad (enfermedad) en

la poblacin, pero difieren en que la prevalencia mide el nmero de personas que tienen la
enfermedad en un momento dado (.e., su magnitud) y la incidencia mide los casos nuevos
que se presentan en un perodo determinado de tiempo (.e., su velocidad). Las relaciones
entre incidencia y prevalencia pueden apreciarse en la siguiente Figura:
Figura 3.1 Relacin entre incidencia y prevalencia
Note que si aumenta la incidencia (aparecen ms casos nuevos) y el nmero de

muertes y recuperados se mantiene sin cambio, aumentar la prevalencia. Si aumenta la
mortalidad o ms gente se recupera y la incidencia no cambia, la prevalencia disminuir.
Supongamos que se introduce una nueva prueba que detecta la presencia de enfermedad
tempranamente en el perodo subclnico; el resultado prctico ser un aumento en la
incidencia, en la duracin de la enfermedad y tambin en la prevalencia. Por otra parte, si se
introduce un medicamento que pospone o evita la mortalidad prematura pero no cura
definitivamente, el resultado tambin ser un aumento en la prevalencia.
La duracin de la enfermedad (D) tambin influye en esta dinmica y, en trminos
generales, se dice que en situacin de equilibrio, la prevalencia (P) es el producto de la
incidencia (1) por la duracin de la enfermedad (P=IxD). Esta dinmica entre incidencia,
prevalencia y duracin de la enfermedad tiene importantes implicaciones para el control de
enfermedades en la poblacin.
34
Ejercicio 3.1
En la figura 3.2, cada lnea representa un caso de enfermedad respiratoria
(neumona) y la duracin en das de cada caso, que se presentaron durante el mes de
septiembre.
Conteste las siguientes preguntas:

1. Cul es el nmero de casos incidentes de la enfermedad en el mes de septiembre?
2. Cul es el nmero de casos prevalentes en el da 15 de septiembre?
35
Otras medidas de morbilidad

Ahora bien, qu medida de incidencia se obtiene entonces cuando se investiga una
epidemia? El numerador es el nmero de casos nuevos de enfermedad y el denominador es
el total de personas expuestas al factor de riesgo o agente causal. El tiempo generalmente
se trata de manera implcita, ya que la mayora de casos suelen ocurrir durante horas, das o
semanas, segn la enfermedad de que se trate. La tasa de incidencia que se obtiene en una
situacin de brote o epidemia se denomina tasa de ataque de la enfermedad y se expresa
usualmente como un porcentaje. Consideremos, como ejemplo, una situacin en la que 96
personas fueron expuestas a un agente (v.g., Pseudomona aeruginosa contaminando el
equipo quirrgico), de las cuales 26 se enfermaron en un perodo corto de tiempo. La tasa
de ataque se obtiene de la siguiente manera:
tasa de ataque = 26 enfermos x 100 = 27,1 %
96 expuestos
Existe tambin la llamada tasa de ataque secundario, que mide la contagiosidad de
una enfermedad de transmisin persona-a-persona y, por tanto, es de utilidad para evaluar
la efectividad de las medidas de control de un brote. La tasa de ataque secundario expresa
el nmero de casos de una enfermedad que aparecen dentro del periodo de incubacin
entre los contactos susceptibles expuestos a un caso primario o ndice excluyndolos del
numerador, en relacin con el nmero total de contactos susceptibles expuestos. Se calcula
de la manera siguiente:
tasa de ataque secundario =
nmero de casos secundarios

nmero de contactos susceptibles expuestos
X 100
Medidas de mortalidad
Otra forma importante de medir la ocurrencia de enfermedad en la poblacin es a
travs del recuento de las defunciones que se presentan.
tasa de mortalidad general = nmero de defunciones X 1.000
poblacin total
Las tasas de mortalidad pueden referirse a toda la poblacin de un pas o territorio o
restringirse a una comunidad, institucin o una muestra poblacional y pueden, tambin,
calcularse para grupos especficos de poblacin, segn sexo, edad, grupos de
enfermedades u otras caractersticas relevantes (en cuyo caso constituyen tasas
especficas).
Existen algunos indicadores de mortalidad referidos a grupos de poblacin
especficos y a los que convencionalmente se les llama "tasas". En particular, conviene
recordar dos de ellos, de especial importancia en salud pblica; se trata de las "tasas" de
mortalidad infantil y de mortalidad materna.
36
tasa de mortalidad infantil = nmero de defunciones en menores de 1 ao de edad X 1. 000

nmero de nacidos vivos
tasa de mortalidad materna = nmero de muertes maternas X 100,000
Se puede constatar que para el clculo de estas "tasas" se emplea el nmero de
nacidos vivos como denominador y, por tanto en sentido estricto no es una tasa en tanto el
denominador no es tiempo. Por convencin, se utiliza el nmero de nacidos vivos como
denominador de estos indicadores porque se considera que es un dato ms factible de
obtener que los requeridos para construir las respectivas tasas, a saber: en el primer caso, el
total de nios menores de un ao que deben existir en la misma poblacin y afio donde se
hizo el recuento de defunciones; en el segundo caso, el nmero total de mujeres que
estuvieron embarazadas y que dieron a luz en la misma poblacin y ao.
En ocasiones se sospecha que una enfermedad determinada est causando un
elevado o inusual nmero de muertes. Es de inters conocer cuntas de las personas
enfermas mueren, es decir, la proporcin de casos fatales entre el total de casos. En una
situacin epidmica, a este clculo se le llama tasa de letalidad y es particularmente
importante para evaluar la severidad de una epidemia:
tasa de letalidad de la enfermedad A = nmero de defunciones por enfermedad A X 100
total de casos de enfermedad A
Mientras la mortalidad hace referencia a las defunciones entre la poblacin total
(sana o enferma), la letalidad slo hace referencia a las defunciones entre la poblacin
enferma. Por ejemplo, si en un distrito de 30.000 habitantes ocurrieron 200 casos de tifoidea
con 6 defunciones, en un ao determinado, podemos afirmar que, en ese distrito y en ese
ao, la mortalidad por tifoidea fue 2 por 10.000 y su letalidad 3%; es decir:
mortalidad por tifoidea =
6 muertes
x 10.000 = 2 x 10.000
30.000 habitantes
letalidad por tifoidea = 6 muertes x 100 = 3 x 100

200 casos
Distribucin proporcional
La distribucin proporcional es una forma sencilla de expresar la cantidad de casos o
muertes segn alguna caracterstica de inters, como sexo, edad o causa especfica, como
porcentaje del total de casos o muertes observados. La distribucin proporcional
corresponde a una distribucin de frecuencias relativas simples, como se vio al inicio de esta
Unidad. A diferencia de las tasas, la distribucin proporcional no mide el riesgo de enfermar
o morir, sino solamente indica cmo se distribuyen los casos o muertes entre las personas
afectadas.
37
Veamos el siguiente ejemplo. Durante un brote de tifus exantemtico ocurrido en una

comunidad andina, se enfermaron 38 personas; 24 hombres y 14 mujeres. Se desconoce el
nmero total de hombres y mujeres en dicha poblacin.
Cuadro 3.7 Distribucin proporcional de casos de tifus exantemtico por sexo

Sexo
masculino
femenino
Total
Nmero
de casos
24
14
38
Distribucin
proporcional
63,2
36,8
100,0
Es decir, proporcin de casos de sexo masculino: 24 x 100 = 63,2 %

38
Proporcin de casos de sexo femenino: 14 x 100 = 36,8 %
38
Esta informacin nos permite afirmar que la enfermedad en dicha comunidad afect
ms a los varones que a las mujeres (por ejemplo, "de cada 10 enfermos, al menos 6 fueron
varones"; o, "existieron 1,7 casos en varones por cada caso en mujeres"). Sin embargo, esta
informacin no nos permite afirmar que los varones tuvieran mayor riesgo de enfermar.
Mortalidad proporcional
Cuando la distribucin proporcional se refiere a datos de mortalidad, entonces hablamos
especficamente de mortalidad proporcional, una medida de mortalidad til para describir el
perfil y las contribuciones de causas de muerte especficas a la mortalidad general de un
lugar y periodo determinados; esto es:
mortalidad proporcional = nmero de muertes por causa especfica en un ao X 100
nmero total de muertes en el mismo ao
38
Las medidas de prevalencia, incidencia y mortalidad, tomadas en conjunto, permiten

describir perfiles de salud de la poblacin, tiles para el anlisis de la situacin de salud, la
primera funcin esencial de la salud pblica. Estas medidas bsicas permiten comparar la
importancia relativa de riesgos, enfermedades y daos a la salud en las poblaciones entre
diferentes perodos de tiempo y entre localidades distintas, facilitando la identificacin de
necesidades y prioridades en salud y orientando la gestin sanitaria. No obstante, cuando
comparemos dos o ms poblaciones debemos tener siempre presente que existen otras
caractersticas propias de cada poblacin que podran explicar las diferencias que
observamos. Por ejemplo, la diferencia entre las tasas de mortalidad de dos poblaciones
puede estar distorsionada por las propias diferencias en la distribucin de edad o la
distribucin de las muertes en distintas edades en cada poblacin y, por tanto, llevamos a
conclusiones errneas. Ello puede ser evitado con el uso de tcnicas de estandarizacin o
ajuste de tasas.
Ejercicio 3.2
Los siguientes datos fueron tomados de la publicacin OPS "Indicadores Bsicos de
Salud en las Amricas, edicin de 2000" y corresponden a dos localidades latinoamericanas,
a las que denominaremos A y B, en un ao determinado.
Cuadro 3.8 Poblacin y mortalidad en dos localidades latinoamericanas
Datos bsicos
Localidad
A
10.320
76.311
850
1.226
3.350
6.901
Defunciones en menores de 1 ao
105
10
defunciones en menores de 1 ao por infecciones
32
Defunciones en menores de 5 aos
161
12
defunciones en menores de 5 aos por diarrea
36
Poblacin total
poblacin menor de 5 aos
Calcule:
a) la tasa de mortalidad en menores de 5 aos (por 1,000)
Localidad
A
B
_______ ________
b) la tasa de mortalidad infantil (por 1,000)
_______ ________
c) la tasa de mortalidad por diarrea en menores de 5 aos

(por 1.000)
_______ _______
d) la tasa de mortalidad por infecciones en menores de

1 ao (por 1.000)
________ _______
e) Qu se observa al comparar las localidades A y B?
________ _______
39
Ejercicio 3.3.
Pregunta 1. Qu denominador empleara para el clculo de las siguientes medidas?:
a) la incidencia de dengue hemorrgico en el pas X en 2000.
b) La incidencia de neumona en los escolares de la Provincia "
40
Pregunta 2. En una isla del Caribe la letalidad por tifoidea es 5%. Durante el ao 2000
ocurrieron 40 defunciones por esa enfermedad. Cuntos casos de tifoidea ocurrieron en esa
comunidad insular en dicho ao?
_______________________________________________________________________
Pregunta 3. Una medida de incidencia usualmente expresada en porcentaje y que se refiere a
poblaciones especficas, en perodos de tiempo limitados, como por ejemplo: epidemias, se
conoce como:
a) prevalencia
b) tasa ajustada
c) tasa de letalidad
d) tasa de ataque
e) tasa de mortalidad
Pregunta 4. Analice el siguiente cuadro y, de acuerdo con la informacin presentada, resuelva
los puntos considerados a continuacin:
Cuadro 3.9 Defunciones por grupo de edad y poblacin
Grupo de edad
(aos)
menores de 1
1-4
5-24
25-44
45-64
65 y ms
Total
Defunciones
(nmero)
285
251
274
408
576
1.076
2.870
Poblacin
12.681
49.002
201.820
116.538
51.356
18.603
450.000
a) la tasa de mortalidad (por 100.000) para el grupo de edad de 1 a 4 aos
b) la tasa de mortalidad (por 100.000) para el grupo de edad de 65 y ms aos
c) la tasa de mortalidad (por 100.000) para el grupo de 25 a 44 aos
41
d) Comente estos resultados con respecto a la magnitud de la mortalidad en los grupos de

edad. Considere que estos resultados son tpicos de cualquier poblacin.
Pregunta 5. Veintisis casos de tuberculosis fueron diagnosticados en Ciudad Alta entre el P
de enero y el 30 de junio de 2000. El total de casos de tuberculosis activos al 30 de junio era
264. La poblacin de Ciudad Alta era de 183.000 habitantes.
a)
Cul fue la incidencia de tuberculosis en Ciudad Alta durante el perodo P de

enero al 3 0 de junio?
(a) 7,6 casos nuevos por 100.000 habitantes

(b) 14,2 casos nuevos por 100.000 habitantes
(c) 27,3 casos nuevos por 10.000 habitantes
(d) 78,7 casos nuevos por 100.000 habitantes
(e) 144,3 casos nuevos por 10.000 habitantes
b)
(a)
(b)
(c)
(d)
(e)
Cul fue la prevalencia de tuberculosis en Ciudad Alta al 30 de junio de 2000?
14,2 casos por 100.000 habitantes

144,3 casos por 100.000 habitantes
(f) 158,5 casos por 10.000 habitantes
(g) 290,0 casos por 10.000 habitantes
(h) 85,2 casos por 100.000 habitantes
c)
Describa y explique las diferencias en los valores obtenidos sobre prevalencia e

incidencia de tuberculosis encontrados, e indique el uso adecuado de cada una de
estas medidas epidemiolgicas. Existe similitud de esta morbilidad por
tuberculosis con la de su rea de salud?
42
Pregunta 6. El tercer domingo de febrero de 2001 se celebr, en una comunidad de 462

habitantes, un baile de carnaval al que asistieron 287 personas. En las dos ltimas semanas de
marzo el centro de salud local atendi a 79 personas que consultaron por prurito intenso y
erupcin cutnea papulovesicular. Setenta y seis de ellas haban asistido al baile. De los 161
varones participantes de ese evento social, 53 se haban enfermado. El 68,3% de los asistentes
al baile tena entre 20 y 39 aos de edad; en este grupo se encontraba el 82,9% de los
enfermos. Calcule:
a) la tasa de ataque en los participantes de la fiesta;
b) la tasa de ataque en los hombres;
d) la tasa de ataque en las mujeres;
e) la tasa de ataque en el grupo de 20 a 39 aos de edad.
f) Qu interpretacin dara a estos resultados?
Pregunta 7. Examine el siguiente cuadro y resuelva lo considerado a continuacin.
Cuadro 3.10 Nmero de casos por grupo de edad y poblacin
Columna 1
Edad (aos)
Columna 2
Casos (No)
Columna 3
Poblacin
Columna 4
Columna 5
menores de 5
5-19
20-39
40 y ms
3
6
5
7
48
17
23
109
14,3
28,6
23,8
33,3
6,3
35,3
21,7
6,4
Total
21
197
100,0
10,7
a)
43
Los nmeros en la Columna 4 representan:
(a) la distribucin proporcional de la poblacin por edad

(b) las tasas de ataque por edad
(c) la distribucin proporcional de los casos por edad
(d) las tasas de mortalidad por edad
(e) nada de lo anterior
b)
Los nmeros en la Columna 5 representan:
(a) la distribucin proporcional de la poblacin por edad

(b) las tasas de ataque por edad
(c) la distribucin proporcional de los casos por edad
(d) las tasas de mortalidad por edad
(e) nada de lo anterior
c)
Comente brevemente la informacin contenida en el cuadro.
______________________________________________________________
______________________________________________________________
______________________________________________________________
Pregunta 8. El programa de atencin integrada de enfermedades prevalentes en la infancia

(AIEPI) de un centro de salud, inform que el tiempo de duracin de todos los casos de
neumona en nios de 5 a 9 aos de edad atendidos en los ltimos dos meses fue 9, 7, 11, 9, 8.
4, 6, 12, 6, 8, 8 y 5 das, respectivamente. Usando esta informacin, calcule:
a)
b)
c)
d)
e)
f)
la moda;
la mediana;
la media;
el rango;
la desviacin estndar.
En el espacio provisto a continuacin represente la distribucin de la variable de
inters empleando un grfico apropiado.
44
g) Comente los resultados observados con respecto a esta distribucin
Ejercicio 3.4
El nivel intermedio del sistema de salud de Nicaragua, en el istmo centroamericano,
comprende 17 Sistemas Locales de Atencin Integral de Salud (SILAIS), que corresponden a
los 15 departamentos y 2 regiones autnomas en que se divide geopolticamente el pas. A
inicios de 1999 ocurri un brote de rubola de alcance nacional, ponindose en operacin un
sistema de vigilancia activa intensificada que permiti establecer medidas oportunas para el
control de la enfermedad. En este ejercicio se describe la situacin observada en la SILAIS
Len, ubicada en la regin occidental del pas y que comprende 10 municipios. El Cuadro
3.11 contiene datos sobre los 130 casos confirmados de rubola ocurridos en Len entre las
semanas epidemiolgicas (S.E.) 4 y 33 de 1999. Los Cuadros 3.12a, 3.12b y 3.13 presentan
datos adicionales relevantes para la caracterizacin de la situacin epidemiolgica.
Pregunta 1. Cuales fueron las caractersticas epidemiolgicas ms relevantes del brote de
rubola en la SILAIS Len, Nicaragua, en 1999? Caracterice la epidemia (describa las
caractersticas de la epidemia) segn:
a) edad y sexo de los afectados;

b) su distribucin geogrfica; y
c) su distribucin en el tiempo.
Para ello:
Elabore una tabla que agrupe los datos segn lo solicitado;

Calcule las tasas correspondientes usando los cuadros y mapas anexos; y,
Complete el grfico 3.9.
45
46
47
Cuadro 3.11 Ocurrencia de casos de rubola; SILAIS Len, 1999

No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
Sexo
F
F
F
F
F
F
F
F
F
m
F
F
F
m
m
F
F
m
F
F
m
F
m
F
m
F
F
F
F
m
F
m
F
m
F
F
F
m
F
m
m
Edad (aos)
7
6
28
15
28
4
13
4
11
5
28
4
29
1
24
4
11
24
9
3
4
8
3
34
7
20
6
7
10
13
9
7
6
12
10
24
4
5
3
3
7
Municipio
Len
Len
Len
Len
Len
Len
Len
Len
Nagarote
Len
Len
Len
Len
Len
Len
Len
Len
Quezalguaque
Len
Len
Len
Len
Len
Telica
Len
Telica
Len
Len
Len
Len
Len
Len
Len
Telica
Len
Len
Len
Len
Telica
Malpaisillo
Len
Fecha de
inicio
26-Ene
3 1 -Ene
5-Feb
6-Feb
7-Feb
11 -Feb
16-Feb
2 1 -Feb
8-Mar
11 -Mar
D-Mar
14-Mar
18-Mar
20-Mar
2 1 -Mar
22-Mar
22-Mar
23-Mar
25-Mar
29-Mar
29-Mar
4-Abr
6-Abr
6-Abr
8-Abr
8-Abr
9-Abr
9-Abr
10-Abr
11 -Abr
12-Abr
13-Abr
14-Abr
14-Abr
16-Abr
16-Abr
17-Abr
17-Abr
18-Abr
18-Abr
19-Abr
S.E.*
4
5
5
5
6
6
7
8
10
10
10
11
11
11
12
12
12
12
12
13
13
14
14
14
14
14
14
14
14
15
15
15
15
15
15
15
15
15
16
16
16
48
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
F
F
F
m
F
F
F
F
F
m
F
F
m
F
m
F
m
F
F
F
F
F
F
F
F
F
F
m
m
m
m
m
m
F
F
m
F
m
m
m
m
F
F
F
F
F
12
26
12
33
11
17
5
12
21
6
10
10
10
30
15
10
9
10
6
26
17
19
16
11
22
29
22
9
7
5
22
4
5
20
1
7
1
4
13
5
17
4
15
5
17
Malpaisillo
Len
Len
Malpaisillo
Len
Achuapa
Telica
Len
Malpaisillo
Len
Len
Malpaisillo
Telica
Len
Malpaisillo
Len
Malpaisillo
Achuapa
Achuapa
Len
Telica
Malpaisillo
Achuapa
Len
Len
Len
Len
Len
Len
Len
Len
Len
Len
Len
Len
Len
Nagarote
Len
Malpaisillo
Len
Len
Len
Len
Len
Nagarote
Telica
19-Abr
19-Abr
20-Abr
20-Abr
21 -Abr
2 1 -Abr
22-Abr
22-Abr
22-Abr
23-Abr
23-Abr
25-Abr
26-Abr
26-Abr
27-Abr
27-Abr
l-May
2-May
2-May
3-May
4-May
7-May
8-May
IO-May
11 -May
11 -May
14-May
16-May
17-May
19-May
20-May
20-May
21-May
21-May
22-May
24-May
24-May
26-May
26-May
27-May
28-May
28-May
30-May
1 -Jun
2-Jun
4-Jun
16
16
16
16
16
16
16
16
16
16
16
17
17
17
17
17
17
18
18
18
18
18
18
19
19
19
19
20
20
20
20
20
20
20
20
21
21
21
21
21
21
21
22
22
22
22
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
m
F
F
m
F
F
F
F
F
F
m
F
F
m
m
F
m
m
F
F
F
m
F
F
F
F
F
F
m
m
F
F
F
F
F
m
F
F
F
F
F
F
F
S.E.= Semana epidemiolgica
4
20
5
8
10
10
9
5
31
36
8
12
8
10
10
6
13
15
15
4
8
7
9
10
11
7
14
9
28
14
30
30
4
6
15
6
13
6
7
12
28
7
26
Len
Len
Len
Len
Len
Len
Len
Len
Len
Len
El Jicaral
Len
Len
El Jicaral
Len
Len
El Jicaral
El ficaral
Santa Rosa
Len
Len
Santa Rosa
Len
Malpaisillo
Malpaisillo
Telica
Len
Nagarote
Len
Len
El Sauce
Len
Len
La Paz Centro
Len
Len
Len
El Jicaral
Malpaisillo
Nagarote
Malpaisillo
Len
La Paz Centro
5-Jun
6-Jun
7-Jun
1 O-Jun
11 -Jun
12-Jun
15-Jun
16-Jun
18-Jun
18-Jun
20-Jun
2 1 -Jun
22-Jun
22-Jun
22-Jun
24-Jun
24-Jun
25-Jun
29-Jun
30-Jun
I-Jul
2-Jul
3-Jul
3-Jul
5-Jul
7-Jul
7-Jul
11 -Jul
11 -Jul
12-Jul
12-Jul
13-Jul
15-Jul
17-Jul
26-Jul
27-Jul
29-Jul
30-Jul
3-Ago
8-Ago
8-Ago
11 -Ago
16-Ago
22
23
23
23
23
23
24
24
24
24
25
25
25
25
25
25
25
25
26
26
26
26
26
26
27
27
27
28
28
28
28
28
28
28
30
30
30
30
31
32
32
32
33
49
50
Cuadro 3.12a Rubola en Len, Nicaragua; 1999

Tasa de ataque (TA) por 100.000 habitantes por edad
Edad (aos)
Casos
0-4
5-9
10-14
15- 19
20-24
25-29
30-34
35 -39
40 y ms
Total
Poblacin
TA
61.932
52.555
46.940
43.285
34.373
28.097
23.419
19.318
64.602
374.521
Cuadro 3.12b Rubola en Len, Nicaragua; 1999

Tasa de ataque (TA) por 100.000 habitantes por edad y sexo
Edad
(aos)
Varones
Casos
0-4
5-9
10-14
15- 19
20-24
25-29
30-34
35-39
40 y ms
Total
Poblacin
Mujeres
TA
29.809
25.539
22.886
20.001
15.770
12.693
10.385
8.654
27.347
173.084
Casos
Poblacin
32.123
27.016
24.054
23.284
18.603
15.404
13.034
10.664
37.255
201.437
TA
51
Cuadro 3.13 Rubola en Len, Nicaragua; 1999

Tasa de Ataque (TA) por 100.000 habitantes por Municipio
Municipio
Achuapa
El Jicaral
El Sauce
La Paz Centro
Len
Malpaisillo
Nagarote
Quezalguaque
Santa Rosa
Telica
Total
Casos
Poblacin
14.681
11.174
28.917
30.627
180.352
32.025
32.510
8.710
10.164
25.361
374.521
TA
Grfico 3.9 Rubola en Len, Nicaragua; 1999

Distribucin de casos por fecha de inicio
Casos
15
14
13
12
11
10
9
8
7
6
5
4
3
2
1
3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
Semanas Epidemiolgicas
= Casos
Pregunta 2. Establezca cules seran las recomendaciones epidemiolgicas al equipo de salud

del SILAIS de Len.
52
COMPARACIN DE LA FRECUENCIA DE ENFERMEDAD Y MEDIDAS DE

ASOCIACIN
Ahora que hemos revisado las principales medidas de frecuencia y distribucin de los
fenmenos en tiempo, espacio y persona, el siguiente paso del enfoque epidemiolgico es la
comparacin de dichas medidas. Esta comparacin es la estrategia bsica del anlisis
epidemiolgico y el paso fundamental para transformar los datos en informacin relevante.
En todo acto de comparacin hay una intencionalidad analtica subyacente: encontrar
igualdades o, alternativamente, encontrar diferencias. Esta capacidad de discriminar entre las
observaciones que se hace de la realidad es un requisito para identificar las necesidades en
salud de la poblacin, establecer prioridades y, consecuentemente, desarrollar acciones en
salud dirigidas a modificarlas positivamente. Este es el enfoque no-igualitario que pone en
prctica la epidemiologa.
Un aspecto central en este raciocinio analtico de la epidemiologa es la generacin de
explicaciones tentativas, suposiciones, pronsticos o conjeturas verosmiles respecto a una
relacin causa-efecto que encierran incertidumbre; es decir, la generacin de hiptesis. Una
hiptesis es una suposicin que se hace de una observacin o reflexin, que lleva a
predicciones refutables. Para la aplicacin de pruebas estadsticas a los datos obtenidos, se
requiere la elaboracin de dos hiptesis: la hiptesis alterna o de investigacin (HA) y la
hiptesis nula o de no-diferencia (Ho), sobre las cuales se enfocaran los resultados del anlisis
estadstico. La obtencin de datos relevantes y la comparacin racional de los mismos es la
forma de contrastar nuestras hiptesis sobre la salud y la enfermedad en la poblacin.
MEDIDAS DE ASOCIACIN
En esta seccin revisaremos los principios y mtodos estadsticos bsicos que ayudan a
los equipos locales de salud a establecer la presencia de una asociacin entre la exposicin a
un factor que se considera de riesgo y la ocurrencia de enfermedad en la poblacin. En
trminos estadsticos, se dice que dos variables estn asociadas cuando existe una relacin de
dependencia (usualmente de tipo matemtico) entre ambas; es decir, el cambio en una de ellas
necesariamente se acompaa del cambio en la otra (covariacin).
Asociacin: Relacin de dependencia estadstica entre dos o ms

eventos, caractersticas u otras variables. Una asociacin est
presente si la probabilidad de ocurrencia de un evento depende de la
ocurrencia de otro u otros.
En epidemiologa, la aplicacin del trmino 'asociacin' siempre implica la intencin de
establecer una relacin de causa a efecto entre una exposicin y una enfermedad o evento en
salud. Sin embargo, debe tenerse presente que una asociacin puede ser fortuita o 'espuria' o
puede ser producida por varias circunstancias y, por tanto, la presencia de una asociacin
estadstica no necesariamente implica una relacin causal.
53
Por otra parte, un factor de riesgo es un aspecto del comportamiento o estilo de vida
personal, constitucin gentica o hereditaria o exposicin ambiental que, con base en la
evidencia epidemiolgica disponible, se sabe que est asociado a condiciones relacionadas
con la salud consideradas importantes de prevenir. Desde el punto de vista epidemiolgico, lo
ms importante de un factor de riesgo es que sea identificable, cuantificable y, en lo posible,
modificable antes de la ocurrencia del hecho que predice. Los factores de riesgo son
indicadores o marcadores del riesgo de enfermar en la poblacin aunque, debe tenerse
presente que el hallazgo de un factor de riesgo no necesariamente implica que sea un factor
causal.
Factor de Riesgo: Caracterstica o circunstancia detectable en
individuos o grupos asociada con una probabilidad incrementada de
experimentar un dao o efecto adverso a la salud. En general un factor
de riesgo es un atributo o exposicin que incrementa la probabilidad de
ocurrencia de una enfermedad u otro dao a la salud.
Los aspectos que hemos revisado en la primera mitad de esta Unidad corresponden al
campo de la llamada estadstica descriptiva: la descripcin cuantitativa de la frecuencia y
distribucin de los fenmenos de salud y enfermedad observados en la poblacin. La utilidad
de presentar los datos resumidos en buenos cuadros y grficos radica en permitir hacer
inferencias sobre los determinantes de la situacin de salud observada en la poblacin y
proceder con cierto nivel de confianza a intervenir sobre ellos.
La estadstica es la ciencia matemtica que proporciona a la epidemiologa los
elementos bsicos para el tratamiento cientfico de la informacin numrica en salud. El
anlisis epidemiolgico usa procedimientos estadsticos diseados para estimar la
probabilidad de que una conclusin acerca de la poblacin de referencia, basada en el anlisis
de datos de una porcin de ella (muestra) o en la comparacin con otra poblacin, sea correcta
o verosmil; esto corresponde a llamada estadstica inferencial.
En la prctica, para explorar una posible asociacin entre exposicin y enfermedad se
requiere de tres elementos: dos grupos comparables de la poblacin, una medida de la variable
exposicin para cada grupo y una medida de la variable enfermedad en cada grupo. En
general, las variables epidemiolgicas de exposicin y de enfermedad son continuas o
discretas y sus medidas se resumirn en promedios o en proporciones. La situacin ms
comn en los servicios de salud es la comparacin de dos proporciones. Por ejemplo, para
evaluar la asociacin entre ingreso econmico y tuberculosis, podramos comparar dos
proporciones: incidencia de tuberculosis entre los pobres y los ricos.
Las medidas de asociacin estadstica se basan en las llamadas pruebas de significancia (los
aspectos tericos relacionados con sus bases conceptuales escapan a los propsitos de este
material. Para una breve introduccin a ellos vea el Apndice al final de este mdulo). El
propsito de estas pruebas es determinar si la presencia de un factor de riesgo evaluado est
efectivamente relacionada con la frecuencia de la enfermedad. En dichas condiciones se
espera que la prevalencia de exposicin a dicho factor, sea razonablemente ms alta entre los
que han enfermado o sufrido un dao a la salud que en aquellos aparentemente sanos.
54
La bioestadstica posee una gran variedad de pruebas de significancia y otros recursos

analticos de potencial utilidad para la prctica epidemiolgica. Por otra parte, el desarrollo de
la informtica y las posibilidades tecnolgicas estn facilitando el acceso a un nmero cada
vez mayor de programas estadsticos de computadora. Dos paquetes populares en
epidemiologa de campo son el Epi-Info del CDC y la OMS y el Epi-Dat de la OPS y la Xunta
de Galicia. Es un hecho que el nivel de exposicin a esta tecnologa est aumentando y, por
ello, un conocimiento bsico del enfoque estadstico y epidemiolgico en los equipos locales
de salud es cada vez ms necesario para asegurar el uso racional y eficiente de tales recursos
tecnolgicos. Precisamente para familiarizar a los equipos locales de salud con las
aplicaciones de la bioestadstica, el MOPECE presenta a continuacin una de las pruebas de
significancia estadstica de mayor utilidad para la prctica epidemiolgica de campo.
Comparacin de dos Proporciones: La Prueba Chi Cuadrado
Para ejemplificar el uso de esta prueba estadstica, nos referiremos a continuacin a
una situacin en la que se evala si existe una asociacin estadsticamente significativa entre
ciertos tipos de ocupacin y el riesgo de contraer malaria en una poblacin.
En una localidad rural de 760 habitantes, situada en una zona malrica, se observ que,
en el ltimo ao, la incidencia acumulada de malaria en campesinos fue 88,2 por mil, mientras
que en la poblacin no campesina fue 55,8 por mil. De acuerdo al censo local ms reciente, en
la comunidad hay 204 campesinos. Interesa saber si la ocupacin campesino se asocia a la
malaria. Los datos que resumen la situacin descrita son:
campesino
nocampesino
Con
malaria
18
Sin
malaria
186
204
Ic = 18/204
Tasa
por mil
88,2
31
525
556
Inc= 31/556
55,8
49
711
760
Desde el punto de vista estadstico, interesa conocer si hay diferencia significativa

entre las dos medidas de incidencia acumulada. En este caso se puede aplicar una prueba de
significacin estadstica llamada Chi Cuadrado (X2), cuya formula es:
X2 = (O-E)2
E
En la frmula, "O" se refiere al valor observado en una celda y "E" a su valor
esperado. La frmula trabaja exclusivamente con las celdas centrales de un cuadro, en este
caso una tabla 2x2, y hace referencia a las frecuencias observadas en dichas celdas y las que
se esperara ocurrieran (valores esperados) si efectivamente no hubiera diferencia entre las
proporciones que se comparan. Los valores esperados para cada celda central se obtienen
multiplicando sus totales marginales correspondientes y dividiendo este producto por el gran
total. Por ejemplo, en la primera celda central (campesino con malaria), el valor observado es
55
18 y el valor esperado sera: (204x49)-- 760= 13,2. El cuadro de resultados para cada celda
quedara as:
campesino
no-campesino
Con malaria
18
13,2
31
35,8
49
Sin malaria
186
190,8
525
520,2
711
204
556
760
Reemplazando la formula,
X2 . (18 - 13,2)2 + (186 _ 190,8)2 + (31 - 35,8)2 + (525 - 520,2)2 = 2,56
13,2
190,8
35,8
520,2
El valor de chi cuadrado calculado de esta manera (observado) se compara con un
valor tabulado (esperado) tomado de la distribucin de probabilidades terica. Este valor
terico corresponde al que se esperara encontrar si los resultados observados ocurrieran
puramente por azar. A este valor terico se le llama valor crtico: si el valor observado es
mayor que el valor crtico se concluye que la diferencia observada no es debida al azar y se
dice que es estadsticamente significativa. El valor crtico indica el nivel de significancia de la
prueba, que expresa la probabilidad de que la diferencia observada haya ocurrido por azar.
Usualmente la probabilidad se fija en 5 % y se denota como p< 0, 05. El complemento
de esta probabilidad se llama nivel de confianza, en general, 95%. Con este valor de
confianza, el valor critico en una tabla de 2x2, con un grado de libertad (g.l.), es 3,84. Si el
valor observado es mayor, se concluye que existe asociacin entre exposicin y enfermedad,
estadsticamente significativa al nivel de 5% de significancia (95% de confianza). Los grados
de libertad de una tabla se refieren al nmero mnimo de celdas que se requieren para conocer
los valores de las otras celdas, dado que se conozcan los marginales. En la situacin analizada,
el valor observado (2,5 6) no rebasa el valor crtico, por tanto p> 0, 05. Se concluye entonces
que no se puede rechazar la hiptesis de no-diferencia (de nulidad).
La prueba de Chi cuadrado es ampliamente usada en epidemiologa, especialmente en
el anlisis de tablas W. Por ello, se ha desarrollado la siguiente frmula alternativa
simplificada:
Expuesto
no-expuesto
X2 =
n.(ad-bc)2
x
(a+c).(b+d).(a+b).(c+d)
Con enfermo
a
c
(a+c)
Sin malaria
B
d
(a+d)
(a+b)
(c+d)
n
56
que, aplicada a los datos de nuestro ejemplo, proporciona resultados similares:

X2 = 760[(18 x 525) - (186 x 3 l)2 = 2,61
49 x 711 x 204 x 556
(p> 0, 05)
La decisin sobre el nivel de confianza seleccionado depende de la situacin que se

analice; por las implicaciones que una decisin tenga, se querr tener un nivel de confianza
mayor o menor. Para servir a los distintos propsitos, existen varias alternativas. El Cuadro
3.14 presenta otros valores crticos de X2 para diferentes niveles de significancia.
Cuadro 3.14 Valores crticos de los estadgrafos Z y X2 a distintos niveles de
significancia y confianza estadsticas
Valores Crticos
Nivel de
significancia (p)
Prueba Z
Chi Cuadrado*
0,001
3,29
10.83
0,01
2,58
6.63
0,05
1,96
3.84
0,10
1,64
2.71
0,20
1,28
1.64
* con un grado de libertad (slo para tablas 2x2)
Nivel de
confianza
99,999
99,99
95,0
90,0
80,0
Ejercicio 3.5
Durante el otoo de 1990, en una localidad de Amrica del Norte, se report la inusual
ocurrencia de una enfermedad caracterizada por fiebre, nuseas, edema, dificultad para
respirar, taquicardia y, sobre todo, intensos dolores por contractura muscular, acompaada de
una marcada elevacin del nmero de eosinfilos, un tipo especial de glbulos blancos que
actan sobre ciertos procesos alrgicos. En menos de un ao se haban reportado ms de 1.500
casos de Sndrome Eosinofilia-Mialgia. Los estudios epidemiolgicos implicaron al consumo
de triptofano, un importante aminocido en la dieta humana, como responsable de la
enfermedad; en especial asociado al consumo de un producto popular para combatir la
depresin, el insomnio y el sndrome premenstrual.
Pregunta 1. Analice los siguientes datos y evale si existe una diferencia estadsticamente
significativa en la incidencia de enfermedad entre los dos grupos estudiados segn la
exposicin a triptofano. Emplee una prueba estadstica apropiada. Utilice un nivel de
significancia igual a 0.05. Interprete los resultados en trminos de una hiptesis nula (de nodiferencia)
expuestos
no-expuestos
Nmero
30
36
57
Incidencia (%)
66,7
22,2
MEDIDAS DE LA FUERZA DE ASOCIACIN

A diferencia de las llamadas pruebas de significancia estadstica, tiles porque
determinan la presencia de una asociacin entre dos variables, la epidemiologa propone el
uso de dos medidas bsicas que cuantifican la fuerza de esa asociacin: el riesgo relativo y la
OR (la OR proviene del ingles ODDS RATIO que ha sido traducido como: razn de productos
cruzados, razn de posibilidades u oportunidad relativa). En esta Unidad revisaremos los
conceptos bsicos sobre estas medidas de anlisis epidemiolgico y en la Unidad 5 las
veremos en el contexto de la investigacin epidemiolgica de factores de riesgo de
enfermedad, que es donde adquieren especial relevancia.
Riesgo relativo
Como vimos anteriormente, la incidencia de una enfermedad en una poblacin y
perodo determinados (incidencia acumulada y la tasa de incidencia) nos proporciona una
medida del riesgo absoluto de padecer la enfermedad en esa poblacin.
Riesgo Absoluto: Incidencia de enfermedad u otro evento de inters
en la poblacin 1 grupo poblacional; cuantifica la probabilidad de
experimentar dicha enfermedad o evento.
La comparacin de dos medidas de incidencia de una enfermedad, es decir, dos riesgos
absolutos, permite detectar un posible exceso de riesgo en un grupo con relacin a otro. En
epidemiologa es de particular inters comparar la ocurrencia de enfermedad entre un grupo
expuesto a un factor considerado de riesgo respecto a otro no expuesto. Las pruebas
estadsticas ayudan a detectar el exceso de riesgo entre ambos grupos, el riesgo relativo
permite cuantificar la magnitud de tal exceso y mide la fuerza de la asociacin entre
exposicin y enfermedad. Para calcular el riesgo relativo de una enfermedad con relacin a
una exposicin, se requiere una medida del riesgo absoluto entre los expuestos a un factor de
riesgo y una medida del riesgo absoluto entre los no expuestos a tal factor, es decir, la
incidencia en expuestos y la incidencia en no expuestos. Conviene tener presente que nos
referimos a la incidencia de una enfermedad especfica y a la exposicin a un factor de riesgo
especfico.
58
La epidemiologa dispone de una serie de diseos de estudios para observar cundo

existe una asociacin entre la exposicin a un factor y el desarrollo subsecuente de una
enfermedad. Entre estos diseos, los estudios de cohortes y caso-control no slo demuestran si
esa asociacin existe sino cun fuerte es. Los datos obtenidos a partir de estos estudios
observacionales se disponen usualmente en una tabla 2x2, llamada as por la naturaleza
dicotmica de las variables de exposicin y de enfermedad, como la que se muestra a
continuacin:
Cuadro 3.15 Tabla 2x2
expuesto
no expuesto
Caso
a
c
a+c
No caso
b
d
b+d
a+b
c+d
a+b+e+d
Convencionalmente, las columnas de la tabla 2x2 representan la presencia o ausencia

de enfermedad y las filas la presencia o ausencia de exposicin. En los estudios de cohortes se
parte de dos grupos de sujetos sin la enfermedad, uno expuesto a un determinado factor que se
sospecha de riesgo y otro no expuesto al factor, y se observa el desarrollo posterior de la
enfermedad en ambos grupos, durante un tiempo de seguimiento. De esta manera, en los
estudios de cohortes la tabla 2x2 (Cuadro 3.15) tiene los siguientes componentes:
a = expuestos al factor de riesgo que durante el seguimiento desarrollaron la enfermedad
b = expuestos al factor de riesgo que durante el seguimiento no desarrollaron la enfermedad
c = no expuestos al factor de riesgo que durante el seguimiento desarrollaron la enfermedad
d = no expuestos al factor de riesgo que durante el seguimiento no desarrollaron la
enfermedad
a + c = total de sujetos que durante el seguimiento desarrollaron la enfermedad
b + d = total de sujetos que durante el seguimiento no desarrollaron la enfermedad
a + b = total de sujetos expuestos al factor de riesgo
e + d = total de sujetos no expuestos al factor de riesgo
El riesgo relativo (RR), como medida de fuerza de asociacin, se obtiene a partir de los
estudios de cohortes, ya que su diseo nos permite calcular la incidencia de la enfermedad en
ambos grupos. El riesgo relativo es una razn de incidencias, o sea el cociente entre la
incidencia de enfermedad en los expuestos y la incidencia en los no expuestos al supuesto
factor de riesgo. Es decir,
riesgo relativo = incidencia en expuestos
incidencia en no expuestos
y, en la tabla 2x2, esto es:
RR= IE =a/a + b
IE = c/c+d
59
Riesgo relativo: Razn entre el riesgo de enfermar o morir

entre los expuestos al riesgo y el riesgo de enfermar o morir
entre los no expuestos al riesgo.
Un RR igual a la unidad (RR=1) se interpreta como la ausencia de asociacin entre exposicin

y enfermedad (el riesgo de enfermar es similar en ambos grupos); un RR mayor de 1 (RR>1)
indica mayor riesgo en los expuestos (la exposicin est asociada a la enfermedad y es un
factor de riesgo); un RR menor de 1 (RR<1) indica menor riesgo en los expuestos (la
exposicin est asociada a la enfermedad y es un factor protector). La magnitud del RR
cuantifica lafuerza de asociacin entre la exposicin y la enfermedad; as un RR igual a 3,5
expresa una asociacin ms fuerte entre exposicin y enfermedad que, por ejemplo, un RR
igual a 1,4; o un RR igual a 0,2 indica una asociacin ms fuerte que un RR igual a 0,7.
Consideremos el siguiente un ejemplo. Entre 1950 y 1952, los doctores Dawber, Meadors y
Moore del Servicio de Salud Pblica de los EE.UU. seleccionaron 5.127 varones y mujeres
sanos, de 30 a 59 aos, residentes de Framingham, Massachusetts, a quienes desde entonces se
ha venido estudiando prospectivamente con el fin de observar la relacin entre una serie de
factores de riesgo y el desarrollo de enfermedad cardiaca coronaria. Como parte del Estudio
del Corazn de Framingham, el Cuadro 3.16a presenta la situacin observada al decimosexto
ao de seguimiento de un grupo de 1. 112 varones, sanos y de 3 5 a 44 aos de edad al inicio
del estudio, con relacin al desarrollo de enfermedad cardiaca coronaria segn su exposicin a
tres factores de riesgo seleccionados.
Cuadro 3.16 Exposicin a factores de riesgo y enfermedad cardiaca coronarla (ECC).

Seguimiento de 16 aos a varones de 3544 aos de edad. Framingham, EE.UU.
Cohorte
expuestos
No expuestos
Hipertensin
Total
ECC
22
12
1.090
206
Cardiomegalia
Total
ECC
111
41
1.001
177
Tabaquismo
Total
ECC
800
181
312
37
Veamos el primer factor de riesgo estudiado: hipertensin (definida aqu como presin
arterial sistlica igual o mayor a 180 minHg). De acuerdo a los datos, de los 1. 112 varones al
inicio del estudio, 22 tenan hipertensin (estaban expuestos) y 1.090 no la tenan (no estaban
expuestos). Diecisis aos despus, 12 de los expuestos y 206 de los no expuestos (i.e., 218
casos) haban desarrollado enfermedad cardiaca coronaria (ECC). Esto quiere decir que el
riesgo absoluto de enfermar con ECC entre quienes tienen hipertensin es:
60
Incidencia en expuestos:
1,2 x 1.000 = 545,5 por 1.000 expuestos

22
Y el riesgo absoluto de enfermar con ECC entre quienes no tienen hipertensin es:
Incidencia en no expuestos:
206 x 1.000 = 189,0 por 1.000 no expuestos

1.090
Ahora podremos comparar ambos riesgos absolutos y determinar el exceso de riesgo

como una razn de tasas. As, el riesgo relativo ser:
Riesgo relativo: = 545,5 = 2,89
189,0
Esto es, los individuos hipertensos tienen 2,89 veces el riesgo de enfermar con ECC
que el de los individuos no hipertensos. Dicho de otro modo, la exposicin al factor de riesgo
incrementa 1,89 veces el riesgo de desarrollar la enfermedad. As, el riesgo relativo indica
cunto ms riesgo tienen los expuestos en relacin con los no expuestos.
Examinemos el siguiente ejemplo. En la ltima quincena de mayo de 1991 se present
un intenso brote de clera en tres caseros aledaos de la selva amaznica (poblacin 1.761
habitantes), que afect a 125 personas y provoc la muerte de 7 de ellas. Durante la primera
semana de junio se hizo una encuesta rpida en toda la poblacin sobre su exposicin a un
conjunto de supuestos factores de riesgo. El Cuadro 3.17 presenta los resultados con relacin
al consumo de ciertos productos que, se sospechaba, podran estar implicados en el brote.
Cuadro 3.17 Brote de clera en tres caseros rurales, selva amaznica; junio 1991.
Supuesto factor de
Enfermaron (n=125)
riesgo
Expuestos No expuestos
No enfermaron (n=1.636)
Expuestos No expuestos
agua no tratada
111
14
1.093
543
pescado crudo
118
14
1.622
pescado cocinado
17
108
198
1.438
arroz recalentado
47
78
522
1.114
tamal de arroz
24
101
272
1.364
fruta sin lavar
71
54
683
953
De lo que se trata es de determinar si existe alguna asociacin entre la exposicin a los

supuestos factores de riesgo y la presencia de clera en la poblacin. Para ello procedemos a
construir una tabla 2x2 para cada uno de los supuestos factores de riesgo, a saber:
Agua no tratada
expuesto
no expuesto
Caso
111
14
125
No caso
1.093
543
1.636
1.204
557
1.761
Pescado crudo
expuesto
no expuesto
Caso
7
118
125
No caso
14
1.622
1.636
21
1.740
1.761
Pescado cocinado
expuesto
no expuesto
Caso
17
108
125
No caso
198
1.438
1.636
215
1.546
1.761
Arroz recalentado
expuesto
no expuesto
Caso
47
78
125
No caso
522
1.114
1.636
61
569
1.192
1.761
Tamal de arroz
expuesto
no expuesto
Caso
24
101
125
No caso
272
1.364
1.636
296
1.465
1.761
Fruta sin lavar

expuesto
no expuesto
Caso
71
54
125
No caso
683
953
1.636
754
1.007
1.761
Ahora podremos calcular ms fcilmente las medidas de asociacin. Asumiendo que este es un
estudio de cohorte. Por tanto, los riesgos relativos en cada exposicin seran los siguientes:
111
RRagua no tratada = 1.204 = 1,092 = 1,68
14
0,025
557
47
RRarroz recalentado = 569 = 0,083 = 1,28
78
0,065
1.192
7
RRpescado crudo = 21 = 0,333 = 4,90
118 0,068
1.740
24
RRtamal de arroz = 296 = 0,081 = 1,17
101 0,069
1.465
62
17
RRpescado cocinado = 215 = 0,079 = 1,13
108
0,070
1.546
71
RRfruta sin lavar = 754 = 0,094 = 1,74
54 0,054
1.007
Parece claro que la exposicin que se asocia con ms fuerza al hecho de enfermar es el
consumo de pescado crudo, as como el consumo de agua no tratada. El riesgo relativo de
4,90 nos indica que la probabilidad de desarrollar clera fue 3.90 veces mayor en los sujetos
que consumieron pescado crudo que en los que no lo consumieron. El riesgo de presentar
clera fue tambin casi tres veces mayor en aquellos que consumieron agua no tratada que en
aquellos que no la consumieron. A la vista de los restantes riesgos relativos, esta evidencia
apunta hacia una implicacin causal de estos productos en el brote de clera en estas
comunidades amaznicas.
63
Ejercicio 3.6
A fin de cuantificar la asociacin entre la exposicin de mujeres gestantes a una serie
de supuestos factores de riesgo y la presencia de bajo peso al nacer (BPN) en sus productos,
entre mayo y septiembre de 1996 se realiz un estudio epidemiolgico en la Provincia N de un
pas de Amrica del Sur. Se defini como enfermo a toda madre que haya parido un nio/a
con BPN (menos de 2.500 gramos) y como no enfermos a toda madre que haya parido un
nio/a sin BPN. Se seleccionaron 1.556 enfermos y 16.910 no enfermos, registrados entre
1988 y 1995 en la base de datos del sistema informtico perinatal disponible en dicha
provincia. El Cuadro 3.18 presenta un extracto de los resultados de dicho estudio.
Cuadro 3.18 Prevalencia de exposicin (%) a factores de riesgo de bajo peso al nacer.
Estudio epidemiolgico; Provincia N, Amrica del Sur; 1988-1995.
Factor de riesgo
Enfermo No enfermo
(n=1.556) (n=16.910)
madre adolescente (menor de 17 aos)
13,1
7,1
enfermedad de la placenta
24,4
7,2
sin atencin prenatal
15,6
2,1
atencin prenatal tarda (a partir del 5 mes)
56,8
31,0
a)
Disponga apropiadamente los datos en tablas W y cuantifique la correspondiente
asociacin entre exposicin y enfermedad.
b) Interprete y sintetice sus resultados.

_____________________________________________________________
______________________________________________________________
64
Apndice estadstico - epidemiolgico

En esta seccin se ofrecen elementos adicionales para el anlisis epidemiolgico, los
cuales pueden consultarse posteriormente. Estos incluyen pruebas de significancia estadstica,
estimacin de intervalos de confianza, mtodos para el anlisis de impacto de factores de
riesgo en la poblacin y mtodos para el control de factores que pueden distorsionar la
comparacin entre poblaciones.
Comparacin de dos promedios: La Prueba Z
Despus de un brote de malaria, un centro de salud realiza un programa de tamizaje en
el cual 150 frotis sanguneos de nios de 1 a 4 aos de edad son examinados para detectar la
presencia de parsitos Plasmodium falciparum. Se encontraron 70 lminas positivas y el nivel
promedio de hemoglobina en esos nios fue 10,6 g/dL, con una desviacin estndar de 1,4
g/dL. El nivel promedio de hemoglobina en los 80 nios con lminas negativas fue 11,5 g/dL,
con una desviacin estndar de 1,3 g/dL. El centro de salud estaba interesado en saber si la
infeccin por P falciparum disminuye los niveles de hemoglobina en los nios de la
comunidad. Los datos que resumen la situacin descrita son:
tamao del grupo (n)

promedio (x )
desviacin estndar (DE)
Nios con malaria

(grupo 1)
70
10,6
1,4
Nios sin malaria

(grupo 2)
80
11,5
1,3
Desde el punto de vista estadstico, el inters del centro de salud consiste en saber si
existe o no diferencia entre los promedios de hemoglobina observados en los dos grupos de
nios. En este caso podemos usar una prueba de significacin estadstica llamada Prueba Z,
cuyo estadgrafo es:
Segn esta prueba, el valor crtico del estadgrafo Z para un nivel de significancia de
0.05 (5%) es 1,96. Si el valor de Z calculado es mayor que el Z crtico (1,96), se rechaza la
hiptesis nula y se concluye que la diferencia observada es estadsticamente significativa con
95% de confianza (p<0,05). Reemplazando,
65
El resultado es significativo al nivel 0,05 (5%), puesto que 4,06 es mayor que 1,96 (en
esta prueba se considera el valor absoluto). En consecuencia, se puede afirmar con 95% de
confianza que la infeccin por P falciparum disminuye los niveles de hemoglobina en los
nios afectados. El Cuadro 3.14 (ver pag. 56) presenta otros valores crticos de Z para
diferentes niveles de significancia. Esta prueba se emplea slo cuando ambas muestras son
grandes (>30 en cada grupo) (de otro modo se suele aplicar la prueba t de Student, no tratada
en este Mdulo).
Comparacin de dos proporciones: La Prueba Chi Cuadrado
Como se indica en secciones previas, el propsito de las pruebas de significancia
estadstica es determinar si la presencia de un factor de riesgo evaluado est efectivamente
relacionada con la frecuencia de la enfermedad y no es debida a los efectos del azar.
El despliegue de datos para el anlisis estadstico en una Tabla de 2x2 sera de la
siguiente forma:
Cuadro 3.19 Tabla W de un estudio para evaluar la asociacin entre la exposicin a un
factor de riesgo y una enfermedad o dao a la salud
Expuesto
No expuesto
Enfermo
a
c
a+c
Sano
b
d
b+d
a+b
c+d
n
a = enfermos expuestos
b = sanos expuestos
c = enfermos no expuestos
d = sanos no expuestos
a + c = total de enfermos
b + d = total de sanos
a + b = total de expuestos
c + d = total de no expuestos
n = total de casos y controles (a + b + c + d)
A partir de esta tabla, la asociacin entre exposicin y enfermedad se explora
estadsticamente con la prueba de Chi cuadrado, cuya frmula es la que sigue:
66
donde "O" es el valor observado y "E" el valor esperado para cada una de las celdas del
cuadro. El valor observado de obtiene de multiplicar los totales marginales de cada celda,
dividindolo luego entre el total del cuadro. De tal manera, el valor esperado para la celda "a"
se calculara como: (a+c)(a+b)/n. El valor de la diferencia entre 440" y "E" se eleva al
cuadrado para eliminar los valores negativos (que cancelaran los valores positivos).
Siguiendo una hiptesis de no-diferencia (nula) en la frecuencia de enfermedad dada una
exposicin, se esperara que los valores observados y esperados fueran similares.
Existe una frmula alternativa para el clculo de Chi cuadrado, que produce resultados
similares, que es como sigue:
X2 =
n.(ad - bc)2
(a + c).(b+d) .(a + b).(c + d)
El valor de chi cuadrado calculado de esta manera (observado) tambin se compara

con un valor tabulado (esperado), tomado de la distribucin de probabilidades terica y que
corresponde al valor que se esperara encontrar si los resultados observados ocurrieran
puramente por azar. A este valor se le llama valor crtico: si el valor observado es mayor que
el valor crtico se concluye que la diferencia observada no es debida al azar y se dice que es
estadsticamente significativa. El valor crtico indica el nivel de significancia de la prueba, que
expresa la probabilidad de que la diferencia observada haya ocurrido por azar. Usualmente
esta probabilidad se fija en 5% y se denota como p<0,05. El complemento de esta
probabilidad se llama nivel de confianza, en general, 95%. Para decidir sobre la significancia
estadstica de la asociacin observada o la diferencia en la frecuencia de exposicin, se toma
como base el valor estadstico del Chi cuadrado calculado. Segn esta prueba, el valor crtico
del estadgrafo X2 para un nivel de significancia de 0,05 (5%) es 3,84 (que corresponde al
llamado X2 con un grado de libertad, especfico para tablas 2x2). Si el valor de X2 calculado
es mayor que el X2 crtico (3,84), se rechaza la hiptesis nula y se concluye que la diferencia
observada es estadsticamente significativa con 95% de confianza (p<0,05).
Esta confianza es estadstica, porque expresa la seguridad relativa con la que se toma
una decisin estadstica: decir que hay o no hay diferencia entre dos grupos observados, en
funcin de la influencia del azar. Esta decisin, en estadstica, corresponde a rechazar o
aceptar la hiptesis nula o de no-diferencia.
Intervalos de confianza para promedios y proporciones
Un procedimiento alternativo o complementario de la inferencia estadstica para
estimar el grado de incertidumbre que rodea a los estimadores de los parmetros poblacionales
es el cmputo de sus intervalos de confianza. Su comparacin directa, incluso, puede ser tanto
o ms informativa que los valores p del nivel de significancia para decidir si una diferencia
entre los estimadores (promedios o proporciones) es o no estadsticamente significativa.
67
En su forma general, un intervalo de confianza es simtrico respecto del estimador que

contiene; es decir que se construye sumando y restando una misma cantidad al promedio o la
proporcin observada en la poblacin estudiada. Esa cantidad se llama error de muestreo y
corresponde al producto del error estndar del estimador y un valor crtico del estadgrafo
correspondiente, que suele ser el valor de Z para un nivel de confianza de 95% (1,96). As,
Intervalo de confianza = estimador Z95% x error estndar (E.S.)
error de muestreo
El error estndar es el mismo que se emplea en las pruebas de significancia estadstica
y, como hemos visto, es una expresin de la variacin o variabilidad entre los individuos en
las muestras de la poblacin. Ms concretamente, el error estndar representa la desviacin
estndar de una distribucin de muestras repetidas de la misma poblacin. Imaginemos que en
una misma poblacin se repite 100 veces el mismo estudio para determinar el perodo de
incubacin promedio, en das, de la difteria. Cada estudio resumir sus resultados en dos
medidas: el promedio y la desviacin estndar del perodo de incubacin de la difteria. As,
tendremos 100 promedios y 100 desviaciones estndar de lo mismo. Si hacemos un grfico de
los 100 promedios obtenidos, veremos que stos siguen una distribucin normal y, por lo
tanto, esta distribucin de muestras tendr tambin un promedio y una desviacin estndar.
Este promedio es un promedio de promedios y esa desviacin estndar es, precisamente, el
error estndar; ambos representan los verdaderos parmetros poblacionales del perodo de
incubacin de la difteria. El error estndar es una medida de gran importancia en la teora
muestral; en la prctica se expresa como una relacin entre la dispersin de los datos
observados y el tamao de la muestra estudiada.
El intervalo de confianza as construido indica el rango en el que, con una probabilidad
conocida, el verdadero parmetro poblacional estudiado est contenido. Por ejemplo, si un
estudio sobre el perodo de incubacin de la difteria reportara que el promedio es 3,5 das y el
Intervalo de Confianza al 95% (IC95%) es 2,4-6,1 das, lo que estn diciendo los autores es:
"si bien nuestro resultado puntual es 3,5 das en promedio, reconocemos que ste es un
estimado y por lo tanto est sujeto a error aleatorio; no obstante, tenemos 95% de confianza
que el verdadero tiempo de incubacin de la difteria est entre 2,4 das y 6,1 das". En otras
palabras, se est diciendo que si se repitiera 100 veces el mismo estudio, en 95 de las veces el
promedio obtenido estar entre 2,4 y 6,1 das, o sea el intervalo de confianza, pero en 5 de las
veces podr estar fuera de dicho intervalo. De esta manera, el intervalo de confianza cuantifica
de manera explcita la inherente imprecisin de los datos.
El IC95% del promedio de hemoglobina en el grupo de nios con malaria (Pg. 64)
ser:
68
Li= 11,2g/dL ; Ls = 11,8g/dL.

El Grfico 3. 10 compara visualmente ambos grupos de poblacin en funcin de sus
respectivos intervalos de confianza. El hecho de observar que sus rangos no se superponen
entre s (el lmite superior de uno y el lmite inferior de otro "no se tocan") sugiere que hay
diferencia estadsticamente significativa entre ambos, en correspondencia con los resultados
de la prueba de significancia empleada (Prueba Z).
p 1,96.
p.(1 - p)
n
69
Li = 0,0493 (49,3 por mil); Ls =0,1271 (127,1 por mil).

Obsrvese que la proporcin p en la frmula se expresa en tanto por uno (o sea, va de 0 a l);
los resultados se multiplican por 1.000 para expresarlos como tasas por mil.
El Grfico 3.11 compara visualmente ambos grupos de poblacin en funcin de sus

respectivos intervalos de confianza. El hecho de observar que sus rangos se superponen entre
s (el lmite superior de uno y el lmite inferior de otro "se tocan") sugiere que no hay
diferencia estadsticamente significativa entre ambos, en correspondencia con los resultados
de la prueba de significancia empleada (Chi cuadrado). Adems, obsrvese la longitud del
recorrido del intervalo de confianza para la incidencia en campesinos: la amplitud de un
intervalo de confianza tambin informa sobre la precisin del estudio; los intervalos amplios
indican pobre precisin muestral.
La estimacin de intervalos de confianza es un procedimiento bsico para documentar el

grado de precisin de nuestros resultados. Los mtodos que hemos revisado son los ms
comunes y tiles en la prctica cotidiana de la epidemiologa. Sin embargo, debe sealarse
que existe una amplia variedad de tcnicas para la estimacin de intervalos de confianza de
distintos parmetros poblacionales, como los intervalos de confianza de una diferencia de
promedios, de una diferencia de proporciones; riesgos relativos, razones de posibilidades y
otras importantes mediciones en salud. Aunque el desarrollo de estos clculos no es parte de
70
los objetivos del MOPECE, los principios bsicos que ha descrito sobre la construccin de
intervalos de confianza se aplican universalmente para tales casos.
Razn de Posibilidades (Odds Ratio)
Como acabamos de ver, para calcular el riesgo relativo necesitamos la incidencia de la
enfermedad en expuestos y no expuestos y stas se obtienen de un estudio de cohortes. Ms
frecuentemente, cuando necesitamos identificar asociacin entre exposicin y enfermedad
sucede que nos encontramos ante una serie de sujetos que ya presentaron la enfermedad. En
tal situacin podemos recurrir a un estudio caso-control, en el cual se compara la historia de
exposicin de los enfermos con la de un grupo de sujetos similares, pero sanos, al que se llama
6grupo control o testigo'. El diseo caso-control es muy verstil y popular en el campo y es
uno de los estudios que nos permite obtener una medida denominada razn de posibilidades
(razn de productos cruzados, razn de ventajas, razn de suertes, razn de momios, odds
ratio), anloga al riesgo relativo, que estima el exceso de riesgo.
En los estudios caso-control se parte de dos grupos de sujetos, uno con la enfermedad
y otro sin ella, y se investiga si haban estado Previamente expuestos al factor de riesgo. As,
en los estudios caso-control la tabla 2x2 (Cuadro 3.20) tiene los siguientes componentes
Cuadro 3.20 Tabla 2x2
Expuesto
No expuesto
Caso
a
c
a+c
No caso
b
d
b+d
a+b
c+d
n
a = enfermos (casos) que estuvieron expuestos al factor de riesgo

b = no enfermos (controles) que estuvieron expuestos al factor de riesgo
c = enfermos (casos) que no estuvieron expuestos al factor de riesgo
d = no enfermos (controles) que no estuvieron expuestos al factor de riesgo
a + c = total de sujetos enfermos (casos)
b + d = total de sujetos no enfermos (controles)
a + b = total de sujetos que estuvieron expuestos al factor de riesgo
c + d = total de sujetos que no estuvieron expuestos al factor de riesgo
En su original acepcin inglesa (odds ratio), la razn de posibilidades literalmente significa
"razn de odds. Para comprender mejor su significado, debemos revisar, una vez ms, el
trmino probabilidad. La definicin frecuentista nos dice que la probabilidad de la ocurrencia
de un evento, indica la frecuencia relativa lmite con que dicho evento tendr lugar a largo
plazo, en pruebas repetidas en condiciones similares (Colton, 1975). El trmino frecuencia
relativa implica que el valor numrico de cualquier probabilidad se sita entre 0 y 1.
71
Como hemos visto a lo largo de esta Unidad, la probabilidad se utiliza a menudo para
cuantificar la frecuencia esperada de ciertas caractersticas de inters, bajo condiciones de
incertidumbre como, por ejemplo, el porcentaje de individuos en quienes se espera est
presente un riesgo o una enfermedad concretos. Esta misma informacin est contenida en
otra medida, relacionada con la probabilidad, pero que se expresa de forma diferente. Se trata
del odds. El odds (o 'ventaja') se define como la probabilidad de que ocurra un evento dividida
entre la probabilidad de que no ocurra, es decir, el odds viene a ser una razn de
probabilidades complementarias. Esto es,
odds
probabilidad del evento

1 - probabilidad del evento
Por ejemplo, es lo mismo decir que nuestro equipo de ftbol tiene una probabilidad de
80% de ganar su partido del domingo que decir que su odds es 4 a 1 para esa ocasin
(Fletcher, 1998). 0, como seala Last en su Diccionario, si 60 fumadores desarrollan tos
crnica y 40 no, el odds entre estos 100 fumadores en favor de desarrollar tos es 60:40, o 1,5;
en contraste, la probabilidad de que estos fumadores desarrollen tos es 60/100 o 0,6.
En un estudio caso-control se definen los odds en favor de la exposicin al factor de
riesgo. As, en los casos, el odds de haber estado expuesto ser:
oddscasos = a/a + c = a
c/a + c c
y, en los controles, ser:
oddscontroles = b/b + d = b
d/b + d d
De esta manera, la razn de posibilidades (OR) no es sino la razn o cociente entre los
odds, en favor de la exposicin de los casos y de los controles; es decir:
OR = a/a + c c/a = a/c = ad

b/b + d/d/b + d /b bc
Razn de posibilidades: Es el cociente entre dos odds. Se define de
forma diferente segn la situacin de que se trate. En un estudio caso
control, la razn de posibilidades (OR) es el cociente entre las ventajas
O (odds) a favor de la exposicin en los casos (a/c) y los controles (b/d)
(OR de exposicin). En un estudio de cohortes o un estudio transversal,
el OR es el cociente entre las ventajas (odds) a favor de la enfermedad
en los expuestos (a/b) y los no expuestos (c/d) (OR de enfermedad). En
ambos casos el clculo queda reducido a ad/bc.
72
La razn de posibilidades de los estudios caso-control proporciona una medida que es

conceptual y matemticamente anloga al riesgo relativo de los estudios de cohortes. Desde
un punto de vista ms prctico, el OR, corresponde a la razn de productos cruzados en una
tabla 2x2, como la presentada en esta Unidad y se calcula mediante la siguiente frmula:
OR = axd
bxc
Esta medida de fuerza de asociacin tiene la misma interpretacin que el riesgo
relativo y en determinadas circunstancias (de baja frecuencia de la enfermedad) constituye una
buena aproximacin de ste. As, un OR igual a 1 (OR=1) indica ausencia de asociacin
exposicin enfermedad; un OR mayor de 1 (OR>l) indica exposicin de riesgo y un OR
menor de 1 (OR<1) efecto protector.
Retomando nuestro ejemplo sobre el clera en la Amazona, asumamos que la
situacin corresponde a un diseo caso-control, como podra ser si se tratara de consultas en
nuestro centro de salud. En tal situacin, los casos seran todos los enfermos con clera
atendidos en el centro de salud y los controles, por ejemplo, todos los otros pacientes
atendidos por otra causa. Aunque as ya no podemos calcular la incidencia, s podemos medir
la fuerza de asociacin entre exposicin y enfermedad por medio de la razn de posibilidades
(OR), a saber:
ORagua no tratada =111x543 = 60,273 = 3,94

1.093 x 14 15302
ORarroz recalentado = 47 x 1.114 = 52.358 = 1,29

522 x 78 40.716
ORpescado crudo = 7 x 1.622 = 11.354 = 6,87

l4x 118
1.652
ORtamal de arroz = 24 x 1.364 = 32.736 = 1,19

272 x 101
27.472
ORpescado cocinado = 17x1.438 = 24.446 = 1,14 ORfruta sin lavar = 71 x 953 = 67.663 = 1,83
198 x 108 21.384
683 x 54 36,882
Si comparamos la fuerza de asociacin medida con el RR y con el OR apreciaremos
que las diferencias observadas no cambian la conclusin acerca de las exposiciones que
parecen estar causalmente implicadas en la propagacin del clera en la comunidad.
Conviene reiterar que tanto el riesgo relativo como la razn de posibilidades, miden el
exceso de riesgo en los expuestos con respecto a los no expuestos a un determinado factor y
ambos tienen como punto de referencia la unidad (RR=1 OR=1). As, un RR u OR igual a 2,
por ejemplo, no significa que los expuestos tengan dos veces ms riesgo que los no expuestos,
sino una vez ms, es decir, los expuestos tienen el doble de riesgo de los no expuestos (100%
ms riesgo); un RR u OR igual a 1,5 significa que los expuestos tienen 0,5 veces ms riesgo
que los no expuestos (o sea, 50% de exceso de riesgo).
73
MEDIDAS DE IMPACTO POTENCIAL
RIESGOS ATRIBUIBLES
La comparacin de dos medidas de incidencia acumulada, como se ha sealado,
permite cuantificar el exceso de riesgo entre dos grupos con diferente nivel de exposicin al
factor de inters. Este exceso de riesgo se puede medir en dos direcciones: la razn de tasas,
dividindolas para obtener el riesgo relativo, o la diferencia de tasas, restndolas, en cuyo caso
obtendremos el llamado riesgo atribuible en expuestos, es decir:
riesgo atribuible en expuestos = incidencia en expuestos - incidencia en no expuestos
RAE = IE IE
En el ejemplo de Framingham, el riesgo atribuible en expuestos (hipertensos) ser:
riesgo atribuible en expuestos: 545,5 - 189,0 = 356,5 por 1.000 expuestos
que es la tasa de enfermedad ECC en los expuestos que se considera debida o atribuible a la
exposicin, es decir, al hecho de ser hipertensos. En otras palabras, si los individuos expuestos
dejaran de ser hipertensos (esto es, si se eliminase su exposicin al factor de riesgo), su riesgo
absoluto original (545,5 por 1.000) quedara reducido solamente al riesgo absoluto de los no
expuestos (189,0 por 1.000); este exceso de riesgo (356,5 por 1.000) de enfermar con ECC se
atribuye a la hipertensin.
En forma anloga, el riesgo atribuible en la poblacin (RAP), es la magnitud
absoluta de incidencia de enfermedad que se atribuye a la exposicin, ya no slo en los
expuestos sino en el conjunto de la poblacin. El RAP es la diferencia entre la incidencia en la
poblacin Qp) y la incidencia en los no expuestos; es decir:
riesgo atribuible en la poblacin, RAP: Ip IE
En el ejemplo de Framingham, podemos determinar que la incidencia de ECC en la
poblacin fue 196,0 por mil personas (218 casos en 1. 112 personas). El RAP ser:
riesgo atribuible en la poblacin, RAP: 196,0 - 189,0 = 7,0 por 1.000 habitantes
que es la tasa de enfermedad ECC en la poblacin que se considera debida o atribuible a la
hipertensin (la exposicin). Es decir que, si no hubiera hipertensin en la poblacin, el riesgo
absoluto de enfermar con ECC sera 189,0 por mil personas en vez de 196,0 por mil: el exceso
de riesgo, atribuible a la exposicin, es slo 7,0 por mil habitantes.
74
FRACCIONES ATRIBUIBLES
A partir de los riesgos atribuibles podemos calcular otras dos medidas importantes,
llamadas medidas de impacto potencial: la fraccin atribuible en expuestos y la fraccin
atribuible en la poblacin. La fraccin atribuible en expuestos es simplemente el riesgo
atribuible en expuestos expresado porcentualmente, es decir, la proporcin de la incidencia en
expuestos que se considera debida a la exposicin al factor de riesgo. Esto es,
fraccin atribuible en expuestos: IE IE x 100
IE
En el ejemplo de Framingham sobre hipertensin y ECC, la fraccin atribuible en
expuestos -llamada tambin riesgo atribuible porcentual, RA% ser:
fraccin atribuible en expuestos (RA%): 545,5 - 189,0 x 100 = 65,4%
545,5
que quiere decir que el 65% del riesgo absoluto en expuestos es debido a la exposicin
al factor de riesgo, es decir, al hecho de ser hipertensos (el riesgo atribuible en expuestos,
355,5 por 1.000, equivale al 65,4% del riesgo absoluto en expuestos, 545,5 por 1.000).
Finalmente, la fraccin atribuible en la poblacin o fraccin etiolgica es una
medida que cuantifica el exceso de riesgo de enfermar, que se atribuye a la exposicin ya no
slo en los expuestos, sino en el conjunto de la poblacin. Esta medida es simplemente el
riesgo atribuible en la poblacin expresado porcentualmente (RAP%). De esta manera, la
fraccin atribuible en la poblacin queda expresada como:
fraccin atribuible en la poblacin, RAP%: p IP E X 100
La fraccin atribuible en la poblacin permite identificar la importancia relativa de la
exposicin a un determinado factor de riesgo en la poblacin, pues expresa la magnitud en que
se reducira el riesgo absoluto de enfermar en el conjunto de la poblacin (es decir, la
incidencia de la enfermedad en la poblacin) si se eliminara dicha exposicin. Por ello, se
considera que el RAP% es una medida de gran trascendencia en salud pblica.
En el ejemplo de Framingham sobre hipertensin y ECC, la fraccin etiolgica o riesgo
atribuible poblacional porcentual, RAP%, ser:
fraccin atribuible en la poblacin, RAP%: 196,0 - 189,0 x 100 = 3,6%
196,0
lo que quiere decir que la hipertensin da cuenta nicamente del 3,6% del riesgo absoluto de
enfermar con ECC, Le., la incidencia, en la poblacin estudiada. En otras palabras, si se
tuviera xito en eliminar la hipertensin en toda la poblacin, se habra conseguido reducir
nicamente en 3.6% el riesgo de desarrollar enfermedad cardiaca coronaria en esa poblacin.
75
Esto como veremos luego, tiene obvias implicaciones en la priorizacin e

implementacin de medidas de control de alcance poblacional en salud.
Ejercicio 3.7
Complete la informacin del cuadro siguiente con relacin al impacto potencial
asociado a l os otros dos factores de riesgo de ECC presentados en el Cuadro 3.16a.
Factor de Riesgo
Medida
Riesgo relativo
Riesgo atribuible en
expuestos
Riesgo atribuible en la
poblacin
Fraccin atribuible en
expuestos
Fraccin atribuible en la
poblacin
Coardiomegalia
(medida por el incremento
de la sombra cardiaca a los
rayos X)
Tabaquismo
(Habito de fumar
cigarrillos presente)
76
Hagamos ahora un resumen de nuestras observaciones sobre la situacin descrita en el

ejemplo de Framingham. Hemos estado interesados en ver cul es el riesgo de desarrollar
enfermedad cardiaca coronara en una poblacin en funcin de la exposicin a tres factores de
riesgo: hipertensin, cardiomegalia y tabaquismo. Hemos visto que el factor con mayor riesgo
relativo es la hipertensin (RR=2,9) y el de menor el tabaquismo (RR=1,9) pero, por otro
lado, la fraccin etiolgica ms alta es la del tabaquismo (RAP%=39,5%) y la ms baja la de
hipertensin (RAP%=3,6%). En otras palabras, aunque claramente tiene mas riesgo de
desarrollar ECC un individuo hipertenso que uno fumador, a nivel poblacional resultara ms
recomendable aplicar una estrategia de reduccin del tabaquismo, que una de reduccin de la
hipertensin. Por qu?
Esta situacin, relativamente comn, ilustra el contraste entre riesgo individual y
riesgo poblacional. Esta situacin se explica por las diferencias en la prevalencia de
exposicin en la poblacin a los distintos factores de riesgo. Con los datos del Cuadro 3.21
podemos inferir que la prevalencia de hipertensin en la poblacin fue 2%, mientras que la de
tabaquismo fue 72%. As, el RAP% es sensible no slo a la magnitud del exceso de riesgo
entre expuestos y no expuestos, sino tambin a la magnitud de la exposicin al riesgo en la
poblacin. En el ejemplo de Framingham, que sintetizamos en el Cuadro 3.16b y Grfico 3.12
siguientes, si tuviramos que decidir por una intervencin de salud pblica para disminuir el
riesgo de ECC -una situacin habitual cuando hay limitacin de recursos- la intervencin
dirigida a disminuir la prevalencia de consumo de cigarrillos tendr definitivamente mayor
impacto en dicha poblacin.
Cuadro 3.21 Exposicin a factores de riesgo y enfermedad cardiaca coronaria (ECC).
Seguimiento de 16 aos a varones de 35-44 aos de edad. Framingham, EE.UU.
Factor de riesgo
inicial
hipertensin sistlica
Riesgo relativo
(RR)
2,9
Prevalencia de
exposicin(PE)
2,0
Fraccin etiolgica
(RAP%)
3,6
cardiomegalia
2,1
10,0
9,8
tabaquismo
1,9
71,9
39,5
Adaptado de Kahn y Sempos.
Grfico 3.12 Exposicin a factores de riesgo y enfermedad cardiaca coronaria (ECC).

Seguimiento de 16 aos a varones de 35-44 aos de edad. Framingham, EE.UU.
75
3.5
40
60
3
2.5
30
45
20
30
1.5
1
10
15
0.5
0
A
0
A
77
Otro ilustrativo ejemplo de la importancia de considerar el impacto potencial de las

medidas de control en la comunidad a la hora de tomar decisiones se encuentra en el caso del
clera en la Amazona, presentado en el Cuadro 3.17 (pgina 60). De acuerdo con la
informacin disponible, podemos determinar la fraccin atribuible en la poblacin (fraccin
etiolgica. RAP%) de la exposicin a pescado crudo y a agua no tratada:
Esto nos permite saber que, aunque el consumo de pescado crudo est ms fuertemente
asociado a la presencia de clera (RR=4,9), su impacto potencial en la poblacin es muy bajo.
por que la prevalencia de exposicin (consumo de pescado crudo) en la poblacin es muy baja
(1,2%). Si eliminramos el consumo de pescado crudo en esa poblacin, solamente
conseguiramos reducir cerca de 5% su incidencia de clera. En cambio, el consumo de agua
no tratada -una prctica altamente prevalente en dicha comunidad (68,4% consume agua no
tratada)- tiene gran impacto potencial: eliminar este factor de riesgo reducira 65% la
incidencia de clera en la poblacin. Aunque, es obvio que las campaas de prevencin del
clera en esa comunidad habrn de advertir del riesgo de consumir pescado crudo o fruta sin
lavar, la inversin tendr que dirigirse prioritariamente a evitar que su poblacin consuma
agua no tratada.
ESTANDARIZACIN DE TASAS
Con el fin de sintetizar la informacin disponible, frecuentemente las tasas se
presentan para la poblacin completa o para grandes categoras de la misma. A estas tasas se
les llaman tasas crudas. Con estas tasas-resumen se suele comparar la mortalidad o la
incidencia de una enfermedad entre dos reas geogrficas, dos grupos de poblacin o dos
momentos en el tiempo y ver si existen diferencias relevantes. Consideremos la siguiente
situacin:
Grupos
de edad
(aos)
Total
PAS A
Defunciones
Poblacin
1.269.166
68.386.000
PAS B
Tasa por
mil
18,6
Defunciones
Poblacin
5.564.944
198.250.000
Tasa por
mil
28,1
78
Los datos de mortalidad y poblacin corresponden al mismo ao calendario. El Pas A

es un pas escasamente industrializado; el Pas B es un pas altamente industrializado. Qu
informacin comparativa se obtiene a partir de estos datos? Bsicamente, podramos sacar dos
conclusiones: 1) que la tasa de mortalidad en el Pas B es ms alta que en el Pas A; y, 2) que
el riesgo de morir en el Pas B es 50% ms alto que en el Pas A. Es decir que, en trminos de
mortalidad, el Pas B est en una situacin ms desfavorable que el Pas A. El Pas B, como se
mencion, un pas altamente industrializado.
Las tasas pueden tambin ser presentadas en forma desagregada para varias categoras
de poblacin, definidas sobre la base de caractersticas relevantes a la comparacin, tales
como edad, sexo, etnia, ocupacin o nivel de exposicin a determinado factor de riesgo. A
estas tasas se les denomina tasas especficas. Puesto que el riesgo de morir o de contraer la
gran mayora de enfermedades est relacionado, en general, con la edad y a menudo difiere
entre los sexos, el anlisis de la mortalidad o la incidencia de enfermedad en una poblacin
debe necesariamente hacer uso de las correspondientes tasas especficas. Regresemos ahora a
la situacin entre los pases A y B:
Grupos
de edad
(aos)
TOTAL
<15
15-44
45-64
65 y +
PAIS A
Defunciones
Poblacin
1.269.166
317.308
338.100
270.261
343.497
68.386.000
19.831.740
35.218.790
10.941.760
2.393.710
PAIS B
Tasa
por mil
18,6
16,0
9,6
24,7
143,5
Defunciones
Poblacin
5.564.944
94.169
380.430
1.223.875
3.866.470
198.250.000
24.781.250
79.256.250
61.501.250
32.711.250
Tasa
por mil
28,1
3,8
4,8
19,9
118,2
A partir de esta informacin es posible identificar al menos tres hechos relevantes: 1)

el Pas A tiene tasas de mortalidad especficas por edad ms altas que el Pas B en todos los
grupos de edad considerados; 2) la estructura por edades difiere marcadamente entre las dos
poblaciones: el pas A concentra su poblacin hacia edades tempranas, el pas B hacia edades
tardas; y, 3) hay una aparente contradiccin entre lo que esta informacin refleja y lo que se
concluye observando las tasas crudas de mortalidad de los dos pases.
Cmo se explica esta aparente confusin? Dado que, como ha sido mencionado, el
riesgo de morir o enfermar est habitualmente asociado con la edad, las tasas crudas de
mortalidad e incidencia dependen crticamente de la composicin etrea de una poblacin.
Esto cobra mayor relevancia cuando el objetivo es comparar dos poblaciones. Puede ser, por
tanto, inapropiado emplear tasas crudas para comparar dos poblaciones distintas a menos que
tengan la misma estructura por edades. La diferencia de composicin etrea (o sea, la variable
edad) ejerce un efecto confusor en la comparacin de tasas crudas de mortalidad por pas. De
hecho, una tasa cruda es bsicamente un promedio ponderado de las tasas especficas por
categora, siendo los pesos las proporciones de poblacin en cada categora.
79
Para poder realizar una comparacin libre de las distorsiones, que pueden provocar las
diferencias en la composicin de la poblacin se deben emplear tasas estandarizadas. Las tasas
estandarizadas o ajustadas son tasas-resumen construidas estadsticamente para tomar en
cuenta y remover el potencial efecto confusor de la variable edad u otra tercera variable, al
comparar las tasas de mortalidad o incidencia de dos poblaciones diferentes.
El procedimiento bsico para el ajuste de tasas (el llamado mtodo directo) requiere
contar con las tasas especficas por categora de la variable a ajustar (por ejemplo, la edad) en
ambas poblaciones a comparar. Es decir, se requiere dos conjuntos de tasas especficas por
edad (uno por cada pas) y una poblacin estndar. La idea general es ver cul sera el nmero
total de defunciones que habra en cada uno de los dos pases, si stos tuvieran exactamente la
misma estructura de edad (la poblacin estndar) y ocurrieran las tasas especficas por edad
realmente observadas en cada uno. En otras palabras, se trata de ajustar la estructura de
mortalidad observada de cada pas, a una estructura de edad nica y estndar para los dos. El
procedimiento incluye los siguientes cuatro pasos:
1. Fijar la poblacin estndar: se puede seleccionar una ya conocida o se puede construir
una a partir de los datos; por ejemplo, sumando las poblaciones especficas por
categora de edad en cada grupo;
Grupos
etreos
TOTAL
<15
15-44
45-64
65 y+
PAIS A
PAIS B
68.386.000
19.831.740
35.218.790
10.941.760
2.393.710
198.250.000
24.781.250
79.256.250
61.501.250
32.711.250
POBLACIN
ESTNDAR(A+
B)
266.636.000
44.612.990
114.475.040
72.443.010
35.104.960
2. calcular el nmero esperado de defunciones en cada categora de edad de la poblacin

estndar, aplicando las tasas especficas por edad observadas en cada una de las dos
poblaciones a comparar;
PAS A
Grupos POBLACIN
Tasa
Defunciones
etreos ESTNDAR
observada esperadas
TOTAL 266.636.000
<15
44.612.990
16,0
713.808
15-44
114.475.040
9,6
1.098.959
45-64
72.443.010
24,7
1.789.339
65 y +
35.104.960
143,5
5.037.556
PAS B
Tasa
Defunciones
observada esperadas
3,8
4,8
19,9
118,2
169.530
549.480
1.441.616
4.149.407
80
Por ejemplo, el nmero de defunciones esperadas en el grupo de menores de 15 aos para el

Pas A, se calcula por medio de una regla de tres simple: si ocurren 16 defunciones por cada
mil personas, cuntas defunciones ocurrirn en 44.612.990 personas? Esto es, nmero de
defunciones esperadas en < 15 aos, Pas A: 44.612.990 x 16 = 713.808
1.000
3.
4.
En la poblacin estndar, obtener el nmero total de defunciones esperadas en cada

poblacin, sumando los resultados correspondientes del paso anterior; y,
Grupos
etreos
POBLACIN
ESTNDAR
TOTAL
<15
15-44
45-64
65 y+
266.636.000
44.612.990
114.475.040
72.443.010
35.104.960
PAS A
PAS B
Tasa
Defunciones
Tasa
Defunciones
observada esperadas observada esperadas
8.639.663
6.310.033
16,0
713.808
3,8
169.530
9,6
1.098.959
4,8
549.480
24,7
1.789.339
19,9
1.441.616
143,5
5.037.556
118,2
4.149.407
calcular las respectivas tasas ajustadas por edad para cada poblacin, dividiendo el
nmero total de casos esperados obtenido en el paso previo, entre el total de la
poblacin estndar.
tasa ajustada de mortalidad, Pas A: 8.639.663 x 1,000 = 32,4 por mil

266.636.000
tasa ajustada de mortalidad, Pas B: 6.310.033 x 1.000 = 23,7 por mil
266.636.000
Comparemos una vez ms los resultados crudos y ajustados:
Tasa de mortalidad por mil
Cruda
Estandarizada
PAIS A
18,6
32,4
PAIS B
28,1
23,7
Luego de haber removido la distorsin producida por la diferencia en la estructura de

edades, se cuenta con una medida-resumen vlida para comparar la mortalidad entre los dos
pases: la tasa de mortalidad es cerca de 40% ms alta en el Pas A que en el Pas B. Cabe
recalcar que el uso de tasas estandarizadas slo est indicado con fines comparativos; su
construccin estadstica est basada en la eleccin arbitraria de un estndar y, por ello, la
magnitud de la cifra carece de valor intrnseco. Por ltimo, la estandarizacin de tasas no
suple las deficiencias en la calidad, cobertura ni registro de los datos.
81
REFERENCIAS BIBLIOGRFICAS
Alleyne GAO. Gente sana en entomos saludables. Informe Anual del Director OPS 1998. Organizacin
Panamericana de la Salud; Washington DC, 1999.
Alleyne GAO. Emerging diseases-What now?. Emerging Infectious Diseases 1998 July; 4(3):498-500.
Beaglehole R, Bonita R, Kjellstrm T. Epidemiologa bsica. Organizacin Panamericana de la Salud; Washington
DC, 1994.
Bortman M. Factores de riesgo de bajo peso al nacer. Revista Panamericana de Salud Pblica/Pan American Journal
of Public Health 1998 May;3(5):314-21.
Castillo-Salgado C [Editor], Manual sobre el enfoque de riesgo en la atencin matemoinfantil. Segunda edicin.
Organizacin Panamericana de la Salud; Washington DC, 1999.
Centers for Disease Control. Epidemiologic notes and reports: Eosinophilia-Myalgia Syndrome-New Mexico.
Mortality and Morbidity Weekly Report 1989 November 17,38(45):765-67.
Colton T. Estadistica en medicina. Ediciones Diaz de Santos S.A.; Madrid, 1995,
Donaldson RJ, Donaldson LJ. Medicina comunitaria. Editorial Diaz de Santos; Madrid, 1989.
Fletcher RH, Fletcher SW, Wagner EH. Epiderniologia clinica: aspectos fundamentales. Segunda edici6n. Masson,
Williams & Wilkins Espafia, S.A.; Madrid, 1998.
Freund JE, Williams FJ. Dictionary/Outline of basic statistics. Dover Publications, Inc.; New York, 1991. Gordis L,
Epidemiology. Second edition. W.B. Saunders Company; Philadelphia, 2000.
Gore SM, Altman DG. Statistics in practice. British Medical Association; London, 1982.
Kahn HA, Sempos CT. Statistical methods in epidemiology. Oxford University Press; New York, 1989. Kirkwood
BR. Essentials of medical statistics. Backwell Scientific Publications; Osney Mead, 1988.
Last J [Editor]. A dictionary of epidemiology. Third edition. International Epidemiological Association. Oxford
University Press; New York, 1995.
Lwanga SK, Tye CY, Ayeni 0. Teaching health statistics. Lesson and seminar outlines. Second edition. World
Health Organization; Geneva, 1999.
Newcomer RJ, Benjamin AE. Indicators of chronic health conditions. Monitoring community-level delivery systems.
The Johns Hopkins University Press; Baltimore, 1997.
Norell SE. Workbook of epidemiology. Oxford University Press, Inc.; New York, 1995. Norman GR, Streiner DL.
Bioestadstica. Mosby/Doyma Libros, S.A.; Madrid, 1996.
Organizacin Panamericana de la Salud. Las condiciones de salud en las Amricas. Volumen 1. Edicin de 1994.
Organizacin Panamericana de la Salud; Washington DC, 1994.
Quick RE, Vargas R, Moreno D, et al. Epidemic cholera in the Amazon: the challenge of preventing deaths.
American Journal of Tropical Medicine and Hygiene 1993;48(5):597-602.
Rosner B. Fundamentals of Biostatistics. Fifth Edition. Duxbury Thompson Learning; Pacific Grove, 2000.
Silva LC. Cultura estadstica e investigacin cientfica en el campo de la salud: una mirada crtica. Ediciones Daz de
Santos, S. A.; Madrid, 1997.
Tukey JW. Exploratory Data Analysis. Addison Wesley Publishing Co. 1977.
Turnock BJ. Good news and bad news for public health. Journal of Public Health Management and Practice 1997
May;3(3):x-xi.
Wallgren A, Wallgren B, Persson R, Jorner U, Haalad JA. Graphing statistics & data. Creating better charts SAGE
Publications, Inc; Newbury Park, 1996.

Mopece3 PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Mopece3 PDF

Uploaded by

Copyright:

Available Formats

Organizacin Panamericana de la Salud

Oficina Sanitaria Panamericana, Oficina Regional de la

Modulo de Principios de Epidemiologa

Mdulos de principios de epidemiologa para el control de enfermedades

Catalogacin por la Biblioteca de la OPS.

Este Mdulo de capacitacin est especialmente destinado a los profesionales de salud

Unidad 5: Investigacin epidemiolgica de campo: Aplicacin al estudio de brotes

VIRUELA: AZTECAS, 1538

Mdulos de principios de epidemiologa para el control de enfermedades

Gabriela Fernndez Quintanilla

Se agradece especialmente la colaboracin de: Gilberto Ayala, Julio Alberto Armero,

Unidad 5: Investigacin epidemiolgica de campo: Aplicacin al estudio de brotes

UNIDAD 3: MEDICIN DE LAS CONDICIONES DE SALUD Y ENFERMEDAD EN LA

Mdulos de principios de epidemiologa para el control de enfermedades

Unidad 5: Investigacin epidemiolgica de campo: Aplicacin al estudio de brotes

Esta Unidad presenta las medidas comunes de cuantificacin de las condiciones de

MEDICIN DE SALUD Y ENFERMEDAD EN LA POBLACIN

Mdulos de principios de epidemiologa para el control de enfermedades

La medicin del estado de salud requiere sistemas armonizadores y unificados como

Unidad 5: Investigacin epidemiolgica de campo: Aplicacin al estudio de brotes

Mdulos de principios de epidemiologa para el control de enfermedades

En un sentido amplio, podemos considerar que el quehacer de la salud pblica parte

TIPOS DE DATOS Y SU TABULACIN

Variable: caracterstica o atributo que puede asumir

Unidad 5: Investigacin epidemiolgica de campo: Aplicacin al estudio de brotes

Las variables pueden ser de dos tipos, cualitativas y cuantitativas. Denominamos

Mdulos de principios de epidemiologa para el control de enfermedades

En el siguiente esquema se sintetiza la relacin entre los distintos niveles de

Unidad 5: Investigacin epidemiolgica de campo: Aplicacin al estudio de brotes

Ejemplo para la elaboracin de un cuadro:

La edad mayor es 63 aos y la menor es 20 aos. Si agrupamos estas edades en

Mdulos de principios de epidemiologa para el control de enfermedades

Finalmente, preparamos la presentacin tabular de esta informacin, es decir, el

Distribucin: Es el resumen completo de las frecuencias de los valores o

En nuestro ejemplo, la distribucin del nmero de casos de la enfermedad segn

Cuadro 3.2 Distribucin de casos de malaria por grupos de edad.

Unidad 5: Investigacin epidemiolgica de campo: Aplicacin al estudio de brotes

PRESENTACIN GRFICA DE DATOS

Las variables cuantitativas continuas se representan grficamente por medio de

Grfico 3.2 Giardiasis. Casos notificados por mes, Lugar X, 2000

Mdulos de principios de epidemiologa para el control de enfermedades

tambin permite graficar la distribucin de una variable y

Una variante del polgono de frecuencias es la llamada "ojiva porcentual", que es un

Unidad 5: Investigacin epidemiolgica de campo: Aplicacin al estudio de brotes

Mdulos de principios de epidemiologa para el control de enfermedades

(*)manteniendo el orden de las categoras en variables discretas o categorizadas

MEDIDAS DE RESUMEN DE UNA DISTRIBUCIN

Unidad 5: Investigacin epidemiolgica de campo: Aplicacin al estudio de brotes

MEDIDAS DE TENDENCIA CENTRAL

Para indicar que, por ejemplo, la rubola tiene un perodo de incubacin de 15 a 21

Mdulos de principios de epidemiologa para el control de enfermedades

Cuadro 3.3 Perodo de incubacin de la rubola observado en 11 nios

El valor ms frecuente, o sea el que ms se repite, se denomina modo o moda. En el

Unidad 5: Investigacin epidemiolgica de campo: Aplicacin al estudio de brotes

= 217 = 19,7 das

8 +12 +17 + 7 + 9 +11+ 6 + 3 + 13 = 10 aos

Mdulos de principios de epidemiologa para el control de enfermedades

Cuadro 3.4a Casos de suicidio. Lugar X, 1995-2000

Unidad 5: Investigacin epidemiolgica de campo: Aplicacin al estudio de brotes

Cuadro 3.4b Casos de suicidio. Lugar X, 1995-2000

En este ejemplo, la aproximacin a la media sera:

Mdulos de principios de epidemiologa para el control de enfermedades

Mediana = Li + PM - fIPM (AIPM)