UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE MEDICINA
DEPARTAMENTO ACADMICO DE MEDICINA PREVENTIVA Y
SALUD PBLICA
Seccin de Estadstica y Epidemiologa

CHI CUADRADO
Csar Gutirrez Villafuerte
Alvaro Whittembury Vlsica
Lima, junio 2013

Tablas de contingencia

Tambin se denominan tablas de

doble entrada.
Sirven para mostrar la distribucin
de los valores de una variable
cualitativa en funcin a otra.
Una de las ms empleadas es la
tabla tetracrica (tabla 2x2).

Tablas de contingencia
Segundo
criterio de
clasificacin

1
2
3
.
.
.
r
Total

Primer criterio de clasificacin

...

N11
N21
N31
.
.
.
Nr 1
N.1

N12
N22
N32
.
.
.
Nr 2
N.2

N13
N23
N33
.
.
.
Nr 3
N.3

...
...
...
.
.
.

N1c
N2c
N3c
.
.
.
Nnc
N.c

...

Total

N1 .
N2 .
N3 .
.
.
.
Nr .
N

Prueba Chi-cuadrado

Cuando los datos estn en forma de

frecuencia, la prueba de hiptesis a
emplear es el Chi-cuadrado.
En todos los casos se trata de
comparar
las
frecuencias
OBSERVADAS con las frecuencias
ESPERADAS
si
los
datos
se
obtuvieran bajo alguna hiptesis o
teora particular.

Frecuencia Esperada

El clculo de las frecuencias esperadas,

por la propiedad de la multiplicacin de
las probabilidades, es el siguiente:
Total de la fila x Total de la
columna
Total de
datos

E=

Prueba Estadstica

=
2

(O E)
E

Mide el grado en que los pares de

frecuencias observadas y esperadas
concuerdan en una situacin dada.

Prueba de Independencia

Frecuentemente se quiere probar la hiptesis

nula que indica que dos criterios de
clasificacin (variables cualitativas) son
independientes cuando se aplica al MISMO
CONJUNTO de individuos.

Se dice que dos criterios son independientes

si la distribucin de uno de ellos es la misma,
sin importar cual sea la distribucin del otro.

Prueba de Homogeneidad

Evala
si
muestras
independientes,
extradas
de
VARIAS
POBLACIONES,
provienen de poblaciones homogneas con
respecto a algn criterio de clasificacin.

Esta prueba comprende un procedimiento

de muestreo distinto al de la prueba de
independencia.

Valores observados y
esperados

VALORES OBSERVADOS
HTA (+) HTA (-)

Total

Obesidad (+)

30

10

40

Obesidad (-)

20

40

60

Total

50

50

100

Valores observados y
esperados

VALORES ESPERADOS
HTA (+) HTA (-)

Total

Obesidad (+)

20

20

40

Obesidad (-)

30

30

60

Total

50

50

100

Valores observados y
esperados

Los valores observados difieren lo suficiente de los esperados como para

decir que los grupos son diferentes?

HTA (+)

HTA (-)

Total

HTA (+)

HTA (-)

Total

Obesidad
(+)

30

10

40

Obesidad
(+)

20

20

40

Obesidad
(-)

20

40

60

Obesidad
(-)

30

30

60

Total

50

50

100

Total

50

50

100

Valores observados y
esperados

Los valores observados difieren lo suficiente de los esperados como para

decir que los grupos son diferentes?

Valores observados

Valores esperados

50

50

40

40

30

30

20

20

10

10

0
HTA (+)
Obesidad (+)

HTA (-)
Obesidad (-)

HTA (+)
Obesidad (+)

HTA (-)
Obesidad (-)

Qu prueba se
utiliz?

UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE MEDICINA
DEPARTAMENTO ACADMICO DE MEDICINA PREVENTIVA Y
SALUD PBLICA
Seccin de Estadstica y Epidemiologa

CORRELACIN Y
REGRESIN LINEAL
Csar Gutirrez Villafuerte
Alvaro Whittembury Vlsica
Lima, junio 2013

Correlacin y Regresin Lineales

Cuando se tiene inters en analizar la relacin entre dos
variables cuantitativas como por ejemplo:
presin sangunea y edad,
estatura y peso,
el ingreso familiar y los gastos mdicos,
los niveles de pobreza y las tasas de mortalidad infantil.
La naturaleza y la intensidad de la relacin entre este tipo de
variables puede ser examinada por medio del anlisis de
CORRELACIN y REGRESIN LINEALES.

Correlacin Lineal Simple

Tiene por objetivo medir y evaluar el grado de asociacin lineal entre
dos variables CUANTITATIVAS (medicin de la intensidad de la
relacin). Una manera de visualizar la (posible) correlacin entre las
observaciones de dos variables X e Y, es a travs de un diagrama de
dispersin, en el cual los valores que toman estas variables son
representados por puntos.

Tema 14.

Medida de Correlacin Lineal Simple

Se realiza a travs del Coeficiente de Correlacin Lineal de
Pearson (r).
Se utiliza cuando las variables de estudio son cuantitativas
medidas en escala de intervalo o razn.

El Coeficiente puede tomar cualquier valor entre -1 y 1

r=1

Indica correlacin lineal directa perfecta

r = -1 Indica correlacin lineal inversa perfecta

r=0

Indica que las dos variables no estn asociadas

r = - 0.067

r = - 0.798

r = 0.955

Desventajas
No puede ser usada para hacer predicciones ya que no
nos dice nada acerca de la forma que toma la relacin.
En algunos casos los resultados del coeficiente de
correlacin pueden ser engaosos:

r = 0.97

r = 0.99

Regresin Lineal Simple

Estima la forma o naturaleza de la relacin entre dos variables

cuantitativas, siendo su objetivo final el PREDECIR o ESTIMAR
el valor de una variable en funcin al valor dado de otra
variable.
Es una regresin lineal ya que la relacin X-Y est modelada
para seguir una lnea recta; y es simple ya que hay una sola
variable X.

Y = 0 + 1X +
y = b0 + b1x

=0

0 = 11.36

Permetro Ceflico = 11.36 + 0.68(Permetro Torcico)

Y = 0 + 1X +

Coeficiente de Determinacin - r2
Mide la proporcin o porcentaje de la variacin total de Y
que es explicada por el modelo de regresin.

0 r2 1
Cuanto ms se aproxime a 1, mejor ser el ajuste del
modelo a los puntos del diagrama de dispersin. Mide
que tan exitoso es el modelo.

Casos de Neumona = 43.1 + -1.35(Temperatura del aire)

r = - 0.3

r2 = 0.09

Suposiciones de la Regresin Lineal

1. Los valores de la variable independiente X son fijos (no
aleatorios), medida sin error.
2. La variable Y es aleatoria.
3. Para cada valor de X, existe una poblacin de valores de Y
con distribucin normal.
4. Las varianzas de las poblaciones Y son todas iguales.
5. Todas las medias de las poblaciones de Y estn sobre la
recta.
6. Los valores de Y estn normalmente distribuidos y son
estadsticamente independientes.

Bibliografa
1. Daniel W. Bioestadstica. Base para el anlisis de las
ciencias de la salud. 2002. Limusa SA. Mxico DF.
2. Woodward M. Epidemiology, study design and data
analysis. 1999. Chapman & Hall/CRC. USA.

GRACIAS