Mopece 3

Organización Panamericana de la Salud
Organización Mundial de la Salud
MódulodePrincipiosdeEpidemiologíaparaelControldeEnfermedades(MOPECE)
ISBN: 92 75 32407 7
9 789275 324073
Módulo de Principios de
Epidemiología para el Control de
Enfermedades (MOPECE)
Segunda Edición Revisada
Medición de las condiciones de salud y
enfermedad en la población
3

Oficina Sanitaria Panamericana, Oficina Regional de la
Módulos de principios de
epidemiología para el control
de enfermedades (MOPECE)
Unidad 3: Medición de las condiciones de salud y
enfermedad en la población
Oficina Sanitaria Panamericana
Oficina Regional de la Organización Mundial de la Salud
525 Twenty-third Street, N.W. Washington, D.C. 20037, E.U.A

Catalogación por la Biblioteca de la OPS:
Organización Panamericana de la Salud.
Módulos de Principios de Epidemiología para el Control de Enfermedades, segunda
edición. Washington D.C.: OPS, © 2002, 92 p. –(Serie PALTEX N° para Técnicos
Medios y Auxiliares N° 24).
ISBN 92 75 32407 7
I. Título II. (serie)
1. EPIDEMIOLOGÍA–principios 2. CONTROL–enfermedades
3. SALUD PÚBLICA 4. REGION DE LAS AMERICAS
Este Módulo de capacitación están especialmente destinado a los profesionales de
salud de América Latina y se publica dentro del Programa Ampliado de Libros de
Texto y Materiales de Instrucción (PALTEX) de la Organización Panamericana de
la Salud, organismo internacional constituido por los países de las Américas, para
la promoción de la salud de sus habitantes y de la Fundación Panamericana para la
Salud y Educación. Se deja constancia de que este programa está siendo ejecutado
con la cooperación financiera del Banco Interamericano de Desarrollo.
ISBN 92 75 32407 7
© Organización Panamericana de la Salud, 2011
Las publicaciones de la Organización Panamericana de la Salud están acogidas a la
protección prevista por las disposiciones sobre reproducción de originales del Protocolo
2 de la Convención Universal sobre Derecho de Autor. Reservados todos los Derechos.
Las denominaciones empleadas en esta publicación y la forma en que aparecen presentados
los datos que contiene no implican, por parte de la Secretaría de la Organización
Panamericana de la Salud, juicio alguno sobre la condición jurídica de países, territorios,
ciudades o zonas, o de sus autoridades, ni respecto del trazado de sus fronteras o límites.
La mención de determinadas sociedades mercantiles o del nombre comercial de ciertos
productos no implica que la Organización Panamericana de la Salud los apruebe o
recomiende con preferencia a otros análogos.
De las opiniones expresadas en la presente publicación responden únicamente los autores.

Créditos
Módulos de Principios de Epidemiología para el Control de Enfermedades, segunda edición,
fue elaborado por el Programa Especial de Análisis de Salud de la Oficina Central de la
Organización Panamericana de la Salud (Washington DC, EUA) en 2001.
Editores: Revisores técnicos:
Carlos Castillo-Salgado Gabriela Fernández
Oscar J Mujica Enrique Vázquez
Enrique Loyola Patricia Gassibe
Jaume Canela Soledad Velázquez
Edgar Navarro
Patricia Arbeláez
Revisión editorial: Mayra Cartín
Lucila Pacheco Eduardo Velasco
Se agradece especialmente la colaboración de: Gilberto Ayala, Julio Alberto Armero,
Xiomara Badilla, Itza Barahona de Mosca, Herbert Caballero, Marco Tulio Carranza,
Rocío Cuevas, Thais Dos Santos, Carlos Flores, Modesta Haughton, José Federico
Hernández, Marlo Libel, Miguel Machuca, Alfredo Moltó, José Moya, Carlos Muñoz,
Maritza Ortega, Alberto Paredes, Rosalía Quinteros, Mirta Roses, Patricia Ruiz, Gloria
Tewres, Guadalupe Verdejo, Reinaldo Viveros, así como a múltiples epidemiólogos de
la Región de las Américas, por su participación y recomendaciones sugeridas durante el
proceso de prueba de materiales.
Colaboración para la presente Segunda Edición Revisada:
José Moya, Oscar J Mujica, Steven K Ault, Jacobo Finkelman, Fátima Marinho, Diego
Victoria.
Tapa, Proyecto Gráfico y Diagramación:
All Type Assessoría Editorial Ltda.

Indice
Contenidos y objetivos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Medición de salud y enfermedad en la población. . . . . . . . . . . . . . . . . . . . . 6
Tipos de datos y su tabulación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Presentación gráfica de datos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
Medidas de resumen de una distribución . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Medidas de tendencia central . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
Medidas de dispersión. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
Medidas de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
Prevalencia e incidencia. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
Comparación de la frecuencia de enfermedad y medidas de asociación . . 58
Medidas de asociación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
Comparación de dos Proporciones: La Prueba Chi Cuadrado. . . . . . . . . . . . . 61
Medidas de la fuerza de asociación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Riesgo Relativo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
Apéndice estadístico - epidemiológico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Comparación de dos Promedios: La Prueba Z. . . . . . . . . . . . . . . . . . . . . . . . . 72
Intervalos de Confianza para promedios y proporciones. . . . . . . . . . . . . . . . 73
Razón de Posibilidades (Odds Ratio). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
Medidas de impacto potencial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Riesgos atribuibles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Fracciones atribuibles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
Estandarización de tasas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
Referencias bibliográficas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

5
Módulos de principios de epidemiología para el control de enfermedades (MOPECE)
Organización Panamericana de la Salud / OMS
Contenidos y objetivos
Esta Unidad presenta las medidas comunes de cuantificación de las condiciones
de salud y enfermedad, sus aplicaciones y limitaciones; el ordenamiento y presen-
tación tabular y gráfica de datos epidemiológicos; las medidas de resumen y de
asociación. Esta Unidad se enfoca en los métodos para la presentación y análisis de
datos cuantitativos.
Los objetivos de la presente Unidad son:
• Describir las formas de medición de la salud y sus aplicaciones.
• Identificar las formas y usos de la presentación tabular y gráfica de datos.
• Describir, calcular, interpretar y aplicar las medidas de resumen de datos.
• Describir, calcular, interpretar y aplicar las medidas de asociación.

6 Organización Panamericana de la Salud / OMS
Medición de salud y enfermedad en la población
Existen diversas formas de medir la salud, dependiendo de cuál es su definición; una de-
finición amplia mediría 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 económico) en sa-
lud y se han desarrollado ciertos índices de “salud positiva” (Alleyne, 1998), tanto con
fines operacionales, como para investigación y promoción de condiciones saludables, en
dimensiones tales como la salud mental, autoestima, satisfacción con el trabajo, ejercicio
físico, etc. La recolección de datos y la estimación de indicadores tienen como fin gene-
rar, en forma sistemática, evidencia que permita identificar patrones y tendencias que
ayuden a emprender acciones de protección y promoción de la salud y de prevención y
control de la enfermedad en la población.
Entre las formas más útiles y comunes de medir las condiciones generales de salud de la
población destacan los censos nacionales, que se llevan a cabo decenalmente en varios
países. Los censos proporcionan el conteo periódico de la población y varias de sus ca-
racterísticas, cuyo análisis permite hacer estimaciones y proyecciones.
Para permitir las comparaciones a lo largo del tiempo en una misma población o bien
entre poblaciones diferentes, se requiere de procedimientos de medición estandarizados.
Medición: Es el procedimiento de aplicar una escala estándar a una variable o a un
conjunto de valores.
La medición del estado de salud requiere sistemas armonizadores y unificados como la
Clasificación Estadística Internacional de Enfermedades y Problemas Relacionados con
la Salud (CIE), en su Décima Revisión, cuyos XXI capítulos inician con ciertas enferme-
dades infecciosas y parasitarias (A00-B99) y culminan con factores que influyen en el
estado de salud y contacto con los servicios de salud (Z00-Z99).
Los indicadores de salud miden de la población distintos aspectos relacionados con la
función o discapacidad, la ocurrencia de enfermedad o muerte, o bien aspectos relacio-
nados con los recursos y desempeño 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 coti-
dianas, lesiones y accidentes en el hogar y el lugar de trabajo, y años de vida libres de
discapacidad. Los datos se obtienen generalmente a través de encuestas y registros de
discapacidades. Los índices de calidad de vida incluyen variables de función tales como

7
la actividad física, la presencia de dolor, el nivel de sueño, de energía, o el aislamiento
social.
Los indicadores de morbilidad miden la frecuencia de problemas de salud específicos
tales como infecciones, cánceres, accidentes en el trabajo, etc. Las fuentes de datos sue-
len ser registros de hospitales y servicios de salud, notificación de enfermedades bajo
vigilancia y encuestas de seroprevalencia y de autoreporte de enfermedad, entre otros.
Cabe mencionar que las enfermedades crónicas, por su larga evolución, requieren de
monitoreo de etapas clínicas, por lo que es preferible contar con registros de enfermedad
(cáncer, defectos congénitos) (Newcomer, 1997).
Los indicadores de mortalidad general o por causas específicas permiten comparar el
nivel general de salud e identificar causas de mortalidad relevantes como accidentes, ta-
baquismo, etc. El registro de la mortalidad requiere de la certificación de la muerte, para
lo cual se usa el Certificado Médico de Defunción. La mortalidad se presenta común-
mente como números crudos, proporciones, o tasas por edad, sexo y causas específicas.
Además de la medición del estado de salud, también es necesario medir el desempeño
de los servicios de salud. Tradicionalmente esta medición 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 medición en salud requiere de la
disponibilidad de datos sobre características relevantes de la población (variables), tales
como su tamaño, composición, estilos de vida, clases sociales, eventos de enfermedad,
nacimientos y muertes.
Los datos para la medición 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 obtie-
nen y registran de los servicios de salud y las estadísticas vitales representan la “materia
prima” para el trabajo epidemiológico. Si los datos son incompletos o inconsistentes, se
obtendrán medidas sesgadas o inexactas, sin importar la sofisticación del análisis epi-
demiológico, y las intervenciones derivadas de su uso no serán efectivas. La deficiente
cobertura de los servicios en amplios sectores de población en varios países, limita la
generación de información útil y necesaria para resolver los problemas de salud que
afectan de manera específica a sus comunidades. Aún cuando los datos estén disponibles
y sean confiables, su utilización para la gestión en salud puede ser insuficiente.
Con el propósito de responder a la necesidad de contar con un conjunto de datos va-
lidados, estandarizados y consistentes de los países de las Américas, la Organización
Panamericana de la Salud (OPS) trabaja desde 1995 en la Iniciativa Regional de Datos

Básicos de Salud. Se incluye en esta fuente una serie histórica de 117 indicadores demo-
gráficos, socioeconómicos, de morbilidad y mortalidad y de recursos, acceso y cobertura
de servicios de salud, de los 48 Estados y Territorios de la Región.
Una vez que se cuenta con los datos e indicadores de salud, una de las dificultades pre-
sente en los servicios de salud tiene que ver con las limitaciones para el manejo correcto
de la información numérica, su análisis e interpretación, funciones que requieren el uso
de los principios de la epidemiología y la bioestadística. Resulta paradójico que en el
nivel en que ocurren los problemas y en donde se solucionan, los procedimientos y téc-
nicas para la obtención, medición, procesamiento, análisis, interpretación y uso de datos
aún no estén plenamente desarrollados.
Para la correcta toma de decisiones en todos los niveles de los servicios de salud, basada
en información pertinente, es necesaria la capacitación permanente del equipo local de
salud y de sus redes en la recolección, manejo, análisis e interpretación de datos epide-
miológicos.
La cuantificación de los problemas de salud en la población requiere de procedimientos
y técnicas estadísticas diversas, algunas de ellas de relativa complejidad. Dadas las carac-
terísticas multifactoriales de los problemas de salud, las técnicas cualitativas son también
valiosas para aproximarse al conocimiento de los determinantes de salud. Es por ello que
existe la necesidad de incorporar, en forma dialéctica, métodos y técnicas cuantitativas
y cualitativas que permitan estudiar los diversos componentes de los objetos de estudio.
En el análisis cuantitativo el empleo de programas computacionales facilita el manejo y
análisis de datos, pero no se deben sobrestimar sus alcances y aplicaciones. Su utilidad es
mayor cuando se establecen redes de colaboración y sistemas de información en salud,
que permiten el manejo eficiente de grandes bases de datos y generan información opor-
tuna y útil para la toma de decisiones. Un programa computarizado reduce notablemen-
te el tiempo de cálculo, procesamiento y análisis de los datos, pero es el trabajo humano
el que aporta resultados racionales y válidos para el desarrollo de los objetivos de salud
pública. Existen dos paquetes de programas de cómputo diseñados específicamente para
salud que facilitan el almacenamiento, proceso y análisis de información epidemiológi-
ca: Epi-Info producido por el Centro de Prevención y Control de Enfermedades de los
Estados Unidos (CDC) y la Organización Mundial de la Salud (OMS) y el Epidat de la
OPS y la Xunta de Galicia, España. Lejos de competir entre sí, estos paquetes de progra-
mas, de gran uso y de libre distribución, ofrecen procesos y rutinas de manejo y análisis
epidemiológico de datos que son complementarios.
En un sentido amplio, podemos considerar que el quehacer de la salud pública parte
de constatar una realidad de salud no deseable en una población y apunta a conseguir
un cambio social, deliberado y sostenible en dicha población. En ese sentido, y desde

9
un punto de vista metodológico, la epidemiología como toda ciencia tiene exigencia de
método desde una perspectiva estadística. El enfoque epidemiológico, consiste básica-
mente en: i) la observación de los fenómenos de salud y enfermedad en la población; ii)
la cuantificación de éstos en frecuencias y distribuciones; iii) el análisis de las frecuencias
y distribuciones de salud y de sus determinantes; y, iv) la definición de cursos de ac-
ción apropiados. Este proceso cíclico de observar–cuantificar–comparar–proponer sirve
también 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 predicción de nuevos fenómenos.
En resumen, en todo este proceso, los procedimientos y técnicas de cuantificación son
de gran relevancia y la capacitación del equipo local de salud en estos aspectos del enfo-
que epidemiológico es, en consecuencia, fundamental.

Tipos de datos y su tabulación
La cuantificación del estado de salud y patrones de enfermedad en la población, requiere
de métodos y técnicas que permitan recolectar datos en forma objetiva y eficiente, con-
vertir los datos en información para facilitar su comparación y simplificar su interpreta-
ción, y transformar la información en conocimiento relevante para las acciones de con-
trol y prevención. Para conocer los grupos de población que presentan mayor número
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 sistemáticamente
algunos procedimientos básicos de manejo de datos o variables.
Uno de los primeros pasos en el proceso de medición del estado de salud en la población
es la definición de las variables que lo representan o caracterizan.
Variable: cualquier característica o atributo que puede asumir valores diferentes.
Las variables pueden ser de dos tipos, cualitativas y cuantitativas. Denominamos varia-
bles cualitativas a aquellas que son atributos o propiedades. Las variables cuantitativas
son aquellas en las que el atributo se mide numéricamente y a su vez se pueden clasificar
en discretas y continuas. Las variables discretas o discontinuas asumen valores que son
siempre números enteros; por ejemplo, el número de hijos de una pareja, el número de
dientes con caries, el número de camas de hospital, el número de hematíes por campo, el
pulso, etc., que sólo pueden tomar valores de un conjunto finito. Las variables continuas
pueden tomar tantos valores como permita la precisión del instrumento de medición;
por ejemplo, el peso al nacer de un bebé de 2.500 gramos podemos medirlo con mayor
precisión, como 2.496,75 gramos, si nuestra báscula lo permite.
Las variables también pueden clasificarse según el nivel o tipo de medición que podamos
aplicarles. Así, se pueden distinguir cuatro niveles de medición de las variables: nominal,
ordinal, de intervalo y proporcional o de razón. Una variable nominal tiene categorías
a las que se les asignan nombres que no tienen ningún orden entre ellos; por ejemplo, el
sexo. La categoría “hombre” no tiene ninguna relación de orden sobre la categoría “mujer”.
Las variables nominales no tienen que ser necesariamente dicotómicas (dos categorías)
sino que pueden tener varias categorías, como por ejemplo el estado civil (soltero, casado,
divorciado, viudo, unión libre) o el grupo sanguíneo según el sistema ABO (A, B, AB y
O). El hecho de cambiar el orden no tiene ninguna implicación en el análisis 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 clasificación tiene un orden: excelente es mejor que bueno, bueno
que regular y así sucesivamente; sin embargo, la “distancia” que hay entre excelente y

11
bueno no tiene porque ser la misma que entre malo y muy malo. Estamos ante una va-
riable ordinal, que se define como aquella cuyas categorías tienen un orden, aunque las
diferencias entre ellas pueden no ser iguales. Otros ejemplos de variables ordinales son
los estadíos de un cáncer (I, II, III y IV) o los resultados de un cultivo de laboratorio (–,
+, ++, +++).
El siguiente nivel de medición de variables es el interválico. Una variable de intervalo
tiene distancias iguales entre sus valores y una característica fundamental: el cero es ar-
bitrario. El ejemplo típico de variable de intervalo es la temperatura corporal. Existe la
misma diferencia entre 37°C y 39°C que entre 38°C y 40°C (o sea, 2°C). Sin embargo,
no podemos decir que una temperatura de 60°C sea ‘tres veces más caliente’ que una de
20°C. Tampoco podemos concluir que un individuo con un coeficiente de inteligencia
de 120 es el doble de inteligente que otro con coeficiente 60.
Por último, si la variable de intervalo tuviese un punto de origen que es el valor cero
significativo, estaríamos hablando de una variable proporcional o de razón. Ésta tiene
intervalos iguales entre valores y punto de origen cero. El peso y la altura son ejemplos tí-
picos de variables proporcionales, 80 Kg. es el doble que 40Kg. y hay la misma diferencia
entre 50 y 35Kg. que entre 105 y 90 Kg. En este nivel se puede sumar, restar, multiplicar
y dividir.
En el siguiente esquema se sintetiza la relación entre los distintos niveles de medición de
las variables.
Tipo de variable Valores
Nominal categorías con nombre convencional
Ordinal como las nominales, + categorías ordenadas
De Intervalo como las ordinales, + intervalos iguales
Proporcional o de Razón como las de intervalo, + cero significativo
Adaptado de Norman 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 número total o frecuencia de casos. Si se busca agrupar los casos según algu-
nas características de los mismos, la tarea de identificar los grupos poblacionales con
mayores problemas se simplifica. Por ejemplo, entre las características de la persona, se
pueden agrupar los casos según su edad, sexo o etnia. A partir de este listado de datos se
puede, además, identificar los casos que han ocurrido en determinado lugar y comparar
la frecuencia de la enfermedad en distintos lugares o áreas geográficas. Por último, se
puede examinar el número de casos según el momento en que ocurrieron o fueron no-
tificados. La distribución de los casos en el tiempo se puede agrupar en días, semanas,
meses o cualquier otro período de tiempo que se considere adecuado. Esto permite saber

en qué momento se presentó el mayor número de casos, cuándo empezó a aumentar y
cuándo a disminuir. Es necesario recordar que la frecuencia es el número de veces que
se repite un valor de la misma variable.
Los datos agrupados según determinadas características (edad, sexo, residencia, clase
social, etc.) pueden presentarse en cuadros y/o gráficos; esto facilita los cálculos y la
comparación e interpretación de los resultados como se puede ver en el siguiente Cuadro
Cuadro 3.1 Distribución de los casos de gastroenteritis según edad. Centro de Salud A,
mayo de 2000.
edad (años) Casos (No
) Porcentaje %
< 1 63 36,4
1 55 31,8
2 25 14,4
3 14 8,1
4 5 2,9
5 y más 11 6,4
Total 173 100,0
Ejemplo para la elaboración de un cuadro:
El siguiente listado corresponde a las edades en años de 120 personas afectadas por ma-
laria durante el verano de 2001, en una isla del Caribe
27 32 58 44 24 32 29 50
28 36 38 48 38 47 29 39
40 37 35 36 36 36 42 45
32 36 48 42 46 35 32 54
30 29 36 44 30 36 27 37
35 33 38 63 37 53 35 46
36 27 34 32 46 38 43 20
25 41 27 53 40 31 47 43
29 49 50 34 47 36 38 24
30 51 43 46 38 49 47 30
29 33 54 40 28 63 36 41
46 51 49 37 41 37 39 38
30 35 36 34 43 43 37 55
29 44 38 42 43 35 42 50
35 47 32 54 41 41 35 40
La edad mayor es 63 años y la menor es 20 años. Si agrupamos estas edades en clases, por
intervalos de 4 años, tendremos 11 grupos de edad, a los que procedemos a asignar sus
respectivas frecuencias (“paloteo”), como se muestra a continuación:

13
20 – 23 años | (un caso)
24 – 27 años ||||| || (siete casos)
28 – 31 años ||||| ||||| |||| (14)
32 – 35 años ||||| ||||| ||||| |||| (19)
36 – 39 años ||||| ||||| ||||| ||||| ||||| || (27)
40 – 43 años ||||| ||||| ||||| |||| (19)
44 – 47 años ||||| ||||| |||| (14)
48 – 51 años ||||| ||||| (10)
52 – 55 años ||||| | (6)
56 – 59 años | (1)
60 – 63 años || (2)
Finalmente, preparamos la presentación tabular de esta información, es decir, el cuadro
propiamente dicho, al que se denomina tabla o cuadro resumen de frecuencias, útil por-
que presenta la distribución de la variable que estamos observando.
Distribución: es el resumen completo de las frecuencias de los valores o categorías
de la medición realizada. La distribución muestra cuántos o qué proporción del
grupo se encuentra en un determinado valor o rango de valores dentro de todos los
posibles que la medida cuantitativa puede tener.
En nuestro ejemplo, la distribución del número de casos de la enfermedad según grupos
de edad, se presenta en el Cuadro 3.2. La distribución del número de casos (frecuencia
absoluta) se acompaña del porcentaje de cada grupo (frecuencia relativa simple) y del
porcentaje acumulado (frecuencia relativa acumulada), que suelen aportar información
adicional útil. Por ejemplo, el 15,8% de los casos correspondió a personas de 32 a 35 años
de edad y cerca de un tercio de los casos (34,1%) tenía menos de 36 años.

Cuadro 3.2 Distribución de casos de malaria por grupos de edad. Isla del Caribe, verano
de 2001
grupos de edad (en
años)
número de casos
(frecuencia absoluta)
Porcentaje (%)
Porcentaje
acumulado (%)
20 - 23 1 0,8 0,8
24 - 27 7 5,8 6,6
28 - 31 14 11,7 18,3
32 - 35 19 15,8 34,1
36 - 39 27 22,5 56,6
40 - 43 19 15,8 72,4
44 - 47 14 11,7 84,1
48 - 51 10 8,4 92,5
52 - 55 6 5,0 97,5
56 - 59 1 0,8 98,3
60 - 63 2 1,7 100,0
Total 120 100,0

15
Presentación gráfica de datos
La distribución de variables cualitativas así como las cuantitativas discretas se suele re-
presentar gráficamente por medio de diagramas de barras o bien por gráficos de secto-
res, ya sea como frecuencias absolutas o relativas, como se muestra a continuación:
Gráfico 3.1 Distribución de muertes por suicidio según sexo. Lugar X,1995-2000
0
1,000
2,000
3,000
4,000
5,000
Varones Mujeres
Óbitos
Varones
73%
Mujeres
27%
Las variables cuantitativas continuas se representan gráficamente por medio de histo-
gramas y polígonos 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 distribución 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.

Gráfico 3.2 Giardiasis. Casos notificados por mes, Lugar X, 2000
(total de casos notificados = 460)
0
20
40
60
80
100
120
J F M A M J J A S O N D
Mes
Casos
En el Gráfico 3.2, las categorías (meses) de la variable tiempo, una variable continua,
se representan en el eje horizontal y el número de casos de giardiasis notificados en el
eje vertical. La altura de cada barra representa la frecuencia absoluta de casos (puede
también ser la frecuencia relativa) en cada una de las categorías de la variable tiempo,
llamadas también intervalos de clase. Note que los intervalos de clase pueden ser de
igual tamaño.
El polígono de frecuencias también permite graficar la distribución de una variable y
se construye uniendo con líneas rectas los puntos medios del extremo superior de cada
barra de un histograma (Gráfico 3.3). Es particularmente útil para visualizar la forma
y simetría de una distribución de datos y para presentar simultáneamente dos o más
distribuciones.

17
Gráfico 3.3 Casos de dengue por mes de inicio. Lugar Y, 2000
0
50
100
150
200
250
300
350
400
450
J F M A M J J A S O N D
Mes
Casos
Una variante del polígono de frecuencias es la llamada “ojiva porcentual”, que es un
polígono de frecuencias relativas acumuladas. Cada punto de este polígono 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 gráfica el valor correspondiente a la
mediana (i.e., 50%) de la distribución (Gráfico 3.4).
Gráfico 3.4 Casos de tuberculosis por edad. Lugar Z, 2000
0
10
20
30
40
50
60
70
80
90
100
0 10 20 30 40 50 60 70 80 90+
Edad (años)
Casos(%acumulado)

Es importante mantener la proporción de las escalas del gráfico, ya que de otra manera
éste puede dar impresiones erróneas (Gráfico 3.5, A, B, C).
Gráfico 3.5 Efecto de las dimensiones de las escalas en los gráficos
0
100
200
300
400
2000 2004
0
100
200
300
400
2000 2004
0
100
200
300
400
2000 2004
A. Incorrecto.
Escala vertical
exagerada
C. Correcto.
Escalas proporcionadas
B. Incorrecto.
Escala horizontal exagerada
Aunque no existe una regla explícita sobre la proporcionalidad entre las escalas de un
gráfico, se recomienda que la razón entre la escala horizontal respecto de la vertical se
aproxime a 1,6:1 (la clásica “razón de oro”). Algunas veces el rango 1,2 a 2,2 se da como
referencia apropiada para la razón entre el eje horizontal respecto del eje vertical.
El siguiente esquema resume los tipos básicos de gráficos más apropiados según cada
tipo de variable.

19
Tipo de variable Tipo de gráfico
Nominal
diagrama de barras
gráfico de sectores
Ordinal
diagrama de barras (*)
gráfico de sectores
De Intervalo
histograma
gráfico de sectores (**)
polígonos de frecuencias (simples y acumuladas)
Proporcional o de Razón
histograma
gráfico de sectores (**)
polígonos de frecuencias (simples y acumuladas)
(*) manteniendo el orden de las categorías
(**) en variables discretas o categorizadas
Una forma de presentación gráfica del comportamiento histórico de una enfermedad
y los límites de variabilidad esperados sobre su ocurrencia en el futuro se denomina
corredor o canal endémico. Esta herramienta de la vigilancia (Unidad 4) utiliza polígo-
nos de frecuencia y permite visualizar el comportamiento secular (i.e., en el tiempo) de
las enfermedades en un territorio determinado y orientar la decisión sobre la necesidad
de desencadenar acciones de prevención y control.

Medidas de resumen de una distribución
Muchas veces es necesario utilizar un valor resumen que represente la serie de valores
en su conjunto, es decir, su distribución. Para los datos de variables cualitativas, la pro-
porción o porcentaje, la razón y las tasas son unas típicas 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 dispersión). Cada una proporciona información complemen-
taria y útil para el análisis epidemiológico.
Medidas de tendencia central
Las medidas de tendencia central de los datos son la moda, la mediana, y la media o pro-
medio. La selección de las medidas depende del tipo de datos y propósitos. Los valores
de muchas variables biológicas, como la talla, se distribuyen de manera simétrica. Otras
variables, como la mortalidad y la tasa de ataque en una epidemia, tienen distribución
asimétrica. Para distribuciones normales (ejemplo de distribución simétrica), la media,
la mediana y la moda son idénticas. Para distribuciones asimétricas, la mediana repre-
senta mejor al conjunto de datos, aunque la media tiene mejores propiedades para el
análisis estadístico y pruebas de significancia. El Gráfico 3.6 ilustra estas distribuciones,
usando la serie observada de datos de la página 12 (listado de edades).
Gráfico 3.6 Distribuciones normal, observada y asimétrica de la edad
0,00
0,01
0,02
0,03
0,04
0,05
15 25 35 45 55 65
Densidad
asimétrica
edad (años)
Normal
Observada

21
Para indicar que, por ejemplo, la rubéola tiene un período de incubación de 15 a 21 días
(generalmente 18 días), fue necesario observar una gran cantidad de casos, desde el
primer contacto de una persona sana con un enfermo hasta la aparición de los signos y
síntomas y medir este período en días. La diferencia entre el límite inferior (15 días) y el
superior (21 días) se conoce como rango y se considera, junto con la desviación estándar
y la varianza, una medida de dispersión de los datos, como se verá más adelante. El Cua-
dro 3.3 presenta el período de incubación de la rubéola, en días, observado en 11 niños
(a esta forma de listar los datos se le denomina Serie Simple de datos).
Cuadro 3.3 Período de incubación de la rubéola observado en 11 niños.
niño 1 19 días
niño 2 16 días
niño 3 37 días
niño 4 15 días
niño 5 16 días
niño 6 32 días
niño 7 15 días
niño 8 16 días
niño 9 20 días
niño 10 16 días
niño 11 15 días
El valor más frecuente, o sea el que más se repite, se denomina modo o moda. En el
ejemplo, observamos que lo más frecuente fueron períodos de incubación de 16 días (4
veces). Este valor puede ser utilizado para representar el período de incubación en este
grupo; i.e., “el período de incubación de rubéola más frecuente es de 16 días”.
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 se-
rie, también es de 16 días. Este valor que ocupa la posición 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 también es útil 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 distribución es asimétrica, como en una curva epidémica.
Si en vez de un número impar de observaciones tuviéramos un número 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:
17,5 días
La media o promedio aritmético ( ) también es muy útil y se obtiene sumando los
valores de todas las observaciones y dividiendo el resultado entre el número de observa-
ciones. En nuestro ejemplo, es la suma de todos los valores de los períodos de incubación
dividida entre el número de niños observados.
19,7 días
El promedio de 19,7 días 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 días de incubación, que son valores extremos.
En muchas ocasiones los datos están disponibles como distribución de frecuencias, en
cuyo caso la serie se presentaría de la manera siguiente:
período de incubación
(días)
Casos
(número)
15 3
16 4
19 1
20 1
32 1
37 1
El cálculo de la media de estos datos se haría así:
3(15)+4(16)+1(19)+1(20)+1(32)+1(37) = 45+64+19+20+32+37 = 217/11 = 19,7 días

23
Las medidas de tendencia central son de gran utilidad también para comparar grupos de
valores. Por ejemplo, de las personas que participaron en un paseo, un grupo se enfermó
después de la comida y otro grupo no presentó ningún síntoma. Las edades de las perso-
nas 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 aritméticos calculados fueron:
10 añosenfermos =
25 añossanos =
Por lo tanto la enfermedad afectó más a los niños que a los adultos. Los niños eran más
susceptibles o se expusieron más (consumieron mayor cantidad del alimento contami-
nado).
Series agrupadas
Cuando se tienen muchos datos se requiere agruparlos, para ello se construyen interva-
los, que pueden contener igual o diferente número 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 (años) Casos (f)
10 a 14 37
15 a 19 176
20 a 29 693
30 a 39 659
40 a 49 784
50 a 59 1.103
60 a 69 1.005
Total 4.457
Cuando nuestros datos sobre una variable continua están agrupados (categorizados)
también 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 número de casos (f) del intervalo correspondiente (Cuadro 3.4b). La suma de estos
productos (∑fx) dividida entre la suma de casos (∑f) nos da una aceptable aproximación
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 límite inferior y superior del intervalo y se divide
entre dos, por ejemplo en el cuadro 3.4a el primer intervalo es de 10 a 14 años (10+14.9/2
= 12.5), note que se utiliza 14.9 por ser el limite superior real del intervalo. Los puntos
medios de los siguientes intervalos de clase se calculan de manera similar.
Cuadro 3.4b Casos de suicidio. Lugar X, 1995-2000
edad
(años)
Casos
(f)
punto medio
(x)
fx
Casos
acumulados
10 a 14 37 12,5 462,5 37
15 a 19 176 17,5 3.080,0 213
20 a 29 693 25,0 17.325,0 906
30 a 39 659 35,0 23.065,0 1.565
40 a 49 784 45,0 35.280,0 2.349
50 a 59 1.103 55,0 60.665,0 3.452
60 a 69 1.005 65,0 65.325,0 4.457
Total ∑f 4.457 ∑fx 205.202,5
En este ejemplo, la aproximación a la media sería:
años
Mientras que si utilizáramos en el cálculo los 4.457 casos, uno a uno, obtendríamos una
media de 45,7 años de edad.
También podemos estimar la mediana a partir de datos agrupados en un cuadro de fre-
cuencias. 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 años (37), la segunda se obtiene
sumando a esos 37 los casos de 15 a 19 años (176) y así sucesivamente, hasta completar
la última 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 cálculo: primero, localizar el intervalo de clase
que contiene la posición de la mediana (PM); es decir:

25
En la columna de casos acumulados el caso N° 2.228 está situado en el intervalo de edad
de 40 a 49 años.
Después de obtener la posición de la mediana, se estima la mediana por interpolación;
es decir:
en donde:
• Li = Límite inferior del intervalo de la posición de la mediana.
• PM = Posición de la mediana.
• fIPM = Frecuencia acumulada del intervalo anterior a la posición de la mediana.
• fPM = Frecuencia de la posición de la mediana.
• AIPM = Amplitud del intervalo de la posición de la mediana.
años
en donde:
• 2.228 = caso situado en el punto medio de la serie
• 1.565 = casos acumulados en el intervalo anterior al que contiene el caso 2.228
• 784 = casos del intervalo que contiene la mediana
• 10 = amplitud del intervalo
Si calculásemos la mediana de edad de esta serie a partir de los 4.457 casos de suicidio
individualmente, ésta sería 48 años de edad.
Medidas de dispersión
Para las variables cuantitativas contínuas las medidas de dispersión más usadas son bá-
sicamente tres: el rango o amplitud, la varianza y la desviación estándar. Estas medidas
representan la dispersión o variabilidad de los datos continuos. El rango o amplitud es
la diferencia entre el valor máximo y el valor mínimo de una serie de datos. La varianza
(s2
), que mide la desviación promedio de los valores individuales con respecto a la me-
dia, es el cociente entre la suma de los cuadrados de la diferencia entre cada valor y el

promedio, y el número de valores observados (menos 1). La desviación estándar (DE)
es la raíz cuadrada de la varianza. La desviación estándar junto con la media permiten
describir la distribución de la variable. Si la variable se distribuye normalmente, en-
tonces el 68% de sus valores estará dentro de ± 1 desviación estándar de la media, 95%
dentro de ± 2 y 99,9% dentro de ± 3 DE (Gráfico 3.7). (Es necesario notar que se trata de
aproximaciones, ya que, por ejemplo, el área bajo la curva que abarca 95% no es exacta-
mente 2 desviaciones, sino 1.96).
Gráfico 3.7 Distribución normal
-3 DE -2 DE -1 DE Media
68%
95%
99,9%
+1 DE +2 DE +3 DE
Frecuencia

27
Veamos un ejemplo. Volviendo al Cuadro 3.3, el rango del período de incubación de la
rubéola, con base en las 11 observaciones, es de 22 días (i.e., 37-15 días). La varianza
sería:
varianza
varianza
y la desviación estándar sería:
desvación estándar (DE) días
En resumen, los estimadores de los parámetros de la distribución del período de incuba-
ción de la rubéola en los 11 niños del ejemplo serían:
media ( ) = 19,7 dias
desviación estándar (DE) = 7,6 días
Cuando nuestros datos sobre una variable continua están agrupados también podemos
calcular la varianza y correspondiente desviación estándar aproximadas. Para ello, al
igual que para estimar la media en datos agrupados, se parte de la columna con los pun-
tos 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 - ) llamada desviación; otra con esta desviación elevada al cuadrado (x - )2
llamada
desviación cuadrática y, finalmente, otra columna (f (x - )2
), resultado de multiplicar la
desviación cuadrática por el número de casos (f) del intervalo correspondiente (Cuadro
3.4c). La suma de todos estos productos (∑f (x - )2
) dividida entre la suma de casos (∑f)
nos da una razonable aproximación a la varianza y extrayendo su raíz cuadrada obten-
dremos un estimado aceptable de la desviación estándar de nuestros datos agrupados.

Cuadro 3.4c Casos de suicidio. Lugar X, 1995-2000
edad
(años)
Casos (f)
punto
medio
(x)
desviación
(x - )
desviación
cuadrática
(x - )2
producto
f (x - )2
10 a 14 37 12,5 -33,5 1.124,97 41.623,71
15 a 19 176 17,5 -28,5 814,56 143.362,57
20 a 29 693 25,0 - 21,0 442,70 306.792,87
30 a 39 659 35,0 - 11,0 121,89 80.327,22
40 a 49 784 45,0 - 1,0 1,08 848,79
50 a 59 1.103 55,0 9,0 80,27 88.540,76
60 a 69 1.005 65,0 19,0 359,46 361.260,03
Total ∑=4.457 ∑=1.022.755,94
media ( ) = 46,0 anos
En este ejemplo, la aproximación a la varianza (s2
) sería:
y la correspondiente desviación estándar (D.E., o “S”) para datos agrupados sería:
D.E.= años
mientras que si utilizáramos en el cálculo los 4.457 casos, uno a uno, obtendríamos una
desviación estándar de 15,3 años de edad.
Finalmente, otra forma útil de representar la dispersión de la distribución de una serie
de datos es usando cuantiles, que son los valores que ocupan una determinada posición
en función de la cantidad de partes iguales en que se ha dividido una serie ordenada
de datos. Si dividimos nuestra serie en 100 partes iguales, hablamos de percentiles; si la
dividimos en 10 partes iguales, deciles; en cinco partes, quintiles; y en cuatro, cuartiles.
Como ejemplo, el Cuadro 3.5 presenta nueve percentiles de edad correspondientes a la
serie de casos de malaria del Cuadro 3.2: el percentil 25 de esta distribución es 33 años,
que equivale a decir que 25% de los casos tenían edad menor o igual a 33 años (y, en
consecuencia, 75% de los casos eran mayores de 33 años). Nótese que la mediana de la
distribución corresponde al percentil 50 (o cuartil 2).

29
Cuadro 3.5 Percentiles y sus valores en una distribución de casos.
Percentiles Edad
1% 24
5% 27
10% 29
25% 33
50% 38
75% 44
90% 50
95% 54
99% 63
Como hemos visto, el promedio y la desviación estándar definen la distribución normal
y, por ello, se les llaman sus parámetros. El promedio, como medida resumen de tenden-
cia central de los datos, es un indicador de la precisión de las observaciones. Por su parte,
la desviación estándar, como medida resumen de la dispersión de los datos, es un indi-
cador de la variación de las observaciones. Estos dos conceptos, precisión y variación,
son de gran importancia para documentar la incertidumbre con la que observamos los
fenómenos en la población y constituyen los principios básicos del proceso de inferencia
estadística, cuyo uso nos permite derivar conclusiones acerca de toda la población ob-
servando solamente una muestra de la misma. El Gráfico 3.8 ilustra esquemáticamente
dos situaciones posibles y frecuentes con relación a la distribución del peso al nacer en
la población.
Una vez que se ha revisado la forma de presentación de los datos, las medidas de ten-
dencia central y de dispersión de los mismos, se continúa con el estudio de las distintas
distribuciones o modelos teóricos. El más conocido de ellos es la llamada Curva Normal
(Gráfico 3.7) que acabamos de introducir. Existen otros modelos teóricos que tienen
aplicación en Epidemiología y Salud Pública, pero que van más allá de los objetivos de
este taller. Mencionaremos que la Distribución Normal queda definida por 4 elementos
característicos:
1. Tiene un eje de simetría.
2. La media aritmética, la mediana y la moda coinciden en el mismo valor por el cual
pasa el eje de simetría.
3. La distancia entre el eje de simetría y los puntos de inflexión de la curva equivalen a
la desviación estándar.
4. Es asintótica al eje de las “x” (abscisas), es decir nunca lo cruza.

Gráfico 3.8 Curvas de distribución normal del peso al nacer
1,500 2,000 2,500 3,000 3,500 4,000 4,500 5,000
peso al nacer (gramos)
Frecuencia
1,500 2,000 2,500 3,000 3,500 4,000
peso al nacer (gramos)
Frecuencia
A. misma precisión, diferente variación (igual promedio, distinta desviación estándar)
B. misma variación, diferente precisión (diferente promedio, igual desviación estándar)

31
Medidas de frecuencia
Como revisamos en la Unidad 2 del MOPECE, el enfoque epidemiológico parte de la
observación de hechos en la población. Estos hechos son la presencia de enfermedad,
la exposición a determinados factores, u otros atributos o eventos de interés. Son “de
interés” porque consideramos que, eventualmente, actuando sobre ellos podremos mo-
dificar en forma positiva la realidad observada. El segundo aspecto de este enfoque epi-
demiológico es la cuantificación, es decir, asignar números a los hechos y para ello nos
valemos de procedimientos estadísticos básicos como los descritos hasta ahora en esta
Unidad. Así, medir la frecuencia u ocurrencia de tales hechos en la población es una
tarea fundamental. Para medir la frecuencia de enfermedad en la población, el epide-
miólogo recurre a tres conceptos muy importantes: probabilidad, riesgo y tasa.
En su acepción más sencilla, la probabilidad es una medida de ocurrencia de un hecho
incierto, o sea, el número 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 daño
a la salud dentro de un periodo de tiempo establecido. La tasa es una medida de la rapi-
dez de cambio de un estado a otro estado (v.g., de sano a enfermo) y, por tanto, también
expresa un riesgo. Sin embargo, a diferencia del riesgo, la tasa involucra la experiencia de
exposición de la población en unidades efectivas de tiempo-persona
Probabilidad: Número de eventos que ocurren dentro de un número de eventos
posibles.
Riesgo a la salud: probabilidad de experimentar un efecto adverso o daño en un
tiempo determinado.
Tasa: medida de la rapidez de cambio de un fenómeno dinámico por unidad de
población y de tiempo (tiempo-persona de exposición).
La probabilidad es medible o cuantificable y su valor numérico se sitúa entre 0 y 1 (sien-
do 1 la certeza absoluta). Por conveniencia se puede expresar como un número decimal,
una fracción o un porcentaje.
El riesgo es también medible y se obtiene a partir de un cociente o fracción. En sentido
estricto, al igual que la probabilidad, su valor se situaría entre 0 y 1. Se suele expresar
como un valor de fracción multiplicado por una constante.
La tasa es la medida clásica de la epidemiología. Tiene 3 componentes básicos:

• un numerador, que corresponde al número de individuos que experimenta el
evento de interés (v.g., muerte, enfermedad, nacimiento, ingreso hospitalario);
• un denominador, que corresponde al número total de individuos en la población
expuestos o en riesgo de presentar el evento; y,
• un período de tiempo específico, durante el cual se observa la frecuencia del evento
de interés y la población que ha estado expuesta efectivamente.
De ahí que la tasa pueda asumir un valor de 0 a infinito y se expresa en número de
eventos que ocurren en un tiempo-persona de exposición, que es la característica fun-
damental de la tasa.
Como se puede apreciar, la tasa combina en una sola expresión las tres dimensiones
básicas del análisis epidemiológico: persona, lugar y tiempo. Aplicada correctamente,
la tasa no solamente es una medida de frecuencia de enfermedad en la población, sino
una medida del riesgo de enfermar en la población. De esta forma, al emplear tasas
podríamos comparar la frecuencia y riesgo de enfermedad en diferentes poblaciones,
diferentes subgrupos de la misma población o diferentes periodos de tiempo en la mis-
ma población.
Prevalencia e incidencia
Las clásicas medidas de frecuencia de enfermedad son dos: prevalencia e incidencia, que
veremos en esta Unidad. Más específicamente, revisaremos la incidencia acumulada,
y la tasa de incidencia. Aunque de uso común, el término “tasa de prevalencia” debe
evitarse, pues no representa una tasa en tanto no es una medida dinámica; una denomi-
nación más apropiada es proporción de prevalencia, que también revisaremos.
Medidas de morbilidad
En la cuantificación de las condiciones de salud y enfermedad en la población, resulta
imprescindible el uso de indicadores que faciliten su descripción y análisis. Se considera
que estos estimadores son convencionales, pues el consenso científico-técnico y la prácti-
ca avalan su utilidad como herramientas relevantes para la interpretación de los perfiles
de enfermedad en la población, con fines comparativos.
Para que puedan responder a las necesidades de las poblaciones en forma adecuada, los
servicios de salud deben efectuar sistemáticamente mediciones con el objeto de preci-
sar la frecuencia de las condiciones de salud relevantes en la comunidad. Por ejemplo,
reconocer que existen 700 personas en la comunidad con diagnóstico de lepra es una
información esencial para organizar los recursos existentes y obtener, desde otro nivel
del sistema si fuera preciso, el apoyo adicional requerido para la atención de todos los

33
enfermos. Así, el recuento de los casos de una enfermedad es una medida de gran im-
portancia que sirve para orientar los servicios a la magnitud de los recursos necesarios.
El recuento de nacimientos permite estimar la cantidad de niños menores de 1 año de
edad que existen en una comunidad en un año determinado. Esta medida puede ser
usada, por ejemplo, para proyectar la cantidad de vacunas necesarias para inmunizar a
dicha población en ese año. Esta información podrá tener mayor precisión si, además, se
conoce también el número de defunciones en menores de 1 año ocurridas en esa misma
comunidad en el año considerado. Es decir, en una población y tiempo específicos, el
número de niños a vacunarse puede ser operacionalmente definido como el número de
niños sobrevivientes al primer año de vida y se puede estimar por la diferencia entre el
número de nacidos vivos y número de defunciones en menores de 1 año de edad.
En consecuencia, la enumeración o recuento de casos de enfermedad (así como de
nacimientos y defunciones, junto con estimados censales de la población y sus caracte-
rísticas), constituyen los datos básicos que permiten a los servicios de salud obtener un
mejor conocimiento sobre las condiciones de salud y enfermedad en las poblaciones y,
por tanto, desempeñarse más eficientemente.
Por otra parte, es prácticamente imposible conocer la magnitud real de la morbilidad en
una población debido a múltiples y complejos factores, que van desde la diversidad de
la percepción cultural sobre salud y enfermedad y la presencia de casos subclínicos (tal
como hemos revisado en la sección sobre historia natural de la enfermedad, en el Módu-
lo 2) hasta la inaccesibilidad a los servicios de salud y la falta de confianza en la asistencia
médica. No obstante, es la disponibilidad de registros de buena calidad lo que hace posible
obtener estimaciones epidemiológicamente válidas, que nos acercan al conocimiento de
la realidad y nos permiten modificarla positivamente.
Consideremos, como ejemplo, un área geográfica determinada en un país de América
Latina. En la población se observaron 60 casos de tuberculosis en el año 1995. Un nuevo
recuento en el 2000 demostró la existencia de 80 casos en la población.
Cuadro 3.6a Casos de tuberculosis en una comunidad latinoamericana por unidad de
tiempo. 1995-2000
año Nº de casos
1995 60
2000 80
¿Cuál sería la mejor explicación de la diferencia observada entre los dos años?. Los hechos
que podrían explicar la diferencia observada se pueden resumir como sigue:

• la atención a los enfermos y las demás medidas de control fueron inadecuadas y
por ello se produjo un aumento en el número de casos;
• las medidas de búsqueda activa y/o un cambio en la definición de caso de tuber-
culosis permitieron una mejor identificación de casos antes desconocidos, dando
la impresión de aumento de la enfermedad en la población;
• ciertos factores socioeconómicos, independientes de las medidas de control, pro-
vocaron un aumento de la enfermedad (v.g., crisis económica-desempleo-desnu-
trición); y/o,
• hubo un aumento de la población local, por crecimiento natural o por inmigra-
ción neta (v.g., atracción por oferta de empleo en áreas de desarrollo industrial).
Cuadro 3.6b Casos de tuberculosis en una población latinoamericana por unidad de
tiempo. 1995-2000
año Nº de casos Total población
1995 60 30.000
2000 80 50.000
Observamos que si bien hubo un aumento de 60 a 80 en el número de casos, también
aumentó de 30.000 a 50.000 la población en el mismo periodo. Por tanto, lo que desea-
mos comparar es la diferencia entre 60 casos en 30.000 personas y 80 casos en 50.000.
Es decir,
60 casos
vs
80 casos
30.000 habitantes 50.000 habitantes
Un cálculo sencillo nos permitirá la comparación más directa:
• en 1995: 60 / 30.000 = 0,0020
• en 2000: 80 / 50.000 = 0,0016
Con el fin de facilitar la comparación, expresando la proporción en números enteros y
no decimales, se acostumbra multiplicar el resultado por 100, 1.000, 10.000 o 100.000,
según nuestra conveniencia o siguiendo una convención preestablecida. En el ejemplo,
si multiplicamos el resultado de la división entre casos y población por 10.000, obten-
dremos:
• en 1995: 20 casos por 10.000 habitantes
• en 2000: 16 casos por 10.000 habitantes
Ello nos permite indicar que hubo una disminución de la prevalencia de tuberculosis en
ese período de tiempo y en esa comunidad latinoamericana.

35
Cuadro 3.6c Prevalencia de tuberculosis en una comunidad latinoamericana
1995 2000
20
(casos por 10.000 personas)
16
(casos por 10.000 personas)
El cálculo realizado fue el de la proporción de prevalencia de la tuberculosis (en el área
específica, en los años 1995 y 2000).
Prevalencia: es la medida del número total de casos existentes, llamados casos
prevalentes, de una enfermedad en un punto o periodo de tiempo y en una población
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
población.
Proporción de Prevalencia de la enf. A = x factor
N° de personas con enf. A en un periodo
N° total de personas en el mismo periodo
Como ya se mencionó, la prevalencia no puede ser considerada una tasa, pues no toma
en cuenta el inicio ni duración de la enfermedad. Su denominador no necesariamente
corresponde a la población en riesgo, es decir, a aquella población expuesta y susceptible
de donde surgen los casos. Sin embargo, la prevalencia es un indicador de gran impor-
tancia en salud pública, pues provee una medida del volumen o carga de enfermedad en
una comunidad o población en un momento dado –información esencial en la planea-
ción de los servicios de salud.
Desde el punto de vista epidemiológico, hay mayor interés en conocer específicamente
cuántos casos nuevos de una enfermedad aparecen en una población durante un período
de tiempo. Más concretamente, es importante conocer cuántos casos nuevos surgen de
una población que está en riesgo de padecer una determinada enfermedad o daño a la
salud; es decir, un indicador de la rapidez de cambio del proceso dinámico de salud y
enfermedad en la población. La medida de ocurrencia de casos nuevos de enfermedad
en una población en riesgo en un tiempo determinado se denomina incidencia. En ge-
neral, la incidencia nos da una idea del riesgo promedio que tienen los individuos en
la población de padecer la enfermedad, así como evaluar la eficacia de las acciones de
control adoptadas.

Incidencia: es la medida del número de casos nuevos, llamados casos incidentes,
de una enfermedad originados de una población 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 población y, en
consecuencia, es un estimador del riesgo absoluto de padecerla.
incidencia la enf. B = x factor
número de casos nuevos de la enf. B en un período
nº total de personas en riesgo al comienzo del mismo período
En los cálculos de incidencia y de prevalencia siempre es importante dejar bien claro a
qué población y a qué momento o período de tiempo se refieren. Pueden relacionarse
a la población entera de una región o a un grupo específico que estaría expuesto al pro-
blema. Así, el denominador de incidencia de cáncer de cuello de útero debería incluir
únicamente a mujeres y el de incidencia de gonorrea a población 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 niños de 5 a 10 años. Es decir,
incidencia de
gastroenteritis en niños
de 5 a 10 años en la
Provincia del Sur en el mes
de diciembre de 2001
= x factor
número de niños de 5 a 10 años
que desarrollaron gastroenteritis
en el mes de diciembre de 2001
población de niños de 5 a 10 años
residentes en la Provincia del Sur
en el mes de diciembre de 2001
Conviene precisar que las fórmulas sobre incidencia que acabamos de presentar en este
ejemplo corresponden específicamente a lo que se denomina incidencia acumulada. Al
calcularse como el cociente entre el número de casos nuevos y el tamaño de la pobla-
ción en riesgo en un periodo de tiempo, la incidencia acumulada asume que todos los
individuos de la población en riesgo estuvieron efectivamente en riesgo de presentar la
enfermedad durante todo el periodo de tiempo observado. Intuitivamente sabemos que
esto raras veces ocurre así; 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 (i.e., “pasa al numerador”).
Una manera más precisa de representar el riesgo de pasar del estado sano al estado en-
fermo, o sea estimar la incidencia, la brinda la investigación epidemiológica de factores
de riesgo causales en cohortes de población, como veremos en la Unidad 5. En tales con-
diciones es posible “seguir” a la población, midiendo con exactitud el tiempo que cada
individuo estuvo en riesgo de enfermar y obtener el número total de “tiempo-persona”
de observación (v.g., años-persona; días-persona). Si ahora dividimos el número de ca-

37
sos nuevos entre el número total de años-persona observados, obtendremos la tasa de
incidencia propiamente dicha, llamada también densidad de incidencia o fuerza de mor-
bilidad (Miettinen, 1975).
En términos prácticos, cuando calculamos la incidencia de una enfermedad en la po-
blación a menudo empleamos la incidencia acumulada, pues el cálculo de la tasa de
incidencia propiamente dicha suele estar restringido al contexto de una investigación
epidemiológica. Una forma de estimar la tasa de incidencia cuando no se cuenta con los
años-persona consiste en tomar como denominador a la población a mitad de período.
Tanto la prevalencia como la incidencia son medidas de morbilidad (enfermedad) en la
población, pero difieren en que la prevalencia mide el número de personas que tienen
la enfermedad en un momento dado (i.e., su magnitud) y la incidencia mide los casos
nuevos que se presentan en un período determinado de tiempo (i.e., su velocidad). Las
relaciones entre incidencia y prevalencia pueden apreciarse en la siguiente Figura:
Figura 3.1 Relación entre incidencia y prevalencia
Casos nuevos
Incidencia
PREVALENCIA
Casos existentes en
un momento dado
Fallecidos Recuperados
Note que si aumenta la incidencia (aparecen más casos nuevos) y el número de muertes
y recuperados se mantiene sin cambio, aumentará la prevalencia. Si aumenta la mor-
talidad o más gente se recupera y la incidencia no cambia, la prevalencia disminuirá.

Supongamos que se introduce una nueva prueba que detecta la presencia de enfermedad
tempranamente en el período subclínico; el resultado práctico será un aumento en la
incidencia, en la duración de la enfermedad y también en la prevalencia. Por otra parte,
si se introduce un medicamento que pospone o evita la mortalidad prematura pero no
cura definitivamente, el resultado también será un aumento en la prevalencia.
La duración de la enfermedad (D) también influye en esta dinámica y, en términos ge-
nerales, se dice que en situación de equilibrio, la prevalencia (P) es el producto de la in-
cidencia (I) por la duración de la enfermedad (P=IxD). Esta dinámica entre incidencia,
prevalencia y duración de la enfermedad tiene importantes implicaciones para el control
de enfermedades en la población como veremos en el Módulo 6 del MOPECE.

39
Ejercicio 3.1
En la Figura 3.2, cada línea representa un caso de enfermedad respiratoria (neumonía) y
la duración en días de cada caso, que se presentaron durante el mes de septiembre.
Figura 3.2 Casos de enfermedad respiratoria en el mes de septiembre
Caso
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
Dias en el mes de septiembre
1 5 10 15 20 25 30
Conteste las siguientes preguntas:
1. ¿Cuál es el número de casos incidentes de la enfermedad en el mes de septiembre?
2. ¿Cuál es el número de casos prevalentes en el día 15 de septiembre?
Otras Medidas de morbilidad
Ahora bien, ¿Qué medida de incidencia se obtiene entonces cuando se investiga una epi-
demia?. El numerador es el número 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 implícita, ya que la mayoría de casos suelen ocurrir durante horas,

días o semanas, según la enfermedad de que se trate. La tasa de incidencia que se obtiene
en una situación de brote o epidemia se denomina tasa de ataque de la enfermedad y se
expresa usualmente como un porcentaje. Consideremos, como ejemplo, una situación
en la que 96 personas fueron expuestas a un agente (v.g., Pseudomonas aeruginosa con-
taminando el equipo quirúrgico), de las cuales 26 se enfermaron en un período corto de
tiempo. La tasa de ataque se obtiene de la siguiente manera:
tasa de ataque = x 100 = 27,1 %
26 enfermos
96 expuestos
Existe también la llamada tasa de ataque secundario, que mide la contagiosidad de una
enfermedad de transmisión persona-a-persona y, por tanto, es de utilidad para evaluar
la efectividad de las medidas de control de un brote como veremos en el Módulo 5. La
tasa de ataque secundario expresa el número de casos de una enfermedad que aparecen
dentro del periodo de incubación entre los contactos susceptibles expuestos a un caso
primario o índice, en relación con el número total de contactos susceptibles expuestos.
Se calcula de la manera siguiente:
tasa de ataque secundario = x 100
número de casos secundarios
número de contactos susceptibles expuestos
Medidas de mortalidad
Otra forma importante de medir la ocurrencia de enfermedad en la población es a través
de la tasa de mortalidad, un estimador del riesgo absoluto de morir.
tasa general de mortalidad = x 1.000
número de defunciones
población total
Las tasas de mortalidad pueden referirse a toda la población de un país o territorio o
restringirse a una comunidad, institución o una muestra poblacional y pueden, también,
calcularse para grupos específicos de población, según sexo, edad, grupos de enfermeda-
des u otras características relevantes (en cuyo caso constituyen tasas específicas).
Existen algunos indicadores de mortalidad referidos a grupos de población específicos
y a los que convencionalmente se les llama “tasas”. En particular, conviene recordar dos
de ellos, de especial importancia en salud pública; se trata de las “tasas” de mortalidad
infantil y de mortalidad materna.
“tasa” de mortalidad infantil = x 1.000
número de defunciones en menores de 1 año de edad
número de nacidos vivos

41
“tasa” de mortalidad materna = x 100.000
número de muertes maternas
número de nacidos vivos
Se puede constatar que para el cálculo de estas “tasas” se emplea el número de nacidos
vivos como denominador y, por tanto en sentido estricto no es una tasa en tanto el de-
nominador no es tiempo-persona. Por convención, se utiliza el número de nacidos vivos
como denominador de estos indicadores porque se considera que es un dato más factible
de obtener que los requeridos para construir las respectivas tasas, a saber: en el primer
caso, el total de niños menores de un año que deben existir en la misma población y año
donde se hizo el recuento de defunciones; en el segundo caso, el número total de mujeres
que estuvieron embarazadas y que dieron a luz en la misma población y año.
En ocasiones se sospecha que una enfermedad determinada está causando un elevado
o inusual número de muertes. Es de interés conocer cuántas de las personas enfermas
mueren, es decir, la proporción de casos fatales entre el total de casos. En una situación
epidémica, a este cálculo se le llama tasa de letalidad y es particularmente importante
para evaluar la severidad de una epidemia:
tasa de letalidad de la enfermedad A = x 100
número de defunciones por enfermedad A
total de casos de enfermedad A
Mientras la mortalidad hace referencia a las defunciones entre la población total (sana o
enferma), la letalidad sólo hace referencia a las defunciones entre la población enferma.
Por ejemplo, si en un distrito de 30.000 habitantes ocurrieron 200 casos de tifoidea con 6
defunciones, en un año determinado, podemos afirmar que, en ese distrito y en ese año,
la mortalidad por tifoidea fue 2 por 10.000 y su letalidad 3%; es decir:
mortalidad por tifoidea = x 10.000 = 2 x 10.000
6 muertes
300.000 habitantes
letalidad por tifoidea = x 100 = 3 x 100
6 muertes
200 casos
Distribución proporcional
La distribución proporcional es una forma sencilla de expresar la cantidad de casos o
muertes según alguna característica de interés, como sexo, edad o causa específica, como
porcentaje del total de casos o muertes observados. La distribución proporcional co-
rresponde a una distribución de frecuencias relativas simples, como se vio al inicio de
esta Unidad. A diferencia de las tasas, la distribución proporcional no mide el riesgo de

enfermar o morir, sino solamente indica cómo se distribuyen los casos o muertes entre
las personas afectadas.
Veamos el siguiente ejemplo. Durante un brote de tifus exantemático ocurrido en una
comunidad andina, se enfermaron 38 personas; 24 hombres y 14 mujeres. Se desconoce
el número total de hombres y mujeres en dicha población.
Cuadro 3.7 Distribución proporcional de casos de tifus exantemático por sexo
Sexo
Número
de casos
distribución
proporcional
Masculino 24 63,2
Femenino 14 36,8
Total 38 100,0
Es decir,
proporción de casos de sexo masculino: x 100 = 63,2%
24
38
proporción de casos de sexo femenino: x 100 = 36,8%
14
38
Esta información nos permite afirmar que la enfermedad en dicha comunidad afectó
más 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 em-
bargo, esta información no nos permite afirmar que los varones tuvieran mayor riesgo
de enfermar.
mortalidad proporcional
Cuando la distribución proporcional se refiere a datos de mortalidad, entonces habla-
mos específicamente de mortalidad proporcional, una medida de mortalidad útil para
describir el perfil y las contribuciones de causas de muerte específicas a la mortalidad
general de un lugar y periodo determinados; esto es:
mortalidad proporcional = x 100
nº de muertes por causa específica en un año
nº total de muertes en el mismo año
Las medidas de prevalencia, incidencia y mortalidad, tomadas en conjunto, permiten
describir perfiles de salud de la población, útiles para el análisis de la situación de
salud, la primera función esencial de la salud pública. Estas medidas básicas permiten

43
comparar la importancia relativa de riesgos, enfermedades y daños a la salud en las po-
blaciones entre diferentes períodos de tiempo y entre localidades distintas, facilitando
la identificación de necesidades y prioridades en salud y orientando la gestión sanitaria.
No obstante, cuando comparemos dos o más poblaciones debemos tener siempre pre-
sente que existen otras características propias de cada población que podrían 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 distribución
de edad o la distribución de las muertes en distintas edades en cada población y, por
tanto, llevarnos a conclusiones erróneas. Ello puede ser evitado con el uso de técnicas de
estandarización o ajuste de tasas (los interesados en este tema pueden revisar el Apéndice
Estadístico-Epidemiológico al final de este módulo).

Ejercicio 3.2
Los siguientes datos corresponden a dos localidades latinoamericanas, a las que denomi-
naremos A y B, en un año determinado.
Cuadro 3.8 Población y mortalidad en dos localidades latinoamericanas
Datos básicos
Localidad
A B
población total 10.320 76.311
número de nacidos vivos 850 1.226
población menor de 5 años 3.350 6.901
defunciones en menores de 1 año 105 10
defunciones en menores de 1 año por infecciones 32 4
defunciones en menores de 5 años 161 12
defunciones en menores de 5 años por diarrea 36 0
Calcule:
Indicadores de Salud
Localidad
A B
a) la tasa de mortalidad en menores de 5 años (por 1.000)
b) la tasa de mortalidad infantil (por 1.000)
c) la tasa de mortalidad por diarrea en menores de 5 años (por 1.000)
d) la tasa de mortalidad por infecciones en menores de 1 año (por 1.000)
e) ¿Qué se observa al comparar las localidades A y B?.
_________________________________________________________________________________________________
_________________________________________________________________________________________________
_________________________________________________________________________________________________

45
Ejercicio 3.3
Pregunta 1 ¿Qué denominador emplearía para el cálculo de las siguientes medidas?:
a) la incidencia acumulada de dengue hemorrágico en el país “X” en 2000.
_________________________________________________________
b) la incidencia acumulada de neumonía en los escolares de la Provincia
“Y” en 2001.
_________________________________________________________
Pregunta 2 En una isla del Caribe la letalidad por tifoidea es 5%. Durante el año 2000
ocurrieron 40 defunciones por esa enfermedad. ¿Cuántos casos de tifoidea
ocurrieron en esa comunidad insular en dicho año?.
___________________________________________________________
___________________________________________________________
___________________________________________________________
Pregunta 3 Una medida de incidencia usualmente expresada en porcentaje y que se
refiere a poblaciones específicas, en períodos 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 información presentada,
resuelva los puntos considerados a continuación:
Cuadro 3.9 Defunciones por grupo de edad y población
grupo de edad
(años)
defunciones
(número)
población
Menores de 1 285 12.681
1 – 4 251 49.002
5 – 24 274 201.820
25 – 44 408 116.538
45 – 64 576 51.356
65 y más 1.076 18.603
Total 2.870 450.000
a) la tasa de mortalidad (por 100.000) para el grupo de edad de 1 a 4 años
_________________________________________________________
b) la tasa de mortalidad (por 100.000) para el grupo de edad de 65 y más
años.
_________________________________________________________
c) la tasa de mortalidad (por 100.000) para el grupo de 25 a 44 años.
_________________________________________________________
d) Comente estos resultados con respecto a la magnitud de la mortalidad
en los grupos de edad. Considere que estos resultados son típicos de
cualquier población.
_________________________________________________________
_________________________________________________________
_________________________________________________________

47
Pregunta 5 Veintiséis casos de tuberculosis fueron diagnosticados en Ciudad Alta en-
tre el 1° de enero y el 30 de junio de 2000. El total de casos de tuberculosis
activos al 30 de junio era 264. La población de Ciudad Alta era de 183.000
habitantes.
a) ¿Cuál fue la incidencia de tuberculosis en Ciudad Alta durante el perío-
do 1° de Enero al 30 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) ¿Cuál fue la prevalencia de tuberculosis en Ciudad Alta al 30 de junio de
2000?
…… (a) 14,2 casos por 100.000 habitantes
…… (b) 144,3 casos por 100.000 habitantes
…… (c) 158,5 casos por 10.000 habitantes
…… (d) 290,0 casos por 10.000 habitantes
…… (e) 85,2 casos por 100.000 habitantes
c) Describa y explique las diferencias en los valores obtenidos sobre preva-
lencia e incidencia de tuberculosis encontrados e indique el uso adecu-
ado de cada una de estas medidas epidemiológicas ¿Existe similitud de
esta morbilidad por tuberculosis con la de su área de salud?
_________________________________________________________
_________________________________________________________
_________________________________________________________

Pregunta 6 El tercer domingo de febrero de 2001 se celebró, en una comunidad de 462
habitantes, un baile de carnaval al que asistieron 287 personas. En las dos
últimas semanas de marzo el centro de salud local atendió a 79 personas
que consultaron por prurito intenso y erupción cutánea papulovesicular.
Setenta y seis de ellas habían asistido al baile. De los 161 varones partici-
pantes de ese evento social, 53 se habían enfermado. El 68,3% de los asis-
tentes al baile tenía entre 20 y 39 años 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;
…… c) la tasa de ataque en las mujeres;
…… d) la tasa de ataque en el grupo de 20 a 39 años de edad.
…… e) ¿Qué interpretación daría a estos resultados?
_________________________________________________________
_________________________________________________________
_________________________________________________________

49
Pregunta 7 Examine el siguiente cuadro y resuelva lo considerado a continuación.
Cuadro 3.10 Número de casos por grupo de edad y población
Columna 1 edad (años)
Columna 2 casos
(N°)
Columna 3
población
Columna 4 Columna 5
Menores de 5 3 48 14,3 6,3
5 – 19 6 17 28,6 35,3
20 – 39 5 23 23,8 21,7
40 y más 7 109 33,3 6,4
Total 21 197 100,0 10,7
a) los números en la Columna 4 representan:
…… (a) la distribución proporcional de la población por edad
…… (b) las tasas de ataque por edad
…… (c) la distribución proporcional de los casos por edad
…… (d) las tasas de mortalidad por edad
…… (e) nada de lo anterior
b) los números en la Columna 5 representan:
…… (a) la distribución proporcional de la población por edad
…… (b) las tasas de ataque por edad
…… (c) la distribución proporcional de los casos por edad
…… (d) las tasas de mortalidad por edad
…… (e) nada de lo anterior
c) Comente brevemente la información presentada en el Cuadro 3.10
_________________________________________________________
_________________________________________________________
_________________________________________________________
_________________________________________________________
Pregunta 8 El programa de atención integrada de enfermedades prevalentes en la in-
fancia (AIEPI) de un centro de salud, informó que el tiempo de duración
de todos los casos de neumonía en niños de 5 a 9 años de edad atendidos

en los últimos dos meses fue 9, 7, 11, 9, 8, 4, 6, 12, 6, 8, 8 y 5 días, respecti-
vamente. Usando esta información, calcule:
a) la moda;
_________________________________________________________
b) la mediana;
_________________________________________________________
c) la media;
_________________________________________________________
d) el rango;
_________________________________________________________
e) la desviación estándar.
_________________________________________________________
f) En el espacio provisto a continuación represente la distribución de la
variable de interés empleando un gráfico apropiado.
g) Comente los resultados observados con respecto a esta distribución.
_________________________________________________________
_________________________________________________________

51
Ejercicio 3.4
El nivel intermedio del sistema de salud de Nicaragua, en el istmo centroamericano,
comprende 17 Sistemas Locales de Atención Integral de Salud (SILAIS), que correspon-
den a los 15 departamentos y 2 regiones autónomas en que se divide geopolíticamente el
país. A inicios de 1999 ocurrió un brote de rubéola de alcance nacional, poniéndose en
operación un sistema de vigilancia activa intensificada que permitió establecer medidas
oportunas para el control de la enfermedad. En este ejercicio se describe la situación ob-
servada en la SILAIS León, ubicada en la región occidental del país y que comprende 10
municipios. El Cuadro 3.11 contiene datos sobre los 130 casos confirmados de rubéola
ocurridos en León entre las semanas epidemiológicas (S.E.) 4 y 33 de 1999. Los Cuadros
3.12a, 3.12b y 3.13 presentan datos adicionales relevantes para la caracterización de la
situación epidemiológica.
Pregunta 1 ¿Cuales fueron las características epidemiológicas más relevantes del brote
de rubéola en la SILAIS León, Nicaragua, en 1999?. Caracterice la epidemia
(describa las características de la epidemia) según:
a) edad y sexo de los afectados;
b) su distribución geográfica; y,
c) su distribución en el tiempo.
Para ello:
• complete los Cuadros 3.12a, 3.12b y 3.13;
• calcule las tasas correspondientes usando los cuadros y mapa anexos; y,
• complete el Gráfico 3.9.

Figura 3.3 Mapa del SILAIS León, Nicaragua
100 100 2000
Fuente: Programa Especial de Análisis de Salud (SHA) y Programa Ampliado de inmunizaciones (HVI), OPS
Leon
Quezalguaque
Telica
Malpaisillo
El Jicaral
Santa Rosa
El Sauce
Achuapa
La Paz Centro
Nicaragua
Isla Momotombito
Nagarote Leon

53
Cuadro 3.11 Ocurrencia de casos de rubéola; SILAIS León, 1999
N° Sexo edad (años) Municipio fecha de inicio S.E.*
1 F 7 León 26-Jan 4
2 F 6 León 31-Jan 5
3 F 28 León 5-Feb 5
9 F 11 Nagarote 8-Mar 10
10 M 5 León 11-Mar 10
11 F 28 León 13-Mar 10
12 F 4 León 14-Mar 11
13 F 29 León 18-Mar 11
14 M 1 León 20-Mar 11
15 M 24 León 21-Mar 12
16 F 4 León 22-Mar 12
17 F 11 León 22-Mar 12
18 M 24 Quezalguaque 23-Mar 12
19 F 9 León 25-Mar 12
20 F 3 León 29-Mar 13
21 M 4 León 29-Mar 13
22 F 8 León 4-Abr 14
23 M 3 León 6-Abr 14
24 F 34 Telica 6-Abr 14
25 M 7 León 8-Abr 14
29 F 10 León 10-Abr 14
30 M 13 León 11-Abr 15
31 F 9 León 12-Abr 15
32 M 7 León 13-Abr 15
33 F 6 León 14-Abr 15
34 M 12 Telica 14-Abr 15
35 F 10 León 16-Abr 15
36 F 24 León 16-Abr 15
37 F 4 León 17-Abr 15
38 M 5 León 17-Abr 15
40 M 3 Malpaisillo 18-Abr 16
41 M 7 León 19-Abr 16
42 F 12 Malpaisillo 19-Abr 16

43 F 26 León 19-Abr 16
44 F 12 León 20-Abr 16
46 F 11 León 21-Abr 16
47 F 17 Achuapa 21-Abr 16
49 F 12 León 22-Abr 16
51 M 6 León 23-Abr 16
52 F 10 León 23-Abr 16
54 M 10 Telica 26-Abr 17
55 F 30 León 26-Abr 17
57 F 15 León 27-Abr 17
58 M 10 Malpaisillo 1-May 17
59 F 9 Achuapa 2-May 18
61 F 6 León 3-May 18
62 F 26 Telica 4-May 18
63 F 17 Malpaisillo 7-May 18
65 F 16 León 10-May 19
66 F 11 León 11-May 19
67 F 22 León 11-May 19
68 F 29 León 14-May 19
69 M 22 León 16-May 20
70 M 9 León 17-May 20
71 M 7 León 19-May 20
72 M 5 León 20-May 20
73 M 22 León 20-May 20
74 M 4 León 21-May 20
75 F 5 León 21-May 20
76 F 20 León 22-May 20
77 M 1 León 24-May 21
78 F 7 Nagarote 24-May 21
79 M 1 León 26-May 21
80 M 4 Malpaisillo 26-May 21
81 M 13 León 27-May 21
82 M 5 León 28-May 21
83 F 17 León 28-May 21
84 F 4 León 30-May 22
85 F 15 León 1-Jun 22
86 F 5 Nagarote 2-Jun 22
87 F 17 Telica 4-Jun 22

55
88 M 4 León 5-Jun 22
89 F 20 León 6-Jun 23
90 F 5 León 7-Jun 23
91 M 8 León 10-Jun 23
92 F 10 León 11-Jun 23
93 F 10 León 12-Jun 23
94 F 9 León 15-Jun 24
95 F 5 León 16-Jun 24
96 F 31 León 18-Jun 24
97 F 36 León 18-Jun 24
98 M 8 El Jicaral 20-Jun 25
99 F 12 León 21-Jun 25
100 F 8 León 22-Jun 25
102 M 10 León 22-Jun 25
103 F 6 León 24-Jun 25
106 F 15 Santa Rosa 29-Jun 26
107 F 4 León 30-Jun 26
108 F 8 León 1-Jul 26
109 M 7 Santa Rosa 2-Jul 26
110 F 9 León 3-Jul 26
111 F 10 Malpaisillo 3-Jul 26
112 F 11 Malpaisillo 5-Jul 27
113 F 7 Telica 7-Jul 27
114 F 14 León 7-Jul 27
115 F 9 Nagarote 11-Jul 28
116 M 28 León 11-Jul 28
117 M 14 León 12-Jul 28
118 F 30 El Sauce 12-Jul 28
119 F 30 León 13-Jul 28
120 F 4 León 15-Jul 28
121 F 6 La Paz Centro 17-Jul 28
122 F 15 León 26-Jul 30
123 M 6 León 27-Jul 30
124 F 13 León 29-Jul 30
125 F 6 El Jicaral 30-Jul 30
126 F 7 Malpaisillo 3-Ago 31
127 F 12 Nagarote 8-Ago 32
128 F 28 Malpaisillo 8-Ago 32
129 F 7 León 11-Ago 32
130 F 26 La Paz Centro 16-Ago 33

Cuadro 3.12a Rubéola en León, Nicaragua; 1999. Tasa de ataque (TA) por 100.000 habitantes
por edad
edad (años) Casos población TA
0 - 4 61.932
5 - 9 52.555
10 -14 46.940
15 - 19 43.285
20 - 24 34.373
25 - 29 28.097
30 - 34 23.419
35 - 39 19.318
40 y más 64.602
Total 374.521
Cuadro 3.12b Rubéola en León, Nicaragua; 1999. Tasa de ataque (TA) por 100.000
habitantes por edad y sexo
edad
(años)
varones mujeres
casos población TA casos población TA
0 - 4 29.809 32.123
5 - 9 25.539 27.016
10 -14 22.886 24.054
15 - 19 20.001 23.284
20 - 24 15.770 18.603
25 - 29 12.693 15.404
30 - 34 10.385 13.034
35 - 39 8.654 10.664
40 y más 27.347 37.255
Total 173.084 201.437

57
Cuadro 3.13 Rubéola en León, Nicaragua; 1999. Tasa de Ataque (TA) por 100.000
habitantes por Municipio
Municipio Casos población TA
Achuapa 14.681
El Jicaral 11.174
El Sauce 28.917
La Paz Centro 30.627
León 180.352
Malpaisillo 32.025
Nagarote 32.510
Quezalguaque 8.710
Santa Rosa 10.164
Telica 25.361
Total 374.521
Gráfico 3.9 Rubéola en León, Nicaragua; 1999. Distribución 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 epidemiológicas 1999
☐ = 1 caso
Pregunta 2 Establezca cuáles serían las recomendaciones epidemiológicas al equipo de
salud del SILAIS de León.
___________________________________________________________
___________________________________________________________

Comparación de la frecuencia de enfermedad y medidas
de asociación
Ahora que hemos revisado las principales medidas de frecuencia y distribución de los
fenómenos en tiempo, espacio y persona, el siguiente paso del enfoque epidemiológico
es la comparación de dichas medidas. Esta comparación es la estrategia básica del aná-
lisis epidemiológico y el paso fundamental para transformar los datos en información
relevante.
En todo acto de comparación hay una intencionalidad analítica 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 población, establecer prioridades y, consecuentemente, de-
sarrollar acciones en salud dirigidas a modificarlas positivamente. Este es el enfoque
no-igualitario que pone en práctica la epidemiología.
Un aspecto central en este raciocinio analítico de la epidemiología es la generación de ex-
plicaciones tentativas, suposiciones, pronósticos o conjeturas verosímiles respecto a una
relación causa-efecto que encierran incertidumbre; es decir, la generación de hipótesis.
Una hipótesis es una suposición que se hace de una observación o reflexión, que lleva a
predicciones refutables. Para la aplicación de pruebas estadísticas a los datos obtenidos,
se requiere la elaboración de dos hipótesis: la hipótesis alterna o de investigación (HA)
y la hipótesis nula o de no-diferencia (HO), sobre las cuales se enfocaran los resultados
del análisis estadístico. La obtención de datos relevantes y la comparación racional de los
mismos es la forma de contrastar nuestras hipótesis sobre la salud y la enfermedad en la
población.

59
Medidas de asociación
En esta sección revisaremos los principios y métodos estadísticos básicos que ayudan a
los equipos locales de salud a establecer la presencia de una asociación entre la exposi-
ción a un factor que se considera de riesgo y la ocurrencia de enfermedad en la pobla-
ción. En términos estadísticos, se dice que dos variables están asociadas cuando existe
una relación de dependencia (usualmente de tipo matemático) entre ambas; es decir, el
cambio en una de ellas necesariamente se acompaña del cambio en la otra (covariación).
Asociación: relación de dependencia estadística entre dos o más eventos,
características u otras variables. Una asociación está presente si la probabilidad de
ocurrencia de un evento depende de la ocurrencia de otro u otros.
En epidemiología, la aplicación del término ‘asociación’ siempre implica la intención
de establecer una relación de causa a efecto entre una exposición y una enfermedad o
evento en salud. Sin embargo, debe tenerse presente que una asociación puede ser for-
tuita o ‘espuria’ o puede ser producida por varias circunstancias y, por tanto, la presencia
de una asociación estadística no necesariamente implica una relación causal.
Por otra parte, un factor de riesgo es un aspecto del comportamiento o estilo de vida
personal, constitución genética o hereditaria o exposición ambiental que, con base en
la evidencia epidemiológica disponible, se sabe que está asociado a condiciones rela-
cionadas con la salud consideradas importantes de prevenir. Desde el punto de vista
epidemiológico, lo más importante de un factor de riesgo es que sea identificable, cuan-
tificable 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 población
aunque, debe tenerse presente que el hallazgo de un factor de riesgo no necesariamente
implica que sea un factor causal.
Factor de riesgo: característica o circunstancia detectable en individuos o grupos,
asociada con una probabilidad incrementada de experimentar un daño o efecto
adverso a la salud. En general, un factor de riesgo es un atributo o exposición que
incrementa la probabilidad de ocurrencia de una enfermedad u otro daño a la salud.
Los aspectos que hemos revisado en la primera mitad de esta Unidad corresponden al
campo de la llamada estadística descriptiva: la descripción cuantitativa de la frecuencia
y distribución de los fenómenos de salud y enfermedad observados en la población. La
utilidad de presentar los datos resumidos en buenos cuadros y gráficos radica en per-
mitir hacer inferencias sobre los determinantes de la situación de salud observada en la
población y proceder con cierto nivel de confianza a intervenir sobre ellos.

La estadística es la ciencia matemática que proporciona a la epidemiología los elementos
básicos para el tratamiento científico de la información numérica en salud. El análisis
epidemiológico usa procedimientos estadísticos diseñados para estimar la probabilidad
de que una conclusión acerca de la población de referencia, basada en el análisis de datos
de una porción de ella (muestra) o en la comparación con otra población, sea correcta o
verosímil; ésto corresponde a la llamada estadística inferencial.
En la práctica, para explorar una posible asociación entre exposición y enfermedad se
requiere de tres elementos: dos grupos comparables de la población, una medida de la
variable exposición para cada grupo y una medida de la variable enfermedad en cada
grupo. En general, las variables epidemiológicas de exposición y de enfermedad son
continuas o discretas y sus medidas se resumirán en promedios o en proporciones. La
situación más común en los servicios de salud es la comparación de dos proporciones.
Por ejemplo, para evaluar la asociación entre ingreso económico y tuberculosis, podría-
mos comparar dos proporciones: incidencia de tuberculosis entre los pobres y los ricos.
Las medidas de asociación estadística se basan en las llamadas pruebas de significancia
(los aspectos teóricos relacionados con sus bases conceptuales escapan a los propósitos
de este material. Para una breve introducción a ellos vea el Apéndice al final de este mó-
dulo). El propósito de estas pruebas es determinar si la presencia de un factor de riesgo
evaluado está efectivamente relacionada con la frecuencia de la enfermedad. En dichas
condiciones se espera que la prevalencia de exposición a dicho factor sea razonablemen-
te más alta entre los que han enfermado o sufrido un daño a la salud que en aquellos
aparentemente sanos.
La bioestadística posee una gran variedad de pruebas de significancia y otros recursos
analíticos de potencial utilidad para la práctica epidemiológica. Por otra parte, el de-
sarrollo de la informática y las posibilidades tecnológicas están facilitando el acceso a
un número cada vez mayor de programas estadísticos de computadora. Dos paquetes
populares en epidemiología de campo son el Epi-Info del CDC y la OMS y el Epidat de
la OPS y la Xunta de Galicia, como se mencionó al inicio de este módulo. Es un hecho
que el nivel de exposición a esta tecnología está aumentando y, por ello, un conocimiento
básico del enfoque estadístico y epidemiológico en los equipos locales de salud es cada
vez más necesario para asegurar el uso racional y eficiente de tales recursos tecnológicos.
Precisamente para familiarizar a los equipos locales de salud con las aplicaciones de la
bioestadística, el MOPECE presenta a continuación una de las pruebas de significancia
estadística de mayor utilidad para la práctica epidemiológica de campo.

61
Comparación de dos Proporciones: La Prueba Chi Cuadrado
Para ejemplificar el uso de esta prueba estadística, nos referiremos a continuación a una
situación en la que se evalúa si existe una asociación estadísticamente significativa entre
ciertos tipos de ocupación y el riesgo de contraer malaria en una población.
En una localidad rural de 760 habitantes, situada en una zona malárica, se observó que,
en el último año, la incidencia acumulada de malaria en campesinos fue 88,2 por mil,
mientras que en la población no campesina fue 55,8 por mil. De acuerdo al censo local
más reciente, en la comunidad hay 204 campesinos. Interesa saber si la ocupación cam-
pesino se asocia a la malaria. Los datos que resumen la situación descrita son:
con
malaria
sin
malaria
tasa
por mil
campesino 18 186 204 Ic
= 18/204 88,2
no-campesino 31 525 556 Inc
= 31/556 55,8
49 711 760
Desde el punto de vista estadístico, interesa conocer si hay diferencia significativa entre
las dos medidas de incidencia acumulada. En este caso se puede aplicar una prueba de
significación estadística llamada Chi Cuadrado (x2
), cuya formula es:
En la fórmula, “O” se refiere al valor observado en una celda y “E” a su valor esperado.
La fórmula 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
esperaría ocurrieran (valores esperados) si efectivamente no hubiera diferencia entre las
proporciones que se comparan. Los valores esperados para cada celda central se obtie-
nen 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 18 y el valor esperado sería: (204 x 49) ÷ 760 = 13,2. El cuadro de
resultados para cada celda quedaría así:
con malaria sin malaria
campesino
18
13,2
186
190,8
204
no-campesino
31
35,8
525
520,2
556
49 711 760

Reemplazando la formula,
El valor de chi cuadrado calculado de esta manera (observado) se compara con un valor
tabulado (esperado) tomado de la distribución de probabilidades teóricas. Este valor teó-
rico corresponde al que se esperaría encontrar si los resultados observados ocurrieran
puramente por azar. A este valor teórico se le llama valor crítico: si el valor observado es
mayor que el valor crítico se concluye que la diferencia observada no es debida al azar y
se dice que es estadísticamente significativa. El valor crítico indica el nivel de significancia
de la prueba, que expresa la probabilidad de que la diferencia observada haya ocurrido
por azar (dado que, en realidad, no existan diferencias). 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 un nivel de confianza de 95%, el valor crítico del Chi Cuadrado (de acuerdo a una
tabla de distribución teórica) es 3.84, que corresponde al llamado chi cuadrado con un
grado de libertad, específico para tablas 2x2. Los grados de libertad de una tabla se re-
fieren al número mínimo de frecuencias en las celdas centrales que se necesita conocer
para poder completar los valores de las demás celdas, dados los valores de los totales
marginales. En la situación analizada, el valor observado (2,56) no rebasa el valor crítico
(3,84), por tanto se concluye entonces que concluye entonces que no se puede rechazar
la hipótesis de no-diferencia (de nulidad). En consecuencia, se puede afirmar con 95%
de confianza estadística que la ocupación campesino no está significativamente asociada
a la presencia de malaria (p>0.05).
La prueba de Chi cuadrado es ampliamente usada en epidemiología, especialmente en
el análisis de tablas 2x2. Por ello, se ha desarrollado la siguiente fórmula alternativa sim-
plificada:
enfermo no enfermo
expuesto a b (a+b)
no expuesto c d (c+d)
(a+c) (b+d) n

63
que, aplicada a los datos de nuestro ejemplo, proporciona resultados similares:
La decisión sobre el nivel de confianza seleccionado depende de la situación que se ana-
lice; por las implicaciones que una decisión tenga, se querrá tener un nivel de confian-
za mayor o menor. Para servir a los distintos propósitos, existen varias alternativas. El
Cuadro 3.14 presenta otros valores críticos de x2
(chi cuadrado) para diferentes niveles
de significancia.
Cuadro 3.14 Valores críticos de los estadígrafos x2
y Z a distintos niveles de significancia y
confianza estadísticas
nivel de significancia
(p)
Valores Críticos
nivel de confianza
Chi Cuadrado* Prueba Z**
0,001 10.83 3,29 99,999
0,01 6.63 2,58 99,99
0,05 3.84 1,96 95,0
0,10 2.71 1,64 90,0
0,20 1.64 1,28 80,0
* con un grado de libertad (sólo para tablas 2x2)
** para comparación de dos promedios (ver Apéndice)

Ejercicio 3.5
Durante el otoño de 1990, en una localidad de América del Norte, se reportó la inusual
ocurrencia de una enfermedad caracterizada por fiebre, náuseas, edema, dificultad para
respirar, taquicardia y, sobre todo, intensos dolores por contractura muscular, acompa-
ñada de una marcada elevación del número de eosinófilos, un tipo especial de glóbulos
blancos que actúan sobre ciertos procesos alérgicos. En menos de un año se habían re-
portado más de 1.500 casos de Síndrome Eosinofilia-Mialgia. Los estudios epidemio-
lógicos implicaron al consumo de triptofano, un importante aminoácido en la dieta
humana, como responsable de la enfermedad; en especial asociado al consumo de un
producto popular para combatir la depresión, el insomnio y el síndrome premenstrual.
Pregunta 1 Analice los siguientes datos y evalúe si existe una diferencia estadística-
mente significativa en la incidencia de enfermedad entre los dos grupos
estudiados según la exposición a triptofano. Emplee una prueba estadística
apropiada. Utilice un nivel de significancia igual a 0.05. Interprete los resul-
tados en términos de una hipótesis nula (de no-diferencia)
Número Incidencia (%)
expuestos 30 66,7
no-expuestos 36 22,2

65
Medidas de la fuerza de asociación
A diferencia de las llamadas pruebas de significancia estadística, útiles porque determi-
nan la presencia de una asociación entre dos variables, la epidemiología propone el uso
de dos medidas básicas que cuantifican la fuerza de esa asociación: el riesgo relativo y la
OR (la OR proviene del ingles odds ratio que ha sido traducido como: razón de produc-
tos cruzados, razón de posibilidades u oportunidad relativa). En esta Unidad revisare-
mos los conceptos básicos sobre estas medidas de análisis epidemiológico y en la Unidad
5 las veremos en el contexto de la investigación epidemiológica de factores de riesgo de
enfermedad, que es donde adquieren especial relevancia
Riesgo Relativo
Como vimos anteriormente, la incidencia de una enfermedad en una población y perío-
do determinados (incidencia acumulada y la tasa de incidencia) nos proporciona una
medida del riesgo absoluto de padecer la enfermedad en esa población.
Riesgo absoluto: incidencia de enfermedad u otro evento de interés en la población
o grupo poblacional; cuantifica la probabilidad de experimentar dicha enfermedad
o evento.
La comparación de dos medidas de incidencia de una enfermedad, es decir, dos riesgos
absolutos, permite detectar un posible exceso de riesgo en un grupo con relación a otro.
En epidemiología es de particular interés comparar la ocurrencia de enfermedad entre
un grupo expuesto a un factor considerado de riesgo respecto a otro no expuesto. Las
pruebas estadísticas 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 asociación
entre exposición y enfermedad. Para calcular el riesgo relativo de una enfermedad con
relación a una exposición, 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 pre-
sente que nos referimos a la incidencia de una enfermedad específica y a la exposición a
un factor de riesgo específico.
La epidemiología dispone de una serie de diseños de estudios para observar cuándo
existe una asociación entre la exposición a un factor y el desarrollo subsecuente de una
enfermedad. Entre estos diseños, los estudios de cohortes y caso-control no sólo de-
muestran si esa asociación existe sino cuán fuerte es. Los datos obtenidos a partir de
estos estudios observacionales se disponen usualmente en una tabla 2x2, llamada así por
la naturaleza dicotómica de las variables de exposición y de enfermedad, como la que se
muestra a continuación:

Cuadro 3.15 Tabla 2x2 (Diseño de Cohortes)
enfermo no enfermo
expuesto a b a + b
no expuesto c d c + d
a + c b + d a + b + c + d
Convencionalmente, las columnas de la tabla 2x2 representan la presencia o ausencia de
enfermedad y las filas la presencia o ausencia de exposición. En los estudios de cohortes
se parte de dos grupos de sujetos sin la enfermedad, uno expuesto a un hipotético 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 en-
fermedad
• 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
• c + d = total de sujetos no expuestos al factor de riesgo
El riesgo relativo (RR), como medida de fuerza de asociación, se obtiene a partir de los
estudios de cohortes, ya que su diseño nos permite calcular la incidencia de la enferme-
dad en ambos grupos. El riesgo relativo es una razón 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:

67
Riesgo Relativo: razón entre el riesgo absoluto de enfermar o morir de aquellos con
la exposición de interés y el riesgo absoluto de enfermar o morir de aquellos sin la
exposición de interés.
Un RR igual a la unidad (RR=1) se interpreta como la ausencia de asociación entre exposi-
ción 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 exposición está asociada a la enfermedad
y es un factor de riesgo); un RR menor de 1 (RR<1) indica menor riesgo en los expuestos
(la exposición está asociada a la enfermedad y es un factor protector). La magnitud del RR
cuantifica la fuerza de asociación entre la exposición y la enfermedad; así un RR igual a 3,5
expresa una asociación más fuerte entre exposición y enfermedad que, por ejemplo, un
RR igual a 1,4; o un RR igual a 0,2 indica una asociación más fuerte que un RR igual a 0,7.
Consideremos un ejemplo clásico. Entre 1950 y 1952, los doctores Dawber, Meadors y
Moore del Servicio de Salud Pública de los EE.UU. seleccionaron 5.127 varones y mu-
jeres sanos, de 30 a 59 años, residentes de Framingham, Massachusetts, a quienes desde
entonces se ha venido estudiando prospectivamente con el fin de observar la relación
entre una serie de factores de riesgo y el desarrollo de enfermedad cardiaca coronaria.
Como parte del Estudio del Corazón de Framingham, el Cuadro 3.16 presenta la situa-
ción observada al decimosexto año de seguimiento de un grupo de 1.112 varones, sanos
y de 35 a 44 años de edad al inicio del estudio, con relación al desarrollo de enfermedad
cardiaca coronaria según su exposición a tres factores de riesgo seleccionados.
Cuadro 3.16 Exposición a factores de riesgo y enfermedad cardiaca coronaria (ECC).
Seguimiento de 16 años a varones de 35-44 años de edad. Framingham, EE.UU.
cohorte
hipertensión cardiomegalia tabaquismo
Total ECC Total ECC Total ECC
expuestos 22 12 111 41 800 181
no-expuestos 1.090 206 1.001 177 312 37
Veamos el primer factor de riesgo estudiado: hipertensión (definida aquí como presión
arterial sistólica igual o mayor a 180 mmHg). De acuerdo a los datos, de los 1.112 varones
al inicio del estudio, 22 tenían hipertensión (estaban expuestos) y 1.090 no la tenían (no
estaban expuestos). Dieciséis años después, 12 de los expuestos y 206 de los no expuestos
(i.e., 218 casos) habían desarrollado enfermedad cardiaca coronaria (ECC). Esto quiere
decir que el riesgo absoluto de enfermar con ECC entre quienes tienen hipertensión es:
incidencia en expuestos: = 545,5 por 1.000 expuestos

y el riesgo absoluto de enfermar con ECC entre quienes no tienen hipertensión es:
incidencia en no expuestos: = 189,0 por 1.000 no expuestos
Ahora podremos comparar ambos riesgos absolutos y determinar el exceso de riesgo
como una razón de tasas. Así, el riesgo relativo será:
riesgo relativo:
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 exposición al factor de riesgo
incrementa 1,89 veces el riesgo de desarrollar la enfermedad. Así, el riesgo relativo indica
cuánto más riesgo tienen los expuestos en relación con los no expuestos.
Examinemos el siguiente ejemplo. En la última quincena de mayo de 1991 se presentó un
intenso brote de cólera en tres caseríos aledaños de la selva amazónica (población 1.761
habitantes), que afectó a 125 personas y provocó la muerte de 7 de ellas. Durante la primera
semana de junio se hizo una encuesta rápida en toda la población sobre su exposición a un
conjuntodesupuestosfactoresderiesgo. ElCuadro3.17 presentalos resultados conrelación
al consumo de ciertos productos que, se sospechaba, podrían estar implicados en el brote.
Cuadro 3.17 Brote de cólera en tres caseríos rurales, selva amazónica; Junio 1991.
supuesto factor
de riesgo
enfermaron (n=125) no enfermaron (n=1.636)
expuestos no expuestos expuestos no expuestos
agua no tratada 111 14 1.093 543
pescado crudo 7 118 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

69
De lo que se trata es de determinar si existe alguna asociación entre la exposición a los
supuestos factores de riesgo y la presencia de cólera en la población. Para ello procede-
mos a construir una tabla 2x2 para cada uno de los supuestos factores de riesgo, a saber:
Agua no tratada Enfermo No enfermo Total
expuesto 111 1.093 1.204
No expuesto 14 543 557
Total 125 1.636 1.761
pescado crudo Enfermo No enfermo Total
expuesto 7 14 21
No expuesto 118 1.622 1.740
Total 125 1.636 1.761
pescado cocinado Enfermo No enfermo Total
expuesto 17 198 215
No expuesto 108 1.438 1.546
Total 125 1.636 1.761
arroz recalentado Enfermo No enfermo Total
expuesto 47 522 569
No expuesto 78 1.114 1.192
Total 125 1.636 1.761
tamal de arroz Enfermo No enfermo Total
expuesto 24 272 296
no expuesto 101 1.364 1.465
Total 125 1.636 1.761
fruta sin lavar Enfermo No enfermo Total
expuesto 71 683 754
no expuesto 54 953 1.007
Total 125 1.636 1.761
Ahora podremos calcular más fácilmente las medidas de asociación. Asumiendo que
este es un estudio de cohorte, por tanto, los riesgos relativos en cada exposición serían
los siguientes:

agua no tratada
arroz recalentado
pescado
crudo
pescado
cocinado
fruta sin lavar
Parece claro que la exposición que se asocia con más fuerza al hecho de enfermar es el
consumo de pescado crudo, así como el consumo de agua no tratada. El riesgo relativo
de 4,92 nos indica que la probabilidad de desarrollar cólera fue 3.92 veces mayor en los
sujetos que consumieron pescado crudo que en los que no lo consumieron. El riesgo de
presentar cólera fue también 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 relati-
vos, esta evidencia apunta hacia una implicación causal de estos productos en el brote de
cólera en estas comunidades amazónicas.

71
Ejercicio 3.6
A fin de cuantificar la asociación entre la exposición 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 realizó un estudio epidemiológico en la Provincia N
de un país de América del Sur. Se definió como enfermo a toda madre que haya parido
un niño/a con BPN (menos de 2.500 gramos) y como no enfermo a toda madre que
haya parido un niño/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 informático perinatal dis-
ponible en dicha provincia. El Cuadro 3.18 presenta un extracto de los resultados de
dicho estudio.
Cuadro 3.18 Prevalencia de exposición (%) a factores de riesgo de bajo peso al nacer.
Estudio epidemilógico; Provincia N, América del Sur; 1988-1995.
factor de riesgo
enfermo
(n=1.556)
no enfermo
(n=16.910)
madre adolescente (menor de 17 años) 13,1 7,1
enfermedad de la placenta 24,4 7,2
sin atención prenatal 15,6 2,1
atención prenatal tardía (a partir del 5° mes) 56,8 31,0
a) Disponga apropiadamente los datos en tablas 2x2 y cuantifique la cor-
respondiente asociación entre exposición y enfermedad.
b) Interprete y sintetice sus resultados.

Razón de Posibilidades (Odds Ratio)
Como acabamos de ver, para calcular el riesgo relativo necesitamos la incidencia de la en-
fermedad en expuestos y no expuestos y éstas se obtienen de un estudio de cohortes. Más
frecuentemente, cuando necesitamos identificar asociación entre exposición y enferme-
dad sucede que nos encontramos ante una serie de sujetos que ya presentaron la enferme-
dad. En tal situación podemos recurrir a un estudio caso-control, en el cual se compara la
historia de exposición de los enfermos con la de un grupo de sujetos similares, pero sanos,
al que se llama ‘grupo control o testigo’. El diseño caso-control es muy versátil y popular en
el campo y es uno de los estudios que nos permite obtener una medida denominada razón
de posibilidades (razón de productos cruzados, razón de ventajas, razón de suertes, razón
de momios, odds ratio), análoga 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 habían estado previamente expuestos al factor de riesgo. Así,
en los estudios caso-control la tabla 2x2 (Cuadro 3.20) tiene los siguientes componentes
Cuadro 3.19 Tabla 2x2 (Diseño Caso-Control)
caso control
expuesto a b a + b
no expuesto c d c + d
a + c b + d a + b + c + d
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 acepción inglesa (odds ratio), la razón de posibilidades literalmente sig-
nifica “razón de ‘odds’”. Para comprender mejor su significado, debemos revisar, una vez
más, el término probabilidad. La definición frecuentista nos dice que la probabilidad
de la ocurrencia de un evento, indica la frecuencia relativa límite con que dicho evento
tendrá lugar a largo plazo, en pruebas repetidas en condiciones similares (Colton, 1975).
El término ‘frecuencia relativa’ implica que el valor numérico de cualquier probabilidad
se sitúa entre 0 y 1.

73
Como hemos visto a lo largo de esta Unidad, la probabilidad se utiliza a menudo para
cuantificar la frecuencia esperada de ciertas características de interés, bajo condiciones
de incertidumbre como, por ejemplo, el porcentaje de individuos en quienes se espera
esté presente un riesgo o una enfermedad concretos. Esta misma información está con-
tenida 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 razón de probabilidades complementarias. Esto es,
odds =
probabilidad del evento
1 probabilidad del evento
Por ejemplo, es lo mismo decir que nuestro equipo de fútbol tiene una probabilidad de
80% de ganar su partido del domingo que decir que su odds es 4 a 1 para esa ocasión
(Fletcher, 1998). O, como señala Last en su Diccionario, si 60 fumadores desarrollan tos
crónica 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 exposición al factor de
riesgo. Así, en los casos, el odds de haber estado expuesto será:
y, en los controles, será:
De esta manera, la razón de posibilidades (OR) no es sino la razón o cociente entre los
odds, en favor de la exposición de los casos y de los controles; es decir:

Razón de posibilidades: es el cociente entre dos odds. Se define de forma diferente
según la situación de que se trate. En un estudio caso-control, la razón de posibilidades
(OR) es el cociente entre las ventajas (odds) a favor de la exposición en los casos (a/c) y los
controles (b/d) (OR de exposición). 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 cálculo queda reducido
a ad/bc.
La razón de posibilidades de los estudios caso-control proporciona una medida que es con-
ceptual y matemáticamente análoga al riesgo relativo de los estudios de cohortes. Desde un
punto de vista más práctico, el OR, corresponde a la razón de productos cruzados en una
tabla 2x2, como la presentada en esta Unidad y se calcula mediante la siguiente fórmula:
Esta medida de fuerza de asociación tiene la misma interpretación que el riesgo relativo
y en determinadas circunstancias (de baja frecuencia de la enfermedad) constituye una
buena aproximación de éste. Así, un OR igual a 1 (OR=1) indica ausencia de asociación
exposición-enfermedad; un OR mayor de 1 (OR>1) indica exposición de riesgo y un OR
menor de 1 (OR<1) efecto protector.
Retomando nuestro ejemplo sobre el cólera en la Amazonía, asumamos que la situación
corresponde a un diseño caso-control, como podría ser si se tratara de consultas en nuestro
centro de salud. En tal situación, los casos serían todos los enfermos con cólera atendidos
en el centro de salud y los controles, por ejemplo, todos los otros pacientes atendidos por
otra causa. Aunque así ya no podemos calcular la incidencia, sí podemos medir la fuerza
de asociación entre exposición y enfermedad por medio de la razón de posibilidades (OR),
a saber:
ORagua no tratada =
111 543
1.093 14
=
60.273
15.302
= 3,94 ORarroz recalentado =
47 1.114
522 78
=
52.358
40.716
=1,29
ORpescado crudo =
7 1.622
14 118
=
11.354
1.652
= 6,87 ORtamal de arroz =
24 1.364
272 101
=
32.736
27.472
=1,19
ORpescado cocinado =
17 1.438
198 108
=
24.446
21.384
=1,14 ORfruta sin lavar =
71 953
683 54
=
67.663
36.882
=1,83

75
Si comparamos la fuerza de asociación medida con el RR y con el OR apreciaremos que
las diferencias observadas no cambian la conclusión acerca de las exposiciones que pare-
cen estar causalmente implicadas en la propagación del cólera en la comunidad.
Conviene reiterar que tanto el riesgo relativo como la razón 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 ó OR=1). Así, un RR u
OR igual a 2, por ejemplo, no significa que los expuestos tengan dos veces más riesgo que
los no expuestos, sino una vez más, es decir, los expuestos tienen el doble de riesgo de
los no expuestos (100% más riesgo); un RR u OR igual a 1,5 significa que los expuestos
tienen 0,5 veces más riesgo que los no expuestos (o sea, 50% de exceso de riesgo).

Apéndice estadístico - epidemiológico
En esta sección se ofrecen elementos adicionales para el análisis epidemiológico, los
cuales pueden consultarse posteriormente. Estos incluyen pruebas de significancia es-
tadística, estimación de intervalos de confianza, métodos para el análisis de impacto
de factores de riesgo en la población y métodos para el control de factores que pueden
distorsionar la comparación entre poblaciones.
Comparación de dos Promedios: La Prueba Z
Después de un brote de malaria, un centro de salud realiza un programa de tamizaje en
el cual 150 frotis sanguíneos de niños de 1 a 4 años de edad son examinados para detec-
tar la presencia de parásitos Plasmodium falciparum. Se encontraron 70 láminas positi-
vas y el nivel promedio de hemoglobina en esos niños fue 10,6 g/dL, con una desviación
estándar de 1,4 g/dL. El nivel promedio de hemoglobina en los 80 niños con láminas
negativas fue 11,5 g/dL, con una desviación estándar de 1,3 g/dL. El centro de salud esta-
ba interesado en saber si la infección por P. falciparum disminuye los niveles de hemog-
lobina en los niños de la comunidad. Los datos que resumen la situación descrita son:
niños con malaria (grupo 1) niños sin malaria (grupo 2)
tamaño del grupo (n) 70 80
promedio ( ) 10,6 11,5
desviación estándar (DE) 1,4 1,3
Desde el punto de vista estadístico, el interés del centro de salud consiste en saber si
existe o no diferencia entre los promedios de hemoglobina observados en los dos grupos
de niños. En este caso podemos usar una prueba de significación estadística llamada
Prueba Z, cuyo estadígrafo es:
DE DE
Según esta prueba, el valor crítico del estadígrafo Z para un nivel de significancia de
0.05 (5%) es 1,96. Si el valor de Z calculado es mayor que el Z crítico (1,96), se rechaza la
hipótesis nula y se concluye que la diferencia observada es estadísticamente significativa
con 95% de confianza (p<0,05). Reemplazando,

77
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 infección por P. falciparum disminuye los niveles de hemoglobina en los
niños afectados. Esta confianza es estadística, porque expresa la seguridad relativa con la
que se toma una decisión estadística: decir que hay o no hay diferencia entre dos grupos
observados, en función de la influencia del azar. Esta decisión, en estadística, correspon-
de a rechazar o aceptar la hipótesis nula o de no-diferencia. El Cuadro 3.14 presenta otros
valores críticos de Z para diferentes niveles de significancia. Esta prueba se emplea sólo
cuando ambas muestras son grandes (>30 en cada grupo) (de otro modo se suele aplicar
la prueba t de Student, no tratada en este Módulo).
Intervalos de Confianza para promedios y proporciones
Un procedimiento alternativo o complementario de la inferencia estadística para estimar
el grado de incertidumbre que rodea a los estimadores de los parámetros poblacionales
es el cómputo de sus intervalos de confianza. Su comparación directa, incluso, puede
ser tanto o más informativa que los valores p del nivel de significancia para decidir si una
diferencia entre los estimadores (promedios o proporciones) es o no estadísticamente
significativa.
En su forma general, un intervalo de confianza es simétrico respecto del estimador que
contiene; es decir que se construye sumando y restando una misma cantidad al prome-
dio o la proporción observada en la población estudiada. Esa cantidad se llama error de
muestreo y corresponde al producto del error estándar del estimador y un valor crítico
del estadígrafo correspondiente, que suele ser el valor de Z para un nivel de confianza
de 95% (1,96). Así,
intervalo de confianza = estimador ± Z × error estándar (E.S.)
error de muestreo
95%
El error estándar es el mismo que se emplea en las pruebas de significancia estadística
y, como hemos visto, es una expresión de la variación o variabilidad entre los indivi-
duos en las muestras de la población. Mas concretamente, el error estándar representa
la desviación estándar de una distribución de muestras repetidas de la misma población.
Imaginemos que en una misma población se repite 100 veces el mismo estudio para
determinar el período de incubación promedio, en días, de la difteria. Cada estudio re-
sumirá sus resultados en dos medidas: el promedio y la desviación estándar del período
de incubación de la difteria. Así, tendremos 100 promedios y 100 desviaciones estándar
de lo mismo. Si hacemos un gráfico de los 100 promedios obtenidos, veremos que éstos
siguen una distribución normal y, por lo tanto, esta distribución de muestras tendrá
también un promedio y una desviación estándar. Este promedio es un promedio de pro-

medios y esa desviación estándar es, precisamente, el error estándar; ambos representan
los verdaderos parámetros poblacionales del período de incubación de la difteria. El
error estándar es una medida de gran importancia en la teoría muestral; en la práctica
se expresa como una relación entre la dispersión de los datos observados y el tamaño de
la muestra estudiada.
El intervalo de confianza así construído indica el rango en el que, con una probabilidad
conocida, el verdadero parámetro poblacional estudiado está contenido. Por ejemplo, si
un estudio sobre el período de incubación de la difteria reportara que el promedio es 3,5
días y el Intervalo de Confianza al 95% (IC95%) es 2,4–6,1 días, lo que están diciendo los
autores es: “si bien nuestro resultado puntual es 3,5 días en promedio, reconocemos que
éste es un estimado y por lo tanto está sujeto a error aleatorio; no obstante, tenemos 95%
de confianza que el verdadero tiempo de incubación de la difteria está entre 2,4 días y 6,1
días”. En otras palabras, se está diciendo que si se repitiera 100 veces el mismo estudio,
en 95 de las veces el promedio obtenido estará entre 2,4 y 6,1 días, o sea el intervalo de
confianza, pero en 5 de las veces podrá estar fuera de dicho intervalo. De esta manera,
el intervalo de confianza cuantifica de manera explícita la inherente imprecisión de los
datos.
IC95% de un promedio:
DS
El IC95% del promedio de hemoglobina en el grupo de niños con malaria (pag. 76) será:
Límite inferior (Li) = 10,3g/dL; Límite superior (Ls) = 10,9g/dL.
El IC95% del promedio de hemoglobina en el grupo de niños sin malaria (pag. 76) será:
Li = 11,2g/dL; Ls = 11,8g/dL.
El Gráfico 3.10 compara visualmente ambos grupos de población en función de sus res-
pectivos intervalos de confianza. El hecho de observar que sus rangos no se superponen
entre sí (el límite superior de uno y el límite inferior de otro “no se tocan”) sugiere que

79
hay diferencia estadísticamente significativa entre ambos, en correspondencia con los
resultados de la prueba de significancia empleada (Prueba Z).
Gráfico 3.10 Comparación de intervalos de confianza de dos promedios
10
10.5
11
11.5
12
con malaria
Grupo de población
sin malaria
Hemoglobina(g/dl)
IC95% de una proporción:
El IC95% de confianza para la incidencia de malaria en campesinos (pag. 61) será:
Li
= 0,0493 (49,3 por mil); Ls
=0,1272 (127,2 por mil).
Obsérvese que la proporción p en la fórmula se expresa en tanto por uno (o sea, va de 0
a 1); los resultados se multiplican por 1.000 para expresarlos como tasas por mil.
El IC95% de confianza para la incidencia de malaria en no campesinos (pag. 64) será:

Li = 0,0367 (36,7 por mil); Ls =0,0749 (74,9 por mil).
El Gráfico 3.11 compara visualmente ambos grupos de población en función de sus
respectivos intervalos de confianza. El hecho de observar que sus rangos se superponen
entre sí (el límite superior de uno y el límite inferior de otro “se tocan”) sugiere que no
hay diferencia estadísticamente significativa entre ambos, en correspondencia con los
resultados de la prueba de significancia empleada (Chi cuadrado). Además, obsérvese
la longitud del recorrido del intervalo de confianza para la incidencia en campesinos: la
amplitud de un intervalo de confianza también informa sobre la precisión del estudio;
los intervalos amplios indican pobre precisión muestral.
Gráfico 3.11 Comparación de intervalos de confianza de dos proporciones
30
50
70
90
110
130
campesinos no campesinos
Incidenciamalaria(pormil)
Grupo de población
La estimación de intervalos de confianza es un procedimiento básico para documentar
el grado de precisión de nuestros resultados. Los métodos que hemos revisado son los
más comunes y útiles en la práctica cotidiana de la epidemiología. Sin embargo, debe
señalarse que existe una amplia variedad de técnicas para la estimación de intervalos
de confianza de distintos parámetros 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 cálculos no es parte de los objetivos del MOPECE, los principios básicos que ha
descrito sobre la construcción de intervalos de confianza se aplican universalmente para
tales casos.

81
Medidas de impacto potencial
Riesgos atribuibles
La comparación de dos medidas de incidencia acumulada, como se ha señalado, permite
cuantificar el exceso de riesgo entre dos grupos con diferente nivel de exposición al fac-
tor de interés. Este exceso de riesgo se puede medir en dos direcciones: la razón de tasas,
dividiéndolas para obtener el riesgo relativo, o la diferencia de tasas, restándolas, en cuyo
caso obtendremos el llamado riesgo atribuible en expuestos, es decir:
riesgo atribuible en expuestos = incidencia en expuestos – incidencia en no expuestos
En el ejemplo de Framingham, el riesgo atribuible en expuestos (hipertensos) será:
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 exposición, es decir, al hecho de ser hipertensos. En otras palabras, si los individuos
expuestos dejaran de ser hipertensos (esto es, si se eliminase su exposición al factor de
riesgo), su riesgo absoluto original (545,5 por 1.000) quedaría 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 hipertensión.
En forma análoga, el riesgo atribuible en la población (RAP), es la magnitud absoluta
de incidencia de enfermedad que se atribuye a la exposición, ya no sólo en los expuestos
sino en el conjunto de la población. El RAP es la diferencia entre la incidencia en la po-
blación (IP
) y la incidencia en los no expuestos; es decir:
riesgo atribuible en la población,
En el ejemplo de Framingham, podemos determinar que la incidencia de ECC en la po-
blación fue 196,0 por mil personas (218 casos en 1.112 personas). El RAP será:
riesgo atribuible en la población, RAP: 196,0 – 189,0 = 7,0 por 1.000 habitantes
que es la tasa de enfermedad ECC en la población que se considera debida o atribuible a
la hipertensión (la exposición). Es decir que, si no hubiera hipertensión en la población,
el riesgo absoluto de enfermar con ECC sería 189,0 por mil personas en vez de 196,0 por
mil: el exceso de riesgo, atribuible a la exposición, es sólo 7,0 por mil habitantes.

Fracciones atribuibles
A partir de los riesgos atribuibles podemos calcular otras dos medidas importantes, lla-
madas medidas de impacto potencial: la fracción atribuible en expuestos y la fracción
atribuible en la población. La fracción atribuible en expuestos es simplemente el riesgo
atribuible en expuestos expresado porcentualmente, es decir, la proporción de la inci-
dencia en expuestos que se considera debida a la exposición al factor de riesgo. Esto es,
fracción atribuible en expuestos:
En el ejemplo de Framingham sobre hipertensión y ECC, la fracción atribuible en ex-
puestos –llamada también riesgo atribuible porcentual, RA%, será:
fracción atribuible en expuestos (RA%):
que quiere decir que el 65% del riesgo absoluto en expuestos es debido a la exposición al
factor de riesgo, es decir, al hecho de ser hipertensos (el riesgo atribuible en expuestos,
356,5 por 1.000, equivale al 65,4% del riesgo absoluto en expuestos, 545,5 por 1.000).
Finalmente, la fracción atribuible en la población o fracción etiológica es una medida
que cuantifica el exceso de riesgo de enfermar, que se atribuye a la exposición ya no
sólo en los expuestos, sino en el conjunto de la población. Esta medida es simplemente el
riesgo atribuible en la población expresado porcentualmente (RAP%). De esta manera,
la fracción atribuible en la población queda expresada como:
fracción atribuible en la población, RAP%:
La fracción atribuible en la población permite identificar la importancia relativa de la
exposición a un determinado factor de riesgo en la población, pues expresa la magnitud
en que se reduciría el riesgo absoluto de enfermar en el conjunto de la población (es de-
cir, la incidencia de la enfermedad en la población) si se eliminara dicha exposición. Por
ello, se considera que el RAP% es una medida de gran trascendencia en salud pública.
En el ejemplo de Framingham sobre hipertensión y ECC, la fracción etiológica o riesgo
atribuible poblacional porcentual, RAP%, será:
fracción atribuible en la población, RAP%:

83
lo que quiere decir que la hipertensión da cuenta únicamente del 3.6% del riesgo absolu-
to de enfermar con ECC, i.e., la incidencia, en la población estudiada. En otras palabras,
si se tuviera éxito en eliminar la hipertensión en toda la población, se habría conseguido
reducir únicamente en 3.6% el riesgo de desarrollar enfermedad cardiaca coronaria en
esa población. Esto, como veremos luego, tiene obvias implicaciones en la priorización e
implementación de medidas de control de alcance poblacional en salud.

Ejercicio 3.7
Complete la información del cuadro siguiente con relación al impacto potencial asocia-
do a los otros dos factores de riesgo de ECC presentados en el Cuadro 3.16a:
factor de riesgo cardiomegalia
(medida por el incremento de la
sombra cardiaca a los rayos X)
tabaquismo
(hábito de fumar cigarrillos
presente)Medida
riesgo relativo
riesgo atribuible en
expuestos
riesgo atribuible en la
población
fracción atribuible en
expuestos
fracción atribuible en la
población
Hagamos ahora un resumen de nuestras observaciones sobre la situación descrita en el
ejemplo de Framingham. Hemos estado interesados en ver cuál es el riesgo de desarrollar
enfermedad cardiaca coronaria en una población en función de la exposición a tres fac-
tores de riesgo: hipertensión, cardiomegalia y tabaquismo. Hemos visto que el factor con
mayor riesgo relativo es la hipertensión (RR=2,9) y el de menor el tabaquismo (RR=1,9)

85
pero, por otro lado, la fracción etiológica más alta es la del tabaquismo (RAP%=39,5%)
y la más baja la de hipertensión (RAP%=3,6%). En otras palabras, aunque claramente
tiene más riesgo de desarrollar ECC un individuo hipertenso que uno fumador, a nivel
poblacional resultaría más recomendable aplicar una estrategia de reducción del taba-
quismo, que una de reducción de la hipertensión. ¿Por qué?.
Esta situación, relativamente común, ilustra el contraste entre riesgo individual y riesgo
poblacional. Esta situación se explica por las diferencias en la prevalencia de exposición
en la población a los distintos factores de riesgo. Con los datos del Cuadro 3.21 pode-
mos inferir que la prevalencia de hipertensión en la población fue 2%, mientras que la de
tabaquismo fue 72%. Así, el RAP% es sensible no sólo a la magnitud del exceso de riesgo
entre expuestos y no expuestos, sino también a la magnitud de la exposición al riesgo
en la población. En el ejemplo de Framingham, que sintetizamos en el Cuadro 3.21 y
Gráfico 3.12 siguientes, si tuviéramos que decidir por una intervención de salud pública
para disminuir el riesgo de ECC –una situación habitual cuando hay limitación de recur-
sos– la intervención dirigida a disminuir la prevalencia de consumo de cigarrillos tendrá
definitivamente mayor impacto en dicha población.
Cuadro 3.21 Exposición a factores de riesgo y enfermedad cardiaca coronaria (ECC).
Seguimiento de 16 años a varones de 35-44 años de edad. Framingham,
EE.UU.
factor de riesgo inicial riesgo relativo (RR)
prevalencia
de exposición (PE)
fracción etiológica
(RAP%)
A hipertensión sistólica 2,9 2,0 3,6
B cardiomegalia 2,1 10,0 9,8
C tabaquismo 1,9 71,9 39,5
Adaptado de Kahn y Sempos.
Gráfico 3.12 Exposición a factores de riesgo y enfermedad cardiaca coronaria (ECC).
Seguimiento de 16 años a varones de 35-44 años de edad. Framingham,
EE.UU.
1.0
1.5
2.0
2.5
3.0
A B C
Riesgo relativo
0
15
30
45
60
75
A B C
Prevalencia de exposición
0
10
20
30
40
A B C
Fracción etiológica

Otro ilustrativo ejemplo de la importancia de considerar el impacto potencial de las me-
didas de control en la comunidad a la hora de tomar decisiones se encuentra en el caso
del cólera en la Amazonía, presentado en el Cuadro 3.17 (página 68). De acuerdo con
la información disponible, podemos determinar la fracción atribuible en la población
(fracción etiológica, RAP%) de la exposición a pescado crudo y a agua no tratada:
pescado
crudo
agua
no tratada
Esto nos permite saber que, aunque el consumo de pescado crudo está más fuertemente
asociado a la presencia de cólera (RR=4,9), su impacto potencial en la población es muy
bajo, por que la prevalencia de exposición (consumo de pescado crudo) en la población
es muy baja (1,2%). Si elimináramos el consumo de pescado crudo en esa población,
solamente conseguiríamos reducir cerca de 5% su incidencia de cólera. En cambio, el
consumo de agua no tratada –una práctica altamente prevalente en dicha comunidad
(68,4% consume agua no tratada)– tiene gran impacto potencial: eliminar este factor de
riesgo reduciría 65% la incidencia de cólera en la población. Aunque, es obvio que las
campañas de prevención del cólera en esa comunidad habrán de advertir del riesgo de
consumir pescado crudo o fruta sin lavar, la inversión tendrá que dirigirse prioritaria-
mente a evitar que su población consuma agua no tratada.
Estandarización de tasas
Con el fin de sintetizar la información disponible, frecuentemente las tasas se presentan
para la población completa o para grandes categorías de la misma. A estas tasas se les
llaman tasas crudas. Con estas tasas-resumen se suele comparar la mortalidad o la in-
cidencia de una enfermedad entre dos áreas geográficas, dos grupos de población o dos
momentos en el tiempo y ver si existen diferencias relevantes. Consideremos la siguiente
situación:
grupos de
edad
(años)
PAÍS A PAÍS B
defunciones población
tasa
por mil
tasa
por mil
Total 1.269.166 68.386.000 18,6 5.564.944 198.250.000 28,1
Los datos de mortalidad y población corresponden al mismo año calendario. El País A es
un país escasamente industrializado; el País B es un país altamente industrializado. ¿Qué
información comparativa se obtiene a partir de estos datos?. Básicamente, podríamos

87
sacar dos conclusiones: 1) que la tasa de mortalidad en el País B es más alta que en el País
A; y, 2) que el riesgo de morir en el País B es 50% más alto que en el País A. Es decir que,
en términos de mortalidad, el País B está en una situación más desfavorable que el País
A. El Pais B, como se mencionó, un país altamente industrializado.
Las tasas pueden también ser presentadas en forma desagregada para varias categorías
de población, definidas sobre la base de características relevantes a la comparación, tales
como edad, sexo, etnia, ocupación o nivel de exposición a determinado factor de riesgo.
A estas tasas se les denomina tasas específicas. Puesto que el riesgo de morir o de con-
traer la gran mayoría de enfermedades está relacionado, en general, con la edad y a me-
nudo difiere entre los sexos, el análisis de la mortalidad o la incidencia de enfermedad en
una población debe necesariamente hacer uso de las correspondientes tasas específicas.
Regresemos ahora a la situación entre los países A y B:
grupos de
edad
(años)
PAÍS A PAÍS B
tasa
por mil
tasa
por mil
Total 1.269.166 68.386.000 18,6 5.564.944 198.250.000 28,1
<15 317.308 19.831.740 16,0 94.169 24.781.250 3,8
15 – 44 338.100 35.218.790 9,6 380.430 79.256.250 4,8
45 – 64 270.261 10.941.760 24,7 1.223.875 61.501.250 19,9
65 y + 343.497 2.393.710 143,5 3.866.470 32.711.250 118,2
A partir de esta información es posible identificar al menos tres hechos relevantes: 1) el
País A tiene tasas de mortalidad específicas por edad más altas que el País B en todos los
grupos de edad considerados; 2) la estructura por edades difiere marcadamente entre
las dos poblaciones: el país A concentra su población hacia edades tempranas, el país B
hacia edades tardías; y, 3) hay una aparente contradicción entre lo que esta información
refleja y lo que se concluye observando las tasas crudas de mortalidad de los dos países.
¿Cómo se explica esta aparente confusión?. Dado que, como ha sido mencionado, el
riesgo de morir o enfermar está habitualmente asociado con la edad, las tasas crudas
de mortalidad e incidencia dependen críticamente de la composición etárea de una po-
blación. 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 composi-
ción etárea (o sea, la variable edad) ejerce un efecto confusor en la comparación de tasas
crudas de mortalidad por país. De hecho, una tasa cruda es básicamente un promedio
ponderado de las tasas específicas por categoría, siendo los pesos las proporciones de
población en cada categoría.

Para poder realizar una comparación libre de las distorsiones que pueden provocar las
diferencias en la composición de la población se deben emplear tasas estandarizadas.
Las tasas estandarizadas o ajustadas son tasas-resumen construídas estadísticamente
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 básico para el ajuste de tasas (el llamado método directo) requiere
contar con las tasas específicas por categoría de la variable a ajustar (por ejemplo, la
edad) en ambas poblaciones a comparar. Es decir, se requiere dos conjuntos de tasas
específicas por edad (uno por cada país) y una población estándar. La idea general es
ver cuál sería el número total de defunciones que habría en cada uno de los dos países,
si éstos tuvieran exactamente la misma estructura de edad (la población estándar) y
ocurrieran las tasas específicas por edad realmente observadas en cada uno. En otras
palabras, se trata de ajustar la estructura de mortalidad observada de cada país, a una
estructura de edad única y estándar para los dos. El procedimiento incluye los siguien-
tes cuatro pasos:
1. fijar la población estándar: se puede seleccionar una ya conocida o se puede cons-
truir una a partir de los datos; por ejemplo, sumando las poblaciones específicas por
categoría de edad en cada grupo;
grupos etáreos PAÍS A PAÍS B
POBLACIÓN ESTÁNDAR
(A + B)
Total 68.386.000 198.250.000 266.636.000
<15 19.831.740 24.781.250 44.612.990
15 – 44 35.218.790 79.256.250 114.475.040
45 – 64 10.941.760 61.501.250 72.443.010
65 y + 2.393.710 32.711.250 35.104.960
2. calcular el número esperado de defunciones en cada categoría de edad de la pobla-
ción estándar, aplicando las tasas específicas por edad observadas en cada una de las
dos poblaciones a comparar;

89
grupos etáreos
POBLACIÓN
ESTÁNDAR
PAÍS A PAÍS B
tasa observada
defunciones
esperadas
tasa observada
defunciones
esperadas
Total 266.636.000
<15 44.612.990 16,0 713.808 3,8 169.530
15 – 44 114.475.040 9,6 1.098.959 4,8 549.480
45 – 64 72.443.010 24,7 1.789.339 19,9 1.441.616
65 y + 35.104.960 143,5 5.037.556 118,2 4.149.407
por ejemplo, el número de defunciones esperadas en el grupo de menores de 15 años
para el País A, se calcula por medio de una regla de tres simple: si ocurren 16 defun-
ciones por cada mil personas, ¿cuántas defunciones ocurrirán en 44.612.990 personas?.
Esto es,
número de defunciones esperadas en <15 años, País A:
3. obtener el número total de defunciones esperadas en cada país, sumando los resul-
tados correspondientes del paso anterior; y,
grupos etáreos
POBLACIÓN
ESTÁNDAR
PAÍS A PAÍS B
tasa observada
defunciones
esperadas
tasa observada
defunciones
esperadas
Total 266.636.000 8.639.663 6.310.033
<15 44.612.990 16,0 713.808 3,8 169.530
15 – 44 114.475.040 9,6 1.098.959 4,8 549.480
45 – 64 72.443.010 24,7 1.789.339 19,9 1.441.616
65 y + 35.104.960 143,5 5.037.556 118,2 4.149.407
4. calcular las respectivas tasas ajustadas por edad para cada población, dividiendo
el número total de casos esperados obtenido en el paso previo, entre el total de la
población estándar.
tasa ajustada de mortalidad, País A:
tasa ajustada de mortalidad, País B:

Comparemos una vez más los resultados crudos y ajustados:
tasa de mortalidad por mil PAÍS A PAÍS B
cruda 18,6 28,1
estandarizada 32,4 23,7
Luego de haber removido la distorsión producida por la diferencia en la estructura de
edades, se cuenta con una medida-resumen válida para comparar la mortalidad entre los
dos países: la tasa de mortalidad es cerca de 40% más alta en el País A que en el País B.
Cabe recalcar que el uso de tasas estandarizadas sólo está indicado con fines comparati-
vos; su construcción estadística está basada en la elección arbitraria de un estándar y, por
ello, la magnitud de la cifra carece de valor intrínseco. Por último, la estandarización de
tasas no suple las deficiencias en la calidad, cobertura ni registro de los datos.

91
Referencias bibliográficas
Alleyne GAO. Gente sana en entornos saludables. Informe Anual del Director OPAS 1998.
Organización 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, Kjellström T. Epidemiología básica. Organización Panamericana de la
Salud; Washington DC, 1994.
Bortman M. Factores de riesgo de bajo peso al nacer. Revista Panamericana de Salud Pública/
Pan American Journal of Public Health 1998 May;3(5):314-21.
Castillo-Salgado C [Editor]. Manual sobre el enfoque de riesgo en la atención maternoinfantil.
Segunda edición. Organización 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. Estadística en medicina. Ediciones Díaz de Santos S.A.; Madrid, 1995.
Donaldson RJ, Donaldson LJ. Medicina comunitaria. Editorial Díaz de Santos; Madrid, 1989.
Fletcher RH, Fletcher SW, Wagner EH. Epidemiología clínica: aspectos fundamentales. Segunda
edición. Masson, Williams & Wilkins España, 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 O. 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. Bioestadística. Mosby/Doyma Libros, S.A.; Madrid, 1996.
Organización Panamericana de la Salud. Las condiciones de salud en las Américas. Volumen I.
Edición de 1994. Organización 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 estadística e investigación científica en el campo de la salud: una mirada
crítica. Ediciones Díaz 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.

MódulodePrincipiosdeEpidemiologíaparaelControldeEnfermedades(MOPECE)
ISBN: 92 75 32407 7
9 789275 324073
Módulo de Principios de
Epidemiología para el Control de
Enfermedades (MOPECE)
Manual del Facilitador de Grupos

Mopece 3

Más contenido relacionado

La actualidad más candente (20)

Similar a Mopece 3 (20)

Último (20)

Mopece 3