UNIVERSIDAD CATÓLICA DE CUENCA

SEDE AZOGUES

Unidad Académica de Salud y Bienestar

Carrera de Medicina

Cátedra:

Bioestadística

Tema:

Distribución normal, Nivel de significancia y Coeficiente de correlación.

Catedrático:

Eco. Froilán Méndez

Alumnos:

Kevin Encalada Castillo

Esteban Morocho Pulla

Ma. José Quinteros Salazar

Pedro Loaiza Orozco

Julio Torres Ormaza.

Lisseth González González

Ciclo: Sexto ‘’A’’

Azogues-Ecuador
ÍNDICE

1. INTRODUCCIÓN:....................................................................................................4

2. OBJETIVOS..............................................................................................................5

2.1 OBJETIVO GENERAL:.............................................................................................5

2.2 OBJETIVOS ESPECÍFICOS:.....................................................................................5

3. MARCO TEÓRICO:.....................................................................................................6

3.1 DISTRIBUCIÓN NORMAL.......................................................................................6

3.2 NIVEL DE SIGNIFICACIÓN..................................................................................13

3.3 COEFICIENTE DE CORRELACIÓN......................................................................17

4. MARCO CONCEPTUAL:..........................................................................................21

5. CONCLUSIONES:......................................................................................................22

6. RECOMENDACIONES:............................................................................................23

7. BIBLIOGRAFÍA:........................................................................................................24
Aplicación de las medidas de distribución normal, Nivel de significación y
Coeficiente de correlación en el tratamiento de la rinitis alérgica en el
centro de Salud N°1 del cantón de Azogues durante el periodo 2018-2019

1. INTRODUCCIÓN:

En el presente trabajo, se establecen temas estadísticos como la distribución normal, el

nivel de significancia y el coeficiente de correlación; los cuales son de gran importancia,

puesto que nos brindan información sobre si una hipótesis puede ser rechazada o por su

parte aprobada tomando en cuenta su probabilidad, por ende, sus datos puedan ser de
confiabilidad, dichos temas estadísticos, también intervienen en el campo de la

medicina, de tal manera que nos ayudan a demostrar que los resultados obtenidos son

como tal una guía de consideración y no como algo definido, en este caso, en el

tratamiento de la rinitis alérgica.

La rinitis se considera una enfermedad muy usual en nuestro medio y que afecta

principalmente la mucosa de las fosas nasales ya que produce inflamación, sus causas

son por diferentes agentes del propio entorno, para evaluar esta enfermedad vamos a

utilizar una herramienta muy sofisticada el IBM SPSS que es un instrumento

informático que nos facilita los resultados de cálculos estadísticos de marera rápida,

sencilla y eficaz.

La finalidad del presente trabajo es la inclusión y la utilización de estos temas

estadísticos dentro de la medicina, en esta oportunidad en el tratamiento de la rinitis

alérgica, puesto que para tratar dicha patología se presentan dos fármacos diferentes,

que son la loratadina y el rinoval; los cuales mediante el nivel de significancia nos

proporciona un porcentaje de respuesta de 0.60 para la loratadina, y 0.80 para el rinoval.

De tal manera que estos temas estadísticos nos facilitan la elección del fármaco de

mayor incidencia. 

2. OBJETIVOS

2.1 OBJETIVO GENERAL:

  Aplicar medidas de distribución normal, el nivel de significación y coeficiente

de correlación en el tratamiento de rinitis alérgica mediante la revisión y

evaluación de bibliografías que nos permitan el análisis y estudio del tema.

2.2 OBJETIVOS ESPECÍFICOS:

 Identificar las diferentes medidas de distribución orientadas a la resolución de

problemas.

 Determinar la importancia de la aplicación de estas medidas en los estudios

médicos.

 Socializar conclusiones analizadas de las medidas de distribución y el

tratamiento de rinitis alérgica presentado.

3. MARCO TEÓRICO:

3.1 DISTRIBUCIÓN NORMAL

La distribución normal o también denominada distribución de Gauss,

distribución gaussiana o distribución de Laplace-Gauss, es aquella distribución en la

cual proporciona una campana simétrica en la cual las desviaciones estándar van a
 ser una tras otra con respecto a la media estableciendo valores de referencia la cual

permite estimar mediante porcentajes las observaciones de los mismos datos. Dichos

datos son la base para las hipótesis como pruebas de Z y T (Estadística Básica.2017).

La primera vez que fue distinguida fue por el francés Abraham de Moivre, en

la cual posteriormente Carl Friedrich Gauss desarrollo de manera más profunda

formular la ecuación para la elaboración de la curva por ello también se la denomina

“Campana de Gauss”. Dicha distribución normalmente se encuentra conformada por

dos variables o parámetros, los cuales comprenden la media y la desviación estándar

las que comúnmente se las nombra por Y. Con este nombre la distribución se plantea

por la siguiente ecuación la cual se basa en la distribución normal de la media y

varianza (Estadística Básica.2017):

{ ( )}
2
1 −1 x−μ
f(x)= exp ;−∞ < x <∞
σ √2 π 2 σ

Dónde:

 μ= es el símbolo de la distribución normal de media

 σ= es el símbolo de la varianza

Propiedades de la distribución normal

Dentro de las propiedades Fundamentales de la distribución normal podemos encontrar

las siguientes (Estadística Básica.2017):

I. Va a poseer una exclusiva moda, la cual concuerda con su media y su mediana.

II. La curva de normalidad va a ser asintótica al eje de abscisas. Por consiguiente,

todos los valores entre -∞ y +∞ son básicamente posible. Por ello decimos que

el área total debajo de la curva es, por ende, equivalente a 1.

III. Es correspondiente en relación a su media μ. Por ello decimos que para este tipo

de variables se puede dar una posibilidad de un 50% de que podamos observar

un dato mayor a la media, y el otro 50% de que sea menor.

IV. El Intervalo entre la línea dibujada en la media y el punto de inflexión de la

curva va a ser equivalente a una desviación típica (σ). Cuan superior sea esta

desviación, la curva de la densidad será más aplanada.

V. La zona que se encuentra por debajo de la curva que comprenderá los datos

colocados aproximadamente entre las dos desviaciones estándar de la media va a

ser igual a 0.95. En consiguiente, vamos a decir que va a existir un 95% de

posibilidades se apreciara dentro de un valor que comprometa el intervalo (μ-

1.96σ; μ+1.96σ).

VI. Para la figura de la campana de Gauss siempre va a depender de los parámetros

μ y σ. La media va a indicar la posición en la cual se encuentra la campana, de

manera que para múltiples datos de μ la gráfica se desplazará a lo largo del eje

horizontal. En otra parte, la desviación estándar va a determinar en qué grado de

apuntamiento se encontrará la curva, cuanto superior sea el valor de σ, más se

separarán los datos en torno a la media y por ello la curva será más plana.

Cuando un dato es pequeño esta variable indicara que va a existir una gran

probabilidad de que los datos sean cercanos al valor medio de la distribución.

 Fuente: (Pertega D. et al, 2011).

Figura 1 Gráfica de una distribución normal y significado del área bajo la curva.

Podemos relacionar con mucha frecuencia a la distribución normal con el

histograma, porque se dice que el área del rectángulo es similar al número de valores

relacionados con el rango de datos correspondientes tal y como observamos en la

figura 1; dentro de dicha figura se observa en el eje horizontal se van a levantar

perpendiculares en dos puntos que son a y b, en donde el área que se va a hallar por

debajo de la curva dada por las líneas indicará que la posibilidad de que dicha

variable tomara un dato cualquiera dentro del mismo intervalo. Decimos que cuando

la curva llega a su máximo punto con respecto a la media, sus ramas se van a

extender asintóticamente en referencia a los ejes siempre y cuando la variable siga su

distribución normal será más posible apreciar un dato que se encuentre cercano al

valor medio que el mismo se encuentre muy apartado de éste (Estadística

Básica.2017).

Teorema del límite central

El teorema del límite central se rige por debajo de ciertas condiciones que se

encontraran en relación de distribución con varianza finita las cuales podrán ser

independientes o idénticamente, se denominará una normalidad cuando la suma de

todos los números de variables aleatorias sea aproximada. La importancia de la

práctica de dicho teorema radica en que su función de distribución entorno a lo

normal se use como un aproximado de otras funciones distributivas. En los que

podemos plantear como ejemplos (Pertega D. et al, 2011):

  Una distribución binomial en la cual los parámetros son n y p se puede catalogar

como aproximados cuando el valor normal en grandes valores de n, y p no se

acercan demasiado a 0 o a 1 (en algunas literaturas esta aproximación se puede

basar en valores en los cuales np y n(1-p) son iguales). El valor normal

aproximado dentro de los parámetros están μ = np, σ2 = np (1 − p). (figura 2)

(Pertega D. et al, 2011).

Distribución normal
0.16

0.14

0.12

0.1

0.08

0.06

0.04

0.02

0
0 5 10 15 20 25

Fuente: (Pertega D. et al, 2011).

Elaborado por: Grupo 4.

Figura 2 en la que observamos una gráfica de la función de distribución de una normal

con μ = 12 y σ = 3, en donde la función de la distribución de la bimodal se aproxima

con n = 48 y p = 1/4

Para poder calcular exactamente el valor de dichas aproximaciones dependerá

del motivo para el cual se necesite dicha aproximación y de la tasa de convergencia a

la distribución normal. Se puede dar el caso común en el cual los valores de tales

aproximaciones sean menos precisos cuando se trata de las colas de distribución;

existe un teorema denominado el Teorema de Berry-Esséen el cual se encarga de

 proporcionar el límite de aproximación de error superior en función de distribución

(Pertega D. et al, 2011).

Desviación típica e intervalos de confianza

En torno del 68% de los datos de la distribución normal se van a situar en un

intervalo de σ < 1 como una desviación típica de la media, en cambio μ se encontrará

alrededor del 95% de los datos que se encontrarán entorno a dos desviaciones típicas

de la media y por ultimo existe el 99.7% en las cuales encontraremos tres

desviaciones típicas de dicha media; a todo ello, se lo conoce como la regla del 68-

95-99.7 o regla empírica (Orrego. et al,2014).

Para ser más concisos vamos a decir que toda el área que se encuentre debajo

de la campana comprendido entre μ − nσ y μ + nσ en relación a los términos de

función de una distribución normal va a estar representada por (Orrego. et al,2014):

2 2
Φ μ , σ ( μ+nσ ) −Φ μ , σ ( μ−nσ )

¿ Φ ( n )−Φ (−n ) =2Φ ( n )−1=erf (n/ √ 2)

donde erf va a ser la función error. Los valores van a estar representados con 12
decimales para n=1, 2, ……,6 son:

n erf (n/√ 2)

1 0,682689492137

2 0,954499736104

3 0,997300203937

4 0,999936657516

5 0,999999426697

6 0,999999998027

Fuente: (Orrego. et al, 2014)

 Elaborado por: Grupo 4.

La siguiente tabla que vamos a observar nos brindara valores, pero en una

relación inversa de varios σ los cuales corresponden a unos pocos valores los cuales

se usaran con frecuencia para el área que se va a encontrar por debajo de la campana

de Gauss. Estos valores que se detallan en la tabla nos servirán para calcular

intervalos de confianza para niveles específicos los cuales se basan en una curva con

distribución normal (Orrego. et al,2014):

erf (n/√ 2) n

0.80 1.28155

0.90 1.64485

0.95 1.95996

0.98 2.32635

0.99 2.57583

0.995 2.80703

0.998 3.09023

0.99 3.29052

0.9999 3.8906

0.99999 4.4172

Fuente: (Orrego. et al, 2014)

Elaborado por: Grupo 4.

Distribución normal compleja

Debemos de considerar una variable aleatoria compleja gaussiana cuando (4):

Z=X +iY
Donde X e Y son variables gaussianas reales e independientes con una varianza ❑❑ 2
❑ σr

equivalente. Decimos que la función de distribución de la variable conjunta es entonces

(Altman DG. et al, 2015):

1 2 2
−(x + y )/(2 σ )
2

2
e r

2 π σr

Como σz=√ 2 σ r , se hará referencia que la función de distribución resultante para la

variable Gaussiana compleja z será (Altman DG. et al, 2015):

1 2 /σ
2

2
e−|z| r

π σr

Ejemplo

En una distribución normal de media 4 y desviación típica 2, calcular el valor de a para

que: P ¿= 0.5934

X−μ
Utilizando la formula Z=  , vamos a sustituir el valor de la media ( μ), y la
σ

desviación típica (σ ).

P ( 4−a ≤ x ≤ 4 +a )

P ( ( 4−a2)−4 ≤ Z ≤ ( 4+ a2)−4 )
P=0.5934

Al simplificar, obtenemos:

P ( −a2 ≤ z ≤ a2 )=P ( Z ≤ a2 )−P ( z ≤ −a2 )

( a2 )−P (Z ≥ a2 )
¿ P Z≤

( a2 )−(1−P (Z ≤ a2 ))
¿ P Z≤
 ¿ 2∗P Z ≤( a
2 )
−1=0.5934

De donde se sigue que

2∗P Z ≤ ( a2 )−1=0.5934
P Z≤ ( a2 )=0.7967
Ahora localizamos en la tabla de distribución normal el valor 0.7967 y observamos que
corresponde a P ( Z ≤0.83 ), entonces:

a
=0.83
2

a=1.66

3.2 NIVEL DE SIGNIFICANCIA

Este nivel es conocido por ser un umbral que nos permite conocer en un

estudio si el resultado es estadísticamente significativos a través de la realización de

pruebas planificadas, para este nivel se establece un 5% o el 0,005, se presenta de

esta manera la probabilidad que existe de rechazar una hipótesis que sea nula cuando

es verdadera, suelen ser el complemento en una distribución al intervalo de

confianza. (Rodo P, 2021)

Se puede decir de esta manera que es una medida estadística que nos

proporciona fiabilidad en el resultado de un estudio que nos permite a la hora de

tomar una decisión tener la confianza, en donde mide la probabilidad de que las

variables en un estudio no sean coincidencia sino más bien tenga como causa un

factor. (López J, 2017)

 Este nivel de significancia es muy utilizado generalmente para estudios

clínicos epidemiológicos para observar la relación entre distintas variables con el fin

de observar si hay una asociación indicada, al azar o por la disposición de ciertas

variables que tienden a confundir, dentro de la estadística se realizan ilaciones a las

poblaciones a partir muestras suele existir un riesgo de error debido al azar o por

pruebas variables biológicos. (Pertega D. et al, 2010)

Se conoce como precisión a la carencia del error por el azar, se dice que

cuando más grande el tamaño de la muestra suele ser mayor el grado de precisión y

menor la variabilidad por el azar, siempre que no exista una variable de confusión se

puede corregir aumentando el tamaño del ejemplar, dentro de Medicina a la

significancia se le conoce como una garantía de la calidad. (Pertega D. et al, 2010)

Calculo del nivel de significancia.

Dentro del cálculo del nivel de significancia se encuentran las hipótesis la

primera es la hipótesis nula nos detalla que no hay relación entre las variables que se

están estudiando mientras que la hipótesis alternativa confirma si hay un grado de

relación entre las variables, se debe observar si hay diferencia entre los grupos que se

van a comparar los grupos estudiados que son A y B, cuando el valor absoluto es

mayor que el error suele aceptarse la hipótesis alternativa y se niega la nula. (Pertega

D. et al, 2010)

Hipótesis Nula “Ho” = No existe diferencia entre los tratamientos.

Hipótesis alternativa “Ha” = Existe diferencia.

Empleo del Nivel de Significancia

 Contamos con dos tratamientos Loratadina (A) y Rinoval (B), en el

tratamiento de Loratadina lo reciben alrededor de 25 pacientes y al tratamiento de

Rinoval la cantidad de 25 pacientes más, responden acogedoramente al tratamiento

de Loratadina 15 pacientes mientras que al tratamiento de Rinoval los 20 pacientes.

(Pertega D. et al, 2010)

TRATAMIENTO PACIENTES PORCENTAJE DE LA

RESPUESTA
Loratadina 25 15/25= 0.60

Rinoval 25 20/25= 0.80

Fuente: ((Pertega D. et al, 2010))

Elaborado por: Grupo 4

Si |P1-P2| es superior que el producto que en este caso es de 1 .96 x el error estándar,

se concluye que es significativa la diferencia.

|P1-P2|= |0 .60- 0.80| = 0.20

P 1+ P 2 0.60−0.80
P= = = 0.7
2 2

Z α- 0.05= 1.96

El error estándar

1 1
=√ P (1-p) (1/n1+ 1/n2)= √0.7 (1- 0.7)( + )= 0.1296
25 25

Error estándar:

1.96 = 0.1296 x 1.96 = 0.25

 La diferencia que es 0.20 no supera el valor de 0.25 se concluye de esta

manera que la disimilitud del 0.60 y del 0.80 no es estadísticamente expresiva y por

ello no se puede aceptar la hipótesis alternativa. (Pertega D et al, 2010)

El tamaño de la muestra suele afectar la posibilidad de la significancia

estadística debido al error estándar que se hace más diminuto si el estudio tiene un

mayor número de pacientes, de esta manera podemos decir que el valor de (P) se da

en función de la diferencia de los grupos y del tamaño de la muestra, es por ello que

se deben de tomar en cuenta como un una guia y no como una base de una

conclusión definitiva. (Pertega D. et al, 2010)

Error de tipo I (α)

Se conoce como error de tipo I la probabilidad de declinar la Ho cuando sea

afirmativa es conocido como Error alfa, es así que la P no indica su importancia ni la

asociación de la fuerza aunque esta se emplea generalmente para tomar una

resolución cualitativa al elegir una hipótesis u otra, cuando P es < 0. 05 se toma en

cuenta que es significativo en ese caso se descarta la Ho y cuando es >0.5 no se

rechaza. (Pertega D. et al, 2010)

Error tipo II B

Cuando se eleva el nivel de confianza se puede cometer el error tipo II y este

se da cuando se acepta la hipótesis nula cuando está realmente es falsa y a esta se

conoce como falso negativo. (Pertega D. et al, 2010)

3.3 COEFICIENTE DE CORRELACIÓN DE PEARSON

Este se define como un índice el cual puede medir el grado de covariación

entre variables que se encuentran relacionadas de forma lineal. Las propiedad más
 importantes que presenta este coeficiente son cuatro, la primera es que este es

adimensional debido a la ecuación con la que funciona este coeficiente las unidades

del numerador se cancelan con las del denominador, dando como resultado un índice

sin dimensiones, esta característica es una ventaje debido a que convierte a este

coeficiente en una medida versátil y fácil de interpretar.(Lalinde & Tarazona, 2018)

La segunda característica a resaltar de este coeficiente es el rango definido

entre -1 y 1, debido a que este coeficiente se entiende según el resultado del Angulo

obtenido por los vectores X y Y, cuando el Angulo toma valores cercanos a 0, el

coseno tiende a 1, esto implicara que las variables poseen una alta probabilidad a 1,

al contrario lo que sucede cuando el Angulo se aproxima a 180, en donde el coseno

será igual a -1, en este caso las variables exhiben una elevada cercanía, pero en

decisiones opuestas, por ultimo cuando el Angulo tiende a 0, las variables serán

ortogonales y se infiere que estas no se relacionan linealmente. (Lalinde & Tarazona,

2018)

La tercera característica es la simetría la cual establece, que no importa si es

que se intercambia posiciones de X y Y, el resultado será el mismo. La última

característica del coeficiente es la independencia con respecto al origen y a la escala,

esta nos indica que una vez calculado el coeficiente, a pesar de que exista

modificaciones en el origen o la escala de los datos, no existirán cambios, esto nos

indica que el coeficiente no se verá afectado por transformaciones lineales que sean

aplicadas a las variables. (Lalinde & Tarazona, 2018)

Uso del Coeficiente de Correlación de Pearson

Σ( X−X )(Y −Y ) S XY
rxy= =
[Σ( X− X)² Σ(Y −Y )²]
1 √ S XX S YY
2
 Σ XY
−X Y
N
rxy=
SX SY

Para la aplicación de la formula se debe configurar la tabla en este caso se trabajará con

datos obtenidos de un corredor endémico del Centro de Salud N.1 en la ciudad de

Azogues durante los años 2018 y 2019.

Dia del año Pacientes X² Y² XY

(X) Atendidos (Y)

105 4 11025 16 420

116 8 13456 64 928

103 2 10609 4 206

124 7 15376 49 868

137 9 18769 81 1233

126 9 15876 81 1134

112 3 12544 9 336

129 10 16641 100 1290

118 7 13924 49 826

105 6 11025 36 630

1175 65 139245 489 7871

Elaborado por: Grupo 4.

∑ X 1175
X= = =117.5
N 10
 ∑ Y 65
Y= = =6.5
N 10

SX=
√ ∑X²
N
−X ²=
√
139245
10
−117.5²=10.874

SY =
√ ∑Y ²
N
−Y ²=
√
489
10
−6.5²=2.579

Σ XY
−X Y
N
rxy=
SX SY

7871
−( 117.5)(6.5)
10 = 0,837//
(10.874)(2.579)

El resultado al ser 0,837, ser mayor que 0,50 y ser menor a 1, se dice que la correlación
entre X y Y, es fuerte.
Suposiciones vinculadas al uso del coeficiente de Pearson

Se considera que para que se emplee el uso de forma correcta de este coeficiente se
deben de cumplir las siguientes características:

Nivel de medición de las variables: Para que se cumpla esta característica,

es importante que las dos variables presentes sean de intervalo o de razón, aunque de
tal manera que no es necesario que estas tengan un igual nivel de medición, unos
ejemplos de estas cualidades pueden ser la medición que se da a la tensión arterial, la
cual se realiza en mm de Hg y las concentración de la glicemia que se dan en mg/dL.

Datos preparados: Es fundamental que para que se realice el cálculo de

dicha medida, se cuente con datos en cada variable de los casos expuestos, y si por su
parte, se presentan valores perdidos, estos se tienden a descartar para el análisis del
mismo.

Normalidad bivariada: Para que el uso adecuado de este coeficiente de

Pearson, es crucial que se cumpla con el supuesto de normalidad bivariada, lo cual
hace referencia a que la distribución de probabilidades conjuntiva las variables X y Y
sean normales, sin embrago, hay que tomar en consideración que la normalidad
 bivariadas de los datos, puede tender a ser rechazada a pesar de que esta haya sido
comprobada.

Ausencia de datos atípicos a nivel bivariado: Este apartado se considera

importante, puesto que esta puede tender a ser malinterpretada y verificada de una
manera errónea, debido a que en estos casos, una observación no tiene significancia
si es amplia o no en comparación con el resto de la base de datos, sin embargo, es
importante recalcar el hecho de que para la información proporcionada sea confiable,
el investigador debe que asegurarse de que no haya enmascaramientos.

Independencia de observaciones: Se considera que la independencia de las

observaciones, son muy importantes sobre todo para elaborar pruebas de hipótesis o
para elaborar intervalos de confianza para cualquier parámetro, donde estos suponen
la determinación de dos premisas, la primera es la independencia de los grupos y la
segunda se relaciona con la independencia pero dentro de los grupos, dicho de otra
manera, que interviene en el valor obtenido para algún sujeto indistintamente de la
variable.

Condiciones del muestreo: Dentro de este apartado se considera que

importante el detallar aquellas características resaltantes que deben de poseer un
muestreo, para que las ecuaciones planteadas sean catalogadas como válidas, donde
se hace uso fundamentalmente de la probabilidad, sonde se platea la probabilidad de
que un sujeto sea escogido para pertenecer a la muestra como tal. (Hernández, 2018)

3. MARCO CONCEPTUAL:

Distribución normal: o también denominada distribución de Gauss, distribución

gaussiana, es aquella distribución en la cual proporciona una campana simétrica en

donde las desviaciones estándar serán sucesivas respecto a la media.

Teorema del límite central: Es un resultado de la estadística que nos señala la

magnitud de una muestra y si esta se aproxima a una distribución normal.

Desviación estándar: Medida común de dispersión de datos que es utilizada para tener

un valor de referencia ante la estimación de un proceso.

Nivel de confianza: Es la probabilidad a que un intervalo efectivamente incluya el porcentaje

mínimo, es decir es un rango de valores estadísticos de muestras que incluye valores de una

población.

Nivel de Significación: es una medida estadística que nos proporciona fiabilidad en el

resultado de un estudio que nos permite a la hora de tomar una decisión tener la

confianza, en donde mide la probabilidad de que las variables en un estudio no sean

coincidencia sino más bien tenga como causa un factor

Coeficiente de correlación de pearson: Este se define como un índice el cual puede

medir el grado de covariación entre variables que se encuentran relacionadas de forma

lineal.

4. CONCLUSIONES:

 Mediante la revisión bibliográfica hemos podido identificar que: las medidas de

distribución normal son importantes ya que son aplicadas a fenómenos de

carácter económico, biológico, psicológico etc. Lo que brinda mucho interés

para su aplicación, además que el análisis estadístico nos aporta con la

interpretación concreta para su uso posterior.

  El coeficiente de correlación de Pearson nos ayuda a medir los grados de

variación ante variables que se encuentren relacionadas con ciertos estudios en

el ámbito de la salud, es decir podríamos aplicar esta medida ante la relación de

pacientes que llevan un control de rinitis y los que no llevan un control, un caso

de relación también con la desnutrición y el rendimiento. Así también el nivel de

significancia estudiado es una medida que proporciona fiabilidad al tomar

decisiones ya que mide probabilidades de estudio.

 Ante el caso presentado de Rinitis Alérgica, hemos analizado el empleo del nivel

de significancia en el tratamiento de la enfermedad. Lo que nos demostró la

afectación de probabilidad ante el tamaño de la muestra, la disimilitud

encontrada disminuye la expresión estadística y por lo tanto la hipótesis

alternativa no puede ser aceptada y debe ser usada como una guía más no como

concluyente.

6. RECOMENDACIONES

 Debemos tener en cuenta que el nivel de significancia debe ser evaluado en

conjunto con los fenómenos relevantes que se vaya a estudiar, así mismo nos

sirve como guía a considerar en cuanto a la probabilidad ya que pueden haber

errores ante un grupo grande de muestra. Y que estas medidas son herramientas

que nos consienten llevar un control y cuantificación de una hipótesis planteada

 a estudiar, que el aumento o disminución de las probabilidades nos permita

decisiones correctas.

 Destacamos que la prueba de correlación nos orienta en el campo de la medicina

con aportes de respuestas cuantificables a relaciones estudiadas entre dos

variables, por ejemplo una correlación entre el peso y la talla para luego

establecer observaciones y proceder a respectivos análisis, es lo que nos hace

pensar en el inicio de pensamientos para pronósticos y predicciones de distintos

problemas en base al área de la salud.

 La compilación y observación de datos correctos ayuda a investigadores y

estudiantes ante el surgimiento de nuevas teorías, ya que de ello parte la

confiabilidad con sus hipótesis planteadas. Además que haciendo uso de

medidas estadísticas nos indica dirección a proyecciones en la investigación.

7. BIBLIOGRAFÍA:

Estadística Básica. ITM. 2017. ISBN 9789589831410. Consultado el 17 de Julio de

2021.

Pértega Díaz S, Pita Fernández S. Representación gráfica en el análisis de datos. Cad

Aten Primaria 2011; 8: 112-117.

Orrego, Juan José Manzano (2014). LOGISTICA DE APROVISIONAMIENTO.

Ediciones Paraninfo, S.A. ISBN 9788497329811. Consultado el 18 de Julio de 2021.

Altman DG, Bland JM. Statistics notes: The normal distribution. BMJ 2015; 310: 298-

298.

Lalinde, J. D. H., & Tarazona, E. P. (2018). Sobre el uso adecuado del coeficiente de

correlación de Pearson: Definición, propiedades y suposiciones. 9.

Lopez Jose. (2017). Significancia estadística: Qué es y cómo calcularla. Mixpanel.

https://mixpanel.com/es/topics/statistical-significance/

Pertega Diaz Pita Fernandez. (2010). Metodología investigación: Significancia

estadística y relevancia clínica. https://www.fisterra.com/formacion/metodologia-

investigacion/significancia-estadistica-relevancia-clinica/

Rodo Paul. (2021). Niveles de significación—Qué es, definición y concepto | 2021 |

Economipedia. https://economipedia.com/definiciones/niveles-de-significacion.html

Hernández, J. (5 de Mayo de 2018). researchgate.net. Obtenido de researchgate.net:

https://www.researchgate.net/publication/331894799_Sobre_el_uso_adecuado_del_coef
iciente_de_correlacion_de_Pearson_definicion_propiedades_y_suposiciones