Fiabilidad y

Análisis de Supervivencia

Jesús Abaurrea y Ana Carmen Cebrián

Dpto. Métodos Estadı́sticos. Universidad de Zaragoza
Índice General

1 Introducción a la Fiabilidad 4

1.1 Definición y objetivos . . . . . . . . . . . . . . . . . . . . . . . . . . 4

1.2 Contenido . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5

1.3 Aspectos básicos de la Fiabilidad estadı́stica . . . . . . . . . . . . . 6

1.3.1 Obtención de los datos . . . . . . . . . . . . . . . . . . . . . . 6

1.3.2 Caracterı́sticas diferenciales de los problemas . . . . . . . . . 8

1.4 Algunos ejemplos de problemas de Fiabilidad . . . . . . . . . . . . . 8

1.5 Tipos de datos censurados. Esquemas de censura . . . . . . . . . . . 14

1.6 Referencias de interés . . . . . . . . . . . . . . . . . . . . . . . . . . 16

2 Conceptos probabilı́sticos básicos de Fiabilidad 18

2.1 Distribución del tiempo de supervivencia . . . . . . . . . . . . . . . . 18

2.1.1 Modelos continuos . . . . . . . . . . . . . . . . . . . . . . . . 19

2.1.2 Modelos discretos . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.2 Interpretación de la función de riesgo y tiempo restante de vida . . . 23

2.3 Algunas distribuciones de probabilidad básicas . . . . . . . . . . . . 25

2.3.1 Distribución Exponencial . . . . . . . . . . . . . . . . . . . . 26

2.3.2 Distribución de Weibull . . . . . . . . . . . . . . . . . . . . . 26

1
Indice 2

2.3.3 Otras distribuciones . . . . . . . . . . . . . . . . . . . . . . . 28

2.4 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34

3 Estimación no paramétrica de la supervivencia: análisis de una

muestra 40

3.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40

3.2 Tablas de vida . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41

3.2.1 Tablas de vida poblacionales . . . . . . . . . . . . . . . . . . 42

3.2.2 Tablas de vida clı́nicas . . . . . . . . . . . . . . . . . . . . . 49

3.2.3 Precisión de las estimaciones . . . . . . . . . . . . . . . . . . 53

3.2.4 Estimación de la mediana y otras medidas relacionadas . . . 58

3.3 Estimador Kaplan-Meier de la función de supervivencia . . . . . . . 59

3.3.1 Definición del estimador KM . . . . . . . . . . . . . . . . . . 59

3.3.2 Varianza del estimador Kaplan-Meier. Intervalos de confianza 62

3.3.3 Estimación de otras funciones y parámetros de interés . . . . 66

3.4 Selección de un modelo paramétrico . . . . . . . . . . . . . . . . . . 69

3.4.1 Análisis gráfico de la adecuación de una distribución . . . . . 70

3.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71

4 Análisis comparativo de la supervivencia: Métodos no paramétricos 78

4.1 Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78

4.2 Test log-rank para dos muestras . . . . . . . . . . . . . . . . . . . . . 78

4.3 Una familia de tests para comparar dos poblaciones . . . . . . . . . 80

4.4 Generalización al caso de tres o más muestras . . . . . . . . . . . . 83

4.5 Análisis estratificado . . . . . . . . . . . . . . . . . . . . . . . . . . 85

 3

4.6 Tests para tendencia . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

4.7 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
Capı́tulo 1

Introducción a la Fiabilidad

1.1 Definición y objetivos

El término Fiabilidad (reliability) se usa generalmente para expresar la capacidad de

un elemento para funcionar satisfactoriamente bajo ciertas condiciones ambientales
durante un determinado periodo de tiempo. El elemento puede ser un componente
o un sistema, formado por un conjunto de dos o más componentes organizados para
realizar una determinada función. El concepto de Fiabilidad no hace referencia a la
capacidad para realizar una función en un instante preciso, sino que está asociado
al comportamiento que cabe esperar a lo largo del tiempo.

El objetivo de los modelos matemáticos desarrollados en Fiabilidad es describir

la frecuencia de fallo de un elemento, ası́ como resolver problemas de optimización
relativos al funcionamiento y utilización de los mismos. La Fiabilidad se interesa
también por el análisis y diseño de polı́ticas de mantenimiento preventivo, de ins-
pección y de reparación que permitan lograr un funcionamiento óptimo y minimizar
costos.

El concepto de Fiabilidad comprende un gran número de facetas y problemas

que corresponden a disciplinas distintas y requieren métodos de análisis diferentes;
en particular, se puede distinguir una rama de carácter estadı́stico, cuyo objetivo es
caracterizar el tiempo de fallo de una población, y otra, que suele incluirse dentro de
la Investigación Operativa, que se interesa por la gestión óptima y el mantenimiento
de sistemas.

4
 5

Existen otras divisiones posibles, por ejemplo, se puede distinguir entre sistemas
reparables y no reparables. Un sistema reparable es aquél que cuando falla puede
repararse sustituyendo alguno de sus componentes. En el análisis de componentes
no reparables se dispone de las observaciones del tiempo de fallo correspondientes a
varios componentes del mismo tipo, y la hipótesis de independencia e idéntica distri-
bución, i.i.d., suele ser habitual. En los sistemas reparables sin embargo, se utilizan
normalmente medidas sucesivas realizadas sobre el mismo sistema, y la hipótesis de
i.i.d. acerca de la duración de los intervalos de funcionamiento puede no ser plausi-
ble. En consecuencia, el análisis de sistemas reparables requiere técnicas diferentes
a las utilizadas en sistemas no reparables, que se basan en muestras aleatorias.

En los sistemas complejos, el análisis individual de sus componentes -Fiabilidad

de componentes- no suele ser suficiente para determinar la fiabilidad del sistema,
y es necesario utilizar técnicas que analicen la configuración o estructura conjunta
-Fiabilidad de sistemas-.

Es importante señalar la analogı́a de los problemas estadı́sticos de la Fiabilidad de

componentes, con los de otras disciplinas, especialmente en el campo biomédico. En
efecto, los datos correspondientes a la variable respuesta, son los tiempos transcurri-
dos desde un instante inicial definido hasta la observación de un suceso especı́fico que
llamamos fallo. De este mismo tipo son los datos obtenidos en determinados estu-
dios médicos -ensayos sobre tratamientos, pruebas con animales de laboratorio, etc.-
de forma que los métodos que describiremos son también aplicables en este campo.
El análisis estadı́stico de los datos obtenidos en este tipo de estudios biomédicos se
denomina Análisis de Supervivencia (survival analysis), mientras que el término
Fiabilidad se utiliza en el ámbito industrial y tecnológico. Aunque existen peculiari-
dades y problemas especı́ficos de cada materia, la metodologı́a estadı́stica de ambas
es, básicamente, la misma.

1.2 Contenido

Dada la amplitud del tema, nos limitaremos a estudiar los métodos estadı́sticos para
analizar problemas relativos al tiempo de fallo de componentes simples no reparables
y no trataremos temas relativos a la fiabilidad de configuraciones.
 6

- Introducción. Tipos de datos y problemas en Fiabilidad. Similitud con los

problemas de Análisis de Supervivencia. Mecanismos de censura.

- Revisión de conceptos probabilı́sticos básicos en Fiabilidad. Formas alterna-

tivas de caracterizar la distribución del tiempo de vida. Distribuciones más
importantes: Exponencial, Weibull, Lognormal, Loglogı́stica, Gumbel y Gam-
ma. Caracterı́sticas de estas distribuciones.

- Inferencia estadı́stica no paramétrica a partir de una muestra. Estimación de

las caracterı́sticas de la distribución mediante tablas de vida clı́nicas. Estima-
dor Kaplan-Meier de la función de supervivencia.

- Inferencia estadı́stica paramétrica. Revisión del método de máxima verosi-

militud y sus propiedades. Verosimilitud en muestras censuradas. Inferen-
cia paramétrica con los modelos Exponencial y Weibull. Otros modelos pa-
ramétricos. Métodos gráficos para seleccionar un modelo adecuado a los datos.

- Métodos no paramétricos para comparar la supervivencia. Análisis de dos

muestras: test de Mantel-Haenszel (log-rank) y test de Wilcoxon. Análisis
estratificado. Comparación de tres o más muestras. Generalización del test de
Mantel-Haenszel.

- Análisis de supervivencia con covariables. Modelo de riesgo proporcional de

Cox. Modelo de tiempo de fallo acelerado.

1.3 Aspectos básicos de la Fiabilidad estadı́stica

1.3.1 Obtención de los datos

El objetivo principal de la Fiabilidad estadı́stica es el análisis del tiempo de fun-

cionamiento de un elemento o individuo. Esta variable también se denomina,
tiempo hasta el fallo, tiempo de respuesta, tiempo de vida o tiempo de
supervivencia. En cada aplicación debe especificarse cómo se define y cuáles son
los instantes que marcan sus lı́mites. En muchos casos, el tiempo real transcurrido
puede ser una buena medida, sin embargo, es frecuente utilizar el tiempo operativo
u otra cantidad no negativa que resulte adecuada. Por ejemplo, para determinar
 7

la fiabilidad de un vehı́culo es más útil analizar el kilometraje realizado entre dos

averı́as que el tiempo transcurrido entre ambas y resulta más fácil de medir que el
tiempo de utilización real del vehı́culo en ese intervalo.

Normalmente, las observaciones de la variable tiempo hasta el fallo se obtienen

mediante la realización de ensayos. En los estudios de carácter industrial, para esta-
blecer las caracterı́sticas del funcionamiento normal de un componente, se realizan
ensayos en el laboratorio donde se miden los tiempos de fallo en muestras de esas
piezas. En ocasiones, el ensayo se realiza en condiciones más exigentes que las de
utilización normal, ensayos acelerados, a fin de abreviar su duración y disminuir
costos.

La realización de ensayos clı́nicos, en los que el objetivo usual es comparar la

experiencia de supervivencia de dos o más grupos de pacientes sometidos a trata-
mientos distintos, resulta más complicada que la de ensayos industriales, dada la
mayor dificultad en definir con exactitud y seleccionar los tratamientos que se van a
comparar, el tipo de pacientes y los métodos para evaluar la respuesta al tratamiento
de cada uno de ellos.

Para garantizar la validez y poder extrapolar los resultados de un estudio clı́nico

es necesario que los pacientes incluidos en el estudio sean representativos de la po-
blación objetivo. Además, para evitar la aparición de sesgos en los resultados se
deben analizar grupos de pacientes que sean homogéneos, de forma que la única di-
ferencia entre ellos sea el tratamiento, y la comparación no se vea afectada por otros
factores. La forma más sencilla de evitar estos problemas es la asignación aleatoria
del tratamiento a cada paciente. Además, si existe algún factor que pueda influir
en la respuesta, debe efectuarse una aleatorización estratificada, es decir una
asignación aleatoria por grupos o estratos.

Otra caracterı́stica habitual de los ensayos clı́nicos es que, debido a la dificultad

para disponer al comienzo del estudio de un número suficiente de pacientes que satis-
fagan todos los requisitos, la incorporación de éstos se produce de forma escalonada,
en distintos instantes de tiempo, a lo largo de una primera fase del estudio. Los
ensayos industriales, por lo general, no suelen presentar este problema.
 8

1.3.2 Caracterı́sticas diferenciales de los problemas

En los problemas de Fiabilidad, la variable respuesta, T , es una variable no negativa

que, frecuentemente, tiene una distribución bastante asimétrica. Por este motivo,
la distribución Normal no jugará aquı́ el papel preponderante que tiene en otros
campos de aplicación de la Estadı́stica; su papel de referencia pasarán a ocuparlo
otras distribuciones como la Exponencial o la distribución Weibull. Este hecho, sin
embargo, no es la caracterı́stica diferencial de la Fiabilidad, ya que, una transfor-
mación adecuada de la variable T , por ejemplo, ln(T ) ó T −1 , o la utilización de
herramientas no paramétricas, podrı́an resolver razonablemente esos problemas.

El rasgo especı́fico del análisis estadı́stico en estos campos es la necesidad de

realizar inferencia a partir de muestras en las que, junto con observaciones de la
variable, aparecen observaciones incompletas, parciales o censuradas. La obtención
de muestras completas suele requerir ensayos demasiado largos por lo que es habitual
terminar los experimentos cuando se ha observado un determinado porcentaje de
fallos o diseñarlos con un horizonte temporal prefijado, de forma que frecuentemente
no se observa el fallo de un número importante de elementos de la muestra.

En los ensayos industriales la limitación de la duración del ensayo suele estar

impuesta por razones económicas, mientras que en los ensayos clı́nicos la censura
aparece debido al diseño de los mismos; en estos estudios los pacientes suelen in-
corporarse en diferentes instantes y es probable no observar el fallo de aquellos que
se han incorporado más tarde. Además, es frecuente que durante el desarrollo de
la prueba algunos individuos abandonen el estudio por lo que tampoco es posible
conocer su tiempo de fallo exacto, sino sólo que éste no se habı́a observado hasta
el momento del abandono. Esta información parcial debe incorporarse al análisis,
ya que, si las observaciones censuradas se desechan, o si se toman por observaciones
auténticas, las estimaciones sobre T pueden resultar sesgadas e ineficientes.

1.4 Algunos ejemplos de problemas de Fiabilidad

En este apartado presentamos algunos ejemplos de estudios de Fiabilidad y Análisis

de Supervivencia, con el fin de ilustrar los aspectos comentados
 9

a 26 kV a 30 kV a 32 kV a 34 kV a 36 kV a 38 kV
5.79 7.74 0.27 0.40 0.19 0.7 0.35 0.59 0.09
1579.52 17.05 0.69 0.79 0.96 1.31 0.96 0.99 0.39
2323.70 20.46 2.75 3.91 2.78 3.16 1.69 1.97 0.47
21.02 9.88 13.95 4.15 4.67 2.07 2.58 0.73
a 28 kV 22.66 15.93 27.80 4.85 6.50 2.71 2.90 0.74
68.85 43.40 53.24 82.85 7.35 8.801 3.67 3.99 1.13
108.29 47.30 89.29 100.58 8.27 12.06 5.35 13.77 1.40
110.29 139.07 215.10 31.75 32.52 25.50 2.38
426.07 144.12 33.91 36.71
1067.60 175.88 72.89
194.90

Tabla 1.1: Datos de Nelson (ejemplo 1).

Ejemplo 1: Nelson presenta los resultados de un ensayo realizado para determinar

el comportamiento de un fluido aislante. En el experimento se colocaron elementos
fabricados con ese material entre dos electrodos. Los componentes aislantes fueron
sometidos a un voltaje constante hasta que se estropearon. El material fue probado
a siete voltajes distintos, entre 26 y 38 kilovoltios. En la tabla 1.1 se muestra
el tiempo, en minutos, que cada elemento resistió hasta el fallo. El experimento
anterior se prolongó el tiempo necesario para observar el fallo de todos los elementos
aislantes sometidos a prueba, por lo que nos encontramos con una muestra aleatoria
completa que se puede analizar con los métodos de inferencia habituales. Notemos
cómo se alarga la duración del ensayo para observar el fallo de sólo tres componentes
de la muestra.

El principal objetivo de este experimento era investigar la distribución del tiempo

hasta el fallo del material aislante y la relación entre los parámetros de la distribución
de T y el voltaje experimentado por el material. Una vez establecido un modelo
para la relación tiempo de fallo-voltaje aplicado, interesará estimar la fiabilidad del
material cuando funciona sometido a las condiciones de diseño. El percentil décimo
de la distribución es una medida muy utilizada por los ingenieros para reflejar la
fiabilidad de un elemento.

Ejemplo 2: Bartholomew plantea un ensayo en el que unidades de cierto compo-

nente de un equipo se van instalando cuando se produce un fallo de ese componente
en alguno de los equipos disponibles. La información sobre los tiempos de vida
y las sustituciones realizadas de 10 de esas piezas se muestra en la tabla 1.2. El
 10

no de pieza fecha instalación fecha de fallo tiempo de vida

1 11 junio 13 junio 2 dı́as
2 21 junio - > 72 dı́as
3 22 junio 12 agosto 51 dı́as
4 2 julio - > 60 dı́as
5 21 julio 23 agosto 33 dı́as
6 31 julio 27 agosto 27 dı́as
7 31 julio 14 agosto 14 dı́as
8 1 agosto 25 agosto 24 dı́as
9 2 agosto 6 agosto 4 dı́as
10 10 agosto - > 21 dı́as

Tabla 1.2: Datos de Bartholomew (ejemplo 2).

experimento se dio por terminado el 31 de agosto y, en ese momento, tres de las

piezas, las número 2, 4 y 10, no habı́an fallado todavı́a. Se trata, por consiguien-
te, de observaciones censuradas, incompletas, de las que no se conoce el tiempo de
funcionamiento. Sı́ se sabe que éste fue superior a 72, 60 y 21 dı́as, respectivamente.

El objetivo del estudio es analizar la distribución del tiempo de funcionamiento

de estos componentes, ası́ como estimar la proporción de equipos que fallarán dentro
de un intervalo temporal determinado.

Ejemplo 3: Gehan estudió los resultados de un ensayo clı́nico sobre la eficacia de

la droga 6-mercaptopurina (6-MP) para prolongar el estado de remisión, es decir, la
ausencia de sı́ntomas de la enfermedad, en enfermos que habı́an padecido leucemia
aguda. Con el fin de contrastar su efecto, se administró esta droga a un grupo de
pacientes, mientras a otro grupo, que servı́a de control, se le administró un placebo.
La asignación de pacientes a cada uno de los dos grupos se hizo aleatoriamente.
En el ensayo participaron 42 individuos cuyos tiempos de remisión, registrados en
semanas, se muestran en la tabla 1.3. El periodo de observación fue de un año y,
durante ese intervalo, los enfermos se fueron incorporando al ensayo más o menos
regularmente. Las observaciones marcadas con asterisco son censuradas. En esos

6-MP 6, 6, 6 ,6*, 7, 9*, 10, 10*, 11*, 13, 16, 17*, 19*, 20*, 22, 23, 25*, 32*, 32*
34*, 35*
Placebo 1, 1, 2, 2, 3, 4, 4, 5, 5, 8, 8, 8, 8, 11, 11, 12, 12, 15, 17, 22, 23

Tabla 1.3: Datos de Gehan (ejemplo 3).

 11

AG positivos N=17 AG negativos N=16

o o
N Glob. B. T. Superv. N Glob. B. T. Superv.
2.300 65 4.400 56
750 156 3.000 65
4.300 100 4.000 17
2.600 134 1.500 7
6.000 16 9.000 16
10.500 108 5.300 22
10.000 121 10.000 3
17.000 4 19.000 4
5.400 39 27.000 2
7.000 143 28.000 3
9.400 56 31.000 8
32.000 26 26.000 4
35.000 22 21.000 3
100.000 1 79.000 30
100.000 1 100.000 4
52.000 5 100.000 43
100.000 65

Tabla 1.4: Datos de Feigl y Zelen (ejemplo 4).

pacientes, la enfermedad estaba aún en estado de remisión en el momento en que se

les efectuó el último control.

Cabe destacar la gran dispersión que se aprecia en los datos, ası́ como el hecho
de que la censura sea frecuente en el grupo tratado y no exista en el grupo control.

Ejemplo 4: Feigl y Zelen, analizaron la supervivencia de dos grupos de enfermos

de leucemia clasificados, en base a una caracterı́stica celular, en AG positivos y
AG negativos, tabla 1.4. Los tiempos de fallo corresponden al tiempo, medido en
semanas, desde el instante del diagnóstico hasta el fallecimiento; también se registró
la cantidad de glóbulos blancos de cada paciente en el momento del diagnóstico.

A diferencia del caso anterior, la clasificación en grupos viene determinada por

una caracterı́stica morfológica de los individuos y no está controlada por el investi-
gador. Dado que el estado de los enfermos no es homogéneo, se ha medido una cova-
riable, el no de glóbulos blancos, que se cree que puede ser indicativa del pronóstico
de supervivencia del enfermo. Posibles objetivos del análisis serı́an establecer esa
relación y analizar si la caracterı́stica celular influye en la supervivencia.
 12

Ejemplo 5: El objetivo principal de un estudio realizado por Prentice sobre la

supervivencia de pacientes con cáncer de pulmón en estado avanzado era comparar
el efecto de dos tratamientos de quimioterapia en la prolongación del tiempo de
vida. Para ello, se separaron dos grupos, en uno de ellos se utilizó el tratamiento de
quimioterapia usual y en el otro se ensayó el nuevo tratamiento. La asignación de
los pacientes a cada uno de los grupos se realizó de forma aleatoria.

El principal problema de este estudio es la inhomogeneidad de la muestra debido

a las diferentes caracterı́sticas de los enfermos. Para realizar la comparación de los
tratamientos en condiciones homogéneas era necesario tomar en consideración otros
factores que también podı́an influir en el tiempo de supervivencia; con este objetivo
se midieron variables que representaran estos factores:

- el tipo de tumor: escamoso, adeno, de célula pequeña o de célula grande

- la edad, en años, del enfermo

- si habı́an recibido, o no, terapia antes de entrar al estudio

- el número de meses transcurrido entre el diagnóstico del tumor en el enfermo

y su incorporación al estudio

- el estado general del enfermo en el momento de incorporarse al estudio, co-

dificado en una escala con valores 10, 20, 30, ..., 90. Un mayor valor de ese
ı́ndice refleja un mejor estado del enfermo, correspondiendo los valores 10-30 a
pacientes completamente hospitalizados, 40-60 a enfermos en hospitalización
parcial y 70-90 a los que podı́an cuidarse por su cuenta.

En la tabla 1.5 se muestran los datos correspondientes a una parte de los 137
participantes en el ensayo, los 40 individuos que habı́an recibido tratamiento tera-
péutico contra el cáncer con anterioridad. Para esos pacientes, clasificados en tablas
distintas según el tratamiento asignado y el tipo de tumor, se muestran las variables:
tiempo de supervivencia -que corresponde al tiempo, en dı́as, desde la incorporación
al estudio hasta el fallecimiento- estado general del enfermo, edad e intervalo de
tiempo transcurrido entre el momento del diagnóstico y su entrada al estudio. El
conjunto completo de datos se puede encontrar en el fichero LUNG.DAT.
 13

T.SUP. ESTADO EDAD DIAG-EST T.SUP ESTADO EDAD DIAG-EST

Trat. habitual, Tumor escamoso Trat. ensayo, Tumor escamoso
411 70 64 5 999 90 54 12
126 60 63 9 231* 50 52 8
118 70 65 11 991 70 50 7
82 40 69 10 1 20 65 21
8 40 63 58 201 80 52 28
25* 70 48 9 44 60 70 13
11 70 48 11 15 50 40 13
Trat.habitual, Tumor cel. pequeña Trat. ensayo, Tumor cel.pequeña
54 80 63 4 103* 70 36 22
153 60 63 14 2 40 44 36
16 30 53 4 20 30 54 9
56 80 43 12 51 30 59 87
21 40 55 2
287 60 66 25
10 40 67 23
Trat.habitual, Tumor adeno Trat. ensayo, Tumor adeno
8 20 61 19 18 40 69 5
12 50 63 4 90 60 50 22
84 80 62 4
Trat. habitual, Tumor cel. grande Trat. ensayo, Tumor cel. grande
177 50 66 16 164 70 68 15
12 40 68 12 19 30 39 4
200 80 41 12 43 60 49 11
250 70 53 8 340 80 64 10
100 60 37 13 231 70 67 18

Tabla 1.5: Datos de Prentice (ejemplo 5).

 14

1.5 Tipos de datos censurados. Esquemas de censura

Como hemos comentado los datos correspondientes a estudios de Fiabilidad y Análisis

de Supervivencia presentan una particularidad que dificulta su análisis estadı́stico.
Esta peculiaridad es la presencia de datos censurados: sólo se conoce el tiempo de
fallo para una fracción, que puede ser pequeña, de los individuos de la muestra,
mientras que del resto se dispone sólo de información parcial, habitualmente que el
tiempo de vida es mayor que un valor dado.

Una observación se dice censurada a derecha en L, si se desconoce el valor

exacto de la observación y sólo se sabe que ésta es mayor que L. Análogamente, una
observación se dice censurada a izquierda en L, si sólo se sabe que la observación
es menor que el valor L. La censura a derecha es mucho más frecuente que la censura
a izquierda. En algunos experimentos, dependiendo del tipo de problema y el tipo
de seguimiento, aparecen datos censurados en un intervalo (t I , tD ); es decir, que
sólo se sabe que tI < T < tD .

Generalmente la duración del tiempo de ensayo se debe limitar por razones

prácticas y económicas. Existen dos esquemas básicos para establecer este lı́mite.

Censura de tipo I. En este esquema el experimento se programa con una

duración, C, establecida a priori. El tiempo de fallo de un individuo se observará, si
es menor o igual que ese valor prefijado. En otro caso, la observación correspondiente
será censurada, con valor C, y la denotaremos C∗. En este esquema, el número de
observaciones de la muestra es aleatorio.

Censura de tipo II. En los ensayos realizados bajo un esquema de tipo II,
con n componentes idénticos, el ensayo finaliza en el momento en que se produce el
r-ésimo fallo (1 ≤ r ≤ n). Ese instante, t (r) , será el valor de los datos censurados
correspondientes a los componentes que en ese momento sigan funcionando. De esta
forma sólo se conocen las r observaciones más pequeñas de la muestra y aparecen
n − r tiempos censurados en el valor t (r) . Este tipo de censura se usa con frecuencia
en los experimentos industriales y es más fácil de analizar desde el punto de vista
estadı́stico.

Es importante señalar que el valor de C en el esquema de tipo I y el valor de r (o

la fracción r/n) que indica la tasa de censura en el esquema de tipo II deben fijarse
 15

Figura 1.1: Esquema de los tiempos de fallo.

antes de iniciar el experimento y no durante el transcurso del mismo dependiendo

de los resultados que se observen. La necesidad de que el mecanismo de censura sea
independiente de la observación del fenómeno, es un requisito imprescindible para
la validez de las conclusiones.

En los ensayos industriales, los experimentos diseñados con los procedimientos

citados generan, habitualmente, muestras simplemente censuradas, es decir
con un único valor común, t(r) o C, de las observaciones censuradas. En los ensayos
médicos, aunque el experimento se diseñe con una limitación temporal como en
el esquema I, es normal que los individuos se incorporen al ensayo en instantes
aleatorios, cuando se dispone de los pacientes adecuados; además, es habitual que
se produzcan abandonos durante la realización del ensayo. En consecuencia, las
muestras resultantes son múltiplemente censuradas. Generalmente, este tipo de
observaciones se presentan mediante un par de variables (T, δ), donde T es el tiempo
 16

Paciente T. de entrada T. fallo o censura Estado T. de Supervivencia

1 0.0 11.8 F 11.8
2 0.0 12.5 C 12.5*
3 0.4 18.0 C 17.6*
4 1.2 6.6 F 5.4
5 1.2 4.4 C 3.2*
6 3.0 18.0 C 15.0*
7 3.4 4.9 F 1.5
8 4.7 18.0 C 13.3*
9 5.0 18.0 C 13.0*
10 5.8 10.1 F 4.3

Tabla 1.6: Datos correspondientes a la figura 1.1

transcurrido desde la entrada del individuo al ensayo hasta su salida del mismo y δ
es una variable binaria indicadora del tipo de observación, que toma el valor 1 si se
ha observado el fallo y el valor 0 si se trata de una observación censurada.

En la tabla 1.6 se muestran los datos recogidos en un estudio de 18 meses de

duración, en el que sólo fueron admitidos pacientes durante los seis primeros me-
ses. En la figura 1.1 se puede observar que cuatro pacientes habı́an muerto, cuatro
permanecı́an vivos al finalizar el estudio y dos lo habı́an abandonado antes de que
terminara. En el análisis de los tiempos de vida, el instante en el que se comenzó
a medir cada observación no suele ser de interés, por lo que con frecuencia suelen
representarse las observaciones con el mismo origen, como se muestra en la figura
inferior.

1.6 Referencias de interés

Para terminar el capı́tulo indicamos algunas referencias que consideramos de interés.

Es importante utilizar bibliografı́a reciente porque los métodos de análisis para tra-
tar estos problemas y el software correspondiente han evolucionado con rapidez,
especialmente los relativos a modelos de supervivencia con covariables.

En las referencias se indica, utilizando los sı́mbolos (R) y (S), si el texto analiza
el aspecto industrial o el biomédico respectivamente, y con un asterisco los libros de
nivel más elemental. En los ejercicios propuestos al final de cada capı́tulo también
se marcan con un asterisco aquellos que presentan mayor dificultad.
 17

• Collet, D. (1994). Modelling Survival Data in Medical Research. Chapman

and Hall. (S) *.

• Cox, D. R. y Oakes, D. (1984). Analysis of Survival Data. Chapman and Hall.

(S).

• Crowder, M. J., Kimber, A. C., Smith, R. L. y Sweeting, T. J. (1991). Statis-

tical Analysis of Reliability Data. Chapman and Hall. (R) *.

• Elandt-Johnson, R. C. y Johnson, N. L. (1980). Survival Models and Data

Analysis. J. Wiley. (S).

• Gross, A. J. y Clark, V. A. (1975). Survival Distributions: Reliablility Appli-

cations in the Biomedical Sciences. J. Wiley. (S) *.

• Lawless, J. F. (1982). Statistical Models and Methods for Lifetime Data. J.

Wiley. (S, R)

• Lee, E. T. (1992). Statistical methods for survival data analysis. 2 a ed. J.

Wiley. (S) *.

• Marubini, E. y Valsechi, M.G. (1995). Analysing Survival Data from Clinical

Trials and Observational Studies. J. Wiley. (S) *.

• Nelson, W. (1982). Applied Life Data Analysis. J. Wiley. (R).

Capı́tulo 2

Conceptos probabilı́sticos
básicos de Fiabilidad

2.1 Distribución del tiempo de supervivencia

En este capı́tulo se revisan e introducen algunos conceptos probabilı́sticos funda-

mentales para el estudio de la Fiabilidad.

En Fiabilidad la variable de mayor interés es la variable tiempo hasta el fallo

o tiempo de supervivencia. Habitualmente, las observaciones de esta variable
tienen gran variabilidad y una fuerte carga de indeterminación, por lo que cualquier
modelo matemático para esos datos deberá contener una componente aleatoria que
represente la variabilidad que no se pueda explicar.

En este capı́tulo consideraremos que los tiempos de supervivencia observados

son observaciones independientes de una variable aleatoria (v.a.) T , no negativa.
Asociado a esa variable T existe un espacio de probabilidad (ξ, ω, ℘ T ) formado por,

ξ: el espacio de resultados, conjunto de todos los posibles valores que puede

tomar la variable. Este espacio será, por lo general, IR+ = [0, ∞) o un intervalo I =
[t0 , t1 ] contenido en IR+. En algunas ocasiones, el espacio de resultados puede ser un
conjunto discreto, por ejemplo, el de los enteros no negativos, Z+ = {0, 1, 2, 3, . . .}.

ω: la familia de sucesos asociada al fenómeno. Un suceso es un hecho relativo

a la variable T al que se puede asignar una probabilidad; algunos ejemplos son: {T ≥
t0 }, {T < t1 }, {t2 ≤ T ≤ t3 } con t0 , t1 , t2 y t3 , instantes de tiempo arbitrarios. Entre

18
 19

los sucesos se definen las operaciones habituales -la ocurrencia simultánea de varios
sucesos, la ocurrencia de alguno de ellos, la no ocurrencia de un suceso dado, etc.- y
las operaciones conjuntistas correspondientes -intersección, unión, complementación,
etc.

℘T : la medida de probabilidad asociada a la variable aleatoria, que llamare-

mos distribución de probabilidad de T , es una función que asigna un valor entre 0
y 1 a cada suceso de ω y queda caracterizada por la función de distribución F , que
asigna a cada valor t de IR la probabilidad de que se observe un tiempo de vida no
superior a t,
F (t) = P (T ≤ t).

La función F es monótona no decreciente y verifica lim t→∞ F (t) = 1. En este caso,

por ser T no negativa, F (t) = 0 para t < 0.

Cuestión: Con la ayuda de MINITAB, u otro paquete estadı́stico, genera mues-

tras de distintos tamaños (n = 20, 50, 100, 250, 500), de:

1. Una distribución Uniforme en [20, 200].

2. Una distribución Geométrica de parámetro p = 1/3.

3. Una distribución de Poisson de parámetro λ = 1, desplazada una unidad.

4. Una distribución Exponencial con λ = 1, desplazada 10 unidades.

Representa gráficamente los datos y calcula para las muestras obtenidas, las
medidas descriptivas siguientes: media, mediana, moda, desviación tı́pica, rango,
rango intercuartı́lico, coeficiente de variación y coeficiente de asimetrı́a. Calcula los
correspondientes parámetros de dichas distribuciones de probabilidad y compáralos
con las estimaciones obtenidas en las distintas muestras.

2.1.1 Modelos continuos

Diremos que una variable aleatoria es continua si su espacio de resultados es

un subconjunto continuo de IR. En las definiciones siguientes supondremos que el
espacio de resultados de T es ξ = [0, ∞).
 20

1.0

1.0
0.8

0.8
0.6

0.6
S(t)
f(t)
0.4

0.4
0.2

0.2
0.0

0.0
0 1 2 3 4 5 6 0 1 2 3 4 5 6

t t

Figura 2.1: Función de densidad y función de supervivencia.

La función de densidad se define como una función f definida en IR+ que verifica,
Z ∞
f (x)dx = 1
0

y tal que, para todo t, su función de distribución puede expresarse como,

Z t
F (t) = P (T ≤ t) = f (x)dx.
0

En la figura 2.1 se muestra la función de densidad de una variable tiempo de vida.

De la definición de densidad se deduce que, para todo t y cuando t → 0,

f (t)∆t ≈ P (t ≤ T ≤ t + ∆t) = F (t + ∆t) − F (t);

es decir, que el valor de la función de densidad en el instante t se puede interpretar

como la probabilidad de fallo existente en torno a ese instante por unidad de tiempo.

En Fiabilidad es habitual utilizar otras funciones, además de las de distribución o

densidad, para caracterizar la distribución de probabilidad de T . Todas ellas carac-
terizan unı́vocamente la distribución, pero proporcionan visiones diferentes relativas
al tiempo de vida y sus caracterı́sticas.

La función de supervivencia o función de fiabilidad S(t), figura 2.1, asocia

a cada valor t la probabilidad de que un individuo sobreviva a ese instante de tiempo:
Z ∞
S(t) = P (T > t) = 1 − F (t) = f (x)dx.
t

Esta función es monótona no creciente y verifica que S(0) = 1 y S(∞) = lim t→∞ S(t) =
0.
 21

Nota. Algunos autores definen la función de supervivencia como S(t) = P (T ≥

t). En el caso de distribuciones continuas ambas definiciones dan lugar a la misma
función de supervivencia, pero no cuando la distribución es discreta o mixta.

La función de riesgo o función de tasa de fallo, h(t) se define como,

P (t ≤ T ≤ t + ∆t | T ≥ t) f (t)
h(t) = lim = .
∆t→0 ∆t S(t)
Esta función representa la tasa instantánea de fallo en el instante t, dado que el
individuo o pieza ha sobrevivido hasta esa edad, figura 2.2. Una visión intuitiva de
la definición anterior nos dice que para todo t y cuando ∆t → 0:

h(t)∆t ≈ P (t ≤ T ≤ t + Dt | T ≥ t).

Las expresiones siguientes, muy sencillas de comprobar, muestran las relaciones

existentes entre las funciones más utilizadas,
d
f (t) = − S(t)
dt
d
h(t) = − ln S(t)
dt 
Z t
S(t) = exp − h(x)dx .
0

La función de riesgo acumulado, H(t), se define como,

Z t
H(t) = h(x)dx
0

y está relacionada con la función de supervivencia mediante la expresión,

S(t) = exp[−H(t)].

Cuestión: Calcula las funciones de densidad, riesgo y supervivencia de una dis-

tribución uniforme en [20, 200] y de una Exponencial de parámetro λ = 1.

2.1.2 Modelos discretos

En algunos casos, en la práctica poco frecuentes, puede ser necesario tratar el tiempo
de vida T como una variable aleatoria discreta; por ejemplo, cuando se mide el
 22

tiempo de vida de forma tal que el número de valores distintos que puede tomar la
variable es pequeño y son frecuentes los empates en las observaciones. Supondremos
que el espacio de resultados asociado es ahora ξ = {t (1) , t(2) , t(3) , . . .} donde 0 ≤
t(1) < t(2) < . . .

La distribución de T viene determinada por su función de probabilidad,

pj = P (T = t(j) )j = 1, 2, . . .
P
con pj > 0 y j pj = 1. La función de supervivencia,
X
S(t) = P (T > t) = pj
j:t(j) >t

es en este caso una función monótona no creciente, que cambia en los instantes de
fallo t(j) , continua a derecha y tal que S(∞) = 0. A diferencia del caso continuo,
el valor de esta función de supervivencia difiere en los instantes de fallo del que se
obtendrı́a definiendo S(t) = P (T ≥ t).

La función de riesgo se define en los instantes t (j) , como la probabilidad condi-

cional de fallo en ese instante, dado que se ha llegado vivo a él:
pj pj
h(t(j) ) = hj = P (T = t(j) | T ≥ t(j) ) = − = j = 1, 2, . . .
S(t(j) ) S(t(j−1) )
h(t) = 0 si t 6= t(j) .

Como en el caso continuo, estas funciones determinan completamente la distri-

bución de T . Las relaciones existentes entre ellas son:
S(t(j)
hj = 1− j = 1, 2, . . .
S(t(j−1) )
Y
S(t) = (1 − hj )
j:t(j) ≤t

La definición de función de riesgo acumulado es en este caso:

X
H(t) = hj
j:tj ≤t

y no satisface la relación encontrada en el caso continuo pues, en general,

X X
− ln S(t) = − ln(1 − hj ) 6= hj ;
j:t(j) ≤t j:t(j) ≤t
 23

Figura 2.2: Distintas funciones de riesgo.

no obstante, como puede comprobarse desarrollando en serie ln(1 − x), ambas ex-
presiones producirán resultados próximos si los valores h j son pequeños.

Cuestión: Calcula las funciones de probabilidad, riesgo y supervivencia de una

distribución Geométrica de parámetro p = 1/3 y de una distribución de Poisson con
λ = 1.

2.2 Interpretación de la función de riesgo y tiempo res-

tante de vida

La función h(t) representa la evolución de la probabilidad de fallo en relación con la

edad de los individuos. Con el fin de ilustrar este concepto, comentaremos cuatro
ejemplos de poblaciones cuyo perfil de riesgo se corresponde con cada uno de los
tipos de curvas que se muestran en la figura 2.2:
- h1(t): El conjunto de personas mayor de 65 años. Esta población presenta
una función de riesgo creciente que nos indica que la tasa de fallo tiende a
aumentar con el transcurso del tiempo. Por ejemplo, la probabilidad de que
un individuo con 70 años viva más de 71, es mayor que la probabilidad de que
un individuo con 80 viva más de 81.

- h2(t): Una población de individuos sanos entre los 20 y 40 años de edad, para
los que el único riesgo de muerte, en la práctica, viene dado por distintos tipos
de accidentes (laborales, deportivos, de tráfico, etc.). En esta población, la
función de riesgo es prácticamente constante.

- h3(t): Una población, por ejemplo la de los españoles nacidos en la década

 24

de los setenta, observada desde el nacimiento hasta la muerte. Esa pobla-

ción presentará una función de riesgo con forma de J, llamada también riesgo
”bañera”, tı́pica de las tablas de vida poblacionales. Inicialmente se tiene un
periodo con tasa de fallo alta, correspondiente a la etapa neonatal e infantil,
que va decreciendo hasta estabilizarse. El riesgo permanece bajo y aproxima-
damente constante, hasta una cierta edad, en torno a los 40 años, a partir de
la cual comienza a aumentar con el tiempo.

- h4(t): Una población de personas jóvenes que padece cierto defecto congénito y
que es sometida a un proceso quirúrgico complicado para corregirlo, analizada
mientras dura el periodo de recuperación. Esta población presentará una tasa
de riesgo decreciente ya que en estos casos, el principal riesgo de muerte aparece
como consecuencia de la intervención o de sus complicaciones inmediatas.

El tiempo restante de vida. En muchos problemas de supervivencia tie-

nen gran interés las cuestiones relativas al comportamiento esperado de T en los
individuos que han alcanzado cierta edad. Formalmente, se trata de estudiar la
distribución de la variable Rt = T − t, dado que ha ocurrido T ≥ t para un cierto
valor t. Su función de supervivencia será:
S(t + x)
SRt (x) = P (Rt > x) = P (T > t + x | T ≥ t) = ,
S(t− )
donde S(t− ) denota el lı́mite a izquierda en t de la función de supervivencia.

Si T es una variable continua que toma valores en [0, ∞), con función de densidad
f (x), Rt será también una v.a. continua, con valores en [0, ∞) y función de densidad:
f (x + t)
fRt (x) = x ≥ 0.
S(t)

En cuanto a la relación entre las funciones de riesgo y riesgo acumulado de T y

Rt se verifica:

hRt (x) = h(t + x)

HRt (x) = H(t + x) − H(t) x ≥ 0.

Finalmente, una función que también caracteriza la distribución de T es la fun-

ción de vida media residual, m(t). Para cada t positivo, se define como,
Z R∞
∞ S(x)dx)
t
m(t) = E(Rt ) = SRt (x)dx = .
0 S(t− )
 25

Cuestión: Calcula la distribución de la variable R t si T es Exp(λ) y si T es

Geométrica de parámetro p. Calcula también la función m(t) en ambos casos.

2.3 Algunas distribuciones de probabilidad básicas

En este apartado se revisan algunas de las distribuciones de probabilidad más em-

pleadas en Fiabilidad y Análisis de Supervivencia. En principio, cualquier distri-
bución no negativa se puede utilizar para modelizar una variable tiempo de vida;
el objetivo es disponer de un conjunto de distribuciones lo suficientemente flexibles
para adaptarse a los distintos tipos de datos y lo más sencillas posibles para facilitar
su análisis.

En general, la distribución más utilizada en Estadı́stica es la distribución Nor-

mal. En Fiabilidad, sin embargo, la distribución de referencia es la Exponencial.
Las buenas propiedades de esta distribución, consecuencia de su ausencia de me-
moria, permiten simplificar los problemas de inferencia; por el mismo motivo su
aplicación práctica es limitada, siendo más utilizadas generalizaciones suyas como
las distribuciones Weibull o Gamma.

Presentamos las distribuciones bajo la hipótesis de que el rango de valores de

T es ξ = [0, ∞). Todas las distribuciones de tiempo de fallo admiten una versión
más general en la que aparece un nuevo parámetro G, llamado umbral o tiempo de
garantı́a, que puede tomar cualquier valor no negativo. Esta versión generalizada,
en la que el rango de T es [G, ∞), se obtiene al considerar que T − G tiene una
distribución con rango [0, ∞). Los modelos con parámetro de garantı́a tienen interés
en situaciones en las que el conocimiento previo del fenómeno permite suponer que
el riesgo de fallo en el intervalo [0, G) es nulo. Generalmente el valor de G es
desconocido y es necesario estimarlo junto con los demás parámetros.

En el tercer capı́tulo se desarrollan procedimientos de selección de la mejor distri-

bución para modelizar la variable tiempo de vida. Si se encuentra una distribución
de probabilidad que representa bien los datos, se pueden aplicar métodos de in-
ferencia paramétricos basados en dicha distribución. Este tipo de análisis es más
frecuente en el campo de la Fiabilidad que en el del Análisis de Supervivencia.
 26

2.3.1 Distribución Exponencial

La distribución de probabilidad más sencilla es la que presenta una función de riesgo

constante,
h(t) = λ para 0 ≤ t < ∞,

con λ una constante positiva. Las restantes funciones que caracterizan este modelo
son,

H(t) = λt
S(t) = exp(−λt)
f (t) = λ exp(−λt) para0 ≤ t < ∞.

Esta distribución se denomina Exponencial de parámetro λ. Su media es 1/λ, su

varianza 1/λ2 , y su coeficiente de variación la unidad. Una propiedad importante,
caracterı́stica de esta distribución, es la ausencia de memoria; en cualquier ins-
tante t, la variable tiempo de vida restante, R t = T − t | T ≥ t, sigue también una
distribución Exp(λ).

Cuestión: Formula la distribución Exponencial con dos parámetros λ y G. Cal-

cula la expresión de las funciones que lo caracterizan y su media y varianza.

2.3.2 Distribución de Weibull

En la mayor parte de los fenómenos de interés la hipótesis de que la función de riesgo

sea constante resulta demasiado restrictiva. La distribución de Weibull define un
modelo más general cuya función de riesgo es,

h(t) = λγ(λt)γ−1 para 0 ≤ t < ∞

donde los parámetros λ y γ, denominados parámetros de escala y forma respecti-

vamente, toman valores positivos. Esta función es siempre monótona; es creciente
(IFR) si γ > 1 y decreciente (DFR) si γ < 1. Si γ = 1, la función de riesgo es
constante y corresponde al modelo Exp(λ). Las restantes funciones caracterı́sticas
de la distribución son,

S(t) = exp[−(λt)γ ]
f (t) = λγ(λt)γ−1 exp[−(λt)γ ] para 0 ≤ t < ∞.
 27

1.0
0.5

γ=0.5

0.8
0.4

0.6
0.3

γ=3

S(t)
f(t)

0.4
0.2

γ=0.5
γ=1

0.2
γ=3
0.1

γ=1

0.0
0.0

0 2 4 6 8 10 0 2 4 6 8 10
t t
2.0

γ=0.5 γ=3
1.5
h(t)
1.0
0.5

γ=1
0.0

0 2 4 6 8 10
t

Figura 2.3: Funciones caracterı́sticas de la distribución Weibull con λ = 5.

El nombre de esta distribución proviene del fı́sico sueco que la introdujo por primera
vez en 1939 en relación con experimentos de resistencia de materiales. La media de
la distribución es,
Γ(1 + γ −1 )
E(T ) =
λ
donde Γ(x) es la función gamma, definida para todo x > 0 por la integral,
Z ∞
Γ(x) = ux−1 e−u du.
0

La función de riesgo para diferentes valores de γ y las correspondientes funciones

de densidad y supervivencia se muestran en las gráficas de la figura 2.3. La gran
variedad de formas que puede tomar esta distribución dependiendo del valor de γ,
y la relativa sencillez de sus funciones, hacen que sea una de las distribuciones más
utilizadas en el análisis paramétrico de tiempos de fallo.

Cuestión: Deduce la expresión de S(t) y de f (t) a partir de la expresión de h(t).

 28

0.8

1.0
γ=1

0.8
0.6

0.6
S(t)
0.4
f(t)

0.4
γ=5
0.2

γ=5 γ=1

0.2
γ=0.5
γ=0.5
0.0

0.0
0 2 4 6 8 10 0 2 4 6 8 10
t t
4

γ=0.5
3
h(t)
2
1

γ=1
γ=5
0

0 2 4 6 8 10
t

Figura 2.4: Funciones caracterı́sticas de la distribución Gamma con λ = 1.

Comprueba también que la expresión de la esperanza de la distribución Weibull es

la indicada.

Cuestión: Comprueba que si una variable T tiene una distribución Weibull de

parámetros λ y γ, la variable T γ tiene una distribución Exp(λγ ).

Nota. Conviene señalar que la forma de parametrizar las distribuciones no es

única y que algunos textos y paquetes estadı́sticos utilizan expresiones distintas a las
indicadas. En concreto, es frecuente definir como distribución Exp(λ) la que tiene
su media igual a λ; otra forma de presentar el modelo Weibull consiste en definir su
función de riesgo como h(t) = λγtγ−1 , lo que implica S(t) = exp[−λtγ ].

2.3.3 Otras distribuciones

Distribución Gamma. La distribución Gamma tiene dos parámetros positivos γ

 29

y λ y su función de densidad es,

λ
f (t) = (λt)γ−1 exp(−λt) para t > 0.
Γ(γ)
Su media y varianza son γ/λ y γ/λ2 respectivamente y su coeficiente de variación es
p
1/ (γ), independiente del valor de λ. En la figura 2.4 se muestran las gráficas de las
funciones de densidad, distribución y riesgo para distintos valores de los parámetros.

Como ocurrı́a en la distribución Weibull, el modelo gamma es IFR si γ > 1 y

DFR si γ < 1; en ambos casos h(t) tiende a λ al crecer t. Si γ = 1 se obtiene la
distribución Exponencial. En el caso particular en que γ toma valores enteros, esta
distribución suele denominarse de Erlang y aparece con frecuencia en los modelos de
Teorı́a de Colas. El caso particular γ = n/2 y λ = 1/2, corresponde a la distribución
χ2 con n grados de libertad.

Aunque la distribución Gamma es una de las distribuciones continuas que to-

man valores positivos más importantes, en Fiabilidad no es muy utilizada, ya que las
expresiones de las correspondientes funciones de riesgo y supervivencia son compli-
cadas. La distribución de Weibull proporciona en muchos casos resultados similares
a los que se obtienen con la distribución Gamma y la inferencia con ella es más
sencilla.

Distribuciones Lognormal y Log-logı́stica. Otra forma de formular un

modelo para el tiempo de supervivencia, T , consiste en especificar una distribución
para la variable Y = ln(T ), que toma valores en toda la recta real. Una posibilidad
es considerar que ln(T ) tiene una distribución Normal de media µ y varianza σ 2 ;
en este caso diremos que T sigue una distribución Lognormal de parámetros µ y
σ. Desafortunadamente, esta distribución presenta el mismo inconveniente que la
distribución Gamma, ya que su función de supervivencia no tiene una expresión
explı́cita.

La función de riesgo verifica h(0) = 0, crece hasta alcanzar un máximo y poste-

riormente decrece de nuevo hacia 0; estas caracterı́sticas lo hacen poco realista. En
la figura 2.5 se muestran las funciones de densidad y riesgo para distintos valores de
los parámetros.

Una distribución que se obtiene por el mismo procedimiento y que, a diferencia

de la Lognormal, tiene expresiones de las funciones básicas relativamente sencillas es
 30

0.8

2.0
σ=3
µ=0 σ=1 µ=0
0.6

1.5
σ=0.25
0.4

1.0
f(t)

f(t)
µ=0.5
0.2

0.5
µ=1 σ=1
0.0

0.0
0 1 2 3 4 0 1 2 3 4
t t
2.0

µ=0 σ=0.25
1.5
h(t)
1.0

µ=0 σ=1

µ=0.5 σ=1
0.5

µ=1 σ=1

µ=0 σ=3
0.0

0 1 2 3 4
t

Figura 2.5: Funciones caracterı́sticas de la distribución Lognormal.

la distribución Log-logı́stica. Diremos que T tiene una distribución Log-logı́stica si la

variable ln(T ) tiene una distribución Logı́stica. Esta distribución, como la Normal,
es una distribución de localización y escala,

Y = ln(T ) = µ + σW,

donde W es la distribución Logı́stica estándar. W tiene una función de densidad

simétrica parecida a la de la distribución N (0, 1), salvo en las colas.

Las expresiones de las funciones que caracterizan la distribución Log-logı́stica de

parámetros θ = −µ/σ con −∞ < θ < ∞ y κ = 1/σ, con κ > 0 son,
 −1
S(t) = 1 + e θ tκ
eθ κtκ−1
f (t) = 2
(1 + eθ tκ )
eθ κtκ−1
h(t) = para t > 0.
1 + e θ tκ
 31

1.0

1.0
θ=0
θ=0

0.8
0.8

κ=2

0.6
0.6

S(t)
f(t)

κ=0.5
κ=1

0.4
0.4

κ=1

0.2
0.2

κ=2
κ=0.5

0.0
0 1 2 3 4 0 1 2 3 4
t t
1.0

θ=0
κ=2
0.8
0.6
h(t)
0.4

κ=1
0.2

κ=0.5
0.0

0 1 2 3 4
t

Figura 2.6: Funciones caracterı́sticas de la distribución Log-logı́stica con θ = 0.

La función de riesgo es monótona decreciente si κ ≤ 1. Si κ > 1, la función tiene un

único máximo y permite modelizar situaciones que presentan dos fases diferentes,
una inicial con riesgo creciente a la que sigue otra con riesgo decreciente. En la figura
2.6 se muestran las funciones de densidad, supervivencia y riesgo, para distintos
valores del parámetro κ.

Dada la similitud existente entre las distribuciones Normal y Logı́stica, el mo-

delo Log-logı́stico produce resultados similares a los que se obtienen con el modelo
Lognormal y, como hemos señalado, resulta más fácil de calcular.

Distribución Gumbel. Esta distribución tiene como rango de valores (−∞, ∞)

y su función de supervivencia es,

S(t) = exp (− exp[(t − α)/β]) para − ∞ < t < ∞

donde α, con −∞ < α < ∞, es un parámetro de localización y β (β > 0) un

 32

0.8
0.3

0.6
0.2

S(t)
f(t)

0.4
0.1

0.2
0.0
0.0

0 1 2 3 4 0 1 2 3 4
t t
0.8
0.6
S(t)
0.4
0.2
0.0

0 1 2 3 4
t

Figura 2.7: Funciones caracterı́sticas de la distribución Gumbel con β = 1 y α = 2.

parámetro de escala. Esta es una de las tres distribuciones de tipo Valor Extremo,
VE, que corresponden a las distribuciones lı́mite posibles del máximo de una muestra
aleatoria. Su función de riesgo es,
1
h(t) = exp[(t − α)/β].
β
El interés de esta distribución se debe en gran parte a su relación con la distribución
Weibull: si el tiempo de supervivencia T es W eibull(γ, λ), la variable ln(T ) tiene
una distribución Gumbel de parámetros α = − ln(λ) y β = 1/γ. En las gráficas de
la figura 2.7 se muestran las funciones de densidad, riesgo y supervivencia de esta
distribución con β = 1 y α = 2.

Aunque el rango de la distribución de valor extremo es IR, se puede utilizar como

modelo para el tiempo de vida. Para ello es necesario truncarla en el valor cero; es
decir, considerar la distribución condicionada a que tome valores no negativos. La
distribución resultante se denomina distribución Gompertz y su función de riesgo
 33

coincide con la de la distribución Gumbel (véase la cuestión final de este apartado).

El modelo Gompertz puede a su vez generalizarse sumando un parámetro a su tasa de
riesgo. La distribución ası́ obtenida se denomina Gompertz-Makeham, y su función
de riesgo es:
h(t) = θ + β exp(αt) para t ≥ 0.

Estas distribuciones resultan adecuadas en situaciones en las que el riesgo aumenta

o decrece de forma rápida ya que la tasa de fallo es una función exponencial del
tiempo.

Cuestión: Comprueba que si T tiene una distribución W eibull(γ, λ), la variable

ln(T ) tiene una distribución Gumbel de parámetros α = − ln(λ) y β = 1/γ.

Cuestión: Comprueba que al truncar a izquierda una distribución, la correspon-

diente función de riesgo no cambia; es decir, si h T (t) es la función de riesgo de T , y
t ≥ α,
hT | T >α (t) = hT (t).

Otras distribuciones. Otros modelos posibles son:

- La distribución de Rayleigh, o modelo lineal exponencial, es una distribución

cuya función de riesgo es una función lineal del tiempo,

h(t) = λ + γt

donde λ y γ pueden tomar cualquier valor siempre que h(t) sea no negativa.

- Otra función de riesgo de interés es la denominada riesgo ’bañera’. Dos al-

ternativas paramétricas que proporcionan funciones de riesgo con estas carac-
terı́sticas son,
β
h(t) = δt +
t+γ
  "  #
β t β−1 t β
h(t) = exp .
α α α

El inconveniente de estos modelos es su dificultad de tratamiento. Una alter-

nativa más sencilla es descomponer la distribución original en dos fases: un
periodo inicial con riesgo decreciente y otro, para quienes sobreviven a esa
etapa inicial, con riesgo creciente.
 34

- Un modelo sencillo y útil en algunas situaciones es el que presenta una función

de riesgo constante a trozos:

α1 si 0 ≤ t < t1
α2 si t1 ≤ t < t2
h(t) = ... ...
αk−1 si tk−2 ≤ t < tk−1
αk si t ≥ tk−1 .

Este es el modelo probabilı́stico subyacente en el análisis de tablas de vida

clı́nicas; en ellas las observaciones del tiempo de supervivencia se agrupan en
intervalos en los que se supone el riesgo constante.

- Finalmente mencionaremos los modelos obtenidos mediante la mezcla de va-

rias distribuciones. Estos modelos aparecen cuando en la población conviven
individuos que provienen de k poblaciones distintas. Si suponemos que en la
población global existe una proporción p i de individuos de la subpoblación i,
P
con 0 < pi < 1 y pi = 1 y que la distribución del tiempo de vida de cada una
de esas subpoblaciones tiene una función de supervivencia S i (t), la función de
supervivencia de un individuo de la población global es de la forma:

S(t) = p1 S1 (t) + . . . + pk Sk (t).

Estos modelos son adecuados en aquellas situaciones en las que la población

no es homogénea y no es posible separar los individuos de cada tipo. Ha-
bitualmente las distribuciones correspondientes a cada subpoblación suelen
pertenecer a la misma familia paramétrica, aunque no es necesario imponer
esta restricción. Las propiedades de este tipo de modelos se pueden deducir
a partir de las caracterı́sticas de las k distribuciones que definen la mixtu-
ra. No es frecuente utilizar valores de k mayores que tres ya que en ese caso
el número de parámetros desconocidos es demasiado grande y su estimación
resulta complicada.

2.4 Ejercicios

1.- Si el tiempo de supervivencia T se mide en horas, ¿en qué unidades se deben

expresar las funciones f (t), S(t), h(t) y H(t)? ¿Qué relación guardan los valores de
 35

estas funciones en cierto instante t, con sus valores en el mismo instante cuando T
se mide en segundos?

2.- Comprueba que, tanto en el caso discreto como en el caso continuo, el valor
R∞
esperado de la variable T puede calcularse como E[T ] = 0 S(t)dt.

3.- Sean T1 , T2 , . . . , Tn variables aleatorias independientes, continuas, no nega-

tivas y con funciones de riesgo h1 (t), . . . , hn (t), respectivamente. Prueba que la
P
función de riesgo de la variable T = min(T 1 , . . . , Tn ) es hT (t) = hi (t).

4.- Se dispone de una muestra de 2000 unidades de un tipo de célula solar de la

que se quieren estudiar sus caracterı́sticas. Para ello, se realiza un ensayo acelerado
con el fin de medir su vida útil (en un ensayo acelerado, la muestra se pone a
prueba en condiciones más exigentes que las de uso habitual con el fin de acortar la
duración del ensayo). Las frecuencias relativas correspondiente a dicho ensayo, con
los tiempos de vida expresados en miles de horas, se muestran en la tabla 2.1.

t.vida (103 h) 0-1 1-2 2-3 3-4 4-5 5-6 6-7

frec. rel. 0.15 0.25 0.25 0.10 0.10 0.08 0.07

Tabla 2.1: Tiempos de fallo de células solares. (ejercicio 4).

Se supone que la relación existente entre los parámetros de escala de la distri-

bución del tiempo de funcionamiento en condiciones normales y de la distribución
en condiciones aceleradas, es 10:1. Contesta las siguientes cuestiones relativas al
tiempo de funcionamiento de las células en condiciones operativas normales.
i.- Estima la función de supervivencia de esas células en el instante t = 3.5 años.

ii.- ¿Cuál es la tasa de fallo de una célula cuando lleva un año funcionando?

iii.- Entre las células que han estado funcionando durante más de 20.000 horas,
¿qué porcentaje se espera que funcione más de 40.000 horas?

iv.- De las células que han alcanzado la edad de 10.000 horas, ¿cuál es el porcentaje
esperado de células que fallarán cuando lleven funcionando entre 20.000 y
40.000 horas?

5.- La función de supervivencia del tiempo de vida de cierta pieza medido en

horas es:
1 1
S(t) = exp(−t/2) + exp(−t/3).
2 2
 36

i.- Calcula el valor del tiempo medio hasta el fallo de esta pieza.

ii.- Comprueba que su función de riesgo es:

1/2 + (1/3) exp(t/6)
h(t) =
1 + exp(t/6)
y calcula el riesgo en el instante t = 1.

iii.- Prueba que la función de tasa de fallo es una función decreciente.

iv.- Si se sabe que la pieza ha funcionado más de dos horas, calcula la probabilidad
de que falle en el intervalo (2, 3).

6.- En ocasiones, las tasas de fallo se expresan en una unidad denominada FIT,
que equivale al número esperado de fallos del componente por cada 10 9 horas de
funcionamiento efectivo. Supongamos que cierta pieza tiene una tasa constante de
fallo correspondiente a 325.000 FITs.

i.- ¿Cuál es la probabilidad de que falle por primera vez entre el sexto y el
duodécimo mes de funcionamiento, sabiendo que no ha fallado durante los seis
primeros meses? Considera que 1 mes equivale a 160 horas de funcionamiento
efectivo.

ii.- ¿Cuál es el número esperado de fallos del componente durante un periodo de

funcionamiento de 104 horas?

7.- La tasa de fallo de cierta pieza que opera de manera continuada puede des-
cribirse mediante la siguiente función,

0.1 min−1 0 ≤ t ≤ 10 min.

−1
h(t) = 0.001 min 10 < t ≤ 1010 min.
0.01 min−1 t > 1010 min.

i.- Especifica la función de supervivencia correspondiente a esta función de riesgo

y represéntala gráficamente.

ii.- ¿Qué proporción de piezas, si empleamos un gran número de ellas, puede

esperarse que funcionen entre 80 y 100 horas?

iii.- ¿Qué vida media tiene una pieza de estas caracterı́sticas? Calcula la mediana
del tiempo de vida.
 37

iv.- Cuando una pieza lleva funcionando una semana ininterrumpidamente, ¿cuál
es la distribución de Rt en ese instante? Calcula su valor esperado.

8.- La tabla 2.2 resume una tabla de vida poblacional correspondiente a los Es-
tados Unidos de América, con una población base de 100.000 individuos. Para su
construcción se ha utilizado la información estadı́stica sobre mortalidad correspon-
diente al periodo 1959-1961.

i.- Calcula el porcentaje de personas que mueren en cada intervalo. Dibuja el

histograma correspondiente a esta tabla de vida.

ii.- Calcula la vida media de las personas que viven más de 5 años y menos de 85.
Para calcular este valor considera que la muerte se produce en el punto medio
de cada intervalo).

iii.- Estima la función de supervivencia en el extremo inferior de cada intervalo

para las personas que viven al menos 5 años y calcula los percentiles 10, 50 y
90 de la distribución de su tiempo de vida. ¿Qué proporción de esos individuos
alcanzará los 65 años?

iv.- Estima la función de densidad en el punto medio de cada intervalo y re-

preséntala.

v.- Estima la función de riesgo en el punto medio de cada intervalo y dibújala.

vi.- Estima la función de riesgo para las personas con 10 años de edad y para las
de 50. ¿Qué conclusiones obtienes al comparar ambas funciones?

9(*).- Dada una distribución de probabilidad continua, considera las cuatro pro-
piedades siguientes:

i.- h(t) es no decreciente para todo t ≥ 0. Las distribuciones con esta propiedad
suelen llamarse distribuciones IFR, o con tasa de fallo creciente.

Intervalo edad 0-1 1-5 5-10 10-15 15-20 20-25 25-30 30-35 35-40 40-45
N o muertes 2593 409 233 214 440 594 612 761 1080 1686
Intervalo edad 45-50 50-55 55-60 60-65 65-70 70-75 75-80 80-85 > 85
N o muertes 2622 4045 5644 7920 10290 12687 14594 15034 18542

Tabla 2.2: Tabla poblacional de EEUU. (ejercicio 8).

 38

ii.- H(t)/t es no decreciente para todo t > 0. Las distribuciones con esta propiedad
suelen llamarse distribuciones IFRA, o con tasa de fallo creciente en promedio.

iii.- m(t) ≤ m(0) para todo t ≥ 0. Si esto ocurre, suele decirse que las distribucio-
nes tienen la propiedad NBU o ”nueva mejor que usada”.

iv.- m(t) es una función no creciente para todo t ≥ 0. En este caso se habla de
distribuciones con vida residual media decreciente.

Definidas las propiedades anteriores, comprueba que:

a.- i =⇒ ii =⇒ iii

b.- i =⇒ iv =⇒ iii.

10(*).- Sean T(1) ≤ T(2) ≤ . . . ≤ T(n) los estadı́sticos ordenados correspondientes

a una muestra aleatoria de tamaño n de una variable con distribución exponencial
de parámetro λ. Definimos las variables aleatorias:

W1 = nT(1)
h i
Wi = (n − i + 1) T(i) − T(i−1) para i = 2, . . . , n

i.- Comprueba que cada variable Wi sigue una distribución exponencial de parámetro
λ.

ii.- Comprueba que las variables Wi son independientes.

11.- Considera la distribución Gamma de parámetros λ y γ,

i.- Comprueba que la esperanza y la varianza de esta distribución son,

E[T ] = γ/λ
V ar[T ] = γ/λ2

ii.- Comprueba que la vida media residual de esta distribución verifica,

lim m(t) = λ−1 .

t→∞

iii(*).- Comprueba que la suma de n variables exponenciales independientes de parámetro

λ sigue una distribución Gamma de parámetros n y λ. Verifica que si T sigue
un distribución Erlang(n, λ) se cumple,

P (T ≥ t) = P (Yλt < n)
 39

donde Yλt sigue una distribución Poisson de media λt. Para demostrarlo,
comprueba que,
Z n−1
X
∞ (λt)i exp(−λt)
f (x)dx =
t i=0
i!
donde f (x) es la función de densidad de la variable Erlang(n, l).

iv(*).- Verifica que una distribución Gamma(n/2, 1/2) coincide con una distribución
χ2n .

12.- Dada una variable con distribución Lognormal de parámetros µ y σ,

i.- Comprueba que la función de densidad es,
"  2 #
1 1 ln t − µ
f (t) = √ exp − .
2πσt 2 σ

ii.- Comprueba que la media y la varianza de esta distribución son,

 
E(T ) = exp µ + σ 2 /2
V ar(T ) = [exp(σ 2 ) − 1] exp(2µ + σ 2 ).

13.- Sea T un tiempo de vida con una distribución Log-logı́stica. La variable

Y = ln(T ) tendrá una distribución Logı́stica cuya función de densidad es,
exp[(y − µ)/σ] −1
f (y) = 2σ − ∞ < y < ∞.
(1 + exp[(y − µ)/σ])
i(*).- Comprueba que la función generatriz de momentos de W = (Y − µ)/σ es,

M (θ) = E[exp(θW )] = Γ(1 + θ)Γ(1 − θ)

y que su media y su varianza son 0 y π 2 /3, respectivamente. Calcula a partir

de este resultado la media y la varianza de Y .

ii.- Comprueba que la función de supervivencia de T = exp(Y ) es,

 −1
S(t) = 1 + eθ tκ

donde θ = −µ/σ y κ = σ −1 .

iii.- Comprueba que si κ ≤ 1, la función de riesgo de la variable T es monótona

decreciente y que si κ > 1, tiene un comportamiento como el de la de la dis-
tribución Lognormal; es decir, h(0) = 0, h(t) aumenta hasta un valor máximo
y decrece después y que limt→∞ h(t) = 0.
Capı́tulo 3

Estimación no paramétrica de la
supervivencia: análisis de una
muestra

3.1 Introducción

El problema principal en los problemas de Fiabilidad y Análisis de Supervivencia

es la estimación de la función de supervivencia S(t). Esta función es la base para
estimar la mayor parte de las funciones y parámetros de interés en el análisis del
tiempo de vida.

Si la muestra no contiene observaciones censuradas, la función de supervivencia

se estima mediante la función de supervivencia empı́rica, fse, definida como,
N o de individuos con tiempo de supervivencia mayor que t
Ŝ(t) =
N o de individuos de la muestra

Este estimador es una función no creciente, toma el valor 1 en todo instante

anterior al tiempo de fallo más pequeño y 0 a partir del máximo tiempo de fallo
observado; la función permanece constante entre dos instantes de fallo consecutivos
y presenta un salto descendente en cada tiempo de fallo observado. Si no hay empates
en la muestra, todos los saltos de la función son de altura 1/n, mientras que si se
observan d tiempos de vida iguales a t i , el salto de Ŝ(t) en ese instante será de altura
d/n.

Cuando en la muestra existen observaciones censuradas la fse no es un estimador

40
 41

adecuado porque tiende a subestimar la función de supervivencia. En efecto, el uti-

lizar este estimador es equivalente a considerar que todos los individuos censurados
fallan en el instante de censura. Dado que es posible que alguno de los individuos con
tiempo de censura menor que t esté vivo en el instante t, será necesario introducir
alguna modificación en el estimador para evitar ese sesgo.

Los métodos estadı́sticos para estimar los parámetros y funciones de la distribu-

ción del tiempo de vida se clasifican en paramétricos y no paramétricos según se
basen, o no, en hipótesis especı́ficas sobre la familia a la que pertenece la distribución
de T . Las técnicas no paramétricas, que utilizan menos hipótesis, se emplean prefe-
rentemente en las primeras fases del estudio cuando se tiene poca información sobre
el comportamiento del fenómeno; los resultados obtenidos en estos análisis ayudan a
determinar qué distribución de probabilidad representa mejor los datos observados.

En este capı́tulo se estudian dos procedimientos no paramétricos de estimación a

partir de una muestra homogénea: la estimación mediante tablas de vida, que se
basa en datos agrupados en intervalos, y el estimador producto-lı́mite o estima-
dor de Kaplan-Meier de la función de supervivencia, que requiere observaciones
individuales. En el último apartado se presenta un procedimiento gráfico para selec-
cionar un modelo paramétrico a partir de una estimación no paramétrica de S(t).

3.2 Tablas de vida

Las tablas de vida son un procedimiento clásico para describir la mortalidad que
experimenta una población. Este método, cuyo origen se atribuye a Halley (1693),
sigue siendo una herramienta muy utilizada en campos como la demografı́a o los se-
guros de vida. El objetivo de una tabla de vida es expresar el patrón de mortalidad
que experimenta un colectivo de individuos en unas condiciones dadas. Distingui-
remos dos tipos de tablas: las tablas poblacionales, que son una herramienta de
carácter fundamentalmente descriptivo, y las tablas de vida clı́nicas, que tienen
una estructura análoga a la de las anteriores y sirven para estimar la supervivencia
de una población a partir de una muestra.
 42

3.2.1 Tablas de vida poblacionales

El objetivo de este tipo de tablas es describir y establecer previsiones sobre la morta-

lidad de una población. Una tabla de vida poblacional se puede construir utilizando
dos procedimientos; el más intuitivo consiste en considerar una cohorte, esto es,
un conjunto de personas representativo de la población de interés al que se hace
un seguimiento temporal. Por ejemplo, para estudiar el patrón de mortalidad de
los españoles nacidos en la década de los 70, una posible cohorte podrı́a estar cons-
tituida por 10.000 niños nacidos durante el año 1975. Fijada la cohorte, se hace
un seguimiento de cada uno de sus miembros, comprobando si vive o ha fallecido.
El seguimiento se hace a intervalos de tiempo prefijados, año a año por ejemplo,
hasta que se registra el fallecimiento del último superviviente. Las tablas de vida
poblacionales ası́ construidas se denominan tablas de cohorte.

El inconveniente del procedimiento anterior estriba, obviamente, en que requie-

re un periodo de seguimiento muy largo; por este motivo, las tablas de vida más
habituales son las denominadas tablas actuales. En las tablas de vida actuales
la cohorte es ficticia y su evolución se obtiene aplicando a un grupo hipotético de
individuos las tasas de mortalidad especı́ficas de cada edad. Estas tasas se calculan
con los datos estadı́sticos registrados y a partir de ellas se calculan las restantes
funciones de las tablas de vida poblacionales. Las tablas ası́ construidas muestran
un patrón de mortalidad ficticio, que no ha sido experimentado por ninguna cohorte
real sino que es el resultado de combinar lo observado en cohortes diferentes. Este
procedimiento tiene la ventaja de ser rápido y poco costoso y es adecuado si las
fuentes estadı́sticas disponibles son fiables. Los resultados serán válidos mientras
no se produzcan cambios significativos en las condiciones de vida de la población
respecto a la situación a la que corresponden los datos utilizados.

Las fuentes estadı́sticas necesarias para calcular las tasas de mortalidad por
edades son:
- Los datos censales del número de personas vivas de cada edad en un cierto
periodo, por ejemplo un año, medidos en el punto medio del intervalo de
tiempo considerado.

- Las estadı́sticas del número de muertes, por edades, en el mismo periodo.

Los procedimientos para estimar las tasas de mortalidad a partir de estos datos
 43

se pueden consultar en el capı́tulo cuarto del libro de Elandt-Johnson y Johnson

(1980).

Funciones básicas de una tabla de vida poblacional

t qx : probabilidad condicional de muerte en el intervalo (x, x + t) dado que

el individuo alcanza la edad x. Es la función básica de la tabla y se estima a partir
de las fuentes estadı́sticas. Habitualmente se utiliza como periodo t un año, en cuyo
caso suele suprimirse el ı́ndice t de la notación, o cinco años.

lx : número esperado de supervivientes a la edad x de los l 0 considerados

inicialmente. Esta función, que expresa la supervivencia de la población, es una
función continua de x, pero en la práctica suele tabularse sólo para los valores enteros
de x y algunos valores fraccionarios menores que uno. El valor l 0 se denomina base
de la tabla de vida y suele tomarse igual a 100.000 ó 1.000.000.

De acuerdo con su definición, los sucesivos valores de l x pueden calcularse de

forma recursiva como el producto del número esperado de supervivientes al comienzo
del intervalo anterior por la tasa de supervivencia en dicho intervalo,

lx = lx−t (1 −t qx−t ) .

Reiterando este cálculo, se puede establecer la relación de l x con la base l0 ,

 
lnt = l0 (1 −t q0 ) (1 −t qt ) (1 −t q2t ) . . . 1 −t q(n−1)t .

Px : proporción esperada de supervivientes con edad x,

lx
Px = .
l0

t dx : número esperado de fallecimientos con edad comprendida en el inter-

valo (x, x + t),
t dx = lx − lx+t = lxt qx .

t Lx : número total esperado de años vividos entre las edades x y x + t. Este

valor es la suma total de años que las l x personas que alcanzan la edad x esperan
vivir durante el intervalo (x, x + t). Formalmente se define como,
Z x+t
t Lx = ly dy.
x
 44

Los individuos de la cohorte que alcanzan la edad x + t, contribuyen a t Lx con la

longitud total del intervalo t, aquéllos que no alcanzan la edad x no aportan nada
y el resto, los que mueren con una edad comprendida entre x y x + t, contribuyen
sólo con una fracción de t, cuyo valor no se conoce exactamente. En la práctica, con
la excepción del primer intervalo, se suele suponer que las muertes se producen de
modo uniforme en (x, x + t), y se estima que la contribución a t Lx de cada una de
esas personas es t/2. Ası́ se tiene,
 
1 t
t Lx = t lx+t + t dx = (lx + lx+t ) .
2 2
En el primer intervalo esta hipótesis no es plausible ya que los fallecimientos suelen
concentrarse en la etapa inicial. Las soluciones habituales a este problema son dos;
una subdividir el periodo en intervalos de tiempo más pequeños, y otra considerar
que los individuos que mueren en dicho intervalo aportan una contribución menor a
t Lx .

Tx : número total esperado de años vividos con edad superior a x por las
personas vivas a esa edad. Este valor se obtiene aplicando la idea que lleva a definir
la función t Lx al intervalo (x, ∞). t Lx y Tx+t verifican las relaciones siguientes,

Tx = t Lx +t Lx+t +t Lx+2t + . . .
Tx = t Lx + Tx+t .

Se llama población estacionaria a una población hipotética que satisface las

tres condiciones siguientes:

- Experimenta el patrón de mortalidad que se refleja en la tabla de vida.

- En cada periodo considerado nacen, uniformemente distribuidos, l 0 individuos.

- Ha transcurrido el tiempo necesario para que alcance el equilibrio.

En estas condiciones, en cada periodo se incorporan y desaparecen l 0 individuos de

la población, por lo que el tamaño de la población y su composición de edades será
constante. En la población estacionaria, l x es el número de individuos con edad
mayor que x, t Lx representa el número de personas vivas con edades en el intervalo
(x, x + t) y Tx es el número de personas con más de x años de edad.
 45

ex : esperanza del tiempo restante de vida de un individuo a la edad x.

Esta función se calcula como,
Tx
ex =
lx
y es utilizada para calcular las primas y los beneficios de los seguros de vida, ası́
como para comparar la supervivencia de poblaciones.

Notemos para finalizar que, en una tabla de vida, las funciones,

- lx hace referencia a la edad exacta x.

- t qx , t dx , t Lx corresponden a intervalos de tiempo de la forma (x, x + t)

- Tx y ex corresponden a intervalos del tipo (x, ∞).

Todas estas funciones se tabulan en un formato normalizado que se muestra en

la tabla 3.1 Se trata de una tabla correspondiente al conjunto de la población de los
EE.UU. de América para el periodo 1979-81 construida por el National center for
Health Statistics. Las funciones de esa tabla poblacional actual se han calculado a
partir de los datos del censo del año 1980 y de las estadı́sticas de defunciones de los
años 1979-81. Como se ha señalado anteriormente, se describe con más detalle la
mortalidad del primer año de vida

En la figura 3.1 se representa la evolución temporal de las funciones l x y t qx ,

calculadas en la tabla anterior. Se observa cómo l x es una curva que decrece muy
rápidamente en el intervalo inmediatamente posterior al nacimiento, que se mantiene
casi constante hasta la edad de 50 años y que posteriormente decrece cada vez más
rápidamente. La gráfica de t qx muestra también el comportamiento correspondiente
a esa evolución.
 46

(tx , tx+1 ) t qx lx t dx t Lx Tx ex
0-1 dı́as 0.00463 100000 463 273 7387758 73.88
1-7 0.00246 99537 245 1635 7387485 74.22
7-28 0.00139 99292 138 5708 7385850 74.38
28-365 0.00418 99154 414 91357 7380142 74.43
0-1 años 0.01260 100000 1260 98973 7387758 73.88
1-2 0.00093 98740 92 98694 7288785 73.82
2-3 0.00065 98648 64 98617 7190091 72.89
3-4 0.00050 98584 49 98560 7091474 71.93
4-5 0.00040 98535 40 98515 6992914 70.97
5-6 0.00037 98495 36 98477 6894399 70.00
6-7 0.00033 98459 33 98442 6795922 69.02
7-8 0.00030 98426 30 98412 6697480 68.05
8-9 0.00027 98396 26 98383 6599068 67.07
9-10 0.00023 98370 23 98358 6500685 66.08
10-11 0.00020 98347 19 98338 6402327 65.10
11-12 0.00019 98328 19 98319 6303989 64.11
12-13 0.00025 98309 24 98297 6205670 63.12
13-14 0.00037 98285 37 98266 6107373 62.14
14-15 0.00053 98248 52 98222 6009107 61.16
15-16 0.00069 98196 67 98163 5910885 60.19
16-17 0.00083 98129 82 98087 5812722 59.24
17-18 0.00095 98047 94 98000 5714635 58.28
18-19 0.00105 97953 102 97902 5616635 57.34
19-20 0.00112 97851 110 97796 5518733 56.40
20-21 0.00120 97741 118 97682 5420937 55.46
21-22 0.00127 97623 124 97561 5323255 54.53
22-23 0.00132 97499 129 97435 5225694 53.60
23-24 0.00134 97370 130 97306 5128259 52.67
24-25 0.00133 97240 130 97175 5030953 51.74
25-26 0.00132 97110 128 97046 4933778 50.81
26-27 0.00131 96982 126 96919 4836732 49.67
27-28 0.00130 96856 126 96793 4739813 48.94
28-29 0.00130 96730 126 96667 4643020 48.00
29-30 0.00131 96604 127 96541 4546353 47.06
30-31 0.00133 96477 127 96414 4449812 46.12
31-32 0.00134 96350 130 96284 4353398 45.18
32-33 0.00137 96220 132 96155 4257114 44.24
33-34 0.00142 96088 137 96019 4160959 43.30
34-35 0.00150 95951 143 95880 4064940 42.36
 47

(tx , tx+1 ) t qx lx t dx t Lx Tx ex
35-36 0.00159 95808 153 95731 3969060 41.43
36-37 0.00170 95655 163 95574 3873329 40.49
37-38 0.00183 95492 175 95404 3777755 39.56
38-39 0.00197 95317 188 95224 3682351 38.63
39-40 0.00213 95129 203 95027 3587127 37.71
40-41 0.00232 94926 220 94817 3492100 36.79
41-42 0.00254 94706 241 94585 3397283 35.87
42-43 0.00274 94465 264 94334 3302698 34.96
43-44 0.00306 94201 288 94057 3208364 34.06
44-45 0.00335 93913 314 93756 3114307 33.16
45-46 0.00356 93599 343 93427 3020551 32.27
46-47 0.00401 93256 374 93069 2927124 31.39
47-48 0.00442 92882 410 92677 2834055 30.51
48-49 0.00488 92472 451 92246 2741378 29.65
49-50 0.00538 92021 495 91773 2649132 28.79
50-51 0.00589 91526 540 91256 2557359 27.94
51-52 0.00642 90986 584 90695 2466103 27.10
52-53 0.00699 90402 631 90086 2375408 26.28
53-54 0.00761 89771 684 89430 2285322 25.46
54-55 0.00830 99087 739 88717 2195892 24.65
55-56 0.00902 88348 797 87950 2107175 23.85
56-57 0.00978 87551 856 87122 2019225 23.06
57-58 0.01059 86695 919 86236 1932103 22.29
58-59 0.01151 85776 987 85283 1845867 21.52
59-60 0.01254 84789 1063 84258 1760584 20.76
60-61 0.01368 83726 1145 83153 1676326 20.02
61-62 0.01493 82581 1233 81965 1593173 19.29
62-63 0.01628 81348 1324 80686 1511208 18.58
63-64 0.01767 80024 1415 79316 1430522 17.88
64-65 0.01911 78609 1502 77859 l351206 17.19
65-66 0.02059 77107 1587 76314 1273347 16.51
66-67 0.02216 75520 1674 74683 1197033 15.85
67-68 0.02389 73846 1764 72964 1122350 15.20
68-69 0.02585 72082 1864 71150 1049386 14.56
69-70 0.02806 70218 1970 69233 978236 13.93
70-71 0.03052 68248 2083 67206 909003 13.32
71-72 0.03315 66165 2193 65069 841797 12.72
72-73 0.03593 63972 2299 62823 776728 12.14
73-74 0.03882 61673 2394 60476 713905 11.58
74-75 0.04184 59279 2480 58039 653429 11.02
 48

(tx , tx+1 ) t qx lx t dx t Lx Tx ex
75-76 0.04507 56799 2560 55520 595390 10.48
76-77 0.04867 54239 2640 52919 539870 9.95
77-78 0.05274 51599 2721 50238 486951 9.44
78-79 0.05742 48878 2807 47475 436713 8.93
79-80 0.06277 46071 2891 44626 389238 8.45
80-81 0.06882 43180 2972 41694 344612 7.98
81-82 0.07552 40208 3036 38689 302918 7.53
82-83 0.08278 37172 3077 35634 264229 7.11
83-84 0.09041 34095 3083 32553 228595 6.70
84-85 0.09842 31012 3052 29486 196042 6.32
85-86 0.10725 27960 2999 26461 166556 5.96
86-87 0.11712 24961 2923 23500 140095 5.61
87-88 0.12717 22038 2803 20636 116595 5.29
88-89 0.13708 19235 2637 17917 95959 4.99
89-90 0.14728 16598 2444 15376 78042 4.70
90-91 0.15868 14154 2246 13031 62666 4.43
91-92 0.17169 11908 2045 10886 49635 4.17
92-93 0.18570 9863 1831 8948 38749 3.93
93-94 0.20023 8032 1608 7228 29801 3.71
94-95 0.21495 6424 1381 5733 22573 3.51
95-96 0.22976 5043 1159 4463 16840 3.34
96-97 0.24338 3884 945 3412 12377 3.15
97-98 0.25637 2939 754 2562 8965 3.05
98-99 0.26868 2185 587 1892 6403 2.93
99-100 0.28030 1598 448 1374 4511 2.82
100-101 0.29120 1150 335 983 3137 2.73
101-102 0.30139 815 245 692 2154 2.64
102-103 0.31089 570 177 481 1462 2.57
103-104 0.31970 393 126 330 981 2.50
104-105 0.32786 267 88 223 651 2.44
105-106 0.33539 179 60 150 428 2.38
106-107 0.34233 119 41 99 378 2.33
107-108 0.34870 78 27 64 179 2.29
108-109 0.35453 51 18 42 115 2.25
109-110 0.35988 33 12 27 73 2.20

Tabla 3.1: Tabla poblacional de EEUU correspondiente a 1979-81.

 49

100000

0.3
60000

0.2
qx
lx

0.1
20000

0.0
0

0 20 40 60 80 100 0 20 40 60 80 100
x (edad en agnos) x (edad en agnos)

Figura 3.1: Representación de lx y t qx de la tabla 3.1.

Cuestión: Si una persona, cuya supervivencia se corresponde con el patrón ex-

presado en la tabla 3.1, tiene ahora 30 años de edad,
i.- ¿Cuál es su edad esperada de fallecimiento?

ii.- ¿Cuál es la probabilidad de morir a la edad de 44 años en esa población? ¿ y

la de las personas que tienen 30 años?

3.2.2 Tablas de vida clı́nicas

Las tablas de vida clı́nicas son un procedimiento de estimación de la supervivencia de

una población desarrollado a partir de las tablas de vida poblacionales. En este caso
no se analiza una cohorte sino un conjunto de datos procedente de ensayos clı́nicos
en los que se realiza el seguimiento de una muestra homogénea de individuos. El
procedimiento de estimación de estas tablas es similar al utilizado en las tablas
de frecuencias, con la única diferencia de que en este caso pueden existir datos
censurados en la muestra. La estimación se realiza a partir de datos agrupados; esta
agrupación puede estar originada por:
- La forma de seguimiento de de los individuos: a partir de un mismo suceso
inicial se realizan controles de la evolución de los individuos -si han fallado, so-
breviven o no se tiene información sobre ellos- en intervalos de tiempo preesta-
blecidos, iguales para todos. El protocolo, la frecuencia y forma de seguimiento
de los individuos, determina los intervalos, [t 0 , t1 ), [t1 , t2 ), . . . , [ts , ts+1 ), que se
utilizarán en el análisis y que no tienen por qué ser de la misma longitud.
 50

- La agrupación en intervalos de las observaciones individuales. En la actualidad,

dada la facilidad de medios de cálculo, no suele estar justificado agrupar las
observaciones individuales, porque implica una pérdida de información y el
establecimiento de los intervalos introduce un cierto grado de arbitrariedad.

El objetivo principal de una tabla de vida clı́nica es la estimación de las funcio-

nes de supervivencia, riesgo y densidad del tiempo de vida T . Para facilitar esta
estimación las tablas presentan una estructura normalizada que incluye, en distintas
columnas, la siguiente información:

[ti−1 , ti ): identifica los extremos del intervalo de tiempo i-ésimo. El extremo

inferior del primer intervalo, t0 , suele ser 0; si el ensayo no termina hasta que se
observe el fallo de todos los individuos, el extremo superior del último intervalo es,
ts+1 = ∞.

tmi : punto medio del intervalo i-ésimo. Esta columna se incluye debido a que la
estimación de las funciones de riesgo y de densidad se realiza en esos puntos.

bi : anchura del intervalo i-ésimo. Este valor se utiliza en la estimación de la

función de densidad. Las funciones de densidad y riesgo no se pueden estimar en el
último intervalo cuando éste es de longitud infinita.

li : (lost) número de individuos que abandonan el experimento y cuyo tiempo de

censura, pertenece al intervalo i-ésimo.

wi : (withdrawn) número de individuos cuya respuesta o fallo no se ha observado

en el momento de finalizar el ensayo y que en ese instante llevan en el estudio un
tiempo comprendido entre ti−1 y ti . La información sobre el tiempo de vida de estos
individuos es también censurada.

El tratamiento en el proceso de estimación de ambos tipos de observaciones

censuradas, li e wi , es idéntico; por ello, en algunas tablas no se hace la distinción
anterior y se define una única columna,

ci : (censored) número de individuos cuyo tiempo de observación, que es censu-

rado, toma un valor comprendido entre t i−1 y ti . Evidentemente,

ci = l i + w i .
 51

di : (dead) número de individuos cuyo tiempo de fallo observado pertenece al

intervalo [ti−1 , ti ).

n0i : número de individuos que permanecen vivos y en el estudio al comienzo del

intervalo i-ésimo. El valor n01 es el número total de individuos que comenzaron el
ensayo; los restantes valores se calculan mediante la relación,

n0i = n0i−1 − di−1 − ci−1 .

ni : número estimado de individuos expuestos a riesgo durante el intervalo i-

ésimo. Si en el intervalo no hay observaciones censuradas, n i = n0i ; en otro caso,
la hipótesis usual es suponer que las observaciones censuradas ocurridas durante el
intervalo se distribuyen en él uniformemente. Por ello, en media, los individuos con
observación censurada están expuestos a riesgo durante la mitad de la duración del
intervalo y, en consecuencia,
1
ni = n0i − ci .
2

q̂i : proporción de fallo en el intervalo i-ésimo. Este valor estima la probabilidad

de fallo en ese intervalo, condicionada a que el individuo no habı́a fallado al co-
mienzo del mismo. Si en el intervalo no hay observaciones censuradas, el estimador
natural de esta probabilidad es di /n0i ; si las hay, este estimador tiende a subestimar
dicha probabilidad, ya que es posible que alguno de los individuos censurados en el
intervalo muera antes de finalizar el mismo. Por esta causa, es necesario realizar
algún tipo de ajuste; la alternativa habitual consiste en sustituir n 0i por el número
estimado de individuos expuestos a riesgo, n i ,
di
q̂i = .
ni
Si el último intervalo es infinito, q̂ s+1 = 1.

La validez de este ajuste, en cierta medida arbitrario, depende de las carac-

terı́sticas de los procesos de censura y de fallo. Breslow y Crowley (1974) estable-
cieron que, bajo el esquema de censura aleatoria, este estimador era inconsistente y
sesgado. Sin embargo, cuando la proporción de censura no es excesiva y se distribuye
de forma homogénea, si los intervalos no son muy amplios y los valores de n i no son
demasiado pequeños, el comportamiento de este estimador es aceptable.
 52

p̂i : proporción de supervivencia en el intervalo i-ésimo. Este valor estima la

probabilidad de que un individuo sobreviva al instante t i , dado que estaba vivo al
inicio del intervalo i-ésimo. Se define,

p̂i = 1 − q̂i .

P̂ (ti ): proporción de supervivencia en el instante t i del ensayo. Este valor estima

P (T ≥ ti ). Si un individuo sobrevive hasta el inicio del intervalo (i+1)-ésimo implica
que dado que ha sobrevivido hasta el comienzo del intervalo i-ésimo, no falla durante
el intervalo i-ésimo; ası́,
P̂ (ti ) = p̂i P̂ (ti−1 ).

Aplicando reiteradamente esta relación y que P̂ (t0 ) es igual a 1, se obtiene,

P̂ (ti ) = p̂i p̂i−1 . . . p̂1 .

Este estimador de la función de supervivencia se llama estimador actuarial. En los

instantes que no son extremo de un intervalo, es habitual calcular su valor mediante
interpolación lineal entre los valores de los correspondientes extremos.

ˆ mi ): tasa o proporción de fallo en el intervalo i-ésimo por unidad de tiempo.

f(t
Este valor estima la función de densidad de T en el punto medio del intervalo.

P̂ (ti−1 ) − P̂ (ti ) P̂ (ti−1 )q̂i

fˆ(tmi ) = = .
bi bi

ĥ(tmi ): tasa instantánea condicional de fallo correspondiente al punto medio del

intervalo i-ésimo. Con este valor se estima la función de riesgo en t mi ,

fˆ(tmi )
ĥ(tmi ) = .
P̂ (tmi )

Cuestión: Comprueba que la estimación de la función de riesgo también puede

expresarse como,
2q̂i di
ĥ(tmi ) = = .
bi (1 + p̂i ) bi (ni − di /2)

Notas:

i.- Los datos imprescindibles para la estimación de las funciones definidas en una
tabla de vida clı́nica son, di , ci , y n01 . Notemos que los resultados obtenidos
 53

con este método de estimación son sensibles a la elección de los intervalos de

tiempo con los que se construye la tabla. En general, el número de intervalos
debe depender de la cantidad de datos disponibles y del objetivo del análisis.
Como regla general, es conveniente utilizar al menos 8 ó 10 intervalos.

ii.- Como se comentó en el primer capı́tulo, la validez de éste y otros métodos de

estimación exige que la distribución del tiempo de fallo de todos los individuos,
censurados y no censurados, sea la misma.

En la tabla 3.3 se muestra una tabla de vida clı́nica, Parker et al. (1946), corres-
pondiente a 2418 hombres enfermos de angina de pecho. El tiempo de supervivencia
mide, en años, el tiempo transcurrido desde el instante del diagnóstico hasta el fa-
llecimiento del enfermo. En la figura 3.2 se han representado las estimaciones de las
funciones de supervivencia, densidad y riesgo. En la gráfica de la función de riesgo se
observa que una vez superado el primer año, que presenta la tasa de fallo más alta,
ésta permanece prácticamente constante hasta el décimo año; en ese instante vuelve
a aumentar durante un intervalo de tres años. El comportamiento final podrı́a no
reflejar una caracterı́stica real de la población, ya que en la cola de la distribución,
al disminuir el número de datos, la estimación es menos fiable. Por esta razón es
conveniente disponer de una medida de la precisión de las estimaciones. Algunas de
estas medidas se presentan en el siguiente apartado.

Cuestión: Completa las casillas de la tabla de vida clı́nica 3.2:

i t mi bi n0i li ni di p̂i P̂i fˆ(tmi ) ĥ(tmi )

[0,1) 1000 10 22
[1,2) 8 19
[2,3) 21 26
[3,4) 26 31
[4,5) 37 27
[5,∞) - 773

Tabla 3.2: Tabla de vida clı́nica.

3.2.3 Precisión de las estimaciones

Los valores de q̂i , p̂i y P̂ (ti ) son estimaciones sujetas a la variabilidad inherente al
proceso de muestreo, por lo que deben completarse con información relativa a su
precisión. Bajo determinadas hipótesis sobre los mecanismos de censura es posible,
 54

Año t mi bi li wi di n0i ni q̂i p̂i

0 0.5 1.0 0 0 456 2418 2418.0 0.1886 0.8114
1 1.5 1.0 39 0 226 1962 1942.5 0.1163 0.8837
2 2.5 1.0 22 0 152 1697 1686.0 0.0902 0.9098
3 3.5 1.0 23 0 171 1523 1511.5 0.1131 0.8869
4 4.5 1.0 24 0 135 1329 1317.0 0.1025 0.8975
5 5.5 1.0 107 0 125 1170 1116.5 0.1120 0.8880
6 6.5 1.0 133 0 83 938 871.5 0.0952 0.9048
7 7.5 1.0 102 0 74 722 671.0 0.1103 0.8897
8 8.5 1.0 68 0 51 546 512.0 0.0996 0.9004
9 9.5 1.0 64 0 42 427 395.0 0.1063 0.8937
10 10.5 1.0 45 0 43 321 298.5 0.1441 0.8559
11 11.5 1.0 53 0 34 233 206.5 0.1646 0.8354
12 12.5 1.0 33 0 18 146 129.5 0.1390 0.8610
13 13.5 1.0 27 0 9 95 81.5 0.1104 0.8896
14 14.5 1.0 23 0 6 59 47.5 0.1263 0.8737
15 - - 0 0 0 30 30.0 1.0000 0.0000

ˆ
Año P̂ (ti ) fˆ(tmi ) ĥ(tmi ) s.e.[Ŝ(ti )] s.e.[fˆ(tmi )] s.e.[ĥ(tmi )] t̂mri s.e.[t̂mri ]
0 1.0000 0.1886 0.2082 - 0.0080 0.0097 5.33 0.17
1 0.8114 0.0944 0.1235 0.0080 0.0060 0.0082 6.25 0.20
2 0.7170 0.0646 0.0944 0.0092 0.0051 0.0076 6.34 0.24
3 0.6524 0.0738 0.1199 0.0097 0.0054 0.0092 6.23 0.24
4 0.5786 0.0593 0.1080 0.0101 0.0049 0.0093 6.22 0.19
5 0.5193 0.0581 0.1186 0.0103 0.0050 0.0106 5.91 0.18
6 0.4611 0.0439 0.1000 0.0104 0.0047 0.0110 5.60 0.19
7 0.4172 0.0460 0.1167 0.0105 0.0052 0.0135 5.17 0.27
8 0.3712 0.0370 0.1048 0.0106 0.0050 0.0147 4.94 0.28
9 0.3342 0.0355 0.1123 0.0107 0.0053 0.0173 4.83 0.41
10 0.2987 0.0430 0.1552 0.0109 0.0063 0.0236 4.69 0.42
11 0.2557 0.0421 0.1794 0.0111 0.0068 0.0306 4.00+ -
12 0.2136 0.0297 0.1494 0.0114 0.0067 0.0351 3.00+ -
13 0.1839 0.0203 0.1169 0.0118 0.0065 0.0389 2.00+ -
14 0.1636 0.0207 0.1348 0.0123 0.0080 0.0549 1.00+ -
15 0.1429 - - 0.0133 - - - -

Tabla 3.3: Tabla de vida clı́nica de los pacientes de angina de pecho.

 55

1.0

0.15
0.8
0.6
S(t)

f(t)
0.10
0.4

0.05
0.2

0 5 10 15 0 2 4 6 8 10 12 14
t t
0.30
0.20
h(t)
0.10
0.0

0 2 4 6 8 10 12 14
t

Figura 3.2: Estimación de las funciones caracterı́sticas de los pacientes de angina de pecho.

aunque complicado, deducir estimaciones de sus varianzas. Por esta razón, aunque
la metodologı́a de las tablas de vida clı́nicas es antigua, el estudio teórico de las
propiedades estadı́sticas de sus estimadores es reciente y está aún por completar. En
este capı́tulo se presentan algunas de las propiedades y resultados más utilizados. La
mayor parte de estos resultados se han obtenido para el caso de muestras completas,
pero en se suelen generalizar y aplicar también al caso de muestras censuradas.

Fórmula de Greenwood La estimación más empleada de la varianza de P̂ (tj )

es la propuesta por Greenwood en 1926,
j
X h j
i2 X
q̂i di
V ar[P̂ (tj )] ≈ [P̂ (tj )]2 = P̂ (tj ) .
i=1
p̂i ni i=1
ni (ni − di )

Esta estimación, resultado de una aproximación asintótica que comentaremos más

adelante, es razonable cuando el valor esperado de n j no es demasiado pequeño y
 56

requiere, si la proporción de censura en la muestra es importante, que el número

de intervalos considerados no sea muy pequeño. La fórmula de Greenwood tiende a
subestimar la varianza de P̂ (tj ), especialmente en los intervalos de la cola derecha
de la distribución donde el valor esperado de n j suele ser pequeño. No obstante, en
esos casos su cálculo no es adecuado ya que la distribución de P̂ (tj ) suele ser muy
sesgada y, en consecuencia, la varianza no es una buena medida de precisión de la
estimación.

Justificación. La estimación actuarial de la función de supervivencia es, P̂ (tj ) =

p̂j p̂j−1 . . . p̂1 . Para obtener su varianza aproximada se aplica un procedimiento, de-
nominado método delta, que consiste en calcular la varianza de la aproximación
de primer orden de la función obtenida a partir de su desarrollo en serie de Taylor.
En el caso de una función de una sola variable, se tiene,

g(X) ≈ g(θ) + g 0 (θ)(X − θ)

y la varianza aproximada es,

 2
V ar[g(X)] ≈ g 0 (θ) V ar(X)

donde θ es un parámetro tal que, asintóticamente, E(X − θ) = 0. En el caso de una

función de varias variables, aplicando un procedimiento análogo, se tiene,
j X
X j
∂g ∂g
V ar[g(X)] ≈ Cov(Xi , Xk ) (3.1)
i=1 k=1
∂θi ∂θk
∂g ∂g(x)
donde ∂θi denota ∂xi | x=θ y θ es un vector de parámetros tal que, asintóticamente,
E[X − θ] = 0. Generalmente, el vector θ no es conocido, por lo que las derivadas se
evalúan en su estimador, θ̂.

Aplicando este método a la expresión de P̂ (tj ), se obtiene como varianza apro-

ximada,
j X
X j
∂ P̂ (tj ) ∂ P̂ (tj )
V ar [(P (tj )] ≈ Cov(p̂i , p̂k ).
i=1 k=1
∂pi ∂pk

Para calcular esta expresión se necesita,

1. Estimadores de pj y qj . Los más utilizados son

p̂j = (nj − dj )/nj

q̂j = dj /nj .
 57

En el caso sin censura, éstos son los estimadores máximo verosı́miles; este
resultado se obtiene utilizando que el vector (d 1 , d2 , . . . , ds+1 ) sigue una distri-
bución Multinomial de parámetros n 1 , el número de individuos que inician el
estudio, y π1 , π2 , . . . , πs , donde,
s+1
X
n1 = di
i=1
πj = P (tj−1 ) − P (tj ) = p1 . . . pj−1 (1 − pj ) j = 1, 2, . . . , s + 1.

2. Calculo de las derivadas parciales de la función de supervivencia respecto a

cada componente del vector p = (p1 , p2 , . . . , ps )
∂ P̂ (tj ) P (tj )
= .
∂pi pi
Como los valores P (tj ) y pi no son conocidos, se sustituyen por sus estimacio-
nes.

3. Cálculo de las varianzas y covarianzas de los estimadores p̂ i . Presentamos

los resultados en el caso de muestras sin observaciones censuradas ya que su
justificación en el caso general resulta complicada.
Proposición 1: Bajo la hipótesis n j > 0, dj sigue una distribución Binomial de
parámetros nj y qj ; en consecuencia,

E[q̂j ] = qj
E[p̂j ] = pj
!
1
V ar[q̂j ] = V ar[p̂j ] = pj qj E
nj
Cov(q̂i , q̂j ) = Cov(p̂i , p̂j ) = 0 con i < j.

En muestras con observaciones censuradas, los resultados anteriores no son

ciertos aunque, asintóticamente, se verifica que Cov[p̂ i , p̂j ] = 0 y la estimación
de V ar(p̂j ) puede aproximarse mediante p̂j q̂j /nj .

Sustituyendo los valores obtenidos en los puntos 1 y 2 en la expresión 3.1 de

Vd
ar[P̂ (tj )] se obtiene la fórmula de Greenwood.

j
X h j
i2 X
q̂i di
V ar [(P (tj )] ≈ [P̂ (tj )]2 = P̂ (tj ) .
i=1
p̂i ni i=1
ni (ni − di )
 58

Notas:
i.- En el proceso de estimación de la varianza de P̂ (tj ) se han utilizado varias apro-
ximaciones e hipótesis. La aproximación de la varianza dada por el método
delta, produce resultados razonables si n es suficientemente grande. La ex-
presión de la varianza de p̂i y la hipótesis de que Cov(p̂i , p̂k ] = 0, adoptadas
por analogı́a con el caso de las muestras sin censura, son más cuestionables,
dependiendo su validez del mecanismo de censura ası́ como de la distribución
del tiempo de vida en el problema bajo estudio.

ii.- En el caso de una muestra sin datos censurados, es fácil comprobar que la
fórmula de Greenwood produce la estimación
h i
h i P̂ (tj ) (1 − P̂ (tj )
Vd
ar P̂ (tj ) = .
n
nj+1
Esta expresión es razonable ya que en este caso P̂ (tj ) = p̂j p̂j−1 . . . p̂1 = n y
la distribución de nj+1 es Binomial de parámetros n, P (tj ).

iii.- Cuando la muestra es completa, los estimadores de p j , qj y P (tj ) son in-

sesgados; esta propiedad se pierde cuando en la muestra hay observaciones
censuradas.

iv.- Desarrollando procesos de aproximación similares al anterior se pueden obtener

estimaciones de la varianza para las funciones de densidad y riesgo,
!2 i−1 !
h i P̂ (ti−1 )q̂i X q̂j p̂i
ˆ mi )
V ar f(t ≈ +
bi j=1
nj p̂j ni q̂i
h i2 "
ĥ(tmi )  2 #
1
V ar[ĥ(tmi )] ≈ 1− ĥ(tmi )bi .
ni q̂i 2

Cuestión: Estima las varianzas de las estimaciones de la función de supervivencia,

de densidad y de riesgo, para el segundo y el cuarto intervalo de la tabla propuesta
en la cuestión del apartado anterior.

3.2.4 Estimación de la mediana y otras medidas relacionadas

La distribución del tiempo de supervivencia es habitualmente asimétrica y sesgada

positivamente; por este motivo la mediana resulta más adecuada que la media como
medida de posición central de la distribución.
 59

La estimación de la mediana se puede obtener a partir de la función de super-

vivencia estimada. Recordemos que la mediana es el valor en el que el 50% de la
población bajo estudio ha fallado, esto es, el valor t 0.5 tal que S(t0.5 ) = 0.5. Utili-
zando la estimación de S(t) obtenida en los instantes t i de la muestra y haciendo la
hipótesis de que, entre esos instantes, el estimador decrece linealmente, la mediana
se obtiene mediante una simple interpolación lineal. El mismo procedimiento se
aplica a la estimación del percentil t p .

Denotaremos por med(Rti ) a la mediana de la variable tiempo de vida restante

en el instante ti . Este parámetro, asociado a la supervivencia, se puede estimar por
el procedimiento anterior ya que se caracteriza porque S [med(R ti )] = P (ti )/2. Una
estimación de la varianza de este estimador es,
h i P̂ 2 (ti )
Vd d
ar med(R ti ) ≈ ,
4ni+1 fˆ2 (tmj )

donde tmj es el punto medio del intervalo [tj−1 , tj ) para el que se verifica P̂ (tj−1 ) ≥
P̂ (ti )/2 y P̂ (tj ) < P̂ (ti )/2. Esta misma expresión sirve para estimar la varianza
d
aproximada de t̂0.5 sin más que tener en cuenta que t̂0.5 = med(R t0 ). En la tabla

3.3 de los pacientes de angina de pecho se muestra un ejemplo de la estimación de

estos valores.

3.3 Estimador Kaplan-Meier de la función de supervi-

vencia

El estimador no paramétrico más utilizado de la función de supervivencia, si se

dispone de los tiempos de supervivencia individuales, es el estimador producto-
lı́mite, denominado también estimador Kaplan-Meier, KM, por ser estos autores
los primeros en estudiar sus propiedades en 1958.

3.3.1 Definición del estimador KM

Consideremos una muestra de n individuos de los que se conoce su tiempo de fallo

o el instante de censura. Supondremos que se han observado s, s ≤ n, tiempos de
fallo distintos que denotamos, una vez ordenados, t (1) , t(2) , . . . , t(s) . Es posible
que en la muestra se produzcan empates, es decir, observaciones cuyo tiempo de
 60

fallo es el mismo y por eso se define di , (di ≥ 1), como el número de fallos que se
P
producen en el instante t(i) . Las restantes observaciones, n − di , son los tiempos
de seguimiento de los individuos cuyo fallo no ha sido observado.

El estimador Kaplan-Meier de S(t) se define como,

Y ni − d i
Ŝ(t) =
i,t(i) ≤t
ni

donde ni es el número de individuos en riesgo en el instante t (i) ; es decir, el número

de individuos vivos y no censurados, justo antes de t (i) . Si existe alguna observación
censurada cuyo valor coincide con un tiempo de fallo, se hace la hipótesis de que la
observación censurada ocurre inmediatamente después del tiempo de fallo y, en con-
secuencia, los individuos censurados en ese instante se contabilizan como individuos
en riesgo.

El estimador KM es una función constante entre los tiempos de fallo consecutivos,

que vale 1 antes del menor tiempo de fallo, t (1) , y cuyo valor decrece según un
factor variable en cada instante de fallo. El estimador no cambia en los tiempos de
observación correspondientes a los individuos censurados, aunque esas observaciones
influyen en el estimador a través de los valores n i . Cuando el mayor de los tiempos
observados en la muestra, tM , es un tiempo de fallo, la estimación KM toma el valor
cero a partir de ese instante; si tM corresponde a una observación censurada, es
habitual considerar que Ŝ(t) no está definido para t > tM .

Justificación. La estructura de este estimador es similar a la del estimador

actuarial de las tablas de vida clı́nicas, ya que se construye como un producto en el
que cada término estima la probabilidad condicional de sobrevivir al tiempo de fallo
t(i) , dado que se ha sobrevivido hasta ese instante,
Y ni − d i Y
Ŝ(t) = = p̂i .
i,t(i) ≤t
ni i,t ≤t (i)

De hecho, el estimador KM se puede considerar como un caso lı́mite del esti-

mador actuarial, cuando el número de intervalos considerado tiende a infinito y su
longitud, excepto la del último, se aproxima a cero. En efecto, sean t 00 y t0f los
puntos inicial y final del periodo de seguimiento de un ensayo. Dividamos el in-
tervalo (t00 , t0f ] en M intervalos, (t00 , t01 ], (t01 , t02 ], . . . , (t0M −1 , t0f ], lo suficientemente
 61

pequeños para que la probabilidad de que en alguno de ellos se produzca más de

un tiempo observado distinto, se pueda considerar despreciable. El estimador de la
probabilidad condicional de fallo en el intervalo (t 0j−1 , t0j ] es,
di
ni si existe un tiempo de fallo t(i) en el intervalo (t0j−1 , t0j ]
q̂j =
0 en otro caso.

di
Como (t0j−1 , t0j ] puede ser arbitrariamente pequeño, se tiene que q̂ j = ni sólo
si t0j es uno de los tiempos de fallo t(i) . La probabilidad de supervivencia en cada
intervalo es,
ni −di
ni si t0(j) es un tiempo de fallo t(i)
p̂j = 1 − q̂j =
1 en otro caso.

Al sustituir estas estimaciones en la expresión del estimador actuarial, dado que

los intervalos en los que no se produce fallo no modifican el valor de la estimación,
se obtiene el estimador producto lı́mite,
Y ni − d i
Ŝ(t) = .
i,t(i) ≤t
ni

Notas:
i.- El estimador KM de la función de supervivencia puede también deducirse como
un estimador máximo verosı́mil generalizado. Posee buenas propiedades en el
caso de muestras grandes y, bajo condiciones de censura bastante generales, es
un estimador consistente de S(t). Al igual que ocurrı́a con los estimadores de
las tablas de vida clı́nicas, el estudio de sus propiedades es una tarea compleja.

ii.- En una muestra sin observaciones censuradas, el estimador Kaplan-Meier coin-

cide con el estimador natural de S(t), la función de supervivencia empı́rica,
n−i
Ŝ(t) = si t(i) ≤ t < t(i+1) .
n

iii.- El estimador KM admite una formulación alternativa, menos intuitiva pero

más sencilla de calcular. Si t̃(1) ≤ t̃(1) ≤ . . . ≤ t̃(n) , son los n tiempos de super-
vivencia observados en la muestra, ya sean tiempos de fallo u observaciones
censuradas, dispuestos en orden creciente, el estimador KM se puede expresar
como,
Y n−r
Ŝ(t) =
r n−r+1
 62

1.0
6-MP
Placebo

0.8
0.6
S(t)
0.4
0.2
0.0

0 10 20 30
t

Figura 3.3: Estimación de S(t) de los dos grupos del Ejemplo 3.

donde r recorre los enteros positivos tales que t̃(r) ≤ t, siendo t̃(r) un tiempo
de fallo observado.

Cuestión: En un experimento clı́nico se han observado los siguientes tiempos de

vida, en meses, de 10 pacientes: 1, 2, 3, 3*, 4, 4*, 5, 5*, 8, 9*. Calcula el estimador
Kaplan-Meier de su función de supervivencia.

Cuestión: Comprueba la nota ii, es decir que en una muestra sin censura el
estimador KM coincide con la función de supervivencia empı́rica.

Cuestión: Comprueba que la expresión del estimador KM dada en la nota iii es

equivalente a la propuesta en la definición.

Ejemplo: En la figura 3.3 se han representado las estimaciones de la función de

supervivencia correspondientes a los dos grupos del ensayo clı́nico de la droga 6-MP
(Ejemplo 3 del capı́tulo 1). En la gráfica se aprecia claramente que la droga en
ensayo parece ser eficaz en la prolongación del tiempo hasta el fallo de los pacientes.

3.3.2 Varianza del estimador Kaplan-Meier. Intervalos de confian-

za

Para establecer la fiabilidad de las estimaciones obtenidas con el estimador KM, se

requiere tener una medida de su precisión. Se ha estudiado el comportamiento de
distintos estimadores de la varianza de este estimador y se concluye que la mejor es
 63

la que proporciona la fórmula de Greenwood,

h i h i2 X di h i2 X 1
Vd
ar Ŝ(t) ≈ Ŝ(t) = Ŝ(t) ,
i,t(i)
n (n
≤t i i
− di ) r (n − r)(n − r + 1)

expresión análoga a la correspondiente al estimador actuarial, que puede también

obtenerse utilizando la teorı́a asintótica para estimadores máximo verosı́miles.

Cuestión: Comprueba la validez de la segunda expresión, obtenida en base a la

formulación alternativa del estimador KM hecha en la nota iii del apartado anterior.

Cuestión: Comprueba que en ausencia de censura, la expresión anterior se reduce

h i
a Ŝ(t) 1 − Ŝ(t) /n.

Intervalo de confianza basado en la normalidad Para analizar el compor-

tamiento del estimador Kaplan-Meier es necesario especificar hipótesis sobre el me-
canismo de censura. Breslow y Crowley (1974) establecieron, bajo la hipótesis de
censura aleatoria, el carácter asintóticamente gaussiano del proceso estocástico
n√ h io
n Ŝ(x) − S(x) con T < ∞ t.q. S(T ) > 0.
0<x<T

Utilizando la normalidad asintótica de Ŝ(x), se puede construir el siguiente intervalo

de confianza aproximado para S(t), a un nivel del 100(1 − α)%,
h i
Ŝ(t) ± z1−α/2 s.e. Ŝ(t)

donde z1−α/2 es el cuantil correspondiente de la distribución Normal tipificada y el

h i
error estándar, s.e. Ŝ(t) , se calcula mediante la fórmula de Greenwood.

Este intervalo de confianza no es demasiado satisfactorio en el caso de muestras

pequeñas; además, si t es un valor extremo, puede incluir valores fuera del ran-
go (0, 1). Una alternativa para evitar estas dificultades consiste en considerar una
transformación biyectiva, g, de S(t), que mejore la aproximación normal en muestras
pequeñas y que evite las restricciones de rango. Tras calcular un intervalo de con-
fianza para g[S(t)], el intervalo para S(t) se determina aplicando la transformación
inversa, g −1 , a los lı́mites del intervalo de confianza obtenido; la estimación de la va-
h i
rianza de g Ŝ(x) se obtiene aplicando el método delta. Algunas transformaciones
√
adecuadas son g(x) = ln[− ln(x)] y g(x) = arcsin x.
 64



ti Ŝ t(i) s.e. Ŝ t(i) I.C. 95%
0 1.000 0.000 -
10 0.944 0.054 (0.839,1.000)
19 0.881 0.079 (0.727,1.000)
30 0.814 0.098 (0.622,1.000)
36 0.746 0.111 (0.529,0.963)
59 0.653 0.130 (0.397,0.908)
75 0.559 0.141 (0.283,0.836)
93 0.466 0.145 (0.182,0.751)
97 0.373 0.143 (0.093,0.653)
107 0.249 0.139 (0.000,0.522)

Tabla 3.4: Estimación de S(t) y un intervalo de confianza al 95% de los tiempos de fallo del uso
del DIU.
1.0
0.8
0.6
S(t)
0.4
0.2
0.0

0 20 40 60 80 100
t

Figura 3.4: Estimación de S(t) y un intervalo de confianza al 95% de los tiempos de fallo del uso
del DIU.

Ejemplo: Los datos siguientes corresponden a una muestra de 18 mujeres y re-

presentan al número de semanas transcurrido entre la implantación de un dispositivo
intrauterino (DIU) y su abandono debido a la aparición de alteraciones en la mens-
truación: 10, 13*, 18*, 19, 23*, 30, 36, 38*, 54*, 56*, 59, 75, 93, 97, 104*, 107, 107*,
107*. Las observaciones con asterisco corresponden a mujeres que dejaron de usar
el DIU por otras razones.

En la tabla 3.4 se muestra la estimación de la función de supervivencia, el error

estándar asociado y los extremos del intervalo de confianza al 95% para S(t), con t
en el intervalo [t(i−1) , t(i) ). Los intervalos se han calculado utilizando la normalidad
asintótica de Ŝ(t), reemplazando los lı́mites fuera del rango (0, 1) por 0 ó 1, en caso
necesario. En la figura 3.4 se representa la estimación de la función de supervivencia
 65

y el intervalo de confianza correspondiente. Se puede observar que la amplitud de los

intervalos aumenta con el tiempo como consecuencia de la disminución del tamaño
de muestra en que se basan las estimaciones.

Intervalo de confianza alternativo En el caso de una muestra sin observaciones

censuradas de tamaño n, se puede construir un intervalo de confianza aproximado
para S(t) calculando las dos soluciones de la ecuación,

Ŝ(t) − S(x)
q = z1−α/2 ,
S(x)[1−S(x)]
n

que tiene S(x) como incógnita. Si en la muestra hay observaciones censuradas,

Rothman (1978) propuso que se podrı́a sustituir en la ecuación anterior n por n ∗ , el
tamaño efectivo de muestra, valor que se calcula mediante la expresión,

1 − Ŝ(x)
n∗ = P dj
,
Ŝ(t) j,t(j) ≤x nj (nj −dj )

que se obtiene al igualar la fórmula de Greenwood a la estimación de V ar[ Ŝ(t)] en

el caso sin censura.

Algunos autores opinan que la definición anterior de tamaño muestral efectivo

tiende a producir, en particular en la cola de la distribución, intervalos de confianza
cuya probabilidad de cubrir S(t) es menor que el 100(1 − α)% previsto. Para evitar
este riesgo se suele utilizar otra definición del tamaño efectivo de muestra, más
conservadora, propuesta por Peto (1977),
nj nj
n∗∗ =   =  ,
Ŝ t−0
(j) Ŝ t(j−1)

siendo nj el número de individuos en riesgo en t (j) , el mayor tiempo de fallo menor

o igual que el instante t considerado.

Cuestión: Con los datos del experimento clı́nico que aparecen en la primera
cuestión del apartado anterior, calcular la estimación de la varianza de la función
de supervivencia en el instante t = 5 meses.
 66

3.3.3 Estimación de otras funciones y parámetros de interés

A partir del estimador KM se pueden obtener estimaciones de otras funciones de

interés asociadas a la distribución, ası́ como de parámetros de la misma.

Función de riesgo acumulado La función de riesgo acumulado se relaciona con

S(t) mediante la expresión H(t) = − ln S(t); en consecuencia, un estimador de dicha
función es,
Ĥ(t) = − ln Ŝ(t),

donde Ŝ(t) es el estimador KM de la función de supervivencia.

Otro estimador posible de H(t) propuesto por Nelson-Aalen, NA, es la función

de riesgo acumulado empı́rica,
X dj
H̃(t) = ,
j,t(j)
n
≤t j

que acumula las contribuciones dj /nj de la función de riesgo en los sucesivos instantes
de fallo t(j) . La mejor estimación de la varianza de este estimador es,
X dj
Vd
ar H̃(t) = 2.
j,t(j)
n
≤t j

A partir de este estimador de H(t) es posible obtener un estimador alternativo de

la función de supervivencia, denominado estimador de Nelson-Aalen, utilizando la
relación,
h i
S̃(t) = exp −H̃(t) .

Si T es una variable continua, Ĥ(t) y H̃(t) son dos estimadores asintóticamente

equivalentes y, salvo para valores altos de t, donde las estimaciones son más inesta-
bles, la diferencia entre ambos será, por lo general, pequeña. En realidad, H̃(t) es
la aproximación lineal de primer orden de la función Ĥ(t). Desde el punto de vista
teórico no hay argumentos para preferir un estimador al otro; el estimador H̃(t)
tiene la ventaja de su sencillez de cálculo.

Interesa señalar la utilidad de la función de riesgo acumulado para caracterizar

la distribución del tiempo de vida. Resulta más fácil analizar el comportamiento de
la tasa de fallo de la distribución, representando gráficamente Ĥ(t) o H̃(t) frente
 67

H(t) de KM
H(t) de NA

0.6
0.4
H(t)
0.2
0.0

0 10 20 30
t

Figura 3.5: Estimación del riesgo acumulado por el procedimiento de Kaplan-Meier y el de

Nelson-Aalen del grupo tratado con la droga 6-MP del Ejemplo 3.

al tiempo, que representando Ŝ(t), ya que al ser la función de riesgo la derivada de

H(t), se tiene que:

- Si la distribución tiene tasa de fallo constante, H(t) es una función lineal en t.

- Si la distribución es IFR, H(t) es una función convexa.

- Si la distribución es DFR, H(t) es una función cóncava.

En la figura 3.3 se muestra la gráfica de los estimadores Ĥ(t) y H̃(t) para el grupo
de control del ensayo de la droga 6-MP. Como se ve, las dos estimaciones son bastante
próximas, y sólo se separan apreciablemente al crecer t. Ambos estimadores sugieren
el carácter exponencial de la distribución de T , dado el aspecto aproximadamente
lineal de las dos gráficas.

Tiempo medio de vida Dado que la esperanza del tiempo de vida coincide con
el área comprendida entre los ejes y la curva S(t), un posible estimador de E[T ] es,
Z ∞
µ̂ = Ŝ(t)dt.
0

Su cálculo no resulta complicado dado que Ŝ(t) es una función constante a trozos.

Cuando el máximo tiempo de supervivencia observado en la muestra, t M , co-

rresponde a una observación censurada, la integral anterior no puede calcularse, al
no estar definido Ŝ(t) para t > tM . En este caso resulta más conveniente estimar la
media del tiempo de vida limitado, o restringido, al instante L, µ L = E[min(T, L)].
 68

Tomando L = tM , µtM puede ser una buena aproximación del valor medio de T si
P (T > tM ) es pequeña. Se puede comprobar que,
Z tM
µ̂tM = Ŝ(t)dt.
0

Cuestión: Comprueba que cuando no hay observaciones censuradas, el estimador

µ̂ es la media muestral.

Un estimador de la varianza de µ̂ es,

X A2r
Vd
ar(µ̂) =
r (n − r)(n − r + 1)

donde el ı́ndice r recorre los enteros positivos tales que la observación t (r) , de la
muestra ordenada, no es censurada, y A r es el área bajo la curva Ŝ(t) a la derecha
de t( r). Este es un estimador sesgado por lo que es habitual -ası́ lo hacen muchos
paquetes estadı́sticos- corregir su sesgo multiplicándolo por un factor n f /(nf − 1),
siendo nf el número de observaciones no censuradas de la muestra.

Percentiles y su varianza La estimación de la mediana o cualquier percentil,

h i
tp , de la distribución es el menor tiempo de fallo observado t (j) tal que, Ŝ t(j) ≤
1 − p. Se puede obtener una estimación de la varianza de ese estimador aplicando el
h i
método delta al cálculo de Vd
ar Ŝ(t̂p ) . Utilizando que S 0 (t) = −f (t) y reordenando
términos se tiene,
!2
h i 1 h i
Vd
ar t̂p = Vd
ar Ŝ(t̂p ) .
ˆ t̂p )
f(

Utilizando la normalidad asintótica de t̂p y calculando con la fórmula anterior

 
s.e. t̂p se obtiene un intervalo de confianza para t p .

Intervalo de Brookmeyer Brookmeyer y Crowley propusieron otro procedimien-

to para construir un intervalo de confianza para el percentil de orden p, t p , que no
requiere estimar la función de densidad. Se define un intervalo de confianza aproxi-
mado para tp , al nivel 100(1 − α)%, como el conjunto de valores, t, que satisfacen,

Ŝ(t) − (1 − p)
h i ≤ z1−α/2 ,
s.e. Ŝ(t)
 69

donde el error estándar de Ŝ(t) puede calcularse a partir de la fórmula de Greenwood

y z1−α/2 es el cuantil correspondiente de la distribución normal tipificada. Este
procedimiento de construcción se basa en contrastar, para cada t, a un nivel α,
la hipótesis nula H0 : tp = t, frente a la alternativa H1 : tp 6= t , utilizando la
normalidad asintótica del estimador Kaplan-Meier. Los valores t para los que no se
rechaza la hipótesis nula son los que forman el intervalo de confianza para t p .

3.4 Selección de un modelo paramétrico

Si se quiere proponer un modelo paramétrico para una muestra de tiempos de super-

vivencia, cuando no se tiene conocimiento a priori sobre la distribución del tiempo
de fallo, se deberán estudiar posibles distribuciones y elegir la que parezca más ade-
cuada. El gran número de distribuciones existentes dificulta esta tarea, por lo que
conviene disponer de algunos criterios que permitan realizar una primera selección
de forma rápida y simple; estos modelos se someterán posteriormente a un análisis
más detallado.

Se debe tener en cuenta que en muchas ocasiones no se dispone de un tamaño

de muestra suficiente para realizar la selección a partir de un análisis puramente
empı́rico. En esta situación se pueden utilizar otros criterios prácticos, por ejemplo,

1. La forma de la función de riesgo. Hemos visto que un método simple de

mostrar la forma genérica de esa función, consiste en dibujar la estimación de
la función de riesgo acumulado frente a los valores observados, y analizar si
la gráfica corresponde a la de una distribución IFR (gráfica convexa), DFR
(gráfica cóncava) o al modelo Exponencial (crecimiento lineal).

2. La adecuación del modelo a los datos en el rango de valores de mayor interés.

El comportamiento de la función de supervivencia en los tiempos pequeños, por
ejemplo, suele ser de especial interés en las aplicaciones industriales; mientras
que en la mayor parte de los estudios de carácter médico, suele tener más
importancia su comportamiento en los tiempos grandes.

3. La disponibilidad de expresiones sencillas de las funciones de riesgo, supervi-

vencia y densidad. Este criterio llevarı́a por ejemplo a preferir, en condiciones
similares, el modelo Weibull al Gamma o el Log-logı́stico al Lognormal.
 70

3.4.1 Análisis gráfico de la adecuación de una distribución

Antes de hacer inferencia basada en una hipótesis sobre la forma de la distribución,

es necesario contrastar si esa hipótesis es adecuada a los datos observados. Para
ello proponemos un procedimiento basado en la comparación de una estimación
no paramétrica de S(t) y la función de supervivencia del modelo elegido. Esta
comparación puede hacerse gráficamente dibujando en un diagrama bidimensional
h i
g Ŝ(t) frente a h(t). Las funciones g y h se eligen de acuerdo con el modelo que se
quiere analizar, de forma que, si éste es adecuado, la nube de puntos se disponga,
aproximadamente, según una lı́nea recta.

Supongamos que se dispone de una muestra de tiempos de supervivencia y que

se quiere analizar la hipótesis de que siguen una distribución Exponencial. Si efec-
tivamente los datos satisfacen esta hipótesis, su función de supervivencia es,

S(t) = exp(−λt).

Tomando logaritmos en esa expresión y sustituyendo S(t) por su estimación Kaplan-

Meier, se tiene,
h i
ln Ŝ(t) = −λt.

De esta relación se deduce que, si la hipótesis sobre el carácter Exponencial es

h i
aceptable, el gráfico de ln Ŝ(t) frente a t deberá ser, aproximadamente, lineal.
Este análisis exploratorio nos permite además obtener una estimación preliminar
del parámetro λ: la pendiente de la recta ajustada por mı́nimos cuadrados a la nube
de puntos representada en el gráfico.

Cuestión: Utilizando un procedimiento similar, encontrar el procedimiento para

analizar la adecuación de un modelo Weibull a un conjunto de datos.

Para verificar la adecuación de la distribución Lognormal se puede analizar la

h i
relación lineal entre Φ−1 1 − Ŝ(t) y ln(t), siendo Φ la función de distribución de
una variable Normal tipificada.

En el caso de la distribución Log-logı́stica, de la expresión de su función de

supervivencia, se deduce que,
 
1 − S(t)
ln = θ + κ ln(t),
S(t)
 71

ln([1−Ŝ(t)]
por lo que bastará analizar la relación lineal entre Ŝ(t))
y ln(t).

En el caso de la distribución Gamma no existe una relación exacta pero se pueden

utilizar relaciones basadas en aproximaciones a la distribución Normal; por ejemplo,
h i
si la distribución de T es Gamma, Φ−1 1 − Ŝ(t) debe ser, aproximadamente, una
√
función lineal de t, y también de t1/3 .

Otros procedimientos gráficos que ayudan en la elección de una distribución

adecuada, desarrollados en el segundo capı́tulo de Cox y Oakes (1984), se basan en el
estudio del coeficiente de variación o en la relación entre el coeficiente estandarizado
de tercer orden y el coeficiente de variación.

3.5 Ejercicios

1.- En cierta clı́nica fueron tratados, entre los años 1944 y 1953, 388 pacientes de
melanoma maligno. La tabla 3.5 muestra la información relativa a los tiempos de
supervivencia de estos enfermos, agrupados en intervalos de un año de longitud. La
tabla proporciona para cada intervalo: el número de personas vivas y en tratamiento
al comienzo del mismo n0i , el número de personas que murieron a causa de la enfer-
medad di y el de las que abandonaron el tratamiento por alguna causa, l i , durante
ese periodo

n0i 388 219 173 127 108 91 79 71 66 59

di 167 45 45 19 17 11 8 5 6 7
li 2 1 1 0 0 1 0 0 1 0

Tabla 3.5: Tabla de la supervivencia de pacientes de melanoma maligno (Ejercicio 1).

i.- Construye una tabla de vida clı́nica a partir de los datos anteriores, calcu-
lando en cada intervalo: el no de personas expuestas a riesgo, la proporción
de muertes y las estimaciones de las funciones de supervivencia, densidad y
riesgo.

ii.- Interpreta el significado de la función de riesgo estimada. ¿En qué momento el

pronóstico de un paciente de esas caracterı́sticas es mejor? ¿En cuál es peor?

iii.- Calcula una estimación de la mediana del tiempo restante de vida para un
enfermo en el momento de iniciar el tratamiento, para uno que sigue vivo
 72

tras recibirlo durante dos años y para otro que ha sobrevivido cuatro años.
Interpreta los resultados obtenidos.

2.- El mieloma múltiple es una enfermedad mortal que se caracteriza por la acu-
mulación de células enfermas en la médula. Los datos de la tabla 3.6 proceden de un
estudio realizado con el fin de establecer la posible asociación entre la supervivencia
y el sexo de los pacientes.

La variable tiempo de supervivencia mide, en meses, el tiempo transcurrido

desde que se diagnosticó la enfermedad al paciente hasta su fallecimiento, la variable
Estado indica el tipo de observación (0 observación censurada, 1 muerte causada por
la enfermedad) y la variable Sexo toma el valor 1 en los hombres y 2 en las mujeres.

i.- Tomando como lı́mite inferior de los intervalos los puntos: 0, 6.5, 11.5, 19.5
y 60, construye dos tablas de vida, una para los hombres y otra para las
mujeres. En cada una de ellas, calcula para cada intervalo, el n o de personas
expuestas a riesgo, la proporción de muertes y las estimaciones de las funciones
de supervivencia, densidad y riesgo en los puntos medios de los intervalos.

ii.- Estima el percentil 75 del tiempo de vida correspondiente a los hombres. Esti-
ma la mediana del tiempo restante de vida para una mujer a la que se acaba de
detectar la enfermedad y para otra que lleva diagnosticada y en tratamiento
11.5 meses.

iii.- ¿A partir de qué caracterı́stica se puede determinar fácilmente el pronóstico de

supervivencia que tiene un paciente en cada momento? Compara los pronósticos
obtenidos para los hombres y para las mujeres y comenta los resultados.
 73

T. Sup. Estado Sexo T. Sup. Estado Sexo

1.25 1 1 25 1 1
1.25 1 1 26 1 2
2 1 1 32 1 1
2 1 1 35 1 1
2 1 1 37 1 1
3 1 2 41 1 1
5 1 2 41 1 2
5 1 1 51 1 1
6 1 1 52 1 2
6 1 2 54 1 1
6 1 1 58 1 2
6 1 2 66 1 1
7 1 1 67 1 1
7 1 2 88 1 2
7 1 2 89 1 1
9 1 1 92 1 2
11 1 1 4 0 1
11 1 1 4 0 2
11 1 1 7 0 2
11 1 1 7 0 1
11 1 2 8 0 2
13 1 2 12 0 2
14 1 1 11 0 1
15 1 1 12 0 2
16 1 1 13 0 2
16 1 2 16 0 1
17 1 1 19 0 2
17 1 1 19 0 2
18 1 2 41 0 1
19 1 1 53 0 1
19 1 2 57 0 1
24 1 2 77 0 1

Tabla 3.6: Tabla de la supervivencia de pacientes de mieloma múltiple (Ejercicio 2).

 74

3.- En un experimento realizado para comparar dos tratamientos se observó la

supervivencia de 20 animales de laboratorio sometidos a un tratamiento estándar,
grupo A, y 20 sometidos a un tratamiento experimental, grupo B, obteniéndose los
siguientes datos:
A: 1, 1, 3*, 4, 5*, 8, 8 10, 13, 14, 15*, 18, 20, 23, 25, 25*, 39, 45, 49*, 56*.

B: 3, 4, 4, 6, 6, 6*, 9, 10*, 11, 13, 20, 21, 22, 22, 24, 31*, 36, 42*, 55, 68.

El tiempo de supervivencia se ha medido en dı́as. Las observaciones marcadas con

un asterisco indican el número de dı́as que estuvieron sometidos a tratamiento los
animales que no habı́an muerto cuando el experimento finalizó. Responde, para cada
uno de los grupos, a las siguientes cuestiones:
i.- Calcula el estimador Kaplan-Meier de la función de supervivencia y represéntalo
gráficamente.

ii.- Estima la mediana de la distribución y el tiempo medio de vida. Obtén un

intervalo de confianza al 95% para la mediana por el procedimiento estándar
y por el método de Brookmeyer.

iii.- Estima las probabilidades de que un animal sobreviva más de 8, 50 y 60 dı́as,

respectivamente. Construye un intervalo de confianza al 95% para la probabi-
lidad de sobrevivir más de 8 dı́as.

4.- Se define el tiempo medio de vida restringido a un tiempo especificado L,

como, Z L
µL = S(x)d(x).
0

i.- Comprueba que µL = E[min(T, L)], donde T representa el tiempo de vida.

ii.- Comprueba que si L → ∞, se obtiene el tiempo medio de vida E[T ].

5.- La tabla siguiente muestra los tiempos de supervivencia, en meses, de un

conjunto de pacientes con la enfermedad de Hodgkin que participaron en el ensayo
de un nuevo medicamento. Los enfermos están clasificados en dos grupos, A y B,
dependiendo de si habı́an recibido terapia, o no, con anterioridad a su entrada al
estudio.
A: 1.25, 1.41, 4.98, 5.25, 5.38, 6.92, 8.89, 10.98, 11.18, 13.11, 13.21, 16.33, 19.77,
21.08, 21.84*, 22.07, 31.38*, 32.62*, 37.18*, 42.92.
 75

B: 1.05, 2.92, 3.61, 4.20, 4.49, 6.72, 7.31, 9.08, 9.11, 14.49*, 16.85, 18.82*, 26.59*,
30.26*, 41.34*.
i.- Calcula el estimador de Kaplan-Meier de la función de supervivencia para cada
uno de los grupos anteriores y compáralos. ¿Se aprecia alguna diferencia en la
probabilidad de sobrevivir un año entre los dos tipos de enfermos?

ii.- Estima la media del tiempo de vida en el grupo A y la mediana en el B.

iii.- Estima la probabilidad de que un individuo del grupo A sobreviva más de 5

meses y calcula un intervalo de confianza para ese valor.

iv.- Representa las estimaciones de la función de riesgo acumulado H(t) en cada

grupo. Utiliza esos gráficos para examinar y comparar las dos distribuciones
de vida.

6.- Con los datos del Ejemplo 3 del primer capı́tulo, relativos al ensayo de la
droga 6-MP, contesta a las siguientes cuestiones:
i.- Calcula y representa gráficamente el estimador de Kaplan-Meier de S(t) en el
grupo tratado con la droga 6-MP y en el grupo de control.

ii.- Calcula la varianza de la estimación de la función de supervivencia en el ins-

tante t = 10 en el grupo tratado con 6-MP y en el instante t = 3 en el grupo
de control.

iii.- Compara las estimaciones de la mediana del tiempo de remisión en los dos
grupos.

7.- Los datos de la tabla 3.7 son los tiempos de vida, en meses, de un grupo de
121 pacientes con cáncer de pecho, que fueron tratadas durante el periodo 1929-38.
Utilizando un paquete estadı́stico, responde a las siguientes cuestiones,
i.- Calcula el estimador KM de la función de supervivencia. Estima las probabi-
lidades de sobrevivir un año y cinco años y calcula la varianza aproximada de
estas estimaciones.

ii.- Agrupa los datos en intervalos de un año de longitud y construye una tabla
de vida clı́nica. Compara las estimaciones de la probabilidad de sobrevivir un
año y cinco años calculadas con los datos agrupados, con las obtenidas en el
apartado anterior.
 76

0.3 0.3* 4.0* 5.0 5.6 6.2 6.3 6.6 6.8 7.4* 7.5
8.4 8.4 10.3 11.0 11.8 12.2 12.3 13.5 14.4 14.4 14.8
15.5* 15.7 16.2 16.3 16.5 16.8 17.2 17.3 17.5 17.9 19.8
20.4 20.9 21.0 21.0 21.1 23.0 23.4* 23.6 24.0 24.0 27.9
28.2 29.1 30 31 31 32 35 35 37* 37* 37*
38 38* 38* 39* 39* 40 40* 40* 41 41 41*
42 43* 43* 43* 44 45* 45* 46* 46* 47* 48
49* 51 51 51* 52 54 55* 56 57* 58* 59*
60 60* 60* 61* 62* 65* 65* 67* 67* 68* 69*
78 80 83* 88* 89 90 93* 96* 103* 105* 109*
109* 111* 115* 117* 125* 126 127* 129* 129* 139* 154*

Tabla 3.7: Tiempos de vida de enfermos de cáncer de pecho (Ejercicio 7).

8.- Un empleado es encargado durante 5 dı́as de transcribir los datos médicos

correspondientes a un conjunto de pacientes. El número de datos correctamente
transcritos entre cada dos fallos cometidos es el siguiente: 73, 12, 40, 65, 100, 15,
70, 40, 110, 64, 200, 6, 90, 102, 20, 102, 90, 34*. Si se supone que la tasa de
fallo del empleado no varı́a de forma apreciable durante los 5 dı́as de trabajo, ¿qué
conclusiones obtienes al analizar gráficamente esta información?

9.- En un experimento sobre la duración de un modelo de reloj despertador

realizado con una muestra de 12 unidades, se obtuvieron 11 tiempos de respuesta,
medidos en meses: 30.5, 33, 33, 36, 42, 55, 55.5, 76, 76, 106, 106, y una observación
censurada igual a 107.5 meses. Comprueba gráficamente la hipótesis de que la
duración de los despertadores sigue una distribución Weibull.

i.- ¿Proporciona esta distribución un ajuste adecuado a los datos?

ii.- Ajusta por mı́nimos cuadrados una recta a las observaciones del gráfico y obtén
estimaciones de los parámetros de forma y escala de la distribución.

iii.- Comenta la naturaleza, creciente o decreciente en el tiempo, de la tasa de fallo

de este producto.

iv.- Estima la mediana del tiempo de vida de este modelo de despertador mediante
un procedimiento paramétrico basado en que T sigue un modelo Weibull.

v.- Analiza gráficamente si es adecuado suponer que la variable tiempo hasta el

fallo sigue una distribución Gamma. ¿Qué hipótesis, Weibull o Gamma, se
ajusta mejor a los datos?
 77

10.- Con los datos del Ejemplo 1 del primer capı́tulo sobre el comportamiento de
un elemento aislante sometido a distintos voltajes, dibuja los gráficos de adecuación
de una distribución Weibull a los tiempos de fallo correspondientes a dos de los
voltajes.

i.- ¿Es plausible la hipótesis de que los tiempos de fallo en ambos casos siguen
una distribución Weibull con el mismo parámetro de forma γ?

ii.- Calcula mediante mı́nimos cuadrados los estimadores de los parámetros del
modelo Weibull y compara la estimación de la función de supervivencia obte-
nida a partir de ellos, con la función de supervivencia empı́rica.

11.- En la siguiente lista se muestra la presión necesaria, en kg/cm 3 , para romper

20 cubos de 1dm. de lado de cierto material: 94.9, 106.9, 229.7, 275.7, 144.5, 112.8,
159.3, 153.1, 270.6, 322.0, 216.4, 544.6, 266.2, 263.6, 138.5, 79.0, 114.6, 66.1, 131.2,
91.1.

i.- Dibuja un gráfico para analizar la hipótesis de que los datos provienen de
una distribución Lognormal. Haz una estimación preliminar de la media y la
desviación tı́pica de dicha distribución.

ii.- Dibuja un gráfico para comprobar la adecuación de la distribución Log-logı́stica

a los mismos datos. ¿Qué distribución proporciona, a tu juicio, un mejor
ajuste?

12.- Se ponen en funcionamiento, simultáneamente, 58 ventiladores. Suponemos

que su tiempo hasta el fallo sigue una distribución exponencial de media 28.700
horas.

i.- Predice el número de ventiladores que fallarán durante las próximas 2000 ho-
ras si, cuando un ventilador falla, éste es sustituido inmediatamente por otro
ventilador de un nuevo modelo que, se supone, no falla nunca.

ii.- Calcula una cota superior para el número de fallos que pueden observarse con
probabilidad 0.90.

iii.- Responde a los apartados i y ii suponiendo ahora que cuando se produce un

fallo, el ventilador es sustituido inmediatamente por otro del mismo modelo.
Capı́tulo 4

Análisis comparativo de la
supervivencia: Métodos no
paramétricos

4.1 Introducción

Un problema frecuente en los estudios de Fiabilidad y Análisis de Supervivencia es

la comparación de la supervivencia de dos o más poblaciones que se diferencian en
alguna caracterı́stica, por ejemplo, el proceso de fabricación, las condiciones de uso
o, en el campo biomédico, el tratamiento aplicado. En los problemas de Fiabilidad
industrial es frecuente realizar este análisis comparativo utilizando procedimientos
paramétricos; en los ensayos de tipo médico sin embargo, no se suele disponer de
la información suficiente para formular hipótesis sobre la forma de la función de
supervivencia, por lo que es más habitual la aplicación de métodos no paramétricos.
En este capı́tulo se presentan algunos de los tests no paramétricos más utilizados.

4.2 Test log-rank para dos muestras

Supongamos que se quiere comparar la supervivencia en dos poblaciones de indi-

viduos, A y B, y que se dispone de una muestra de cada población de tamaño n A
y nB respectivamente; sea n = nA + nB el tamaño de la muestra combinada y
t(1) < . . . < t(j) < . . . < t(J) , los J tiempos de fallo distintos observados en la mues-
tra conjunta ordenados en forma creciente. Denotaremos por d Aj y dBj el número de

78
 79

Grupo N o fallos en t(j) N o individuos vivos en t(j) N o individuos en riesgo en t(j)

A dAj nAj − dAj nAj
B dBj nBj − dBj nBj
Total dj nj − d j nj

Tabla 4.1: Tabla correspondiente al instante t(j) para comparar dos grupos.

fallos ocurridos en el instante t(j) en cada muestra y por dj el número total de fallos
observados en ese instante, es decir, d j = dAj + dBj . Análogamente, denotaremos
por nAj y nBj el número de individuos en riesgo en cada muestra justo antes del
instante t(j) , y por nj la suma nAj + nBj . Toda esta información se puede disponer
en un conjunto de J tablas de contingencia 2 × 2, una para cada tiempo de fallo. La
tabla correspondiente al instante t (j) se muestra en la tabla 4.1.

La hipótesis a contrastar es que las funciones de supervivencia en ambas pobla-

ciones coinciden en el intervalo de tiempo observado; esto es,

H0 : SA (t) = SB (t) ∀t ≤ τ

o, equivalentemente,

H0 : hA (t) = hB (t) ∀t ≤ τ.

donde, en general, τ se toma igual al mayor tiempo de supervivencia observado.

Para contrastar esta hipótesis consideraremos la discrepancia que se observa entre
los individuos que fallan en cada uno de los grupos en cada instante de fallo, y
el correspondiente número esperado de fallos bajo H 0 . Dada la historia de fallo y
censura hasta el instante t(j) , es decir conocidos los valores marginales n Aj , nBj
y dj , los cuatro frecuencias observadas en la tabla correspondiente al instante t (j) ,
quedan completamente determinadas dada una de ellas, por ejemplo d Aj . En esas
condiciones, si H0 es cierta, dAj sigue una ley hipergeométrica de parámetros n j ,
nAj y dj , cuya esperanza y varianza son,
dj
E[dAj ] = eAj = nAj
nj
nAj nBj dj (nj − dj )
V ar[dAj ] = vAj = .
n2j (nj − 1)

El siguiente paso es construir un estadı́stico que combine la información de las

J tablas 2 × 2 y proporcione una medida global de la desviación existente entre los
 80

valores observados y los esperados bajo H 0 . Sumando las desviaciones observadas

en los distintos instantes de fallo se obtiene:
J
X J
X J
X
UL = (dAj − eAj ) = dAj − eAj ,
j=1 j=1 j=1

estadı́stico que tiene media cero y, bajo la hipótesis de que las J tablas son indepen-
dientes, varianza la suma de las varianzas de los sumandos. Aplicando el teorema
central del lı́mite se puede justificar, si el número de tiempos de fallo no es demasiado
pequeño, que UL tiene una distribución aproximadamente Normal, es decir,
PJ
UL j=1 (dAj − eAj )
= P 1/2 ∼ N (0, 1).
(V ar[UL ])1/2 J
j=1 V ar[dAj ]

El cuadrado de una variable Normal estándar tiene una distribución χ 21 , por lo

que una forma equivalente de evaluar las diferencias es construir un test basado en
QL = UL2 /V ar(UL ).

El test basado en UL se denomina test log-rank o test de Mantel y Haenszel

(1959), ya que fueron estos autores quienes lo plantearon en 1959. Aunque el razona-
miento empleado para justificar la distribución de U L no es completamente correcto
ya que las tablas de contingencia, que corresponden a tiempos de fallo sucesivos, no
son independientes, la validez del resultado puede justificarse utilizando argumentos
de verosimilitud parcial, Kalbfleish y Prentice, capı́tulos 4 y 5.

Cuestión: Contrasta, utilizando el test log-rank, si la supervivencia de los dos

grupos de enfermos del ensayo clı́nico sobre el tratamiento 6-MP, ejemplo 1.2.3 del
capı́tulo 1, es la misma.

4.3 Una familia de tests para comparar dos poblaciones

El test log-rank da la misma importancia a las discrepancias observadas en todos los

instantes de fallo, independientemente del número de individuos en riesgo en cada
uno de esos instantes. Sin embargo, resulta razonable considerar que las discrepan-
cias observadas en los primeros instantes de fallo deben influir en el estadı́stico con
un peso mayor que las observadas en los últimos instantes, ya que están basadas en
 81

lo ocurrido a un mayor número de individuos y, por consiguiente, son menos sensi-

bles a fluctuaciones aleatorias que las diferencias observadas en los últimos tiempos
de fallo.

En estas condiciones se define una familia de tests cuyo estadı́stico tiene la es-
tructura siguiente, PJ
j=1 wj (dAj − eAj )
U = P 1/2 ,
J 2
j=1 wj V ar[dAj ]

donde wj es la componente j-ésima de un vector de pesos w = (w 1 , w2 , . . . , wJ )0 ,

que pondera las diferencias (dAj − eAj ) correspondientes a los instantes t (j) . Este
estadı́stico U tiene una distribución N (0, 1) bajo la hipótesis nula. Los diferentes
tests se obtienen al considerar distintos vectores de ponderación.
- Test log-rank, de Mantel-Haenszel, de Mantel- Cox o generalizado de Savage,
UL : : wj = 1.

- Test de Gehan, Breslow o de Wilcoxon generalizado, U G : wj = nj .

√
- Test de Tarone, Tarone-Ware, UT : wj = nj .
Qj ni −di +1
- Test de Prentice, Peto-Prentice, U P : wj = i=1 ni +1

Los diferentes vectores de peso proporcionan a cada test propiedades que los
hacen más adecuados en determinadas condiciones:
i.- El test log-rank, es el más adecuado y potente cuando la hipótesis alternativa
es la de riesgo proporcional:

H1 : hA (t) = θhB (t) ∀t ≤ τ,

donde θ es una constante distinta de 1. Esta hipótesis puede formularse tam-

bién en términos de la función de supervivencia mediante:

θ
H1 : SA (t) = SB (t) ∀t ≤ τ.

La propiedad de riesgo proporcional implica que las correspondientes funciones

de supervivencia no se cruzan, ya que S A (t) será siempre mayor -o menor- que
SB (t) según el valor de θ sea menor -o mayor- que 1. Un método gráfico para
contrastar la hipótesis de riesgo proporcional, consiste en representar frente
al tiempo el logaritmo del estimador de la función de riesgo acumulado, Ĥ(t)
 82

1
Placebo
6-MP

0
log(H(t))
-1
-2

0 5 10 15 20 25
t

Figura 4.1: Gráfico para comprobar la hipótesis de riesgo proporcional en los dos grupos del
ensayo 6-MP.

o H̃(t), para cada uno de los grupos. Si la hipótesis de riesgo proporcional

es cierta, deberán obtenerse dos lı́neas aproximadamente paralelas. En la
figura 4.1 se muestra el gráfico correspondiente a los dos grupos del ensayo del
tratamiento 6-MP.

Si la hipótesis de riesgo proporcional no se verifica, el test log-rank resulta

demasiado sensible a la variabilidad muestral.

ii.- El test de Gehan fue deducido originalmente por ese autor como generalización
del test de Mann-Whitney, o test de suma de rangos de Wilcoxon, al caso de
muestras con observaciones censuradas. Breslow generalizó el test de Kruskal-
Wallis para k muestras. En este estadı́stico se utiliza como peso el número
total de individuos en riesgo en cada instante. En situaciones de riesgo no
proporcional, este test resulta más potente que el log-rank.

iii.- Tarone y Ware (1977) comprobaron que el test de Gehan resulta muy sensible
a los esquemas de censura, y que puede ser poco fiable cuando la distribución
de los tiempos de censura en los grupos que se comparan es muy diferente.
Tras estudiar distintos esquemas de pesos de la forma w j = f (nj ), propusieron
√
wj = nj , que representa un compromiso entre el test de Gehan y el log-rank.

iv.- El test de Prentice (1978) es también una generalización del test de Wilcoxon a
muestras censuradas. Los pesos utilizados son valores próximos a la estimación
Kaplan-Meier de la función de supervivencia en los instantes t (j) , calculada a
partir de la muestra combinada.

La obtención de estos tests como tests de rangos está desarrollada en Law-

less(1982), pp. 412-427, y la deducción del test de Gehan como generalización
 83

del test de Mann-Whitney en Gross y Harris, pp. 243-249.

Se debe observar que para rechazar la hipótesis nula, el estadı́stico U debe acu-
mular discrepancias del mismo signo. En efecto, el valor de U será significativamente
grande, o pequeño, si la mayor parte de los sumandos de su numerador tienen el
mismo signo, lo que ocurre cuando la diferencia en la supervivencia entre los dos gru-
pos es consistente a lo largo del tiempo; es decir, si S A (t) < SB (t) o SA (t) > SB (t)
para todo t. En otras condiciones, el estadı́stico U no siempre detecta diferencias
en la supervivencia de los grupos, pues al sumar términos de diferente signo, se
pueden obtener valores de U muy próximos a 0. En general, el comportamiento
de la supervivencia en la comparación de tratamientos suele ser consistente; si no
es ası́, es preferible utilizar otro tipo de tests, como las generalizaciones del test de
Kolmogorov-Smirnov a muestras con datos censurados.

4.4 Generalización al caso de tres o más muestras

Los tests citados en el apartado 4.3 para comparar la supervivencia en dos grupos
de población pueden generalizarse al caso de G grupos, con G ≥ 3. La hipótesis
nula sigue siendo,

H0 : h1 (t) = h2 (t) = . . . = hG (t) ∀t ≤ τ,

frente a la alternativa de que las tasas de fallo de al menos dos de los grupos difieran
para algún instante t.

La información correspondiente al conjunto de muestras se puede resumir en J

tablas de contingencia, ahora de dimensión G × 2, una para cada instante de fallo,
en las que t(1) < . . . < t(j) < . . . < t(J) representan los J tiempos de fallo distintos
que se han observado en el conjunto de los G grupos, dispuestos en orden creciente.
La tabla correspondiente al instante t (j) se muestra en la tabla 4.2.

Condicionalmente a los totales marginales observados, el vector de variables alea-

torias (d1j , d2j , . . . , dGj ) que indica el número de fallos ocurridos en el instante t (j) en
cada una de las muestras, sigue una distribución hipergeométrica G − 1 dimensional,
pues existe una relación que determina uno de ellos conocidos los G − 1 restantes,
PJ−1
dGj = dj − j=1 dGi . Bajo la hipótesis nula, el número esperado de fallos en la
 84

Grupo N o fallos en t(j) N o individuos vivos en t(j) N o individuos en riesgo en t(j)

1 d1j n1j − d1j n1j
2 d2j n2j − d2j n2j
... ... ... ...
k dkj nkj − dkj nkj
... ... ... ...
G dGj nGj − dGj nGj
Total dj nj − d j nj

Tabla 4.2: Tabla correspondiente al instante t(j) para comparar G grupos.

muestra k-ésima es,

dj
E[dkj ] = ekj = nkj
nj
y la matriz de covarianzas correspondiente, V [t (j) ], de dimensión (G − 1) × (G − 1)
está formada por elementos de la forma,
nkj (nj −nkj )dj (nj −dj )
n2j (nj −1)
para k = l
Vkl = Cov[dkj , dlj ] = nkj nlj dj (nj −dj )
n2j (nj −1)
para k 6= l

con k = 1, . . . , G − 1 y l = 1, . . . , G − 1.

Acumulando las discrepancias correspondientes a los distintos instantes de fallo

se obtiene un vector U , de dimensión G − 1, cuyas componentes son,
J
X
Uk = wj (dkj − E[dkj ]),
j=1

donde wj es la componente j-ésima de un vector de pesos. Suponiendo de nuevo que

las J tablas son independientes, la matriz de covarianzas del vector U , V , es la suma
de las matrices de covarianzas correspondientes a los J tiempos de fallo, ponderadas
con el cuadrado del peso correspondiente,
J
X
V = wj2 V [t(j) ].
j=1

Los vectores de pesos que se utilizan para construir los diferentes tests son los mismos
que en el caso de dos grupos.

El test para contrastar la igualdad de la supervivencia en los G grupos se basa

en el estadı́stico,
Q = U 0 V −1 U
 85

que, bajo la hipótesis nula, dado al carácter asintóticamente Normal de la distribu-

ción de U , tiene una distribución aproximada χ 2 con G − 1 grados de libertad.

4.5 Análisis estratificado

Para poder establecer comparaciones válidas entre dos o más grupos es fundamental
que los individuos de la muestra sean lo más homogéneos posible, excepto en el
factor que define los grupos, a fin de garantizar que las diferencias que se observan
en las distintas submuestras estén asociadas únicamente a ese factor. Si existen
variables conocidas y controlables en el ensayo que se cree que pueden influir en
la supervivencia -como el sexo, la edad, la fase de la enfermedad, etc.- es necesario
controlar el efecto de esas covariables realizando una asignación estratificada. En este
tipo de asignación, a partir de los diferentes valores de esas covariables, se definen
categorı́as, denominadas estratos, de forma que los individuos de un mismo estrato
puedan considerarse homogéneos y en cada uno de ellos se realiza una asignación
aleatoria de los individuos a los grupos. Si no se procede de esta forma, se podrı́an
atribuir al efecto del factor que define los grupos, diferencias debidas a las distintas
caracterı́sticas de los individuos.

Los tests citados en la sección 4.3 son también aplicables en esta situación con
ligeras modificaciones. Supongamos que se quiere comparar la supervivencia de G
grupos y que a partir de un conjunto de covariables se han definido M estratos. La
hipótesis que se desea contrastar ahora es,

H0 : h1s (t) = h2s (t) = . . . = hGs (t) para s = 1, . . . , M, y ∀t ≤ τ,

frente a la alternativa de que la supervivencia de algún grupo, en alguno de los

estratos, sea diferente.

Utilizando los datos del estrato s-ésimo se calculan las cantidades s dAj , s eAj ,
Var[s dAj ]. A partir de ellas y del correspondiente vector de pesos se construye, de
forma análoga a la indicada en el apartado 4.4, el vector U s y la matriz Vs , que
resumen la situación dentro de ese estrato. Sumando los vectores obtenidos en los
PM PM
diferentes estratos se definen U = s=1 Us yV = s=1 Vs , con los que se construye
el estadı́stico global,
Q = U 0 V −1 U.
 86

Si el tamaño de muestra es grande, y bajo la hipótesis nula, este estadı́stico tiene

una distribución χ2 con G − 1 grados de libertad.

4.6 Tests para tendencia

La variable categórica que define los grupos que se comparan puede no ser una va-
riable nominal, como el sexo o el grupo sanguı́neo, sino una variable ordinal cuyas
categorı́as tienen un orden intrı́nseco, por ejemplo la gravedad de un tumor, la can-
tidad de dosis administrada, etc. En estos casos, en lugar de plantear una hipótesis
alternativa genérica -que la función de riesgo de alguno de los grupos es diferente-
es preferible plantear una hipótesis alternativa más especı́fica, como la existencia
de un orden o tendencia en la supervivencia ligada a la variable ordinal que define
los grupos. Supongamos que hay G, con G > 2, grupos en estudio, enumerados de
acuerdo con el orden que se piensa puede existir entre las funciones de riesgo. La
alternativa a la hipótesis de igualdad es ahora,

H1 : h1 (t) ≤ h2 (t) ≤ . . . ≤ hG (t) ∀t ≤ τ,

o, equivalentemente,

H1 : S1 (t) ≥ S2 (t) ≥ . . . ≥ SG (t) ∀t ≤ τ.

Al comparar con un test general grupos en los que existe una estructura de
orden como la indicada con un test general, es posible que no se lleguen a apreciar
diferencias significativas en su supervivencia. Sin embargo, con un test que incorpore
información especı́fica sobre la estructura de orden, es más probable que se detecten
las diferencias existentes.

Para construir un test de tendencia se asocia a cada grupo una puntuación a k , con
a1 < a2 , < . . . , < aG , de modo que los valores mayores correspondan a los grupos
de mayor riesgo. La elección habitual de ese vector a = (a 1 , a2 , . . . , aG ) consiste
en tomar ak = k, aunque dependiendo de la información que aporta la variable
clasificatoria pueden elegirse cantidades que caractericen mejor los distintos grupos,
como la edad media, la dosis recibida, etc. El estadı́stico del test se construye a
partir del vector U y la matriz V calculados como se indicó en el apartado 4.4, pero
 87

que ahora son de dimensión G y G×G respectivamente. La expresión del estadı́stico

es,
(a0 U )2
Qtend = ,
a0 V a
que, bajo la hipótesis nula, y si los tamaños de muestra son suficientemente grandes,
tiene una distribución χ2 con un grado de libertad.

4.7 Ejercicios

1.- En la tabla 4.3 se muestran los datos obtenidos en un estudio comparativo de

supervivencia de pacientes con cáncer de recto tratados entre 1935 y 1944, periodo
P1, y entre 1945 y 1954, periodo P2. En dicha tabla, d i denota el número de
muertes que se produjeron cada año y n i − di el de individuos en riesgo durante
el mismo periodo. Contrasta utilizando el test log-rank si la supervivencia de los
pacientes diagnosticados y tratados durante el primer periodo es la misma que la de
los tratados durante el segundo.

2.- Utilizando los datos sobre enfermos de mieloma múltiple del ejercicio 2 del
capı́tulo 3, analiza gráficamente si la hipótesis de riesgo proporcional en los grupos
de hombres y mujeres es plausible y, según el resultado, contrasta la igualdad de
supervivencia en los dos grupos utilizando el test que consideres adecuado.

3.- Con los datos de los pacientes con enfermedad de Hodking del ejercicio 5
del capı́tulo 3, contrasta si la supervivencia del grupo que habı́a recibido terapia
anteriormente y la del que no la habı́a recibido son significativamente distintas,
utilizando el test log-rank y el de Gehan. Analiza los resultados obtenidos con los
dos tests.

1 2 3 4 5 6 7 8 9 10
P1 di 167 45 45 19 17 11 8 5 6 7
ni − d i 220.0 173.5 127.5 108.0 91.0 79.5 71.0 66.0 59.5 52.0
P2 di 185 88 55 43 32 31 20 7 6 6
ni − d i 559.0 461.0 396.0 343.0 299.0 235.0 170.0 132.0 101.5 71.0

Tabla 4.3: Tabla ejercicio 1.

 88

Nueva Terapia Control

30, 67, 79*, 82*, 95, 148, 170, 171, 176, 57, 58, 74, 79, 89, 98, 101, 104, 110,
193, 200, 221, 243, 261, 262, 263, 399,414, 118, 125, 132, 154, 159, 188, 203, 257,
446, 446*, 464, 777 257, 431, 461, 497, 723,747, 1313, 2636

Tabla 4.4: Tabla ejercicio 4.

4.- Los datos de la tabla 4.4 son tiempos de supervivencia correspondientes a

una muestra de pacientes con cáncer en el conducto biliar, que participaron en un
estudio que pretendı́a determinar si un tratamiento, que combinaba la radioterapia
con la administración de un nuevo medicamento 5-FU, prolongaba la supervivencia,
Fleming et al. (1980). En la tabla se muestra los tiempos de supervivencia, en dı́as,
del grupo de pacientes que recibió la nueva terapia y los del grupo de control.

Representa el estimador producto lı́mite de la función de supervivencia en los

dos grupos y observa su forma. Contrasta la hipótesis de que las dos curvas de
supervivencia son iguales utilizando distintos tests de comparación y analiza sus
conclusiones.

5.- Se ha realizado un estudio para comparar dos tratamientos quirúrgicos apli-

cados en pacientes con cáncer de pecho. De cada paciente se conoce el número de
nodos linfáticos afectados que se detectaron en la intervención quirúrgica. Con esa
información se definen cuatro estratos: ningún nodo afectado, un nodo afectado,
dos o tres y, por último, cuatro o más nodos afectados. En la tabla 4.5 se muestra,
para cada estrato, mn : el número de pacientes, m dA : el número de pacientes que
mueren en el grupo A, E[m dA ]: el número esperado de fallos en ese grupo bajo
la hipótesis nula de igualdad de los dos tratamientos y, por último, la varianza de
Um =m dA − E[m dA ].

A partir de esta información plantea un test para compara los dos tratamientos.

N o nodos mn m dA E[m dA ] V ar[Um ]

0 520 64 65.35 32.99
1 100 11 15.02 6.96
2-3 43 10 11.90 4.03
≥4 38 9 9.32 4.73

Tabla 4.5: Tabla ejercicio 5.

 89

Tratamiento 1 Tratamiento 2 Tratamiento 3

4, 5, 9, 10, 12, 13, 10, 8, 10, 10, 12, 14, 20, 8, 10, 11, 23, 25, 25, 28,
23, 28, 28, 28, 29, 31, 32, 48, 70, 75, 99, 103, 162, 28, 31, 31, 40, 48, 89,
37, 41, 41, 57, 62, 74, 169, 195, 220, 161*,199*, 124, 143, 12*, 159*, 190*,217*
100, 139, 20*, 258*,269* 245* 196*, 197*, 205*, 219*

Tabla 4.6: Tabla ejercicio 7.

6.- Utilizando los datos del ensayo realizado para comparar dos tratamientos
de quimioterapia en enfermos de cáncer de pulmón descrito en el ejemplo 5 del
capı́tulo 1, compara la eficacia de los dos tratamientos, tomando en consideración la
posible influencia del tipo de tumor. El conjunto de datos se encuentra en el fichero
LUNG.DAT.

7.- Se han registrado los tiempos de remisión, medidos en dı́as, de 66 pacientes

de leucemia. Los pacientes habı́an sido asignados aleatoriamente a tres tratamien-
tos distintos y los tiempos observados se muestran en la tabla 4.6. Compara la
supervivencia de los tratamientos.

8.- Los datos de la tabla 4.7 corresponden a un estudio de carcinogénesis, Thomas

et al. (1977), en el que se administraron diferentes dosis de cierto agente cancerı́geno
a individuos asignados aleatoriamente a tres grupos de tratamiento. Se define como
tiempo hasta el fallo, el intervalo, en dı́as, hasta que se detecta la aparición de un
tumor.

Analiza si el riesgo en los tres grupos es el mismo, o si existen evidencias de que

el riesgo varı́a de forma proporcional a la dosis a la que los individuos han estado
expuestos.

9.- En un estudio de carcinogénesis realizado con el fin determinar el efecto can-

cerı́geno de un aditivo utilizado en la fabricación de productos alimenticios, se realizó
un ensayo con 398 ratones machos y hembras. Se establecieron cuatro grupos, uno
de control y tres de tratamiento, a los que se suministró diferentes dosis del aditivo.
El tiempo de supervivencia es el número de semanas transcurridos hasta la detec-

Dosis: 2.0 Dosis:1.5 Dosis: 0.0

41*, 41*, 47, 47*, 47*, 43*, 44*, 45*, 67, 68*, 73*, 74*, 75*, 76, 76,
58, 58, 58, 100*, 117 136, 136, 150, 150, 150 76*, 99, 166, 246*

Tabla 4.7: Tabla ejercicio 8.

 90

ción de un tumor. Suponiendo que los niveles de dosis utilizados fueron linealmente
crecientes, analiza si el aditivo tiene un efecto cancerı́geno en los ratones. Realiza
ese mismo contraste tomando en consideración la posible influencia del sexo. Los
datos se encuentran en el fichero TUMOR.DAT y las variables son: dosis (codificada
de 1 a 4), sexo, tiempo de supervivencia y estado de la observación.