Uso de la distribución bernoulli multivariada en salud bucal

En general, en muy variadas disciplinas como la Economı́a, el Marketing, la Epidemiologı́a, se dan situaciones donde la matriz de datos de la que se dispone está formada por datos binarios (unos y ceros) que surgen de trabajar con varias variables aleatorias resultantes de un experimento con 2 resultados posibles en cada caso. El interés se centra entonces, generalmente, en analizar y dar cuenta de las relaciones que se dan entre variables a través de la distribución Bernoulli Multivariada (BM). Esta distribución puede ser caracterizada por un vector de intensidades y una matriz de asociaciones entre las variables binarias, que se pueden
interpretar y asimilar como los parámetros de un modelo de regresión, por lo cual es importante entonces ver como queda parametrizado este modelo probabilı́stico y como puede ser estimado.
Se presenta luego a modo de ejemplo una aplicación en salud bucal para evaluar la enfermedad periodontal en la población adulta uruguaya. Los datos surgen del primer relevamiento nacional de salud bucal, llevado a cabo durante los años 2011 y 2012 en diversos departamentos de Uruguay, donde fueron encuestadas personas de 3 grupos etarios (jóvenes, adultos y adultos mayores), a los que se les evalúa presencia de enfermedad periodontal, evaluada como atributos binarios en 6 sextantes de la boca, por lo cual se tienen 6 variables binarias.

In general in very varied disciplines such as Economics, Marketing, and Epidemiology there are situations where the available data matrix is formed by binary data (ones and zeros) that arise from working with several random variables resulting from an experiment with 2 possible results in each case. The interest is then generally focused on analyzing and accounting for the relationships that occur between variables through the Multivariate Bernoulli (MB) distribution presented in this work. This distribution can be characterized by a vector of intensities and a matrix of associations between binary variables, which can be interpreted and
assimilated as the parameters of a regression model, so it is important to see how it is parameterized this probabilistic model and how it can be estimated. An oral health application is then presented as an example to evaluate periodontal disease
in the Uruguayan adult population measured as binary attributes in 6 sextants of the mouth, for which there are 6 binary variables.