TEMA 7. ANÁLISIS DE SUPERVIVENCIA
|
|
- Purificación Valdéz Zúñiga
- hace 5 años
- Vistas:
Transcripción
1 TEMA 7. ANÁLISIS DE SUPERVIVENCIA
2 CONTENIDOS 7. Funcón de supervvenca. 7.2 Estmacón no paramétrca de la funcón de supervvenca Tempos de supervvenca dscretos. Estmador de Kaplan-Meer Tempos de supervvenca por ntervalos. Método de Kaplan-Meer Tempos de supervvenca por ntervalos. Método Actuaral.
3 CONTENIDOS 7.3 Métodos no paramétrcos para comparar funcones de supervvenca Test log rank Test de Wlcoxon.
4 Tempo hasta hasta el el evento evento Objetvo Analza Evento de de nterés Estmador Kaplan-Meer Funcón de de supervvenca Estma
5 Eventos Ejemplos Fallecmento del pacente Aparcón de un tumor Desarrollo de una enfermedad Respuesta a un tratamento Rechazo de un órgano
6 Tempo hasta el evento Longtud del perodo de tempo que transcurre desde el prncpo de algún acontecmento hasta el fnal del msmo, o hasta el momento en que ese acontecmento es observado, lo que puede ocurrr antes de que el acontecmento se acabe.
7 Datos censurados Stuacones en las que al fnal del estudo algunos ndvduos, todavía no han manfestado el suceso de nterés Todavía no han mejorado Abandonan el estudo Mueren por accdente
8 Censura de Tpo I Estudos con anmales, comenzan con un número fjo a los cuales se les aplca un tratamento. Debdo a lmtacones de tempo o dnero, el expermentador no puede esperar a que todos ellos mueran o desarrollen la enfermedad. Se fja el perodo de observacón de antemano, y pasado este tempo se sacrfca a los que contnúen vvos. Tempo de supervvenca Stuacones Desde que entran hasta que mueren Anmales que mueren durante el estudo Duracón del expermento Anmales sacrfcados
9 Censura de Tpo I Ejemplo Se quere observar el tempo que tarda en desarrollarse un tumor en 6 ratas a las que se les ha nyectado células cancerígenas. El expermentador decde conclur el estudo a las 30 semanas.
10 Censura de Tpo II Se espera a que se mueran o desarrollen la enfermedad una proporcón fjada de anmales. Tempo de supervvenca Desde el comenzo hasta su muerte Igual al máxmo de los tempos de supervvenca exactos Stuacones Anmales que mueren durante el estudo Anmales que no desarrollan la enfermedad
11 Ejemplo 2 Censura de Tpo II En un expermento con 6 ratas, el nvestgador decde termnar el estudo cuando 4 de las 6 ratas hayan desarrollado tumores
12 Censura de Tpo III El tempo está fjado y los pacentes entran en el estudo en dstntos momentos Tempo de supervvenca Stuacones Desde el comenzo hasta su muerte Al menos desde que entran hasta que se van Al menos desde que entran hasta que se acaba el estudo Indvduos que mueren antes de termnar el estudo Otros abandonan el hosptal y se les perde Otros sguen vvos cuando se acaba el estudo
13 Ejemplo 3 Censura de Tpo III 6 pacentes con leucema son ncludos en un estudo durante año para analzar el tempo que trascurre desde que se observa una mejoría, como consecuenca de un determnado tratamento, hasta que empeora de nuevo. Los 6 responden al tratamento y expermentan una remsón de la enfermedad.
14 Ejemplo 4 Censura por ntervalo Cuando se conoce que el evento ha ocurrdo en un ntervalo de tempo determnado. Se realza un estudo para analzar el tempo que transcurre entre el dagnóstco de un determnado tpo de cáncer en un grupo de pacentes y la respuesta a un medcamento. Los pacentes son observados cada 3 meses. Supongamos ahora que algunos de los pacentes que no habían responddo 3 meses después de serles dagnostcado el cáncer, sí lo han hecho antes de la segunda observacón, antes de cumplrse los 6 meses desde el dagnóstco. Exste una censura de ntervalo, entre 3 y 6 meses.
15 Funcón de supervvenca S(t)=P(tempo de supervvenca sea superor a t)=p(t>t)=-f(t) Permte comparar la supervvenca en dos o más grupos Medana Ejemplo de funcón de supervvenca en dstrbucones exponencales
16 Funcón de supervvenca S no exsten datos censurados, la funcón de supervvenca se estma como la proporcón de pacentes que sobrevven más de t. S ˆ( t) = número total de pacentes que vven más de t número total de pacentes
17 Ejemplo 5 Consderemos un ensayo clínco en el cual se realza el segumento de 0 pacentes con cáncer de pulmón. La sguente tabla muestra los tempos de supervvenca en meses, así como la correspondente funcón de supervvenca estmada. Sˆ( t )
18 Funcón de supervvenca Ejemplo 6 S tenemos los sguentes tempos de supervvenca, 4, 6, 6+, 0+, 5 y 20 semanas. Podemos calcular pero no Problema Caso de datos censurados número total de pacentes que vven más de 5 Sˆ (5) = = número total de pacentes 5 6 número total de pacentes que vven más de Sˆ () = = número total de pacentes? 6
19 Estmacón de la funcón de supervvenca Tempos de supervvenca dscretos. Estmador de Kaplan- Meer. Ejemplo 7 Cuál es la proporcón de pacentes de la poblacón que sobrevven 2 o más años?
20 Estmacón de la funcón de supervvenca Tempos de supervvenca dscretos. Estmador de Kaplan- Meer. Ejemplo 7 ª Alternatva: gnorar a los segundos pacentes ya que nnguno ha estado dos años en observacón S $ ( 2) = 0 2ªAlternatva : Teorema de la Probabldad Total ˆ S(2) = =
21 Tempos de supervvenca dscretos. Estmador de Kaplan-Meer En general P(sobrevvr k o más años desde el comenzo del estudo)= Sˆ( k) = pˆ pˆ 2... ˆ p k ˆp ˆp 2 pˆ k =(proporcón de pacentes que sobrevven al menos año) =(proporcón de pacentes que sobrevven 2, dado que han sobrevvdo M =(proporcón de pacentes que sobrevven el k-ésmo año, dado que han sobrevvdo k- años).
22 Tabla Tempos de supervvenca dscretos. Estmador de Kaplan-Meer Se ordenan los pacentes según su duracón, t, de menor a mayor. En caso de empates, los datos no censurados antes que los censurados. Número de pacentes que están vvos hasta justo antes del nstante t descontamos, los abandonos o pérddas. Sólo se calculan para los datos no censurados. Número de fallecdos en t., sólo se calculan para los datos no censurados.
23 Tabla Tempos de supervvenca dscretos. Estmador de Kaplan-Meer Sˆ( t ) pˆ Sˆ( t = ) P( T > t / T > t ) = (Expuestos hasta t ) (fallecdos (Expuestos hasta t ) en t )
24 Tempos de supervvenca dscretos. Estmador de Kaplan-Meer Tempo medo de supervvenca S ˆ( t )( t t ) ˆ = ( ) ( + ) ( ) μ Poco representatvo Error estándar EE( Sˆ( t )) = Sˆ( t ) ( expu. t - fall. t fall.t ) expu. t ( expu. t - fall. t fall. t ) expu. t IC IC ( S( t)) Sˆ( t) ± Z 2 EE( Sˆ( t)) α = α
25 Tempos de supervvenca dscretos. Estmador de Kaplan-Meer Ejemplo 8 Tenemos los sguentes datos de 0 pacentes con tumores estables, 6 recaen a los 3, 6.5, 6.5, 0, 2 y 5 meses. Un pacente abandona el estudo a los 8.4 meses y 3 pacentes están todavía estables al fnal del estudo de 4, 5.7 y 0 meses respectvamente.
26 Ejemplo 8 Tempos de supervvenca dscretos. Estmador de Kaplan-Meer
27 Intervalo de confanza para la medana y tamaño muestral en dstrbucones exponencales IC ( Me) Me ˆ α = ± z α/2 log(2) ˆ λ r r =número de muertes r n = P ( censurados )
28 Tempos de supervvenca por ntervalos. Método de Kaplan-Meer El tempo se presenta agrupado en ntervalos (meses, años..) Ejemplo: [-2), el tempo que va desde el comenzo del er prmer mes, hasta un nstante antes de ncarse el 2º. Los ntervalos son rregulares y venen defndos por los fallecmentos sucesvos. El ntervalo [t o -t ), es el que va desde un nstante antes de morr el º hasta un momento antes de morr el 2º. De esta manera, en todos los ntervalos habrá por lo menos un fallecmento
29 Ejemplo 9: Caso ntervalos Se realza un estudo que dura 8 meses, con 5 pacentes.
30 Un nstante antes de morr el 4º hasta un momento antes de morr el 4º. Ejemplo 9
31 Tempos de supervvenca por ntervalos. Método Actuaral El tempo se presenta agrupado en ntervalos de longtud fja. expu =nº de pacentes vvos al comenzar el ntervalo I fall =nº de fallecmentos en el ntervalo I r =nº de pérddas + abandonos en el ntervalo I p =P(sobrevvr en I /estando vvo al empezar I ) expu = expu r 2 pˆ = expu expu fall Sˆ( t k ) = pˆ... pˆ k Interpretacón: los ndvduos que se perderon o abandonaron durante I, estuveron vvos la mtad del ntervalo.
32 Tempos de supervvenca por ntervalos. Método Actuaral El tempo se presenta agrupado en ntervalos de longtud fja. expu =nº de pacentes vvos al comenzar el ntervalo I fall =nº de fallecmentos en el ntervalo I r =nº de pérddas + abandonos en el ntervalo I p =P(sobrevvr en I /estando vvo al empezar I EE( Sˆ( t )) = Sˆ( t ) ( expu fall fall) expu ( expu - fall fall ) expu IC ( S( t)) Sˆ( t) ± Z 2 EE( Sˆ( t)) α = α
33 Ejemplo 0: Caso ntervalos Se realza un estudo que dura 8 meses, con 5 pacentes. Los ntervalos escogdos son: [0-3), [3-6), [6-9), [9-2), [2-5)
34 Enfermo Duracón Fallece en su ntervalo Se perde o abandona en su ntervalo
35 Ejemplo 0:Caso ntervalos Intervalo I [0-3) [3-6) [6-9) [9-2) [2-5) Expuestos al comenzo expu Fallecdos en el ntervalo fall Pérddas abandonos r expu pˆ Prob. superv. al fnal S ˆ( t )
36 Ejemplo 0:Caso ntervalos En qué valor se encuentra la medana?
37 Métodos no paramétrcos para comparar funcones de supervvenca Gráfcamente Ejemplo Comparamos las funcones de supervvenca para los datos extraídos de dos muestras ndependentes. Tempos en meses Tratamento A Tratamento B
38 Métodos no paramétrcos para comparar funcones de supervvenca Gráfcamente Los pacentes del tratamento A muestran una supervvenca mayor
39 Métodos no paramétrcos para comparar funcones de supervvenca Test de log-rank Test de Wlcoxon L= 2 2 ) ( ) ( χ = = k k d Var e d W= ) ( ) ( χ = = k k d Var n e d n t =tempos exactos en que se producen muertes. n =nº de pacentes vvos de la ª muestra antes de t. n 2 =nº de pacentes vvos de la 2ª muestra antes de t. n =nº total de pacentes vvos antes de t. d =nº de muertes de la ª muestra en t. d 2 =nº de muertes de la 2ª muestra en t. d =nº total de muertes en t. n d n e = ) ( ) ( ) ( 2 2 = n n d n d n n d Var
40 Métodos no paramétrcos para comparar funcones de supervvenca Ejemplo Comparamos las funcones de supervvenca para los datos extraídos de dos muestras ndependentes. Tempos en meses Tratamento A Tratamento B H 0 H a : Ambas funcones de supervvenca son guales. : Las funcones de supervvenca no son guales.
41 Métodos no paramétrcos para comparar funcones de supervvenca S t =8 Tratamento A Muerte 0 No Muerte d 6 n -d 6 n Tratamento B d 2 5 n 2 -d 2 6 n 2 d 2 n Tempos en meses Tratamento A Tratamento B H 0 H a : Ambas funcones de supervvenca son guales. : Las funcones de supervvenca no son guales.
42 Métodos no paramétrcos para comparar funcones de supervvenca S t =0 Tratamento A Muerte No Muerte d 5 n -d 6 n Tratamento B d 2 4 n 2 -d 2 5 n 2 2 d n Tempos en meses Tratamento A Tratamento B H 0 H a : Ambas funcones de supervvenca son guales. : Las funcones de supervvenca no son guales.
43 Métodos no paramétrcos para comparar funcones de supervvenca t n n 2 n d d 2 d L W H 0 H a 2.23 (0.3) p-valores 2.04 (0.52) Tempos en meses Tratamento A Tratamento B : Ambas funcones de supervvenca son guales. : Las funcones de supervvenca no son guales. Qué se puede conclur?
Análisis de supervivencia
Tempo a un evento Curso de Análss de Supervvenca Víctor Abrara 1 Análss de supervvenca Conjunto de técncas que permten estudar la varable tempo hasta que ocurre un evento y su dependenca de otras posbles
Más detallesTablas de Vida (Intervalos)
Tablas de Vda (Intervalos) Resumen El procedmento Tablas de Vda (Intervalos) está dseñado para analzar datos que contengan tempos de vda o de falla, donde se sabe que el valor del tempo de vda cae en un
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Estimación de Kaplan Meier Bootstrap de la curva de supervivencia
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA Estmacón de Kaplan Meer Bootstrap de la curva de supervvenca Capítulo1. Conceptos báscos del análss de supervvenca
Más detallesUn estimado de intervalo o intervalo de confianza ( IC
Un estmado puntual, por ser un sólo número, no proporcona por sí msmo nformacón alguna sobre la precsón y confabldad de la estmacón. Debdo a la varabldad que pueda exstr en la muestra, nunca se tendrá
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesRiesgos Proporcionales de Cox
Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los
Más detallesTema 1: Estadística Descriptiva Unidimensional
Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. Fenómeno aleatoro: no es posble predecr el resultado. La estadístca se ocupa de aquellos fenómenos no determnstas donde
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesErratas y modificaciones
Erratas y modfcacones Págna 39 Tabla fnal: Dce: Expermental T Debe decr: Expermental T Págna 40 Tabla comenzo: Dce: T 0 Debe decr: T Dce: 3 T Debe decr: 3 T Págna 05 Párrafo : Debe qutarse el acento de
Más detallesESTADÍSTICA UNIDIMENSIONAL
ESTADÍSTICA UNIDIMENSIONAL La estadístca undmensonal trata de resumr la nformacón contenda en una tabla que contene nformacón de una sola varable en unos pocos números. Las meddas de poscón pueden ser:
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detalles5ª Parte: Estadística y Probabilidad
ª Parte: Estadístca y Probabldad. Las notas de los alumnos de una clase son:,,,, 6, 7,,,,,,,, 7,,,, 6,, Haz una tabla de frecuencas. Solucón Varable Frecuencas absolutas Frecuencas relatvas estadístca
Más detallesProblema: Existe relación entre el estado nutricional y el rendimiento académico de estudiantes de enseñanza básica?
Relacones entre varables cualtatvas Problema: xste relacón entre el estado nutrconal y el rendmento académco de estudantes de enseñanza básca? stado Nutrconal Malo Regular Bueno TOTAL Bajo 13 95 3 55 Rendmento
Más detallesPyE_ EF2_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesTema 8: DESIGUALDAD, Xisco Oliver Economía del Bienestar (2º GECO)
Tema 8: DESIGUALDAD, REDISTRIBUCIÓN Y POBREZA Xsco Olver 20610 - Economía del Benestar (2º GECO) Motvacón Benestar: el objetvo últmo del Estado es maxmzar el benestar El benestar se obtene a partr de las
Más detallesINTRODUCCIÓN AL ANÁLISIS DE DATOS SEPTIEMBRE 2014 Código asignatura: EXAMEN TIPO TEST MODELO B DURACION: 2 HORAS.
eptembre 04 EAMEN MODELO B ág. INTRODUCCIÓN AL ANÁLII DE DATO ETIEMBRE 04 Códgo asgnatura: 60037 EAMEN TIO TET MODELO B DURACION: HORA olucones 0 4 40 30 0 0 0 44 4 39 6 4 36 37 3 8 00 0 0 03 04 Nº de
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Hemos estudado dferentes meddas numércas correspondentes a conjuntos de datos, entre otras, estudamos la meda, la desvacón estándar etc. Ahora vamos a dstngur entre meddas numércas
Más detallesCURSO INTERNACIONAL: CONSTRUCCIÓN DE ESCENARIOS ECONÓMICOS Y ECONOMETRÍA AVANZADA. Instructor: Horacio Catalán Alonso
CURSO ITERACIOAL: COSTRUCCIÓ DE ESCEARIOS ECOÓMICOS ECOOMETRÍA AVAZADA Instructor: Horaco Catalán Alonso Modelo de Regresón Lneal Smple El modelo de regresón lneal representa un marco metodológco, que
Más detalles14. Contrastes no paramétricos
14. Contrastes no paramétrcos 1 Contrastes no paramétrcos En la leccón anteror nos hemos ocupado de contrastes paramétrcos. Determnábamos la plausbldad de certas hpótess sobre los valores de parámetros
Más detallesSe entiende por renta el cobro o el pago periódico motivado por el uso de un capital
Rentas Se entende por renta el cobro o el pago peródco motvado por el uso de un captal Desde el punto de vsta de las matemátcas fnanceras, se entende por renta una sucesón de captales dsponbles, respectvamente
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
Más detallesCAPÍTULO 4 MARCO TEÓRICO
CAPÍTULO 4 MARCO TEÓRICO Cabe menconar que durante el proceso de medcón, la precsón y la exacttud de cualquer magntud físca está lmtada. Esta lmtacón se debe a que las medcones físcas sempre contenen errores.
Más detallesResolución. Instrucciones: Leer detenidamente los siete enunciados y resolver seis de los siete problemas propuestos.
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA SEGUNDO EAMEN FINAL SEMESTRE 04
Más detallesESTADÍSTICA. x es el cociente entre la frecuencia absoluta del valor
el blog de mate de ada: ESTADÍSTICA pág. 1 ESTADÍSTICA La estadístca es la cenca que permte acer estudos de grandes poblacones escogendo sólo un pequeño grupo de ndvduos, lo que aorra tempo y dnero. Poblacón
Más detallesAJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON.
AJUSTE DE LA CURVA DE PROBABILIDAD DEL ESCURRIMIENTO MEDIO HIPERANUAL ANUAL SEGÚN LA TEORÍA S B JOHNSON. Revsta Voluntad Hdráulca No. 57, 98. Págnas 58-64 RESUMEN Se nforma sobre el desarrollo del método
Más detallesla variable aleatoria relativa a esa indemnización 1 T( x) ( 0, n] será 2 : [ ] n t = (2) t x T x
Modeo Actuara de 99.5% de sufcenca de a prma neta únca de seguro sobre una soa vda bajo e concepto de varabe aeatora (prmera parte) Oscar Aranda M UNAM, Fac. Cencas Novembre, If you are out to descrbe
Más detallesCURSO DE VERANO C.O.U II/ 2º BACHILLERATO I ESTADISTICA
ESTADISTICA 1º.- La sguente tabla muestra las frecuencas relatvas de respuestas contestadas en un test por 50 personas. Intervalo Marca de clase Frecuenca Frecuenca absoluta relatva 0-0.1 5-9 0.3 10-1
Más detallesPyE_ EF1_TIPO1_
SEMESTRE 00- TIPO DURACIÓN MÁIMA.5 HORAS DICIEMBRE DE 00 NOMBRE. El índce de clardad se determnó en los celos de Morelos, para cada uno de los 365 días de un año, obtenéndose los sguentes datos. Límtes
Más detallestruncación inferior en el punto a=25 es igual a El grado de truncación es del
ECONOMETTRÍ ÍA III II.. Cuurrssoo 22000022- -0033 (f( f cchheer roo: : ccuueesst t oonneess lleecccc l 33) ) CUESTTI IONES SOBRE LLA LLECCI IÓN 33: : MODELLOS DE VARIABLLE DEPENDIENTTE LLI IMITTADA 1.
Más detallesTema 1.- Variable aleatoria discreta (V2.1)
Tema.- Varable aleatora dscreta (V2.).- Concepto de varable aleatora A cada posble resultado de un expermento lo llamamos suceso elemental, y lo denotamos con ω, ω 2, Llamamos espaco muestral al conjunto
Más detalles) para toda permutación (p p 1 p
09 Elena J. Martínez do cuat. 004 Análss de la varanza de dos factores El problema anteror consderaba la comparacón de muestras para detectar dferencas entre las respectvas poblacones. En el modelo de
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesMedidas de Variabilidad
Meddas de Varabldad Una medda de varabldad es un ndcador del grado de dspersón de un conjunto de observacones de una varable, en torno a la meda o centro físco de la msma. S la dspersón es poca, entonces
Más detallesEjercicios y Talleres. puedes enviarlos a
Ejerccos y Talleres puedes envarlos a klasesdematematcasymas@gmal.com www.klasesdematematcasymas.com EJERCICIOS DE REGRESIONES Y ANALISIS DE COVARIANZA Analzar la nformacón recoplada por medo de los dferentes
Más detallesI.E.S. Historiador Chabás -1- Juan Bragado Rodríguez
Problema La sguente tabla epresa la estatura en cm. de soldados: Talla 5 56 60 6 68 6 80 8 88 Soldados 6 86 50 8 95 860 85 6 9 a) Haz un hstograma que represente la estatura en metros de los soldados.
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
Más detallesLECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA
LECTURA 07: MEDIDAS DE TENDENCIA CENTRAL (PARTE II) LA MEDIANA Y LA MODA TEMA 17: LA MEDIANA Y LA MODA. LA MEDIANA: Es una medda de tendenca central que dvde al total de n observacones debdamente ordenadas
Más detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesRegresión de Datos de Vida
Regresón de Datos de Vda Resumen El procedmento Regresón de Datos de Vda está dseñado para ajustar un modelo estadístco paramétrco relaconado con tempos de falla a una o más varables predctoras. Los predctores
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesAnálisis de la varianza de un factor
Análss de la varanza de un factor El test t de muestras se aplca cuando se queren comparar las medas de dos poblacones con dstrbucones normales con varanzas guales y se observan muestras ndependentes para
Más detalles1. Variable aleatoria. Clasificación
Tema 7: Varable Aleatora Undmensonal 1. Varable aleatora. Clasfcacón. Caracterzacón de una varable aleatora. Varable Aleatora dscreta. Varable Aleatora contnua 3. Característcas de una varable aleatora.
Más detallesVariables Aleatorias
Varables Aleatoras VARIABLES ALEATORIAS. Varable aleatora. Tpos.... Dstrbucón de probabldad asocada a una varable aleatora dscreta... 4. Funcón de dstrbucón. Propedades... 5 4. Funcón de densdad... 7 5.
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesInstrucciones: Leer detenidamente los siete enunciados y resolver seis de los siete problemas propuestos. Frecuencia absoluta (f i )
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detalles6 Minimización del riesgo empírico
6 Mnmzacón del resgo empírco Los algortmos de vectores soporte consttuyen una de las nnovacones crucales en la nvestgacón sobre Aprendzaje Computaconal en la década de los 990. Consttuyen la crstalzacón
Más detallesCada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.
Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel
Más detalles, x es un suceso de S. Es decir, si :
1. Objetvos: a) Aprender a calcular probabldades de las dstrbucones Bnomal y Posson usando EXCEL. b) Estudo de la funcón puntual de probabldad de la dstrbucón Bnomal ~B(n;p) c) Estudo de la funcón puntual
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesColección de problemas de. Poder de Mercado y Estrategia
de Poder de Mercado y Estratega Curso 3º - ECO- 013-014 Iñak Agurre Jaromr Kovark Javer Arn Peo Zuazo Fundamentos del Análss Económco I Unversdad del País Vasco UPV/EHU Tema 3. Monopolo 1. Los costes de
Más detallesESTADÍSTICA (GRUPO 12)
ESTADÍSTICA (GRUPO 2) CAPÍTULO II.-ANÁLISIS DE UNA CARACTERÍSTICA (DISTRIBUCIONES UNIDIMENSIONALES) TEMA.- DISTRIBUCIONES DE FRECUENCIAS DIPLOMATURA EN CIENCIAS EMPRESARIALES UNIVERSIDAD DE SEVILLA . DISTRIBUCIÓN
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
Más detallesENUNCIADOS DE LOS EJERCICIOS PROPUESTOS EN 2011 EN MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES. 3 y
ENUNCADOS DE LOS EJERCCOS PROPUESTOS EN 011 EN MATEMÁTCAS APLCADAS A LAS CENCAS SOCALES. EJERCCO 1 a (5 puntos Raconalce las epresones y. 7 b (5 puntos Halle el conjunto de solucones de la necuacón EJERCCO
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objetos de nuestro estudio.
TEMA 8 - ESTADÍSTICA 8. NOCIONES GENERALES DE ESTADÍSTICA 8.. INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco de un conjunto de datos empírcos (recogdos
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesSOLUCIONES A LOS EJERCICIOS DE LA UNIDAD
Pág. 1 Págna 0 PRACTICA Meda y desvacón típca 1 Las edades de los estudantes de un curso de nformátca son: 17 17 18 19 18 0 0 17 18 18 19 19 1 0 1 19 18 18 19 1 0 18 17 17 1 0 0 19 0 18 a) Haz una tabla
Más detalleses un vector de p covariables correspondientes al mismo individuo i, i
5. Modelos de regresón En el análss de tempos de falla, es común suponer que el resgo de presentar la falla está en funcón de una sere de covarables o varables explcatvas nherentes a cada ndvduo. Es decr,
Más detallesPruebas Estadísticas de Números Pseudoaleatorios
Pruebas Estadístcas de Números Pseudoaleatoros Prueba de meda Consste en verfcar que los números generados tengan una meda estadístcamente gual a, de esta manera, se analza la sguente hpótess: H 0 : =
Más detallesLECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 14: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION
Unversdad Católca Los Ángeles de Chmbote LECTURA N 06: MEDIDAS DE TENDENCIA CENTRAL (PARTE I) TEMA 4: MEDIDAS ESTADISTICAS: DEFINICION Y CLASIFICACION. DEFINICION Las meddas estadístcas son meddas de resumen
Más detallesEXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Junio de :00 horas. Pregunta 19 A B C En Blanco. Pregunta 18 A B C En Blanco
EXAMEN FINAL DE ECONOMETRIA, 3º CURSO (GRADOS EN ECO y ADE) 6 de Juno de 3 9: horas Prmer Apelldo: Nombre: DNI: Teléfono: Segundo Apelldo: Grupo y Grado: Profesor(a): e mal: Pregunta A B C En Blanco Pregunta
Más detallesAspectos fundamentales en el análisis de asociación
Carrera: Ingenería de Almentos Perodo: BR01 Docente: Lc. María V. León Asgnatura: Estadístca II Seccón A Análss de Regresón y Correlacón Lneal Smple Poblacones bvarantes Una poblacón b-varante contene
Más detallesPUBLICACIONES DE 4º CURSO
PUBLICACIONES DE 4º CURSO Grado: DERECHO-ADE Asgnatura: ECONOMERÍA Grupos: Únco ema: ESQUEMA EMA Profesores: Inmaculada Vllanúa Departamento de ANÁLISIS ECONÓMICO Curso Académco 04/5 ema : El Modelo Lneal
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesInferencia en Regresión Lineal Simple
Inferenca en Regresón Lneal Smple Modelo de regresón lneal smple: Se tenen n observacones de una varable explcatva x y de una varable respuesta y, ( x, y)(, x, y),...,( x n, y n ) el modelo estadístco
Más detalles( ) MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas ) y Y. N n. S y. MUESTREO ALEATORIO SIMPLE SIN REEMPLAZO ( mas )
MUETREO ALEATORIO IMPLE I Este esquema de muestreo es el más usado cuando se tene un marco de muestreo que especfque la manera de dentfcar cada undad en la poblacón. Además no se tene conocmento a pror
Más detallesIN540: Métodos Estadísticos para economía y gestión Profesores: Marcelo Henríquez, Felipe Avilés Auxiliares: José Miguel Carrasco
Departamento de Ingenería Industral Facultad de Cs. Físcas y Matemátcas Unversdad de Chle IN540: Métodos Estadístcos para economía y gestón Profesores: Marcelo Henríquez, Felpe Avlés Auxlares: José Mguel
Más detalles+ x+ (19) expresión que puede ser vista como. : Prima neta nivelad del seguro continuo temporal a n-años
eserva Matemátca bajo e concepto de varabe aeatora y su nve de Sufcenca de seguro sobre una soa vda, (Propuesta de Modeo Actuara) (segunda parte) Oscar Aranda M UNAM, Fac. Cencas Dc 0 Por a gnoranca se
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesFigura 1
5 Regresón Lneal Smple 5. Introduccón 90 En muchos problemas centífcos nteresa hallar la relacón entre una varable (Y), llamada varable de respuesta, ó varable de salda, ó varable dependente y un conjunto
Más detallesINICIACIÓN A LA ESTADÍSTICA. ACTIVIDADES DE AUTOEVALUACIÓN DE LA UNIDAD ESTADÍSTICA. (SOLUCIONES)
ACTIVIDADES DE AUTOEVALUACIÓ DE LA UIDAD ESTADÍSTICA. (SOLUCIOES) 1. D, en cada caso, cuál es la varable que se quere estudar y especfca de qué tpo es: Tempo dedcado a las tareas doméstcas por parte de
Más detallesEJERCICIOS: Tema 3. Los ejercicios señalados con.r se consideran de conocimientos previos necesarios para la comprensión del tema 3.
EJERCICIOS: Tema 3 Los ejerccos señalados con.r se consderan de conocmentos prevos necesaros para la comprensón del tema 3. Ejercco 1.R Dos bblotecas con el msmo fondo bblográfco especalzado ofrecen las
Más detalles( ) = ( ) ( ) E X x p. E X Y = E X E Y XY independientes. E X Y E X E Y Cauchy Schwarzt ( ) 2. Pr X a E X a Markov
1 2 Varables aleatoras 2.1 Dscretas 2.1.1 Genércas Esperanza de una v.a. o Valor esperado Propedades de la Esperanza k = ( x ) E X x p EmX+ b = mex + b EK Varanza de una v.a. = K ( + ) = + E X Y E X E
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesSlide 1. Slide 2 Organización y Resumen de Datos. Slide 3. Universidad Diego Portales. Tablas de Frecuencia. Estadística I
Slde 1 Unversdad Dego Portales Estadístca I Seccón II: Dstrbucones de Frecuenca y Representacón Gráfca Sgla: EST2500 Nombre Asgnatura: Estadístca I Slde 2 Organzacón y Resumen de Datos Como recordará,
Más detallesSEGUNDA PARTE RENTAS FINANCIERAS
SEGUNDA PARTE RENTAS FINANCIERAS 5 INTRODUCCIÓN A LA TEORÍA DE RENTAS 5.1 CONCEPTO: Renta fnancera: conjunto de captales fnanceros cuyos vencmentos regulares están dstrbudos sucesvamente a lo largo de
Más detallesESTADISTÍCA. 1. Población, muestra e individuo. 2. Variables estadísticas. 3. El proceso que se sigue en estadística
ESTADISTÍCA. Poblacón, muestra e ndvduo Las característcas de una dstrbucón se pueden estudar drectamente sobre la poblacón o se pueden nferr a partr de l estudo de una muestra. Poblacón estadístca es
Más detallesPyE_ EF1_TIPO1_
UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉICO FACULTAD DE INGENIERÍA DIVISIÓN DE CIENCIAS BÁSICAS COORDINACIÓN DE CIENCIAS APLICADAS DEPARTAMENTO DE PROBABILIDAD Y ESTADÍSTICA PRIMER EAMEN FINAL RESOLUCIÓN SEMESTRE
Más detallesTema 4 MODELOS CON DATOS DE RECUENTO
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 Tema 4 MODELOS CON DATOS DE RECUENTO 1. Datos de recuento: ejemplos 2. Por qué utlzamos modelos específcos para datos de recuento? 3. Modelo Posson 4. Modelo
Más detallesEJERCICIOS RESUELTOS TEMA 2
EJERCICIOS RESUELTOS TEMA.1. La Moda, para el grupo de Varones de la Tabla 1, es: A) 4,5; B) 17; C) 60.. Con los datos de la Tabla 1, la meda en para las Mujeres es: A) gual a la meda para los Varones;
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesRECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO
RECETA ELECTRÓNICA: IMPACTO SOBRE EL GASTO FARMACEÚTICO Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón Dseño del estudo Especfcacón del modelo Resultados Introduccón: Esquema
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesEstas medidas serán más significativas cuanto más homogéneos sean los datos y pueden ser engañosas cuando mezclamos poblaciones distintas.
UIDAD 3: Meddas estadístcas Las meddas estadístcas o parámetros estadístcos son valores representatvos de una coleccón de datos y que resumen en unos pocos valores la normacón del total de datos. Estas
Más detallesVARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL.
VARIABLE ALEATORIA DISCRETA. DISTRIBUCIÓN BINOMIAL. Concepto de varable aleatora. Se llama varable aleatora a toda aplcacón que asoca a cada elemento del espaco muestral de un expermento, un número real.
Más detallesMecánica Estadística: Estadística de Maxwell-Boltzmann
Ludwg Boltzmann 1844-1906 James Clerk Maxwell 1831-1879 E. Martínez 1 Lápda de Boltzmann en el cementero de Vena S=k ln W E. Martínez 2 S=k ln W Entropía, una propedad termodnámca Una medda de nuestra
Más detallesDISTRIBUCIONES BIDIMENSIONALES
Matemátcas 1º CT 1 DISTRIBUCIONES BIDIMENSIONALES PROBLEMAS RESUELTOS 1. a) Asoca las rectas de regresón: y = +16, y = 1 e y = 0,5 + 5 a las nubes de puntos sguentes: b) Asgna los coefcentes de correlacón
Más detallesCapítulo 4 Probabilidades Estadística Computacional II Semestre 2006
Unversdad Técnca Federco Santa María Departamento de Informátca ILI-80 Capítulo 4 Probabldades Estadístca Computaconal II Semestre 006 Profesores: Héctor llende (hallende@nf.utfsm.cl) Carlos Valle (cvalle@nf.utfsm.cl)
Más detalles