Una metodología para manejar variables
|
|
- Carmelo Pereyra Alcaraz
- hace 8 años
- Vistas:
Transcripción
1 Una metodología para manejar variables continuas en los modelos pronóstico: Polinomios fraccionales Javier Zamora Unidad de Bioestadística Clínica- IRyCIS Enero 2011
2 Índice Manejo de variables continuas en modelos de regresión Aproximación con polinomios fraccionales (FP) Qué son? Cómo se construyen? Cómo se interpretan y cómo se valoran? Ejemplos Conclusiones 2 Javier Zamora
3 Variables independientes continuas 60 % masa grasa Log (odds) Log (HR) Indice de Masa Corporal Indice de Masa Corporal 3 Javier Zamora
4 Manejo de variables continuas en modelos de regresión Usar la variable asumiendo un efecto lineal. Categorización: dicotomización agrupación en terciles, cuartiles, quintiles. Regresión polinómica. Polinomios fraccionales. 4 Javier Zamora
5 5 Javier Zamora
6 Dicotomización Argumentos a favor Simplifica el análisis i y la interpretación/comunicación ió i ió de los resultados. Toma de decisiones requiere dicotomía (anormal/normal, sano/enfermo, tratar/no tratar). Análisis conservador: evita falsos positivos. Desventajas y costes Es un redondeo extremo: pérdida de información y de potencia. 65% si la variable es normal. 48% si la variable es exponencial. Mucha variabilidad de riesgo dentro de cada grupo. Poca entre grupos. Imposibilidad de detectar no linealidades. Confusión residual si es una variable de ajuste. Distintos estudios distintos puntos de corte. 6 Javier Zamora
7 % mas sa grasa Indice de Masa Corporal Javier Zamora
8 Polinomios fraccionales: qué son? Son una extensión de la regresión polinómica con ciertas restricciones de las potencias empleadas: Grado 1: FP1(p): Y=β 0 + β 1 X p Grado 2: FP2(p,q): Y=ββ 0 + β 1 X p +β 2 X q Potencias restringidas a [-2,-1, -0.5, 0, 0.5, 1, 2, 3] Convenios: Potencia 0 representa Ln si p=q ; FP2(p,p): Y=β 0 + β 1 X p + β 2 X p Ln(X) 8 Javier Zamora
9 Características FP1 y FP2 FP1 FP2 9 Javier Zamora
10 Ejemplos de FP2(-2,2) 22) (-2, 2) 4 2 Y x 10 Javier Zamora
11 Polinomios fraccionales con Stata Stata tiene dos comandos para ajustar FP: fracpoly (univariante) mfp (multivariante) Ambos se aplican a cualquier modelo dl de regresión (sintaxis - cuadro de diálogo). Se puede extender a cualquier modelo con ligera programación (Royston P. DIY fractional polynomials. UK Stata Users Group. Londres. Sept. 2010). 11 Javier Zamora
12 fracpoly Ajusta el mejor FPm en términos de bondad de ajuste (deviance) (por defecto m=2; Grado 2 ). Admite covariables que se introducen linealmente, o con un grado especificado sin buscar el mejor. Sintaxis: fracpoly [, fracpoly_options] options] : regression_cmd [yvar1 [yvar2]] xvar1 [# [#...]] [xvar2 [# [#...]]] [...] [xvarlist] [if] [in] [ weight] [, regression_cmd_options] options] 12 Javier Zamora
13 Ejemplo fracpoly: regress pbfm bmi -> gen double Ibmi 1 = X^ if e(sample) -> gen double Ibmi 2 = X^ if e(sample) (where: X = bmi/10) Source SS df MS Number of obs = 327 F( 2, 324) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = pbfm Coef. Std. Err. t P> t [95% Conf. Interval] Ibmi Ibmi _cons Deviance: Best powers of bmi among 44 models fit: Javier Zamora
14 mfp: procedimiento closed test Comparar mejor FP2 con el nulo. Si no es significativo: parar No existe efecto Comparar mejor FP2 con lineal. Si no es significativo: parar El efecto es lineal Comparar mejor FP2 con el mejor FP1. Si no es significativo: parar El mejor modelo FP1 El mejor modelo es FP2 Deviance for model with all terms untransformed = , 327 observations Variable Model (vs.) Deviance Dev diff. P Powers (vs.) bmi lin. FP FP Final Javier Zamora
15 Análisis de residuos Lineal FP1 (p = -1) Análisis de residuos Análisis de residuos (FP) residual x: body mass index 0 5 esidual_fp re x: body mass index 15 Javier Zamora
16 Ajustes multivariantes El comando mfp implementa la estrategia stepwise de Royston (pág 118) para el ajuste multivariante: el orden de inclusión de las variables al procedimiento es su significación para el modelo completo lineal. para cada variable continua se aplica el procedimiento closed test con todas las demás variables como covariables. Si pasa el procedimiento se añaden variables con sus potencias y si no lo pasa se eliminan. las variables discretas se codifican como indicadoras. se repiten ciclos probando variables hacia adelante. Ojo, para que se repitan los ciclos hay que poner la opción select(0.05) que indica la significación para eliminar. 16 Javier Zamora
17 Ejemplo multivariante (Cáncer de próstata) mfp: regress lpsa age svi pgg45 cavol weight bph cp, select (0.05) 05) -> gen double Icavo 1 = ln(x) if e(sample) (where: X = cavol/10) -> gen double Iweig 1 = weight if e(sample) Final multivariable fractional polynomial model for lpsa Variable Initial Final df Select Alpha Status df Powers age out 0 svi in 1 1 pgg out 0 cavol in 2 0 weight in 1 1 bph out 0 cp out 0 Source SS df MS Number of obs = 97 F( 3, 93) = Model Prob > F = Residual R-squared = Adj R-squared = Total Root MSE = lpsa Coef. Std. Err. t P> t [95% Conf. Interval] svi Icavo Iweig _cons Deviance: Javier Zamora
18 Gráficas fracplot cavol Fractional Polynomial (0), adjusted for covariates 0 Partial pred ictor+residua al of lpsa x4: Cancer volume (ml) 18 Javier Zamora
19 Gráfica del efecto (derivada) En modelos no lineales, los coeficientes no representan el efecto. El efecto es la derivada. Se puede hacer gráfica con las derivadas. En el ejemplo, cavol ha quedado como Ln, su derivada es cavol -1, generamos la variable Efecto_cavol = 0.54/cavol 19 Javier Zamora
20 Efecto con IC 95% generate Efecto_cavol = 0.54/cavol generate liic_efect=efecto_cavol cavol *0.074/cavol074/cavol generate lsic_efect=efecto_cavol *0.074/cavol twoway (area lsic_efect cavol, sort fcolor(bluishgray) lcolor(white))/// (area liic_efect cavol, sort fcolor(white)lcolor(white)) /// (line Efecto_cavol cavol, sort lcolor(dnavy)), xscale(log) x4: Cancer volume (ml) lsic_efect Efecto_cavol 20
21 Otro ejemplo con resultado binario. (fertilización in vitro Registro UK) Relación entre el número de óvulos obtenidos tras el tratamiento de estimulación ovárica [1-40] con la probabilidad de obtener un nacimiento vivo (LB). Base de datos nacional de Reino Unido con ciclos de tratamientos (HFEA). 21 Javier Zamora
22 Probabilidad LB (datos periodo ) 2007) Live birtjh rate (%) Egg number Egg number n = 1,349 4,688 4,141 2, Javier Zamora
23 Probabilidad LB predicha y observada (datos periodo ) 2007) Variable -----Initial Final----- df Select Alpha Status df Powers OVULOS in Live birtjh rate (%) Observed Live birth rate Predicted Live birth rate Egg number n = 1,349 4,688 4,141 2, Javier Zamora
24 Comunicación de resultados: Nomograma Predicted live birth (%) years Egg number Age years years and over Predicted live birth (%) 24 Javier Zamora
25 Otro ejemplo: Supervivencia libre de recurrencia en cáncer de mama (GBSG Study) 25 Javier Zamora
26 GBSG Study 26 Javier Zamora
27 Modelo pronóstico 1: lineal 27 Javier Zamora
28 Modelo pronóstico 2: categorización 28 Javier Zamora
29 Modelo pronóstico: FP 29 Javier Zamora
30 Sensibilidad a valores atípicos en los extremos 60 Fractional Polynomial (-1) 60 Fractional Polynomial (-2-2) Predictor+resid dual of pbfm Predictor+resid dual of pbfm x: body mass index x: body mass index 30 Javier Zamora
31 Frecuencia de uso en la literatura médica 31 Javier Zamora
32 Conclusiones Potente herramienta de modelización Escasamente utilizados Análisis muy dirigido por los datos. Riesgo de sobreajuste Excelente bondad de ajuste validez interna Penalización de la validez externa Gran dependencia de valores extremos/atípicos Vigilancia de la robustez del análisis Análisis de sensibilidad Remuestreo (jackknife, bootstrap) Puntos influyentes 32 Javier Zamora
33 Referencias Royston P, Sauerbrei W. Multivariable Model-building. Wiley Royston, P Altman DG. Regression using fractional polynomials of continuous covariates. Appl Stat 43: Agradecimientos ISCIII Proyecto FIS 09/1096 Equipo Investigador del proyecto 33 Javier Zamora
34 34
Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011
Econometría I Examen Final 1 Universitat Pompeu Fabra Licenciatura de ADE y Economía Econometría I / 10143) Profesor: Javier Coronado Examen Final Diciembre 2011 Este examen consta de un total de 50 puntos.
Más detallesPRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx
PRUEBA DE FALTA DE AJUSTE (Lack-of-fit Test) Fortino Vela Peón fvela@correo.xoc.uam.mx Octubre, 2011 Introducción Un supuesto básico del modelo es la existencia de una relación lineal entre la variable
Más detallesANEXOS. 1) Modelo Probit.
ANEXOS 1) Modelo Probit. Estos modelos pertenecen a los modelos de respuesta binaria 1, es decir, la variable dependiente es una variable dicotómica, donde toma 1 para indicar el éxito en la variable de
Más detallesEconometría Tutorial 6 Ejercicios de Multicolinealidad
Econometría Tutorial 6 Ejercicios de Multicolinealidad En los siguientes ejercicios vamos a retomar la Curva de Kuznets Ambiental analizada en los primeros dos trabajos prácticos. La relación entre contaminación
Más detallesAnálisis de Regresión y Correlación con MINITAB
Análisis de Regresión y Correlación con MINITAB Primeras definiciones y conceptos de la regresión El análisis de la regresión es una técnica estadística que se utiliza para estudiar la relación entre variables
Más detallesEstimar efectos parciales con margins
Estimar efectos parciales con margins David M. Drukker Director of Econometrics Stata 2010 Spanish Stata Users Group meeting Madrid September 2010 1 / 31 Información general Esta charla muestra como usar
Más detallesTécnicas Cuantitativas para el Management y los Negocios
Segundo cuatrimestre - 4 Técnicas Cuantitativas para el Management y los Negocios Mag. María del Carmen Romero 4 romero@econ.unicen.edu.ar Módulo III: APLICACIONES Contenidos Módulo III Unidad 9. Análisis
Más detallesModelo 1: MCO, usando las observaciones 1994: :03 (T = 218) Variable dependiente: INFLACION
UNIVERSIDAD NACIONAL DE PIURA FACULTAD DE ECONOMIA DPTO. ACAD. DE ECONOMIA 1º El investigador especifica el modelo siguiente: EXAMEN PARCIAL DE ECONOMETRIA I Se le pide estimar el modelo por el método
Más detallesESTUDIO COMPARATIVO DE MODELOS FLEXIBLES DE DISCRIMINACIÓN DE LA CIRROSIS EN PACIENTES CON AFECTACIÓN HEPÁTICA
VI Congreso Galego de Estatística e Investigación de Operacións Vigo 5-7 de Novembro de 2003 ESTUDIO COMPARATIVO DE MODELOS FLEXIBLES DE DISCRIMINACIÓN DE LA CIRROSIS EN PACIENTES CON AFECTACIÓN HEPÁTICA
Más detallesLas variables incluidas en el modelo se interpretan de la siguiente forma:
PRÁCTICA 4: EL MODELO LINEAL DE PROBABILIDAD - Estimar un modelo lineal de probabilidad - Interpretar los coeficientes estimados - Obtener las probabilidad estimadas - Contrastar la normalidad de las perturbaciones
Más detallesANALIZANDO GRAFICADORES
ANALIZANDO GRAFICADORES María del Carmen Pérez E.N.S.P.A, Avellaneda. Prov. de Buenos Aires Instituto Superior del Profesorado "Dr. Joaquín V. González" Buenos Aires (Argentina) INTRODUCCIÓN En muchos
Más detallesCómo obtener un Modelo de Regresión Logística Binaria con SPSS
Universitat de de Barcelona. Institut de de Ciències de de l Educació Cómo obtener un Modelo de Regresión Logística Binaria con SPSS Vanesa Berlanga-Silvente y Ruth Vilà-Baños Fecha de presentación:
Más detalles10. DISEÑOS EXPERIMENTALES
10. DISEÑOS EXPERIMENTALES Dr. Edgar Acuña http://math.uprm.edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ Diseños Experimentales de Clasificación Simple En un diseño experimental
Más detallesInvestigación sobre pruebas diagnósticas
Este material se puede usar libremente, citando su autoría y procedencia: Abraira V, Zamora J, Muriel A, Cano A, Royuela A. Web del diagnóstico. Investigación sobre pruebas diagnósticas Unidad de Bioestadística
Más detallesCómo hacer una Regresión Logística con SPSS paso a paso. (I)
DOCUWEB FABIS Dot. Núm 070202 Cómo hacer una Regresión Logística con SPSS paso a paso. (I) Aguayo Canela, Mariano. Servicio de Medicina Interna. Hospital Universitario Virgen Macarena. Sevilla Resumen
Más detallesEn cada una de las tablas de esta sección se incluyen también los comandos de Stata con los cuales se obtuvo la información.
Apéndice 1. Tablas y Anexos En cada una de las tablas de esta sección se incluyen también los comandos de Stata con los cuales se obtuvo la información. Esta es la tabla de correlaciones entre variables
Más detallesANÁLISIS DE ENCUESTAS
ANÁLISIS DE ENCUESTAS TÉCNICAS MULTIVARIANTES 1. Introducción 2. Clasificación de las técnicas 3. Etapas de análisis 4. Supuestos básicos 5. Valores perdidos y anómalos introducción Definición. i ió -
Más detallesLos valores de las respuesta son las puntuaciones que, de cada individuo, o cluster, obtenemos semanalmente durante cinco semanas consecutivas:
Sobre los modelos lineales mixtos Ejemplo: Recuperación de infarto. Para estudiar las diferencias entre dos procedimientos diferentes de recuperación de pacientes de un infarto, se consideraron dos grupos
Más detallesTEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística
TEMA 5 VALIDEZ DE LA INVESTIGACIÓN (II): Validez de conclusión estadística 1 TAMAÑO DEL EFECTO 2 TAMAÑO DEL EFECTO vel tamaño del efecto es el nombre dado a una familia de índices que miden la magnitud
Más detallesEjemplo: Resolvemos Sin solución. O siempre es positiva o siempre es negativa. Damos un valor cualquiera Siempre + D(f) =
T1 Dominios, Límites, Asíntotas, Derivadas y Representación Gráfica. 1.1 Dominios de funciones: Polinómicas: D( = La X puede tomar cualquier valor entre Ejemplos: D( = Función racional: es el cociente
Más detallesEstimación de una función de gasto en alimentos
Base de datos http://www.principlesofeconometrics.com/poe4/poe4stata.htm Definición de variables http://www.principlesofeconometrics.com/poe4/data/def/food.def food.def food_exp income Obs: 40 food_exp
Más detallesYearly analysis Confidence interval ci ch4
Data obtained from the statistical program stata: Yearly analysis Confidence interval ci 243 49.80329 1.063871 47.70766 51.89892 sum,d ------------------------------------------------------------- Percentiles
Más detallesEJERCICIOS PROPUESTOS - ANÁLISIS DE REGRESION MULTIPLE
EJERCICIOS PROPUESTOS - ANÁLISIS DE REGRESION MULTIPLE. En un estudio diseñado para analizar l efect de añadir avena a la dieta estadounidense tradicional, se dividieron aleatoriamente l individu en d
Más detalles1 Ejemplo de análisis descriptivo de un conjunto de datos
1 Ejemplo de análisis descriptivo de un conjunto de datos 1.1 Introducción En este ejemplo se analiza un conjunto de datos utilizando herramientas de estadística descriptiva. El objetivo es repasar algunos
Más detallesGuía de interpretaciones y comandos STATA en apoyo a la solución de algunos ejercicios de la tarea para el Examen Final con
UNAM Facultad de Economía Curso de licenciatura Introducción a la econometría Guía de interpretaciones y comandos STATA en apoyo a la solución de algunos ejercicios de la tarea para el Examen Final con
Más detallesFundamentos de Biología Aplicada I Estadística Curso 2011-2012 Práctica 6: Regresión Logística I
Fundamentos de Biología Aplicada I Estadística Curso 2011-2012 Índice 1. Objetivos de la práctica 2 2. Estimación de un modelo de regresión logística con SPSS 2 2.1. Ajuste de un modelo de regresión logística.............................
Más detallesHipótesis Alternativa: Afirmación sobre las posibles alternativas que se tienen a la afirmación hecha en la hipótesis nula.
PRUEBA DE HIPÓTESIS Introducción (10 min) En el mundo de las finanzas, la administración y la economía tan importante como saber hacer y entender a cabalidad las estimaciones que nos ayudaran a la toma
Más detallesPruebas de. Hipótesis
Pruebas de ipótesis Pruebas de ipótesis Otra manera de hacer inferencia es haciendo una afirmación acerca del valor que el parámetro de la población bajo estudio puede tomar. Esta afirmación puede estar
Más detallesECONOMETRÍA I. Licenciatura de admón. y Dcción de Empresas Grupos 3A1 y 3A2 Convocatoria de septiembre de 2002 Profesor Rafael de Arce NOMBRE GRUPO
ECONOMETRÍA I. Licenciatura de admón. y Dcción de Empresas Grupos 3A1 y 3A2 Convocatoria de septiembre de 2002 Profesor Rafael de Arce NOMBRE GRUPO 1. Cuáles son los distintos usos que se le pueden dar
Más detallesDIPLOMADO EN RELACIONES LABORALES Estadística Asistida por Ordenador Curso 2008-2009
Índice general 6. Regresión Múltiple 3 6.1. Descomposición de la variabilidad y contrastes de hipótesis................. 4 6.2. Coeficiente de determinación.................................. 5 6.3. Hipótesis
Más detalles... *Elasticidad ingreso del gasto en electricidad (Modelo Restringido). reg lviv ling
---- ---------------------------------------- log: C:\datos\docencia\econIccee\practicas2009\chowlog log type: text opened on: 17 Sep 2009, 17:58:52 use "$ruta\chowdta", clear * crear variable logaritmo
Más detallesBeatriz Sánchez Reyes. 22 de septiembre de 2010
Regresión cuantílica Beatriz Sánchez Reyes 22 de septiembre de 2010 Índice Definición de cuantil Regresión cuantílica - Estimación - Inferencia Regresión mediana (Ejemplo) Regresión cuartílica (Ejemplo)
Más detallesSección Teórica. , cuya información se presenta a continuación. Completar las celdas necesarias para responder a las preguntas 1 a 5.
UNAM Facultad de Economía Licenciatura en Economía Examen parcial de Introducción a la Econometría Noviembre 10, 2015 AAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAAA
Más detallesDiagnosis y Crítica del modelo -Ajuste de distribuciones con Statgraphics-
Diagnosis y Crítica del modelo -Ajuste de distribuciones con Statgraphics- 1. Introducción Ficheros de datos: TiempoaccesoWeb.sf3 ; AlumnosIndustriales.sf3 El objetivo de esta práctica es asignar un modelo
Más detallesAplicaciones de Estadística Descriptiva
Aplicaciones de Estadística Descriptiva Contenidos de la presentación Funciones estadísticas en Excel. Gráficos. El módulo de análisis de datos y las tablas dinámicas de Excel. Información Intentaremos
Más detallesPrograma de Formació Continuada Societat Catalana de Cirurgia. Análisis Multivariante. Introducción. Tema 21 Joan J Sancho
Programa de Formació Continuada Societat Catalana de Cirurgia Análisis Multivariante Introducción Tema 21 Joan J Sancho Qué es? Son todas aquellas técnicas estadísticas que simultáneamente analizan múltiples
Más detallesCONSULTAS CON SQL. 3. Hacer clic sobre el botón Nuevo de la ventana de la base de datos. Aparecerá el siguiente cuadro de diálogo.
CONSULTAS CON SQL 1. Qué es SQL? Debido a la diversidad de lenguajes y de bases de datos existentes, la manera de comunicar entre unos y otras sería realmente complicada a gestionar de no ser por la existencia
Más detallesCORRELACIÓN Y PREDICIÓN
CORRELACIÓN Y PREDICIÓN 1. Introducción 2. Curvas de regresión 3. Concepto de correlación 4. Regresión lineal 5. Regresión múltiple INTRODUCCIÓN: Muy a menudo se encuentra en la práctica que existe una
Más detallesModelos de regresión: lineal simple y regresión logística
14 Modelos de regresión: lineal simple y regresión logística Irene Moral Peláez 14.1. Introducción Cuando se quiere evaluar la relación entre una variable que suscita especial interés (variable dependiente
Más detallesNure Investigación Nº 63 Marzo - Abril 2013. Lectura crítica de un artículo científico V: La valoración de la relevancia clínica
Nure Investigación Nº 63 Marzo - Abril 2013 Lectura crítica de un artículo científico V: La valoración de la relevancia clínica Critical reading of a scientific paper V: Assessing the clinical significance
Más detallesTema 5. Aproximación funcional local: Polinomio de Taylor. 5.1 Polinomio de Taylor
Tema 5 Aproximación funcional local: Polinomio de Taylor Teoría Los polinomios son las funciones reales más fáciles de evaluar; por esta razón, cuando una función resulta difícil de evaluar con exactitud,
Más detallesC. COMPONENTES PRINCIPALES PARA LA FACILITACIÓN DEL COMERCIO SIN HOSTS.
C. COMPONENTES PRINCIPALES PARA LA FACILITACIÓN DEL COMERCIO SIN HOSTS. En comparación con las investigaciones del banco mundial (Wilson, 2004), no se consideró la variable de infraestructura en servicios
Más detallesSolución Taller No. 5 Econometría II Prof. Bernal
Solución Taller No. 5 Econometría - 7 II Prof. Bernal. a. Los resultados de la estimación son los siguientes (no hay que olvidar que las variables precio hay que transformarlas a logaritmos):. gen lpreciov
Más detalles1. Introducción a la estadística 2. Estadística descriptiva: resumen numérico y gráfico de datos 3. Estadística inferencial: estimación de parámetros
TEMA 0: INTRODUCCIÓN Y REPASO 1. Introducción a la estadística 2. Estadística descriptiva: resumen numérico y gráfico de datos 3. Estadística inferencial: estimación de parámetros desconocidos 4. Comparación
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Abril 2013 Aniel Nieves-González () Time Series Abril 2013 1 / 15 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por
Más detallesTEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones.
TEMA 2. FILOSOFÍA DE LOS GRÁFICOS DE CONTROL. Principios básicos de los gráficos de control. Análisis de patrones. La herramienta que nos indica si el proceso está o no controlado o Estado de Control son
Más detallesAnálisis de sensibilidad:
Análisis de sensibilidad: Métodos probabilísticos en la evaluación económica de tecnologías sanitarias i Parte 2 David Epstein Dme2@york.ac.uk 1 La presentación El AS deterministico Univariante/multivariante
Más detallesComputación I Representación Interna Curso 2011
Computación I Representación Interna Curso 2011 Facultad de Ingeniería Universidad de la República Temario Representación de Números Enteros Representación de Punto Fijo Enteros sin signo Binarios puros
Más detallesInducción. El arco del conocimiento. Intro: hace 2.500 años. Intro: el método científico (II) Intro: el método científico (I)
Intro: hace 2.500 años Introducción Probabilidad, estadística e inferencia científica Marco Pavesi Senior Epidemiologist CIS Clinical Epidemiology Novartis Farmacéutica S.A. Antístenes: yo veo estos caballos,
Más detallesMODELO ESTACIONAL DE LLUVIAS EN BASE A PROCESOS DE POISSON NO HOMOGÉNEOS.
MODELO ESTACIONAL DE LLUVIAS EN BASE A PROCESOS DE POISSON NO HOMOGÉNEOS. I.1 OBJETIVO Y UTILIDAD: El objetivo principal de este trabajo, realizado como Trabajo Final de Máster en Ingeniería Hidráulica
Más detalles1. Ecuaciones no lineales
1. Ecuaciones no lineales 1.1 Ejercicios resueltos Ejercicio 1.1 Dada la ecuación xe x 1 = 0, se pide: a) Estudiar gráficamente sus raíces reales y acotarlas. b) Aplicar el método de la bisección y acotar
Más detallesEPIDEMIOLOGIA CLINICA
EPIDEMIOLOGIA CLINICA Somos conscientes de que éste es un tema complicado Nuestro proceso diagnóstico habitual parece ser más una cuestión intuitiva y de ojo clínico que un problema epidemiológico. Objetivos
Más detallesTema 5. Análisis de regresión (segunda parte) Estadística II, 2010/11
Tema 5 Análisis de regresión (segunda parte) Estadística II, 2010/11 Contenidos 5.1: Diagnóstico: Análisis de los residuos 5.2: La descomposición ANOVA (ANalysis Of VAriance) 5.3: Relaciones no lineales
Más detallesCURSO DE ESTADISTICA Y HERRAMIENTAS PARA ANALISIS. Estadística y Herramientas cuantitativas. Obligatoria NÚMERO DE CREDITOS: 2
Error! Marcador no definido. Página 1 de 5 1. IDENTIFICACIÓN CURSO DE ESTADISTICA Y HERRAMIENTAS PARA ANALISIS NOMBRE DE LA OFRECIDO PARA: CARÁCTER DE LA Estadística y Herramientas cuantitativas Maestria
Más detallesBREVE MANUAL DE SOLVER
BREVE MANUAL DE SOLVER PROFESOR: DAVID LAHOZ ARNEDO PROGRAMACIÓN LINEAL Definición: Un problema se define de programación lineal si se busca calcular el máximo o el mínimo de una función lineal, la relación
Más detallesTest ( o Prueba ) de Hipótesis
Test de Hipótesis 1 Test ( o Prueba ) de Hipótesis Ejemplo: Una muestra de 36 datos tiene una media igual a 4.64 Qué puede deducirse acerca de la población de donde fue tomada? Se necesita contestar a
Más detallesCapítulo 3. Análisis de Regresión Simple. 1. Introducción. Capítulo 3
Capítulo 3 1. Introducción El análisis de regresión lineal, en general, nos permite obtener una función lineal de una o más variables independientes o predictoras (X1, X2,... XK) a partir de la cual explicar
Más detallesPuedes descargar este examen en pdf desde esta dirección (busca el enlace Dropbox en la parte inferior de la página):
Univ. de Alcalá. Estadística 2014-15 Dpto. de Física y Matemáticas Grado en Biología. Examen final. Miércoles, 21 de Enero de 2015. Apellidos: Nombre: INSTRUCCIONES (LEER ATENTAMENTE). Puedes descargar
Más detallesMEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS
MEJORA EN LA EFICIENCIA DE GENERACIÓN DE MODELOS MODELO DE BEHAVIOR SCORING Por: Rosario Zolezzi Diners Club Perú Agenda Antecedentes Problemática Objetivos Fases del Modelamiento Uso de la herramienta
Más detallesTablas internas 1-12
Tablas internas 1-12 Lección 1 Uso de tablas internas Las tablas internas son variables que permiten almacenar registros en memoria. Podemos considerar cada componente en una línea como una columna en
Más detallesMuestreo e inferencia
Images created with STATA software. 1 Muestreo e inferencia Calidad de los datos y las mediciones Razones para hablar de muestreo Formación académica de la población Comprender los datos que se van a utilizar
Más detallesCURSO BÁSICO DE MATEMÁTICAS PARA ESTUDIANTES DE ECONÓMICAS Y EMPRESARIALES
INECUACIONES NOTA IMPORTANTE: El signo de desigualdad de una inecuación puede ser,, < o >. Para las cuestiones teóricas que se desarrollan en esta unidad únicamente se utilizará la desigualdad >, siendo
Más detallesPARTE III OBTENCIÓN DE MODELOS OBTENCIÓN DE MODELOS MODELADO E IDENTIFICACIÓN ASPECTOS A TENER EN CUENTA MODELADO IDENTIFICACIÓN OBTENCIÓN DE MODELOS
OBTENCIÓN DE MODELOS PARTE III OBTENCIÓN DE MODELOS 1. INFORMACIÓN SOBRE EL SISTEMA 1. EL PROPIO SISTEMA (OBSERVACIÓN, TEST) 2. CONOCIMIENTO TEÓRICO (LEYES DE LA NATURALEZA, EXPERTOS, LITERATURA, ETC.)
Más detallesEJERCICIOS RESUELTOS SOBRE ERRORES DE REDONDEO
EJERCICIOS RESUELTOS SOBRE ERRORES DE REDONDEO 1º) Considérese un número estrictamente positivo del sistema de números máquina F(s+1, m, M, 10). Supongamos que tal número es: z = 0.d 1 d...d s 10 e Responde
Más detallesInvestigación sobre pruebas diagnósticas II (repetibilidad)
Investigación sobre pruebas diagnósticas II (repetibilidad) V. Abraira Hospital Ramón y Cajal. IRYCIS CIBERESP Mayo 2011 http://www.hrc.es/investigacion/bioest/m_docente.html Esquemáticamente Precisión
Más detallesMÁSTER. en DISEÑO y ANÁLISIS de INVESTIGACIONES CLÍNICAS. Modalidad on line 60 créditos universitarios ECTS (European Credit Transfer System)
EDICIÓN 2011-2013 CUARTA EDICIÓN CENTRO DE ESTUDIOS COLEGIALES Colegio Oficial de Médicos de Barcelona MÁSTER en DISEÑO y ANÁLISIS de INVESTIGACIONES CLÍNICAS Modalidad on line 60 créditos universitarios
Más detallesIngeniería del Software I Clase de Testing Funcional 2do. Cuatrimestre de 2007
Enunciado Se desea efectuar el testing funcional de un programa que ejecuta transferencias entre cuentas bancarias. El programa recibe como parámetros la cuenta de origen, la de cuenta de destino y el
Más detallesEL DISEÑO FACTORIAL COMPLETO 2 k
EL DISEÑO FACTORIAL COMPLETO 2 k Joan Ferré Grupo de Quimiometría y Cualimetría Departamento de Química Analítica y Química Orgánica Universidad Rovira i Virgili (Tarragona) INTRODUCCIÓN En el primer artículo
Más detallesWorking Paper Series Economic Development. Econometrics. Faculty of Economics and Business. University of Santiago de Compostela No.
Working Paper Series Economic Development. Econometrics. Faculty of Economics and Business. University of Santiago de Compostela No. 77 MODELOS ECONOMETRÍCOS DEL EMPLEO EN ESPAÑA: ANÁLISIS COMPARATIVO
Más detallesECONOMETRÍA II PRÁCTICAS DE ORDENADOR. Práctica 2
ECONOMETRÍA II PRÁCTICAS DE ORDENADOR Práctica 2 El fichero epflic.wf1 contiene una submuestra de hogares de la Encuesta de Presupuestos Familiares 1990/91 formada por parejas con o sin hijos en los que
Más detallesConsecuencias económicas de eventos climáticos en la gestión hídrica de la cuenca del Canal de Panamá
Consecuencias económicas de eventos climáticos en la gestión hídrica de la cuenca del Canal de Panamá Eco. Eduardo Zegarra, PhD Investigador Principal de GRADE 13 de Julio del 2013 Contenido 1. Objetivos
Más detallesII. ANÁLISIS DE SISTEMAS DE MEDICIÓN
II. ANÁLISIS DE SISTEMAS DE MEDICIÓN INTRODUCCIÓN Siempre que registramos o medimos los resultados de un proceso nos encontramos con cierta variación en los datos obtenidos. Esta variación puede provenir
Más detalles1 Introducción al SPSS
Breve guión para las prácticas con SPSS 1 Introducción al SPSS El programa SPSS está organizado en dos bloques: el editor de datos y el visor de resultados. En la barra de menú (arriba de la pantalla)
Más detallesUna prueba genética fetal sin riesgos, ni para ti ni para tu bebé
OBSTETRICIA TEST EN SANGRE MATERNA PARA DETECTAR SÍNDROME DE DOWN Una prueba genética fetal sin riesgos, ni para ti ni para tu bebé Salud de la mujer Dexeus ATENCIÓN INTEGRAL EN OBSTETRICIA, GINECOLOGÍA
Más detallesMODELO PREDICTIVO DE RIESGO DE MOROSIDAD PARA CRÉDITOS BANCARIOS USANDO DATOS SIMULADOS
INVESTIGACIÓN MODELO PREDICTIVO DE RIESGO DE MOROSIDAD PARA CRÉDITOS BANCARIOS USANDO DATOS SIMULADOS CLAUDIO ALFREDO LÓPEZ MIRANDA Un problema grave en las instituciones de crédito son los préstamos no
Más detallesOne way anova using SAS
One way anova using SAS With Duncan test El paquete SAS es un sistema computacional de los mas completos que existen, tiene el respaldo de un centro de investigación en estadística y es el mas usado por
Más detallesEstimación de una probabilidad
Estimación de una probabilidad Introducción En general, la probabilidad de un suceso es desconocida y debe estimarse a partir de una muestra representativa. Para ello, deberemos conocer el procedimiento
Más detallesTEMA 10 FUNCIONES ELEMENTALES MATEMÁTICAS I 1º Bach. 1
TEMA 10 FUNCIONES ELEMENTALES MATEMÁTICAS I 1º Bach. 1 TEMA 10 - FUNCIONES ELEMENTALES 10.1 CONCEPTO DE FUNCIÓN DEFINICIÓN : f es una función de R en R si a cada número real, x Dom, le hace corresponder
Más detallesGESTIÓN DE REDES PARTE III
PARTE III Arquitectura de Gestión OSI 3.1 Introducción La gestión de red OSI, pensada inicialmente para la gestión de las propias redes OSI, debe su implantación práctica al ser adoptada por los estándares
Más detallesPrecio del alquiler de pisos durante una serie de meses. Evolución del índice del precio del trigo con mediciones anuales.
Series Temporales Introducción Una serie temporal se define como una colección de observaciones de una variable recogidas secuencialmente en el tiempo. Estas observaciones se suelen recoger en instantes
Más detallesEn la presente investigación, se contrastará el modelo propuesto en la. investigación de Marisa Bucheli y Carlos Casacubierta, Asistencia escolar y
Capítulo 2.- Metodología En la presente investigación, se contrastará el modelo propuesto en la investigación de Marisa Bucheli y Carlos Casacubierta, Asistencia escolar y Participación en el mercado de
Más detallesTrabajo de Matemáticas y Estadística Aplicadas
Licenciatura en Ciencia Ambientales Matemáticas y Estadística aplicada Prof. Susana Martín Fernández POLITÉCNICA Trabajo de Matemáticas y Estadística Aplicadas GUIÓN 1: Estadística descriptiva Tipo 1 1-
Más detalles, o más abreviadamente: f ( x)
TEMA 5: 1. CONCEPTO DE FUNCIÓN Observa los siguientes ejemplos: El precio de una llamada telefónica depende de su duración. El consumo de gasolina de un coche depende de la velocidad del mismo. La factura
Más detallesBiometría Clase 8 Pruebas de hipótesis para una muestra. Adriana Pérez 1
Biometría Clase 8 Pruebas de hipótesis para una muestra Adriana Pérez 1 Qué es una prueba de hipótesis? Es un proceso para determinar la validez de una aseveración hecha sobre la población basándose en
Más detallesSeis Sigma. Nueva filosofía Administrativa.
Seis Sigma. Nueva filosofía Administrativa. GIN. Filosofía de Calidad. El Seis Sigma es un parámetro cuya base principal es la desviación estándar y su enfoque es reducir la variación y/o defectos en lo
Más detallesEVALUACIÓN N DE LA VALIDEZ DE PRUEBAS DIAGNÓSTICAS
EVALUACIÓN N DE LA VALIDEZ DE PRUEBAS DIAGNÓSTICAS César Gutiérrez Villafuerte Sección n de Epidemiología a y Estadística stica Facultad de Medicina UNMSM Lima, marzo de 2006 Tuberculosis pulmonar Cáncer
Más detallesProgramación Lineal Entera
Programación Lineal Entera Los modelos de programación entera son una extensión de los modelos lineales en los que algunas variables toman valores enteros. Con frecuencia las variables enteras sólo toman
Más detallesValidation. Validación Psicométrica. Validation. Central Test. Central Test. Centraltest CENTRAL. L art de l évaluation. El arte de la evaluación
Validation Validación Psicométrica L art de l évaluation Validation Central Test Central Test Centraltest L art de l évaluation CENTRAL test.com El arte de la evaluación www.centraltest.com Propiedades
Más detallesLección n 5. Modelos de distribución n potencial de especies
Lección n 5. Modelos de distribución n potencial de especies 1. Elaboración de modelos de distribución de especies. a. Planteamiento. El modelado del nicho ambiental se basa en el principio de que la distribución
Más detallesCurso Práctico de Bioestadística Con Herramientas De Excel
Curso Práctico de Bioestadística Con Herramientas De Excel Fabrizio Marcillo Morla MBA barcillo@gmail.com (593-9) 4194239 Fabrizio Marcillo Morla Guayaquil, 1966. BSc. Acuicultura. (ESPOL 1991). Magister
Más detallesRecuperación de información Bases de Datos Documentales Licenciatura en Documentación Curso 2011/2012
Bases de Datos Documentales Curso 2011/2012 Miguel Ángel Rodríguez Luaces Laboratorio de Bases de Datos Universidade da Coruña Introducción Hemos dedicado la primera mitad del curso a diseñar e implementar
Más detallesCAPÍTULO 10 DISEÑOS EXPERIMENTALES
CAPÍTULO 10 DISEÑOS EXPERIMENTALES 10.1 Diseños Experimentales de Clasificación Simple En un diseño experimental de clasificación simple, se trata de comparar varios grupos generalmente llamados Métodos
Más detalles1.1. Introducción y conceptos básicos
Tema 1 Variables estadísticas Contenido 1.1. Introducción y conceptos básicos.................. 1 1.2. Tipos de variables estadísticas................... 2 1.3. Distribuciones de frecuencias....................
Más detallesTema 3: Variables aleatorias y vectores aleatorios bidimensionales
Estadística 38 Tema 3: Variables aleatorias y vectores aleatorios bidimensionales El concepto de variable aleatoria surge de la necesidad de hacer más manejables matemáticamente los resultados de los experimentos
Más detallesPRUEBA RAPIDA EN EMBARAZADAS (n=62,214 2009-Junio 2010) NO REACTIVO n=218 REACTIVO INDETERMINADO. Tabla 9: Resultados Prueba rápida
11-RESULTADOS 11.1-Interpretación y análisis de resultados Un total de de 62,214 mujeres embarazadas se realizaron la prueba rápida de VIH durante años 2009 hasta junio 2010 (Tabla 9). De ellas, 61,808
Más detallesTema 3. Espacios vectoriales
Tema 3. Espacios vectoriales Estructura del tema. Definición y propiedades. Ejemplos. Dependencia e independencia lineal. Conceptos de base y dimensión. Coordenadas Subespacios vectoriales. 0.1. Definición
Más detalles2. INSTRUMENTOS DE MEDICON DEL DESEMPEÑO LABORAL.
2. INSTRUMENTOS DE MEDICON DEL DESEMPEÑO LABORAL. 2.1 Medición del desempeño en base a normas. Las normas son puntos de referencia para la medición del desempeño real o esperado de los empleados, en condiciones
Más detallesOdds = = e. UD1: El modelo de regresión logística 1. 1 e
RE2. Regresión logística binaria, multinomial, de Poisson y binomial negativa Curso 204/5 Solución resumida de la prueba de evaluación Unidad didáctica (D) La regresión logística puede utilizarse en cualquiera
Más detallesDecisión: Indican puntos en que se toman decisiones: sí o no, o se verifica una actividad del flujo grama.
Diagrama de Flujo La presentación gráfica de un sistema es una forma ampliamente utilizada como herramienta de análisis, ya que permite identificar aspectos relevantes de una manera rápida y simple. El
Más detalles