II. 2. Análisis manual de imágenes médicas: Análisis de la curva ROC (Receiver Operating Characteristic).
|
|
- Sofia Zúñiga Roldán
- hace 7 años
- Vistas:
Transcripción
1 II. 2. Análisis manual de imágenes médicas: Análisis de la curva ROC (Receiver Operating Characteristic). Psicofísica: calidad física de una imagen médica y calidad del diagnóstico El análisis de la curva característica de operación del receptor (ROC), es una de las herramientas analíticas más importantes para caracterizar el desempeño humano en una tarea de análisis de imágenes y es una área activa de investigación en imágenes médicas. El análisis de la curva ROC se utilizó primero en la interpretación de imágenes de radar. La curva ROC como una descripción de la exactitud del diagnóstico La efectividad clínica de un sistema de imágenes médicas depende usualmente no sólo de las características físicas del sistema y de la presencia o no de anormalidades en el paciente. También depende de las características perceptuales del observador humano o del sistema automático que interpretan las imágenes y del nivel critico de confianza que el observador utiliza para determinar si una imagen es positiva o negativa. Al cambiar el nivel crítico de confianza, cambian la sensibilidad (i.e. La probabilidad de que una imagen positiva sea clasificada correctamente como positiva) y la especificidad (i.e. La probabilidad de que una imagen negativa sea clasificada correctamente como negativa). Entonces no se puede evaluar completamente el desempeño conjunto del observador y del sistema de imágenes en una tarea de diagnóstico (clasificación) utilizando solamente los índices de especificidad y sensibilidad. Es necesario estimar y reportar todas las combinaciones entre especificad y sensibilidad que pueden lograr en conjunto un cierto observador y un cierto sistema de imágenes. Una curva ROC es la gráfica de sensibilidad vs. (1-especificidad) METRICAS DE DESEMPEÑO PARA PROBLEMAS DE DETECCION (DIAGNOSTICO) Las métricas para evaluar procesos de detección involucran la frecuencia relativa de las decisiones correctas e incorrectas que hace un observador a partir de las imágenes médicas ( o de cualquier otro tipo de evidencia (imágenes de satelite, estadisticas numéricas, graficas de voltaje/corriente) apropiadas al proceso de detección del que se trate). Las medidas básicas son: Número de positivos y negativos, verdaderos y falsos (PV, NV, FP, FN). A partir de éstos se calculan la Sensibilidad y la especificidad del proceso de detección (diagnóstico). En el proceso de detección de la presencia o ausencia de una anormalidad en una imagen (p.e. un tumor canceroso vs un tumor benigno), se utilizan comúnmente las categorías: positivo verdadero, positivo falso, negativo verdadero y negativo falso. Los términos positivo y negativo se refieren al diagnóstico
2 hecho por un observador humano o por un sistema automático. Los adjetivos verdadero y falso se refieren a como el diagnóstico corresponde o no con el estado clínico del paciente. Así un positivo verdadero (PV) corresponde al diagnóstico de presencia de una anormalidad cuando ésta realmente existe en el paciente. Un negativo verdadero (NV) corresponde al diagnóstico negativo de una anormalidad cuando efectivamente la anormalidad no existe en el paciente. Los diagnósticos falsos (PF, NF) corresponden a los casos en los que el diagnóstico no corresponde a la realidad clínica del paciente. Sensibilidad y especificidad Son dos métricas de desempeño de un proceso de detección que se construyen a partir del número de PV, PF, NV y NF en una muestra de validación. La sensibilidad de un proceso de detección se refiere a la probabilidad de que una anormalidad (evento) sea detectada cuando realmente existe. La sensibilidad se especifica como una fracción entre 0 y 1, o un porcentaje entre 0 y 100. La suma de PV y FN corresponde al total de positivos en el proceso de detección así la sensibilidad de un sistema de detección se puede calcular como: Sensibilidad= PV/(PV+FN) Una sensibilidad de 1 indica que todas las anormalidades se detectan. La sensibilidad también se denomina como Fracción de Positivos Verdaderos (True Positive Fraction). La métrica que complementa a la sensibilidad es la especificidad la cual mide la probabilidad de que un proceso de detección reporte correctamente la no existencia de una anormalidad (o evento) cuando efectivamente ésta no existe. La suma de NV y PF corresponde al total de falsos en el proceso de detección así, la especificidad de un sistema de detección se puede calcular como: Especificidad=NV/(NV+PF)
3 Una especificidad de 1 indica que nunca se reporta la existencia de una anormalidad ( o evento) cuando ésta no existe. La Fracción de Falsos Positivos (False Positive Fraction) está definida como ( 1-especificidad) y es la fracción de casos normales que se reportan equivocadamente como anormales. Un proceso ideal de detección debe tener una sensibilidad y una especificidad de 1. Lo que implica que detecta la presencia de todas las anormalidades ( o eventos) y nunca reporta equivocadamente la presencia de una anormalidad cuando esta no existe. Ningún proceso de detección complejo, automático o humano es ideal. Para evaluar un proceso de detección es necesario tener los valores de sus dos métricas: especificidad y sensibilidad, ya que una sola métrica no puede evaluar correctamente el proceso. Esto debido a que se puede forzar una sensibilidad de 1 si nuestro sistema de detección reporta todos los casos como positivos ( a lo que corresponde una especificidad de 0) y también se puede forzar una especificad de 1 si nuestro sistema reporta todos los casos como negativos (a esto corresponde una sensibilidad de 0). En la mayoría de procesos de detección se puede lograr mayor sensibilidad si disminuimos la especificidad y viceversa. Curva ROC La curva ROC es la herramienta estandar para graficar todas al posibles combinaciones de sensibildad y especificidad de un proceso de detección. Usualmente se grafica la Fracción de Positivos Verdaderos (TPF) o sensibilidad en el eje Y, vs la Fracción de Falsos Positivos (FPF) o (1-especificidad) en el eje X. En una curva ROC el punto de operación ideal es la esquina superior izquierda donde TPF=1, FPF=0 La diagonal que va de (0,0) a (1,1) corresponde a la decisión aleatoria, ningún proceso de detección puede tener valores debajo de ésta línea. Si los tuviera basta con invertir los resultados ( i.e. hacer los positivos negativos y viceversa).
4 El método tradicional para determinar experimentalmente la curva ROC de un observador humano es el siguiente. Se adquiere un conjunto representativo de imágenes que incluyan casos positivos y negativos. Se le pide al observador que califique cada imagen en una escala de varios niveles que van desde definitivamente anormal hasta definitivamente normal. Se pueden tabular entonces diferentes valores de PV y PF (que corresponden a un punto de operación) para el conjunto de imágenes utilizando cada nivel de certeza como un umbral de decisión. En el caso de los sistemas automáticos de detección (y de análisis de imágenes médicas en este curso) la situación es diferente. Idealmente debe identificarse un parámetro que determine los porcentajes de sensibilidad y especificidad del sistema. En la figura se ilustra un caso muy simple en el que nuestro parámetro es un umbral de decisión con el que se separa a dos distribuciones gaussianas de una variable. Al variar el valor del umbral obtendremos diferentes puntos de operación (PV, PF) con los que se puede graficar la curva ROC del sistema. Existen dos consideraciones importantes en la evaluación de un sistema automático de detección: Es importante identificar el parámetro que efectivamente mueve la frontera de decisión en el espacio de características, es posible que la frontera dependa de varios parámetros. Debe seguirse un método apropiado de entrenamiento y validación del sistema automático. Usualmente durante el desarrollo del sistema se utiliza un conjunto de datos sobre con los que se construye una curva ROC optima variando el umbral de decisión. Esta curva no refleja el desempeño del sistema en
5 un nuevo conjunto de datos independiente del primero, usualmente este desempeño será más bajo.
Reconocimiento de Patrones
Reconocimiento de Patrones Técnicas de validación (Clasificación Supervisada) Jesús Ariel Carrasco Ochoa Instituto Nacional de Astrofísica, Óptica y Electrónica Clasificación Supervisada Para qué evaluar
Más detallesAnálisis de Datos. Validación de clasificadores. Profesor: Dr. Wilfrido Gómez Flores
Análisis de Datos Validación de clasificadores Profesor: Dr. Wilfrido Gómez Flores 1 Introducción La mayoría de los clasificadores que se han visto requieren de uno o más parámetros definidos libremente,
Más detallesCaracterísticas operativas de test diagnósticos Curvas ROC
Curso MBE IV Medicina Universidad de Valparaíso Características operativas de test diagnósticos Curvas ROC Dr. Claudio Puebla Curvas ROC De gran desarrollo en los últimos años en el proceso diagnóstico.
Más detallesJulio Deride Silva. 4 de junio de 2010
Curvas ROC y Regresión Lineal Julio Deride Silva Área de Matemática Facultad de Ciencias Químicas y Farmcéuticas Universidad de Chile 4 de junio de 2010 Tabla de Contenidos Curvas ROC y Regresión Lineal
Más detallesLECTURA CRÍTICA DE LA LITERATURA MÉDICA
OBJETIVO LECTURA CRÍTICA DE LA LITERATURA MÉDICA Capacitar a los participantes en la formulación adecuada de preguntas de investigación, búsqueda de la literatura, análisis crítico de esta información,
Más detallesEL SISTEMA INTERNACIONAL DE UNIDADES Magnitudes, prefijos y símbolos
Interpretación e informes bioquímicos en el laboratorio clínico Descriptores: Marcadores bioquímicos y moleculares. Tablas de referencia. Validación de resultados: variabilidad y punto de corte. Interpretación
Más detallesPRUEBAS. Sandra Convers-Páez, M.D. Instituto de Investigaciones Médicas Facultad de Medicina 2009
PRUEBAS DIAGNÓSTICAS Sandra Convers-Páez, M.D. Instituto de Investigaciones Médicas Facultad de Medicina 2009 PRUEBAS DIAGNÓSTICAS Generalmente, pruebas realizadas en un laboratorio (también historia y
Más detallesESTADISTICA INFERENCIAL DR. JORGE ACUÑA A.
ESTADISTICA INFERENCIAL DR. JORGE ACUÑA A. 1 PROBABILIDAD Probabilidad de un evento es la posibilidad relativa de que este ocurra al realizar el experimento Es la frecuencia de que algo ocurra dividido
Más detallesIncertidumbre, Validación y Trazabilidad en el Laboratorio de Análisis Clínicos. Cómo cumplir con requisitos de la ISO 15189
Incertidumbre, Validación y Trazabilidad en el Laboratorio de Análisis Clínicos Cómo cumplir con requisitos de la ISO 15189 Calidad en mediciones químicas Validación de métodos Estoy midiendo lo que intentaba
Más detallesANÁLISIS DE DATOS. Jesús García Herrero
ANÁLISIS DE DATOS Jesús García Herrero ANALISIS DE DATOS EJERCICIOS Una empresa de seguros de automóviles quiere utilizar los datos sobre sus clientes para obtener reglas útiles que permita clasificar
Más detallesEpidemiología. 4. Validez y confiabilidad de las pruebas diagnósticas.
Epidemiología 4. Validez y confiabilidad de las pruebas diagnósticas. Pruebas diagnósticas. Variación biológica de la población. Variación biológica de la población. sanos enfermos resultado de la prueba
Más detallesContraste de Hipótesis
Contraste de Hipótesis Introducción Ejemplo El peso de plantines de un arbusto forrajero, almacenado a temperatura y humedad relativa ambientes, obtenido a los 20 días desde la germinación es en promedio
Más detallesMedición clínica Diagnóstico Sensibilidad y especificidad
Medición clínica Diagnóstico Sensibilidad y especificidad La práctica de la medicina necesita evidencias sobre tres tipos básicos de conocimiento profesional Diagnóstico : Probabilidad El diagnóstico perfecto
Más detallesPRINCIPIOS DE PSICOMETRIA. Universidad Intercontinental Facultad de Psicología Área de la Salud
PRINCIPIOS DE PSICOMETRIA Universidad Intercontinental Facultad de Psicología Área de la Salud PRINCIPIOS DE PSICOMETRIA MEDICION La medición de habilidades cognitivas Prueba: muestra de una conducta particular.
Más detallesAnálisis de sensibilidad:
Análisis de sensibilidad: Métodos en la evaluación económica de tecnologías sanitarias Parte 1 David Epstein dme2@york.ac.uk 1 Índice El Análisis de Sensibilidad (AS) - Parte 1 Objetivos de un AS Revisión
Más detallesMANTENIMIENTO CENTRADO EN CONFIABILIDAD (MCC) DR. JORGE ACUÑA 1
MANTENIMIENTO CENTRADO EN CONFIABILIDAD (MCC) 1 ADMINISTRACION DEL news MANTENIMIENTO ( QUE ES? Mantenimiento: operación mediante la cual los sistemas están sometidos a rutinas de revisión, reparación
Más detallesValidación de métodos analíticos
Problemática y alternativas tecnológicas para la remoción de arsénico en la obtención de agua potable Validación de métodos analíticos Basado en la Guía Eurachem Validación de métodos analíticos Principios
Más detallesPrograma de estudios. 1) Muestra y población. Parámetros estimadores y estadísticos. Distribución de Gauss. Intervalo de confianza
Programa de estudios Módulo 1: Panorama general de la Investigación Clínica. Ideas y Protocolo 1. La imaginación científica. Desarrollo de la idea de Investigación. Preguntas de Investigación 2. Diseño
Más detallesBIOESTADISTICA ( ) Evaluación de pruebas diagnósticas. 1) Características del diseño en un estudio para evaluar pruebas diagnósticas.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Evaluación de pruebas diagnósticas CONCEPTOS CLAVE 1) Características del diseño en un estudio para evaluar pruebas
Más detallesMediciones II. Todas las mediciones tienen asociada una incertidumbre que puede deberse a los siguientes factores:
Mediciones II Objetivos El alumno determinará la incertidumbre de las mediciones. El alumno determinará las incertidumbres a partir de los instrumentos de medición. El alumno determinará las incertidumbres
Más detallesDISEÑO DE UN ESTUDIO DE PRUEBA DIAGNÓSTICA
DISEÑO DE UN ESTUDIO DE PRUEBA DIAGNÓSTICA ESTUDIOS DE PRUEBA DIAGNÓSTICA DISEÑOS SIMILARES A LOS ESTUDIOS OBSERVACIONALES ANALÍTICOS PARA EVALUAR LA PRECISIÓN Y LA EXACTITUD DE LOS ESTUDIOS DE LABORATORIO
Más detallesCALCULO DE INCERTIDUMBRE DE LAS MEDICIONES DE ENSAYOS
Gestor de Calidad Página: 1 de 5 1. Propósito Establecer una guía para el cálculo de la incertidumbre asociada a las mediciones de los ensayos que se realizan en el. Este procedimiento ha sido preparado
Más detalles1.Pensamiento crítico, juicio clínico, toma de decisiones y manejo de Información
UNIDAD 6: NORMALIDAD Y ANORMALIDAD PROGRAMA DE EPIDEMIOLOGÍA CLÍNICA Y MEDICINA BASADA EN EVIDENCIAS Objetivo Subtema(s) Competencias Actividades de aprendizaje Criterios de desempeño (Evidencias) Instrumento
Más detallesIII JORNADAS DE DATA MINING
III JORNADAS DE DATA MINING EN EL MARCO DE LA MAESTRÍA EN DATA MINING DE LA UNIVERSIDAD AUSTRAL VISIÓN DE MODELOS PREDICTIVOS COMO RANKEADORES Gustavo Denicolay, Socio Gerente Adaptive, Profesor Maestría
Más detallesAprender a construir gráficos X-S y conocer sus limitaciones.
Objetivos Aprender a construir gráficos X-R y conocer sus limitaciones. Aprender a construir gráficos X-S y conocer sus limitaciones. Comprender la relación entre los Gráficos de Control y el intervalo
Más detallesHerramientas estadísticas aplicadas a la validación de métodos analíticos.
Herramientas estadísticas aplicadas a la validación de métodos analíticos. Analítica Experimental III P. en F. Romero Martínez Marisol Revisión: Dra. Silvia Citlalli Gama González Analítica Experimental
Más detallesDISTRIBUCIÓN CHI-CUADRADO O JI-CUADRADO X 2 CONCEPTO BÁSICO Frecuencia: es el número de datos que caen en cada celda. Frecuencias Observadas (fo):
DISTRIBUCIÓN CHI-CUADRADO O JI-CUADRADO X CONCEPTO BÁSICO Frecuencia: es el número de datos que caen en cada celda. Frecuencias Observadas (fo): son aquellas que representan los valores muestrales observados
Más detallesUSO DE LA FÓRMULA CUADRÁTICA y 9.1.3
Capítulo 9 USO DE LA FÓRMULA CUADRÁTICA 9.1.2 y 9.1.3 Cuando una ecuación cuadrática no es factorizable, necesitas otro método para hallar x. La Fórmula cuadrática puede usarse para calcular las raíces
Más detallesSESGO DE CLASIFICACIÓN ERRÓNEA CLASIFICACIÓN ERRÓNEA NO DIFERENCIAL EN LA EXPOSICIÓN CLASIFICACIÓN ERRÓNEA EN LA EXPOSICIÓN
SESGO DE CLASIFICACIÓN ERRÓNEA Es bien sabido que las pruebas diagnósticas basadas en observaciones clínicas o en técnicas de laboratorio son imperfectas. Como consecuencia, algunos individuos sanos serán
Más detallesDistrito Escolar Unificado de Berkeley GUIA PARA FAMILIAS TARJETA DE CALIFICACIÓN 5 GRADO
Distrito Escolar Unificado de Berkeley El Distrito Escolar Unificado de Berkeley ha hecho algunos cambios en las Tarjetas de Calificaciones de este año escolar. El propósito de esta guía es dar a las familias
Más detallesPara llevar a cabo una simulación, se requiere implementar las siguientes etapas:
SIMULACIÓN: La simulación se define como una técnica numérica utilizada para representar un proceso o fenómeno mediante otro más simple que permite analizar sus características. Esta técnica emplea relaciones
Más detallesCONTROL DE CALIDAD INTERNO. MULTIREGLAS, OPSpecs Control estadístico de procesos
CONTROL DE CALIDAD INTERNO MULTIREGLAS, OPSpecs Control estadístico de procesos FUENTES DE ERROR Instrumental mal calibrado Reactivos no verificados Personal no entrenado Metodologías incorrectas Elaboración
Más detallesSensibilidad de un software para la identificación de pacientes diabéticos
Sensibilidad de un software para la identificación de pacientes diabéticos Perman, G; Baum, A; Musri, C; Montenegro, S; Figar, S; Gomez, A; Martinez, M; Luna, D; Soriano, ER; González B de Quirós, F. Programa
Más detallesAplicaciones de apoyo al diagnóstico médico. Identificación de objetos amigos y enemigos. Identificación de zonas afectadas por un desastre natural.
Capítulo 5 Evaluación En muchas ocasiones requerimos hacer una evaluación muy precisa de nuestros algoritmos de aprendizaje computacional porque los vamos a utilizar en algún tipo de aplicación que así
Más detallesDIAGNÓSTICO RAZONES DE VEROSIMILITUD. Dra. Ma. Del Rosario Velasco Lavín
DIAGNÓSTICO RAZONES DE VEROSIMILITUD Dra. Ma. Del Rosario Velasco Lavín RAZONES DE VEROSIMILITUD Alternativa para describir el rendimiento de una prueba diagnóstica Resumen el mismo tipo de información
Más detallesUNIVERSIDAD MARÍA AUXILIADORA UMA
CARRERA PROFESIONAL DE ENFERMERIA SÍLABO DE BIOESTADÍSTICA I. DATOS GENERALES: 1.1. Carreras profesionales : Enfermería 1.2. Semestre académico : 2015 - I 1.3. Ciclo : III 1.4. Pre-requisito : Matemática
Más detallesEscuela Nacional de Estadística e Informática ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA
ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA ESPECIALIZACIÓN EN ESTADÍSTICA APLICADA Lima Perú 2013 DISEÑO COMPLETAMENTE ALEATORIZADO Es el diseño más simple y sencillo de realizar, en el cual los tratamientos
Más detallesLa Distribución Normal. La Distribución Normal. Características de la distribución de probabilidad normal
La Distribución Normal La Distribución Normal Características de la distribución de probabilidad normal La familia de la distribución de probabilidad normal La distribución normal estándar Áreas bajo la
Más detallesGLOSARIO ESTADÍSTICO. Fuente: Murray R. Spiegel, Estadística, McGraw Hill.
GLOSARIO ESTADÍSTICO Fuente: Murray R. Spiegel, Estadística, McGraw Hill. CONCEPTOS Y DEFINICIONES ESPECIALES Es el estudio científico de los métodos para recoger, organizar, resumir y analizar los datos
Más detallesEvaluación de Modelos (II) Carlos Hurtado L. Departamento de Ciencias de la Computación, U de Chile
Evaluación de Modelos (II) Carlos Hurtado L. Departamento de Ciencias de la Computación, U de Chile Comparación de Modelos Podemos estimar el error de cada modelo y rankear. Una alternativa más sólida
Más detallesCapítulo. Distribución de probabilidad normal. Pearson Prentice Hall. All rights reserved
Capítulo 37 Distribución de probabilidad normal 2010 Pearson Prentice Hall. All rights 2010 reserved Pearson Prentice Hall. All rights reserved La distribución de probabilidad uniforme Hasta ahora hemos
Más detallesIndicadores de procesos de laboratorio clínico: Los puntos de vista de tres expertos. Dr. Gabriel A. Migliarino
Indicadores de procesos de laboratorio clínico: Los puntos de vista de tres expertos Dr. Gabriel A. Migliarino Indicadores de la calidad para el proceso general de análisis América Latina Generar resultados,
Más detallesMétodos de Inteligencia Artificial
Métodos de Inteligencia Artificial L. Enrique Sucar (INAOE) esucar@inaoep.mx ccc.inaoep.mx/esucar Tecnologías de Información UPAEP Agentes que Aprenden: Clasificador Bayesiano Clasificación Clasificador
Más detallesModificaciones a la lista de verificación de la declaración original del Fortalecimiento del
Modificaciones a la lista de verificación de la declaración original del Fortalecimiento del Reporte de Estudios Observacionales en Epidemiología (STROBE por sus siglas en inglés) para la declaración de
Más detallesControl Estadístico Interno de la Calidad en Serología
Control Estadístico Interno de la Calidad en Serología Agenda Introducción Buenas Prácticas Reglas de Control Planificación Introducción Luego de la Evaluación de los Procedimientos de Medida Voy a comenzar
Más detallesLa acreditación: Sinónimo de confianza y competencia técnica en Bancos de Sangre
La acreditación: Sinónimo de confianza y competencia técnica en Bancos de Sangre Control externo en apoyo a la calidad Dr. Gabriel A. Migliarino Objetivo Emplear los esquemas de evaluación externa de la
Más detallesUnidad V. Control Estadístico de la Calidad
UNIVERSIDAD NACIONAL DE INGENIERÍA UNI- NORTE - SEDE REGIONAL ESTELÍ Unidad V. Control Estadístico de la Calidad Objetivos Reconocer los principios estadísticos del control de calidad. Explicar la forma
Más detallesCRITERIOS TÉCNICOS DE EVALUACIÓN DE UN DOSSIER DE ESPECIALIDADES FARMACEUTICAS DIRECTIVA SANITARIA N 001-MINSA/DIGEMID V.01
CRITERIOS TÉCNICOS DE EVALUACIÓN DE UN DOSSIER DE ESPECIALIDADES FARMACEUTICAS EQUIPO DE REGISTRO DE PRODUCTOS FARMACÉUTICOS DIRECCIÓN DE AUTORIZACIONES SANITARIAS VALIDACIÓN DE UN PROCEDIMIENTO ANALÍTICO
Más detallesGráficos de Probabilidad
Gráficos de Probabilidad Resumen El procedimiento Gráficos de Probabilidad grafica los datos de una sola columna numérica en gráficas con una escala específica tal que, si los datos provienen de una distribución
Más detalles5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD
Distribución normal 5. DISTRIBUCIOES COTIUAS DE PROBABILIDAD La distribución continua de probabilidad más importante en todo el campo de la estadística es la distribución normal. Su grafica, que se denomina
Más detallesProgramas de Evaluación Externa de la Calidad en apoyo al Aseguramiento de la Calidad en su Laboratorio y Banco de Sangre
Programas de Evaluación Externa de la Calidad en apoyo al Aseguramiento de la Calidad en su Laboratorio y Banco de Sangre QFB Leticia Contreras Instituto LICON Definiciones (ISO 17043:2010) Ensayos de
Más detallesMedidas de Tendencia Central
Medidas de Tendencia Central En cualquier análisis o interpretación, se pueden usar muchas medidas descriptivas que representan las propiedades de tendencia central, variación y forma para resumir las
Más detallesTeoría de errores -Hitogramas
FÍSICA I Teoría de errores -Hitogramas Autores: Pablo Iván ikel - e-mail: pinikel@hotmail.com Ma. Florencia Kronberg - e-mail:sil_simba@hotmail.com Silvina Poncelas - e-mail:flo_kron@hotmail.com Introducción:
Más detallesMinisterio de Educación Pública Dirección de Gestión y Evaluación de la Calidad Departamento de Evaluación Académica y Certificación.
Matemáticas Distribución de ítems para la prueba nacional Modalidad Académica (Diurnos Nocturnos) Convocatorias 016 ESTIMADO DOCENTE: En la modalidad de colegios académico, la Prueba de Bachillerato 016
Más detallesEL CÁLCULO DE LA MUESTRA SE BASA EN EL DISEÑO DE ESTUDIO, MEDIANTE CARACTERÍSTICAS QUE SE CONOCEN EN LA POBLACIÓN
VALIDEZ INTERNA EL CÁLCULO DE LA MUESTRA SE BASA EN EL DISEÑO DE ESTUDIO, MEDIANTE CARACTERÍSTICAS QUE SE CONOCEN EN LA POBLACIÓN Existen fórmulas que nos permiten calcular la muestra en base a características
Más detallesEn mujeres con sangrado posmenopausico el riesgo de cáncer de endometrio. está entre 5 15% (1, 3-5). Existen factores de riesgo asociados como la
V. DISCUSION En mujeres con sangrado posmenopausico el riesgo de cáncer de endometrio está entre 5 15% (1, 3-5). Existen factores de riesgo asociados como la edad, diabetes, hipertension, nuliparidad entre
Más detallesTaller de Validación de Métodos Verificación de Procedimientos de Medidas Cualitativos: Enfermedades Infecciosas. PONENTE: Gabriel A.
Taller de Validación de Métodos Verificación de Procedimientos de Medidas Cualitativos: Enfermedades Infecciosas PONENTE: Gabriel A. Migliarino Agenda Introducción Evaluación de Procedimientos de Medida
Más detallesModelos de PERT/CPM: Probabilístico
INSTITUTO POLITÉCNICO NACIONAL ESCUELA SUPERIOR DE CÓMPUTO Modelos de PERT/CPM: Probabilístico M. En C. Eduardo Bustos Farías 1 Existen proyectos con actividades que tienen tiempos inciertos, es decir,
Más detallesEl primer paso en la realización de una investigación es planear las hipótesis de investigación. Definamos el concepto de hipótesis:
El primer paso en la realización de una investigación es planear las hipótesis de investigación. Definamos el concepto de hipótesis Definición 1.- Una hipótesis es una afirmación que está sujeta a verificación
Más detallesCap 7 Intervalos de Confianza
Cap 7 Intervalos de Confianza Mate 3015 7.1-1 INTERVALOS DE CONFIANZA PARA UNA PROPORCIÓN 7.1-2 Estadísticas inferencial Ahora discutimos estadística inferencial -el proceso de generalizar la información
Más detallesTema 2 Primeros Modelos Computacionales
Universidad Carlos III de Madrid OpenCourseWare Redes de Neuronas Artificiales Inés M. Galván - José Mª Valls Tema 2 Primeros Modelos Computacionales 1 Primeros Modelos Computacionales Perceptron simple
Más detallesDetección automática de nódulos pulmonares en tomografía computarizada: Evaluación sobre bases de datos independientes.
Detección automática de nódulos pulmonares en tomografía computarizada: Evaluación sobre bases de datos independientes. Poster no.: S-0805 Congreso: SERAM 2012 Tipo del póster: Presentación Electrónica
Más detalles1. La Distribución Normal
1. La Distribución Normal Los espacios muestrales continuos y las variables aleatorias continuas se presentan siempre que se manejan cantidades que se miden en una escala continua; por ejemplo, cuando
Más detallesDistrito Escolar Unificado de Berkeley GUIA PARA FAMILIAS TARJETA DE CALIFICACIÓN 4 GRADO
El Distrito Escolar Unificado de Berkeley ha hecho algunos cambios en las Tarjetas de Calificaciones de este año escolar. El propósito de esta guía es dar a las familias una explicación detallada de la
Más detallesTema 4: Variables Aleatorias
Tema 4: Variables Aleatorias Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Variables Aleatorias Curso 2009-2010 1 / 10 Índice 1 Concepto
Más detallesINDICADORES DE GESTIÓN, CLAVES PARA LA GESTIÓN ORGANIZACIONAL. Facilitador: Carlos Julio Acosta Franco JULIO DE 2014
INDICADORES DE GESTIÓN, CLAVES PARA LA GESTIÓN ORGANIZACIONAL Facilitador: Carlos Julio Acosta Franco JULIO DE 2014 OBJETIVOS Comprender la importancia de la medición de la gestión de la empresa. Conocer
Más detalles2. Recolección de información - Medidas de posición: moda, media aritmética, mínimo, máximo - Frecuencia absoluta, relativa y porcentual
Prueba Escrita de matemática / Nivel: Sétimo año 1. Estadística - Unidad estadística - Características - Datos u observaciones - Población - Muestra - Variabilidad de los datos - Variables cuantitativas
Más detallescrédito. Por ejemplo si la institución ha fijado que los clientes buenos son aquellos que tienen 500 puntos o más, este cliente sería rechazado.
crédito. Por ejemplo si la institución ha fijado que los clientes buenos son aquellos que tienen 500 puntos o más, este cliente sería rechazado. 6.- Validación del modelo 6.1.- Análisis de percentiles
Más detallesCómo Establecer Puntos de Corte o Selección para Estandares? Que es un Estandard?
Cómo Establecer Puntos de Corte o Selección para Estandares? Eugenio J. Gonzalez Que es un Estandard? Un nivel deseado de desempeno Pueder ser definido de manera conceptual o empirica Se refiere a niveles
Más detallesGRAFICAS LINEALES REGLAS GENERALES PARA LA CONSTRUCCIÓN DE GRÁFICAS
GRAFICAS LINEALES OBJETIVOS 1. Realizar linealización de gráficos por el método de cambios de variables. 2. Obtener experimentalmente la relación matemática, más adecuada, entre dos cantidades o magnitudes
Más detalles2. Distribuciones de Muestreo
2. Distribuciones de Muestreo Conceptos básicos Para introducir los conceptos básicos consideremos el siguiente ejemplo: Supongamos que estamos interesados en determinar el número medio de televisores
Más detallesNúmero de Observaciones (N): cuántas observaciones serán necesarias para detectar el efecto?
Tamaño del Efecto (ej. d, 2, f, phi ): qué magnitud del efecto se trata de detectar? Número de Observaciones (N): cuántas observaciones serán necesarias para detectar el efecto? Error de Tipo I, α (Nivel
Más detallesUNIVERSIDAD DE ATACAMA
UNIVERSIDAD DE ATACAMA FACULTAD DE INGENIERÍA / DEPARTAMENTO DE MATEMÁTICA ESTADÍSTICA Y PROBABILIDADES PAUTA DE CORRECCIÓN PRUEBA N 3 Profesor: Hugo S. Salinas. Segundo Semestre 200. Se investiga el diámetro
Más detallesAlgunas nociones básicas sobre Estadística
Escuela de Formación Básica - Física 1 Laboratorio - 10 Semestre 2010 Comisiones 15 Y 16 (Docentes: Carmen Tachino - Graciela Salum) ntroducción Algunas nociones básicas sobre Estadística Como se ha explicado
Más detallesESTADÍSTICA INFERENCIAL
ESTADÍSTICA INFERENCIAL ESTADÍSTICA INFERENCIAL 1 Sesión No. 10 Nombre: Pruebas de hipótesis referentes al valor de la media de la población Contextualización En estadística existen dos métodos para la
Más detallesMedias y Porcentajes en. Un primer paso para su comprensión
Medias y Porcentajes en Un primer paso para su comprensión MEDIAS Y PORCENTAJES Desde el año 2000 y con una periodicidad de tres años, en México se ha aplicado la evaluación internacional Programa Internacional
Más detallesTeoría de la decisión
1.- Un problema estadístico típico es reflejar la relación entre dos variables, a partir de una serie de Observaciones: Por ejemplo: * peso adulto altura / peso adulto k*altura * relación de la circunferencia
Más detallesINSTRUCTIVO DEL LOS REPORTES DE LA SERIE R21 CAPITALIZACION DE BÁSICAS
INSTRUCTIVO DEL LOS REPORTES DE LA SERIE R21 CAPITALIZACION DE BÁSICAS Contenido Fundamento legal del Reporte... 2 Consideraciones Generales del reporte... 3 Especificación del reporte... 3 Reporte R21-A
Más detallesMedir los Rayos. Mr. Bonnet V.P. International Congreso Latinoamericano de Energía Eólica Junio 2016
Medir los Rayos Mr. Bonnet V.P. International Congreso Latinoamericano de Energía Eólica Junio 2016 EL RIESGO DE RAYOS PARA EL SECTOR EOLICO EL RIESGO ELECTRICO Sobretensiones sobre los equipos de producción
Más detallesDiplomado en Estadística e Investigación Científica
Sociedad Hispana de Investigadores Científicos Diplomado en Estadística e Investigación Científica Introducción Durante mucho tiempo se consideró a la investigación científica como una actividad de unos
Más detallesPráctica 5: Clasificación con número variable de ejemplos.
5º INGENIERÍA DE TELECOMUNICACIÓN INTELIGENCIA ARTIFICIAL Y RECONOCIMIENTO DE PATRONES Práctica 5: Clasificación con número variable de ejemplos. Objetivos: Utilización de conjuntos de entrenamiento y
Más detallesPrograma de Maestría en Investigación y Evaluación Educativa (INEVA) Departamento de Estudios Graduados Facultad de Educación
Víctor E. Bonilla Rodríguez, Ph.D. Programa de Maestría en Investigación y Evaluación Educativa (INEVA) Departamento de Estudios Graduados Facultad de Educación Centro de Cómputos, Facultad de Ciencias
Más detallesAnálisis de imágenes digitales
Análisis de imágenes digitales SEGMENTACIÓN DE LA IMAGEN Segmentación basada en color INTRODUCCIÓN La segmentación de imágenes a color se puede realizar mediante técnicas de clasificación supervisada.
Más detallesAnálisis de Capacidad Multivariada
Análisis de Capacidad Multivariada Resumen El procedimiento Análisis de Capacidad Multivariada determina la probabilidad de que los puntos caracterizados por dos o más variables se encuentren establecidos
Más detallesPREGUNTAS TIPO EXAMEN-PROBABILIDAD
PREGUNTAS TIPO EXAMEN-PROBABILIDAD Preg. 1. Cuál de los siguientes es uno de los axiomas de probabilidad: a PROB[A]< 1 para todo A. b PROB[A]> 0 para todo A. c PROB[E]= 1 cuando E es el suceso seguro.
Más detallesEnlace del Plan de Auditoría con los Riesgos y Exposiciones
Enlace del Plan de Auditoría con los Riesgos y Exposiciones Estándar principalmente relacionado: 2320 Análisis y Evaluación Los auditores internos deben basar sus conclusiones y los resultados del trabajo
Más detallesTeorema Central del Límite (1)
Teorema Central del Límite (1) Definición. Cualquier cantidad calculada a partir de las observaciones de una muestra se llama estadístico. La distribución de los valores que puede tomar un estadístico
Más detallesSólo cuando la exactiud de dos algoritmos que realizan la misma tarea es comparable, tiene sentido hablar de la eficiencia computacional.
II.6. Validación de técnicas automáticas de análisis de imágenes médicas [Handbook of medical image analysis volumen 2. Cap.10: Validation of medical image analysis techniques, K.W. Bowyer.] La validación
Más detallesObjetivos. Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos. Epígrafes
Objetivos Aprender a construir gráficos p y/o np. Aprender a construir gráficos c y u. Cuando usarlos Epígrafes Introducción a los Gráficos p, np. Interpretación Gráficos c y u. Interpretación 2-1 Gráfico
Más detallesProtocolo de registro interpretativo del WISC-IV
Apéndice E Protocolo de registro interpretativo del WISC-IV PASO 1. Registrar las puntuaciones estándar del niño (CI Total y los Índices) y las puntuaciones escalares de las Subpruebas del WISC-IV Para
Más detallesEstadística Aplicada
Estadística Aplicada Universidad Maimónides 2016 Clase 2. Medidas de Tendencia Central y Dispersión Pedro Elosegui Medidas de Descripción del Conjunto de Datos -Estadísticas sumarias que permiten describir
Más detallesEstándares de evaluación en la materia de MATEMÁTICAS de 1º de ESO. Curso 2016/2017.
Estándares de evaluación en la materia de MATEMÁTICAS de 1º de ESO. Curso 2016/2017. Bloque 1. Procesos, métodos y actitudes en matemáticas. Los criterios correspondientes a este bloque son los marcador
Más detallesA continuación se presenta la información de la altura promedio para el año de 1998 en Holanda de hombres y mujeres jóvenes.
M150: Creciendo A) Presentación del problema LOS JOVENES CRECEN MAS ALTO A continuación se presenta la altura promedio para el año de 1998 en Holanda de hombres y mujeres jóvenes. B) Preguntas del problema
Más detallesDISTRIBUCIÓN DE CONOCIMIENTOS PARA LOS COLEGIOS TECNICOS PROFESIONALES ASIGNATURA MATEMÁTICA PARA EL AÑO 2016 UNICAMENTE
MINISTERIO DE EDUCACIÓN PÚBLICA DESPACHO DEL VICEMINISTERIO ACADÉMICO DIRECCIÓN DE DESARROLLO CURRICULAR DEPARTAMENTO DE TERCER CICLO Y EDUCACIÓN DIVERSIFICADA TELÉFONO 22231810 APARTADO 10 087-1 000 SAN
Más detallesCONTENIDOS MÍNIMOS BLOQUE 2. NÚMEROS
CONTENIDOS Y CRITERIOS DE EVALUACIÓN DE MATEMÁTICAS 1º DE ESO. Bloque 1: Contenidos Comunes Este bloque de contenidos será desarrollado junto con los otros bloques a lo largo de todas y cada una de las
Más detallesVIII Jornadas de Usuarios de R
VIII Jornadas de Usuarios de R Análisis del Abandono en el Sector Bancario Predicción del abandono de clientes Albacete, 17 de Noviembre de 2016 I. INDICE : Modelo Abandonos I. COMPRENSIÓN DEL NEGOCIO
Más detallesCONSTRUCCIÓN DE ÍTEMS TIPO SELECCIÓN MÚLTIPLE CON ÚNICA RESPUESTA Liliana Arbeláez Docente Fundación Universitaria Luis Amigó 2015
CONSTRUCCIÓN DE ÍTEMS TIPO SELECCIÓN MÚLTIPLE CON ÚNICA RESPUESTA Liliana Arbeláez Docente Fundación Universitaria Luis Amigó 2015 Qué es un Instrumento de evaluación objetiva Es un conjunto intencionalmente
Más detallesSESIÓN PRÁCTICA DE BIOESTADÍSTICA: EVALUACIÓN DE CRITERIOS DIAGNÓSTICOS. DISCRIMINACIÓN.
SESIÓN PRÁCTICA DE BIOESTADÍSTICA: EVALUACIÓN DE CRITERIOS DIAGNÓSTICOS. DISCRIMINACIÓN. CURVA ROC OBJETIVOS Si disponemos de una variable continua (por ejemplo una determinación de un valor analítico),
Más detalles