la dosis de una droga basado en modelos lineales mixtos: Una aplicación al antipsicótico clozapina
|
|
- José Cárdenas Juárez
- hace 7 años
- Vistas:
Transcripción
1 Contenido de la dosis de una droga basado en modelos lineales mixtos: Una aplicación al antipsicótico clozapina Myladis R. Cogollo 1 Francisco J. Diaz 2 1 Profesora asistente Escuela de Ciencias y Humanidades Universidad EAFIT 2 Associate Professor Department of Biostatistics The Kansas University Medical Center Días de la Ciencia Aplicada 2009
2 Contenido Trabajo realizado en colaboración con José de León, M.D. Universidad de Kentucky, USA Edoardo Spina, M.D., y Vincenza Santoro, B.Sc. Instituto de Farmacología de la Universidad de Mesina, Italia
3 Contenido Contenido Metodología Resultados 6 7
4 Contenido Contenido Metodología Resultados 6 7
5 Contenido Contenido Metodología Resultados 6 7
6 Contenido Contenido Metodología Resultados 6 7
7 Contenido Contenido Metodología Resultados 6 7
8 Contenido Contenido Metodología Resultados 6 7
9 Contenido Contenido Metodología Resultados 6 7
10 En el tratamiento de algunas enfermedades crónicas se busca una dosis de droga apropiada que haga que una respuesta continua se mantenga en un rango de valores preespecificado. Ejemplo: Clozapina: esquizofrenia. Respuesta: Concentración plasmática de clozapina. Warfarina: reducir riesgo de trombosis. Respuesta: Tendencia a coagular (INR). Metadona: adicción a la heroína. Respuesta: Concentración plasmática de Metadona. La variabilidad en la respuesta de individuo en individuo sugiere que el uso de modelos estadísticos pueda ayudar a la de una droga. Los modelos mixtos parecen ser los más prometedores.
11 Diaz, F.J., Rivera, T.E., Josiassen, R.C., de Leon, J. (2007). Individualizing drug dosage by using a random intercept linear model. Statistics in Medicine 26, Propuesta de Díaz et al. (2007) Sugieren cómo individualizar la dosificación de una droga en un paciente particular, cuando el logaritmo de la razón concentración-dosis en el estado estable puede describirse mediante un modelo lineal con intercepto aleatorio, usando un adaptable.
12 estadístico de Díaz et al. (2007) donde log ( ) YD D = α + β T X + ɛ Y D es la concentración plasmática de la droga. D es la dosis particular de la droga. X es el vector de covariables. β es un vector de coeficientes de regresión. α es una constante característica del individuo. A nivel poblacional, α N(µ α, σ 2 α). ɛ es el error aleatorio intraindividual N(0, σ 2 ɛ ). α se asume independiente de ɛ.
13 generalizado Descripción del donde log (Y D ) = ψ + η T Z + β T X + d log (D) + ɛ, 1 Y D es una respuesta farmacológica continua (estabilizada). 2 ψ y η son constantes características del individuo. 3 A nivel poblacional, ψ N(µ ψ, σ 2 ψ ). 4 A nivel poblacional η N k (µ η, V η ). 5 Z y X son vectores de covariables. 6 β y d son constantes poblacionales. (β es r 1). 7 ψ y η se asumen independientes de ɛ.
14 generalizado log (Y D ) = ψ + η T Z + β T X + d log (D) + ɛ }{{} α log ( YD D d ) = α + β T X + ɛ, donde α N(µ α (Z ), σα(z 2 )), µ α (Z ) = µ ψ + µ T η Z σα(z 2 ) = Var(ψ + η T Z ). y tradicional
15 de Objetivo del Suponga que se pretende producir una concentración mínima de droga Y D en el estado estable dentro del intervalo (l 1, l 2 ), en el cual la droga a suministrar es tanto efectiva como segura. Con tal propósito, se busca una dosificación apropiada D. La meta fundamental del es mejorar el valor de D a través de un procedimiento que apunte a mejorar la predicción de α.
16 de Paso 1 Usando α 1 = µ α (Z ) y C 0 = l 1 l 2, calcule la dosis inicial, D 1 = ( C 0 e bα 1 βt X ) 1/d. A continuación suministre D 1 al paciente y, cuando se estabilize la respuesta, mida Y D1.
17 de Paso i, i 2 Usando los pares dosis-concentración (D j, Y Dj ), j = 1, 2,..., i 1, los cuales fueron obtenidos en los i 1 pasos anteriores, calcule la i-ésima dosis ( ) D i = C0 e bα i β T 1/d X, donde α i = (1 λ i ρ 1 1) + λ i ρ 1 1 µ α (Z ), 1 i 1 i 1 log j=1 ( YDj D d j ) β T X ρ = ρ(z ) = σα 2 (Z )/{σα 2 (Z ) + σɛ 2 }, λ 1 = (ρ 1 1) 1/2 y [ λ i = 1 ( 1 + (i 1) 1 (ρ 1 1) ) ] 1 (ρ 1 1) 1/2, i 2.
18 de Paso i, i 2 Aplique al paciente la nueva dosis D i y mida la respuesta estabilizada: Y Di = D d i e α+βt X+ɛ i, i 1. Se asume que los ɛ i son mutuamente independientes.
19 de Enfoque de Teoría de la decisión α i y C0 son los valores de α i y C 0 que minimizan la función de riesgo R ( α i, C 0 ) = 1 P(l 1 < Y Di < l 2 ), ( α i, C 0 ) G i (0, ), donde G i es el conjunto de todos los predictores α i de α que se distribuyen normalmente, satisfacen E[ α i ] = µ α y son independientes de ɛ i. El generalizado es óptimo.
20 Cuándo detener el? Definición (Dosis ω-óptima) Sea 0 < ω < 1. D es ω-óptima para el individuo si { P (l 1 < Y D < l 2 γ) ω donde γ es el índice metabólico γ = α µα σ α. sup P (l 1 < Y Di < l 2 γ) i 1 La máxima probabilidad obtenible de que la repuesta del paciente alcance el rango objetivo (l 1, l 2 ) es ( ) m = sup i 1 P (l 1 < Y Di < l 2 γ) = 1 2Φ } log l 2 /l 1 σ ɛ,.
21 Cuándo detener el? Definición (Dosis ω-óptima) Sea 0 < ω < 1. D es ω-óptima para el individuo si { P (l 1 < Y D < l 2 γ) ω donde γ es el índice metabólico γ = α µα σ α. sup P (l 1 < Y Di < l 2 γ) i 1 La máxima probabilidad obtenible de que la repuesta del paciente alcance el rango objetivo (l 1, l 2 ) es ( ) m = sup i 1 P (l 1 < Y Di < l 2 γ) = 1 2Φ } log l 2 /l 1 σ ɛ,.
22 Cuándo detener el? El mínimo número de pasos necesarios para obtener una dosis ω-óptima para al menos p 100% de los individuos en la población es i = I(τ p, ω, m, ρ), donde I(γ, ω, m, ρ) = min i 1 { ( τm λ Φ i γ ( ) τ p = Φ 1 1 p 2, θ 1 = 1, θ i = θ i ) Φ ( ) } τm λ i γ ω m, 1 + (i 1) 1 ( 1 + (i 1) 1 (ρ 1 1)) 2, i 2, θ i ρ = ρ(z ) = σ 2 α (Z )/{σ 2 α (Z ) + σ 2 ɛ }.
23 cuando se ignoran los efectos aleatorios de Z Motivación: Frecuentemente es difícil ajustar modelos con covariables con efectos aleatorios. generalizado log (Y D ) = ψ + η T Z + β T X + d log (D) + ɛ. que ignora los efectos aleatorios de Z log (Y D ) = ζ + ( µ η, β ) T (Z, X) + d log (D) + ɛ, donde ζ es considerado un intercepto aleatorio que se distribuye normalmente, cuando en verdad ζ = ψ + (η µ η ) T Z es una mezcla de variables aleatorias normales.
24 cuando se ignoran los efectos aleatorios de Z Motivación: Frecuentemente es difícil ajustar modelos con covariables con efectos aleatorios. generalizado log (Y D ) = ψ + η T Z + β T X + d log (D) + ɛ. que ignora los efectos aleatorios de Z log (Y D ) = ζ + ( µ η, β ) T (Z, X) + d log (D) + ɛ, donde ζ es considerado un intercepto aleatorio que se distribuye normalmente, cuando en verdad ζ = ψ + (η µ η ) T Z es una mezcla de variables aleatorias normales.
25 cuando se ignoran los efectos aleatorios de Z La distribución correcta de ζ es una mezcla de normales cuya f.d.a. está dada por ( ) t µ ψ F ζ (t) = Φ d P Z (z), < t <, Var(ψ + η T z) donde Φ es la f.d.a. de una normal estándar y P Z es la distribución de probabilidades de Z en la población de pacientes que satisface el modelo generalizado.
26 cuando se ignoran los efectos aleatorios de Z Cuando no se incluyen en el modelo los efectos aleatorios de Z, surgen dos preguntas: Pregunta 1: Se afecta la máxima probabilidad obtenible de alcanzar una concentración en el rango (l 1, l 2 ). Máxima probabilidad obtenible: m = sup i 1 donde γ = [α µ α (Z )]/σ α (Z ). P (l 1 < Y Di < l 2 γ), Respuesta: No, cuando el modelo se ajusta con una muestra de tamaño grande.
27 cuando se ignoran los efectos aleatorios de Z Cuando no se incluyen en el modelo los efectos aleatorios de Z, surgen dos preguntas: Pregunta 1: Se afecta la máxima probabilidad obtenible de alcanzar una concentración en el rango (l 1, l 2 ). Máxima probabilidad obtenible: m = sup i 1 donde γ = [α µ α (Z )]/σ α (Z ). P (l 1 < Y Di < l 2 γ), Respuesta: No, cuando el modelo se ajusta con una muestra de tamaño grande.
28 cuando se ignoran los efectos aleatorios de Z Verbeke, G., Lesaffre, G.(1995). The effect of misspecifying random-effects distribution in linear mixed models for longitudinal data. Computational Statistics and Data Analysis 23, Los estimadores de máxima verosimilitud de los efectos fijos y las componentes de varianza en los modelos lineales mixtos, obtenidos bajo el supuesto de distribución normal para los efectos aleatorios, son consistentes incluso cuando la verdadera distribución de los efectos aleatorios es una mezcla de normales.
29 cuando se ignoran los efectos aleatorios de Z Pregunta 2: Qué condiciones debe satisfacer el modelo generalizado para que no se afecte la optimalidad producida por el?
30 cuando se ignoran los efectos aleatorios de Z Peso de la cola de F ζ Para 0 < p < 1, I Fζ, p = k p τ p, donde k p satisface F ζ (µ ζ + k p σ ζ ) F ζ (µ ζ k p σ ζ ) = p con µ ζ = E[ζ] y σζ 2 = Var[ζ]. Definición de F ζ
31 cuando se ignoran los efectos aleatorios de Z Se muestra la diferencia icon Z i sin Z, para p =0.95, ω =0.9 y distintos valores de m, ρ ζ y k p. k p ρ ζ m 0.1 [-5, 0] [-6, 0] [-6, 0] [-6, 0] [-5, 0] [-4, 0] [-2, 0] [-2, 0] [-5, 0] [-6, 0] [-6, 0] [-6, 0] [-5, 0] [-3, 0] [-2, 0] [-2, 0] [-1, 0] 0.3 [-5, 0] [-6, 0] [-6, 0] [-6, 0] [-5, 0] [-3, 0] [-2, 0] [-2, 0] [-1, 0] 0.4 [-4, 0] [-6, 0] [-6, 0] [-6, 0] [-4, 0] [-3, 0] [-3, 0] [-2, 0] [-1, 0] [0.2, 1.96] 0.5 [-4, 0] [-5, 0] [-5, 0] [-5, 0] [-5, 0] [-3, 0] [-3, 0] [-2, 0] [-3, 0] [-5, 0] [-5, 0] [-5, 0] [-5, 0] [-4, 0] [-2, 0] [-2, 0] [-2, 0] [-4, 0] [-5, 0] [-4, 0] [-4, 0] [-3, 0] [-2, 0] [-2, 0] [-1, 0] 0.8 [-1, 0] [-3, 0] [-4, 0] [-4, 0] [-4, 0] [-4, 0] [-2, 0] [-2, 0] [-1, 0] [-2, 0] [-3, 0] [-3, 0] [-3, 0] [-3, 0] [-3, 0] [-2, 0] [-1, 0] [-1, 0] [-1, 0] [-1, 0] [-1, 0] [-1, 0] [0, 7] [0, 5] [0, 4] [0, 3] [0, 2] [0, 1] [0, 2] [0, 1] [0, 7] [0, 5] [0, 4] [0, 3] [0, 2] [0, 2] [0, 2] [0, 1] [0, 6] [0, 5] [0, 3] [0, 2] [0, 2] [0, 2] [0, 1] [0, 1] [0, 7] [0, 4] [0, 3] [0, 2] [0, 2] [0, 2] [0, 1] [0, 1] 0 [1.96, 2.97] 0.5 [0, 6] [0, 5] [0, 4] [0, 3] [0, 2] [0, 2] [0, 1] 0 [0, 1] 0.6 [0, 6] [0, 4] [0, 3] [0, 2] [0, 2] [0, 1] [0, 2] [0, 1] [0, 6] [0, 4] [0, 2] [0, 3] [0, 2] [0, 2] [0, 1] [0, 1] [0, 6] [0, 4] [0, 2] [0, 2] [0, 1] [0, 1] [0, 1] [0, 1] [0, 1] 0.9 [0, 4] [0, 3] [0, 2] [0, 2] [0, 1] [0, 1] [0, 1] 0 [0, 1] [0, 1] [0, 2] [0, 1] [0, 1] [0, 1] [0, 1] [0, 1] 0
32 cuando se ignoran los efectos aleatorios de Z Respuesta: La optimalidad de la dosis no se ve afectada cuando el modelo generalizado satisface cualquiera de las siguientes condiciones: (i) I Fζ, p 0 (ii) ρ ζ = σ 2 ζ /(σ2 ζ + σ2 ɛ ) es cercano a 1 (iii) I Fζ, p es cercano a 0
33 a la del antipsicótico Clozapina Muestra Las concentraciones plasmáticas de clozapina en el estado estable, fueron obtenidas de 255 pacientes con esquizofrenia. Cada paciente suministró entre 1 y 15 concentraciones, proporcionando un total de 415 concentraciones plasmáticas. Se administraron dosis entre los 50 y 500 mg/día.
34 a la del antipsicótico Clozapina Variable respuesta: Log(concentración plasmática de clozapina) Covariables significativas: Fumar. Paroxetina. Fluoxetina. Fluvoxamina. Fenobarbital. Valproato. Fumar*Valproato. Log(dosis).
35 Resultados Estimación de los efectos fijos y de los parámetros de covarianza en los modelos: 1: lineal con sólo intercepto aleatorio. 2: con fumar y fluoxetina con efecto aleatorio.
36 Resultados 1 2 Covariable Ef. fijo (s.e.) Ef. fijo (s.e.) Intercepto (0.43) (0.43) Fumar ( 0.081) (0.092) Paroxetina 0.26 (0.074) 0.26 (0.068) Fluoxetina 0.35 (0.047) 0.33 (0.084) Fluvoxamina 1.29 (0.12) 1.25 (0.11) Fenobarbital (0.11) (0.10) Valproato 0.15 (0.072) 0.14 (0.065) Fumar*Valproato ( 0.17) (0.18) Logdose 1.27 ( 0.075) 1.23 (0.075) Varianzas Estimador (s.e.) Estimador (s.e.) σintercepto (0.026) 0.20 (0.024) σfumar (0.076) σfluoxetina (0.044) σɛ (0.0040) (0.0034)
37 Resultados: Tamaño del efecto Covariable 1 (%) 2 (%) Fluoxetina Fluvoxamina Paroxetina Fenobarbital Valproato No Fuma Fuma Fumar No valproato Si valproato Tamaño del efecto
38 Resultados Mínimo número de pasos necesarios para obtener una dosificación 0.9 óptima para al menos 95% de los individuos de la población con intercepto aleatorio ρ = , m=0.8593, i = 4 con covariables con efecto aleatorio Es Fumador Toma Fluoxetina ρ(z ) m i Si Si Si No No Si No No
39 Resultados Parámetros de F ζ (Mezcla de 4 normales) Es Fumador Toma Fluoxetina π σ 2 µ Si Si Si No No Si No No π: Proporción de mezcla. σ 2 y µ: varianza y media de la componente, respectivamente. ρ ζ = Para p = 0.95 k p = 1.98 y τ p = 1.96 I Fζ, p =
40 Resultados Conclusión de la aplicación a la del antipsicótico Clozapina Cuando se excluyen los efectos aleatorios de las covariables, la optimalidad de la dosis de Clozapina obtenida no se ve afectada. Sin embargo, se require tomar una muestra de sangre adicional.
41 El modelo y Diaz et al.(2007) se pueden generalizar de una manera natural a situaciones donde se tienen covariables con efectos aleatorios. Cuando se excluyen covariables con efectos aleatorios: La máxima probabilidad obtenible de alcanzar el rango de respuestas deseado no se ve afectada (siempre y cuando el modelo se ajuste con una muestra grande). La dosis obtenida tiene la optimalidad deseada, cuando la cola de la distribución del intercepto aleatorio no es más pesada que la cola de una normal comparable.
42 Diaz, F.J., Rivera, T.E., Josiassen, R.C., de Leon, J. (2007). Individualizing Drug Dosage by Using a Random Intercept Linear Model. Statistics in Medicine 26, Diaz, F.J., Santoro, V., Spina, E., Cogollo, M., Rivera, T.E., Botts, S., de Leon, J.(2008). Estimating the size of the effects of co-medications on plasma clozapine concentrations using a model that controls for clozapine doses and confounding variables. Pharmacopsychiatry 41, Botts, S., Diaz, F.J., Santoro, V., Spina, E., Muscatello, M.R., Cogollo, M., Castro, F.E. de Leon, J. (2008). Estimating the effects of co-medications on plasma olanzapine concentrations by using a mixed model. Progress in Neuropsychopharmacology & Biological
43 Muñoz, A. and Xu, J. (1996). Models for the incubation of AIDS and variations according to age and period. Statistics in Medicine. 15: Verbeke, G. and Lesaffre, G.(1995). The effect of misspecifying random-effects distribution in linear mixed models for longitudinal data. Computational Statistics and Data Analysis 23,
44 Sheiner, L.B and Beal, S.L. (1982). Bayesian individualization of pharmacokinetics: Simple implementation and comparison with non-bayesian methods. Journal of Pharmaceutical Sciences 71, Sheiner, L.B., and Beal, S.L. (1980). Evaluation of methods for estimating population pharmacokinetic parameters. I. Michaelis-Menten model: Routine clinical pharmacokinetic data. Journal of Pharmacokinetics and Biopharmaceutics 8,
45 Verbeke, G. and Molenberghs, G.(2000). Linear Mixed Models for Longitudinal Data. New York, Springer-Verlag. Davidian, M. et al. (1998). Nonlinear Models for Repeated Measurement Data. New York, Chapman&Hall/CRC.
46 GRACIAS
47 generalizado log (Y D ) = ψ + η T Z + β T X + d log (D) + ɛ }{{} α log ( YD D d ) = α + β T X + ɛ, donde α N(µ α (Z ), σα(z 2 )), µ α (Z ) = µ ψ + µ T η Z σα(z 2 ) = Var(ψ + η T Z ). y En el modelo lineal mixto tradicional: (µ ψ, µ T η, β T, d) T : Efectos fijos. (ψ µ ψ, (η µ η ) T ) T : Efectos aleatorios. Return
48 cuando se ignoran los efectos aleatorios de Z La distribución correcta de ζ es una mezcla de normales cuya f.d.a. está dada por ( ) t µ ψ F ζ (t) = Φ d P Z (z), < t <, Var(ψ + η T z) donde Φ es la f.d.a. de una normal estándar y P Z es la distribución de probabilidades de Z en la población de pacientes que satisface el modelo generalizado. Return
49 Resultados: Tamaño del efecto Tamaño del efecto basado en percentiles relativos (Muñoz and Xu, 1996; Díaz et al., 2007) Si la variable respuesta es el logaritmo de la concentración plasmática de una droga y B es el coeficiente de regresión de una covariable, entonces E = (e B 1) 100% mide el tamaño del efecto de la covariable. Return
Individualización de la Dosis de una Droga mediante el uso de modelos mixtos y estimación bayesiana empírica
Individualización de la Dosis de una Droga mediante el uso de modelos mixtos y estimación bayesiana empírica Francisco Javier Díaz Ceballos, Ph. D. Tulia Esther Rivera Flórez Universidad Nacional-Medellín
Más detallesCalculo del tiempo de vida con datos de degradación MC. Manuel Jesús Reyes Méndez (ITCJ) 1, Dr. Manuel A. Rodríguez Medina (ITCJ)
Calculo del tiempo de vida con datos de degradación MC. Manuel Jesús Reyes Méndez (ITCJ) 1, Dr. Manuel A. Rodríguez Medina (ITCJ) Resumen En los productos de alta calidad es difícil de obtener suficientes
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesModelos de regresión multinivel
Luis Guillermo Díaz Leonardo Trujillo Julio 2011 Estructura de datos multinivel Los investigadores de las ciencias sociales y naturales, se enfrentan al problema de modelar estructuras de datos complejas,
Más detallesMODELOS LINEALES GENERALIZADOS MIXTOS ALGUNOS CASOS PRÁCTICOS. Llorenç Badiella 1 RESUMEN
X Congreso Galego de Estatística e Investigación de Operacións Pontevedra, 3 4 5 de novembro de 2011 MODELOS LINEALES GENERALIZADOS MIXTOS ALGUNOS CASOS PRÁCTICOS Llorenç Badiella 1 1 Servei d Estadística
Más detallesAnálisis Multivariante de Datos
Análisis Multivariante de Datos Curso 2016-2017 Por qué es importante realizar inferencia sobre los parámetros de la normal? La estimación máximo-verosímil (MV) de la distribución Normal son la media y
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesRegresión con errores autocorrelacionados
Series de tiempo Gerardo Ortega Miguel Pluma Luis Osorio Johnatan García 09 de diciembre de 2013 Contenido 1 Introducción Idea intuitiva 2 Algoritmo 3 Propiedades de los estimadores 4 Estadístico de Durbin-Watson
Más detallesDiseños óptimos Bayesianos para Modelos no Lineales Johnatan Cardona Jiménez a, Víctor Ignacio López Ríos b
Diseños óptimos Bayesianos para Modelos no Lineales Johnatan Cardona Jiménez a, Víctor Ignacio López Ríos b Email: jcardonj@unal.edu.co, vilopez@unal.edu.co a. Estudiante Maestría en Estadística Universidad
Más detallesTema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación
Más detallesResumen. Recordemos que una cópula es una función C : I 2 I tal que: C(u 2, v 2 ) C(u 2, v 1 ) C(u 1, v 2 ) + C(u 1, v 1 ) 0. (2)
Contenido 1 2 3 Cópula Empírica Cópula Kernel Resumen Recordemos que una cópula es una función C : I 2 I tal que: 1 Para cualesquiera u, v en I := [0, 1] C(u, 0) = 0 = C(0, v), C(u, 1) = u, C(1, v) = v.
Más detallesUN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 27 a 32 UN TAMAÑO DE MUESTRA PRELIMINAR EN LA ESTIMACION DE LA MEDIA, EN POBLACIONES CON DISTRIBUCIONES UNIFORMES Y TRIANGULARES CARLOS
Más detallesDescomposición Factorial de la In ación en Perú
Descomposición Factorial de la n ación en Perú Alberto Humala (BCRP) Gabriel Rodríguez (BCRP) XXV Encuentro de Economistas Banco Central de Reserva del Perú 26-28/11/2008 Humala-Rodríguez () n ación 26-28/11/2008
Más detallesANÁLISIS DE REGRESIÓN
ANÁLISIS DE REGRESIÓN INTRODUCCIÓN Francis Galtón DEFINICIÓN Análisis de Regresión Es una técnica estadística que se usa para investigar y modelar la relación entre variables. Respuesta Independiente Y
Más detallesSOLUCIÓN EXAMEN IV Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/2004
Nombres: Apellidos: C.I.: Firma: Fecha: 19/11/004 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta (0,5 puntos c/u): 1. (V F) Los contrastes de hipótesis de dos muestras
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesRecibido , aceptado , versión final
Revista de la Facultad de Ciencias Universidad Nacional de Colombia, Sede Medellín V 1 N 2 diciembre 2012 ISSN 0121-747X Artículo Investigación Páginas 69-82 COMPARACIÓN DE ALGUNOS R 2 COMO MEDIDAS DE
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesTaller Análisis de Datos Multinivel (2da parte)
Taller Análisis de Datos Multinivel (2da parte) Sergio R. Muñoz, Ph.D. CIGES & Departamento Salud Publica Facultad de Medicina Universidad de La Frontera munozs@ufro.cl 12-25 de Mayo, 2012 Software SAS:
Más detallesUNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K
Revista Colombiana de Estadística Volumen 24 (2001) N o 1, páginas 45 a 57 UNA PROPUESTA PARA LA MAXIMIZACIÓN DE LA ESTADÍSTICA Q K JOSÉ A. JIMÉNEZ M.* Resumen En este artículo mediante el método de los
Más detallesMétodos Estadísticos Multivariados
Métodos Estadísticos Multivariados Victor Muñiz ITESM Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre 2011 1 / 20 Victor Muñiz (ITESM) Métodos Estadísticos Multivariados Agosto-Diciembre
Más detallesEstimación por intervalos
Capítulo 9 Estimación por intervalos 9.1. Introducción En este capítulo se desarrolla la estimación por intervalos donde el proceso de inferencia se realiza de la forma θ C, donde C = Cx) es un conjunto
Más detallesRevisión sistemática y metanálisis de datos individuales de pacientes. Alfonso Muriel Unidad de Bioestadística Clínica
Revisión sistemática y metanálisis de datos individuales de pacientes Alfonso Muriel Unidad de Bioestadística Clínica 30 de mayo del 2014 Índice Revisión sistemática de datos individuales de pacientes(ipd)
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesEstadística Diplomado
Diplomado HRB UNAM 1 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 / 25 1 Estimación Puntual Momentos Máxima Verosimiltud Propiedades 2 Estimación por Intervalos Cantidades Pivotales
Más detallesModelo lineal general jerárquico
Modelo lineal general jerárquico Fernando Velasco Luna * Laboratorio de Investigación y Asesoría Estadística, LINAE Facultad de Estadística e Informática Universidad Veracruzana Av Xalapa Esq Manuel Avila
Más detallesb. Universidad Nacional-Sede Medellín
Comparación de Intervalos de Confianza para el Coeficiente de Correlación Juan Carlos Correa a, Liliana Vanessa Pacheco b Email: jccorrea@unal.edu.co a. Universidad Nacional-Sede Medellín b. Universidad
Más detallesEconometría de series de tiempo aplicada a macroeconomía y finanzas
Econometría de series de tiempo aplicada a macroeconomía y finanzas Series de Tiempo Estacionarias (Multivariadas) Carlos Capistrán Carmona ITAM 1 Principios de Pronóstico. 2 Pruebas de Hipótesis. 3 Estimación
Más detallesRobusticidad de los Diseños D-óptimos a la Elección. de los Valores Locales para el Modelo Logístico
Robusticidad de los Diseños D-óptimos a la Elección de los Valores Locales para el Modelo Logístico David Felipe Sosa Palacio 1,a,Víctor Ignacio López Ríos 2,a a. Escuela de Estadística, Facultad de Ciencias,
Más detallesCálculo de Probabilidades II Preguntas Tema 2
Cálculo de Probabilidades II Preguntas Tema 2 1. Demuestre que la suma de n v.a. Bernuolli(p) independientes tiene una distribución Binomial con parametros (n, p). 2. Se dice que una v.a tiene una distribución
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesMETODOS ESTADÍSTICOS
METODOS ESTADÍSTICOS Introducción. Uno de los objetivos de la asignatura de Hidrología, es mostrar a los alumnos, las herramientas de cálculo utilizadas en Hidrología Aplicada para diseño de Obras Hidráulicas.
Más detallesTema 2: Modelos probabilísticos de series
Tema 2: Modelos probabilísticos de Tema 2: Modelos probabilísticos de 1 2 3 4 5 6 Definición Un proceso estocástico con conjunto de índices T es una colección de variables aleatorias {X t } t T sobre (Ω,
Más detallespeso edad grasas Regresión lineal simple Los datos
Regresión lineal simple Los datos Los datos del fichero EdadPesoGrasas.txt corresponden a tres variables medidas en 25 individuos: edad, peso y cantidad de grasas en sangre. Para leer el fichero de datos
Más detallesDiseños D-óptimos bayesianos para modelos lineales heteroscedásticos
XXVI Simposio Internacional de Estadística 2016 Sincelejo, Sucre, Colombia, 8 al 12 de Agosto de 2016 Diseños D-óptimos bayesianos para modelos lineales heteroscedásticos Catalina Patiño Bustamante 1,a,
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesEstimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas
Estimación MC2E, MVIL en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Mínimos Cuadrados en 2 Etapas 2 Mínimos Cuadrados en 2 Etapas El método de Mínimos Cuadrados
Más detallesSe permite un folio escrito por las dos caras. Cada problema se realiza en hojas diferentes y se entregan por separado.
NORMAS El examen consta de dos partes: 0.0.1. Diez Cuestiones: ( tiempo: 60 minutos) No se permite ningún tipo de material (libros, apuntes, calculadoras,...). No se permite abandonar el aula una vez repartido
Más detallesESTADÍSTICA II UNIDAD I: ESTIMACIÓN DE PARÁMETROS 3RA PARTE (CLASE 20/09)
ESTADÍSTICA II UNIDAD I: ESTIMACIÓN DE PARÁMETROS 3RA PARTE (CLASE 20/09) Estimación de una media de población: σ conocida Requisitos 1. La muestra es aleatoria simple. (Todas las muestras del mismo tamaño
Más detallesEjercicio 1. Ejercicio 2
Guía de Ejercicios Ejercicio. Calcular los momentos de primer y segundo orden (media y varianza) de una variable aleatoria continua con distribución uniforme entre los límites a y b.. Sabiendo que la función
Más detallesMultiple Linear Regression
Multiple Linear Regression Aniel Nieves-González Aniel Nieves-González () LSP 1 / 16 Considere el ejemplo en cual queremos modelar las ventas en una cadena de tiendas por departamento. La v.a. dependiente
Más detallesVariables aleatorias continuas y Teorema Central del Limite
Variables aleatorias continuas y Teorema Central del Limite FaMAF 17 de marzo, 2015 Variables aleatorias continuas Definición Una variable aleatoria X se dice (absolutamente continua) si existe f : R R
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 5. Estimación. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 5. Estimación Facultad de Ciencias Sociales, UdelaR Índice 1. Repaso: estimadores y estimaciones. Propiedades de los estimadores. 2. Estimación puntual.
Más detallesTema 2. Introducción a la Estadística Bayesiana
2-1 Tema 2 Introducción a la Estadística Bayesiana El teorema de Bayes Ejemplo Interpretación Ejemplo: influencia de la distribución a priori Ejemplo: densidad de flujo Probabilidad bayesiana Ejemplo:
Más detallesModelo de Análisis de la Covarianza. Introducción al modelo de Medidas Repetidas
Modelo de Análisis de la Covariza. Introducción al modelo de Medidas Repetidas Modelo de Análisis de la Covariza Introducción El diseño por bloques se considera para eliminar el efecto de los factores
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesEstimación en modelos lineales mixtos con distribuciones continuas no normales
XIX Simposio Colombiano de Estadística Estadísticas Oficiales Medellín Colombia, Julio 16 al 20 de 2009 Estimación en modelos lineales mixtos con distribuciones continuas no normales Estimation in linear
Más detallesCONTRASTE DE HIPÓTESIS
CONTRASTE DE HIPÓTESIS Antonio Morillas A. Morillas: Contraste de hipótesis 1 CONTRASTE DE HIPÓTESIS 1. Introducción 2. Conceptos básicos 3. Región crítica óptima i. Teorema de Neyman-Pearson ii. Región
Más detallesEconometría II. Hoja de Problemas 1
Econometría II. Hoja de Problemas 1 Nota: En todos los contrastes tome como nivel de significación 0.05. 1. SeanZ 1,...,Z T variables aleatorias independientes, cada una de ellas con distribución de Bernouilli
Más detallesDiseño de experimentos Hugo Alexer Pérez Vicente
Diseño de experimentos Hugo Alexer Pérez Vicente Recuerdo que Conceptos estadísticos Población y muestra Población es una colección de posibles individuos, especímenes, objetos o medidas de interés sobre
Más detallesCurso de nivelación Estadística y Matemática
Modelo de Curso de nivelación Estadística y Matemática Pruebas de hipótesis, y Modelos ARIMA Programa Técnico en Riesgo, 2017 Agenda Modelo de 1 2 Asociación Medidas de asociación para variables intervalo
Más detallesEstadística Bayesiana
Universidad Nacional Agraria La Molina 2017-1 Teoría de la decisión Riesgo de Bayes La teoría de decisión es un área de suma importancia en estadística ya que muchos problemas del mundo real pueden tomar
Más detallesEST Propiedades de los estimadores
EST-712 - Propiedades de los estimadores Felipe Osorio www.ies.ucv.cl/fosorio Instituto de Estadística, PUCV Mayo 20, 2016 1 / 32 Propiedades: MSE y Sesgo Definición (MSE) Sea P = {P θ : θ Θ} un modelo
Más detallesMuestreo e intervalos de confianza
Muestreo e intervalos de confianza Intervalo de confianza para la media (varianza desconocida) Intervalo de confinza para la varianza Grados en Biología y Biología sanitaria M. Marvá. Departamento de Física
Más detallesTaller Análisis de Datos Multinivel
Taller Análisis de Datos Multinivel Sergio R. Muñoz, Ph.D. CIGES & Departamento Salud Publica Facultad de Medicina Universidad de La Frontera munozs@ufro.cl 12-25 de Mayo, 2012 Datos Pacientes en clínicas
Más detallesFamilias de distribuciones
Capítulo 2 Familias de distribuciones 2.1. Introducción Las distribuciones estadísticas son usadas para modelar poblaciones a través de un miembro de una familia de distribuciones. Cada familia se encuentra
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA
ANALISIS DE FRECUENCIA EN HIDROLOGIA Luis F. Carvajal Julián D. Rojo Universidad Nacional de Colombia Facultad de Minas Escuela de Geociencias y Medio Ambiente Introducción 1. Los eventos hidrológicos
Más detallesSolución Examen Parcial IV Nombres: Apellidos: C.I.: Firma: Fecha: 22/06/2005
Nombres: Apellidos: C.I.: Firma: Fecha: 22/06/2005 MÉTODOS ESTADÍSTICOS I EXAMEN IV PARTE I: Encierre con un círculo la respuesta correcta o llene los espacios en blanco (0,5 puntos c/u): 1. (V F) La prueba
Más detallesRegresión ponderada y falta de ajuste
Capítulo 4 Regresión ponderada y falta de ajuste 4.1. Introducción En este capítulo se presentan la regresión ponderada y la prueba de falta de ajuste como un conjunto adicional de herramientas usadas
Más detallesAgro 6998 Conferencia 2. Introducción a los modelos estadísticos mixtos
Agro 6998 Conferencia Introducción a los modelos estadísticos mixtos Los modelos estadísticos permiten modelar la respuesta de un estudio experimental u observacional en función de factores (tratamientos,
Más detallesAceleración n de la gravedad Péndulo simple
Aceleración n de la gravedad Péndulo simple Experiencia de Laboratorio, Física F experimental I, 2007 A. Biera, G. Huck y P. Palermo Tandil - Octubre de 2007 1 Aceleración n de la gravedad - Péndulo simple
Más detallesDepartamento de Matemática Aplicada a las T.I.C. SOLUCIONES
Departamento de Matemática Aplicada a las T.I.C. ASIGNATURA: ESTADÍSTICA Y PROCESOS ESTOCÁSTICOS EAMEN FINAL Otoño 25-6 FECHA: 5 de Enero de 26 Fecha publicación notas: 22 de Enero de 26 Fecha revisión
Más detallesSelección de un modelo no lineal mixto de niveles múltiples para modelar el crecimiento de la soja
Revista FABICIB año 2011 volumen 15 PÁGS. 11 a 22 11 Trabajo completo Selección de un modelo no lineal mixto de niveles múltiples para modelar el crecimiento de la soja RECIBIDO: 16/06/2010 ACEPTADO: 15/11/2010
Más detallesInformación sobre Gastos de Consumo Personal y Producto Interno Bruto ( ) en miles de millones de dólares de 1992.
Universidad Nacional Autónoma de Nicaragua UNAN-Managua Curso de Análisis y Diseño de Modelos Econométricos Profesor: MSc. Julio Rito Vargas Avilés. Participantes: Docentes /FAREM-Carazo Encuentro No.4
Más detallesEstimación con PROBE II
Personal Software Process SM Estimación con PROBE II This material is approved for public release. Distribution is limited by the Software Engineering Institute to attendees. Sponsored by the U.S. Department
Más detallesDefinición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo un intervalo (finito o infinito) de números
IV. Variables Aleatorias Continuas y sus Distribuciones de Probabilidad 1 Variable Aleatoria Continua Definición Se dice que una variable aleatoria X es continua si su conjunto de posibles valores es todo
Más detallesECONOMETRÍA II Prof.: Begoña Álvarez TEMA 1 INTRODUCCIÓN. Estimación por máxima verosimilitud y conceptos de teoría asintótica
ECONOMETRÍA II Prof.: Begoña Álvarez 2007-2008 TEMA 1 INTRODUCCIÓN Estimación por máxima verosimilitud y conceptos de teoría asintótica 1. ESTIMACIÓN POR MÁXIMA VEROSIMILITUD (MAXIMUM LIKELIHOOD) La estimación
Más detallesComparación por intervalos
81 REVISTA Universidad EAFIT Vol. 42. No. 144. 2006. pp. 81-98 Comparación por intervalos entre diferentes métodos de estimación de la media de la distribución Poisson R a l a Juan Carlos Correa M. Doctor
Más detallesCálculo de Probabilidades II Preguntas Tema 1
Cálculo de Probabilidades II Preguntas Tema 1 1. Suponga que un experimento consiste en lanzar un par de dados, Sea X El número máximo de los puntos obtenidos y Y Suma de los puntos obtenidos. Obtenga
Más detallesPROBABILIDADES Trabajo Práctico 5. 0 si x<0. x3 si 0 x<2 1 si x 2
PROBABILIDADES Trabajo Práctico 5 1. Sea X una variable aleatoria con función de distribución acumulada a) Calcular, usando F X, P (X 1) P (0.5 X 1) P (X >1.5) b) Hallar la mediana de esta distribución.
Más detallesPALISADE - Foro de Análisis de Riesgos y Toma de Decisiones (20/5/14) - MADRID Ricardo A. Queralt
PALISADE - Foro de Análisis de Riesgos y Toma de Decisiones (20/5/14) - MADRID 1 Estructura de costes empresariales y umbral de rentabilidad Prof. Dr. Ricardo A. Queralt PALISADE - Foro de Análisis de
Más detallesEstimación de densidades basada en núcleos: algunos elementos. Isabel Cañette
Estimación de densidades basada en núcleos: algunos elementos básicos. Isabel Cañette Seminario de Reconocimiento de Patrones. Seminario de Probabilidad y Estadística. Diciembre, 2002 Introducción. Decimos
Más detallesBuscapalabras Circula las palabras que escribiste como respuestas
El cocinero babilónico está cocinando algo más rico que sopa de verduras. Es sopa de la Palabra de Dios. Encuentra y marca solo las palabras del versículo en la sopa y escribe el versículo de Lucas 11:28
Más detallesEstimación MCO, MCI en Modelos de Ecuaciones Simultáneas
Estimación MCO, MCI en Modelos de Ecuaciones Simultáneas Economía Aplicada III (UPV/EHU) OCW 2013 Contents 1 Estimación MCO de la Forma Estructural 2 3 4 Estimador MCO de la FE Consideremos la -ésima ecuación
Más detallesRevista Colombiana de Estadística ISSN: Universidad Nacional de Colombia Colombia
Revista Colombiana de Estadística ISSN: 0120-1751 revcoles_fcbog@unal.edu.co Universidad Nacional de Colombia Colombia Jiménez Moscoso, José Alfredo Un criterio para identificar datos atípicos Revista
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Metodología Box-Jenkins Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es un resumen/modificación de la documentación elaborada
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 detallesPlanificaciones Probabilidad y Estadística B. Docente responsable: GRYNBERG SEBASTIAN PABLO. 1 de 6
Planificaciones 6109 - Probabilidad y Estadística B Docente responsable: GRYNBERG SEBASTIAN PABLO 1 de 6 OBJETIVOS 1) Que los estudiantes aprendan los elementos básicos del método probabilístico y de la
Más detallesEstadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis. Facultad de Ciencias Sociales, UdelaR
Estadística y sus aplicaciones en Ciencias Sociales 6. Prueba de hipótesis Facultad de Ciencias Sociales, UdelaR Índice 1. Introducción: hipótesis estadística, tipos de hipótesis, prueba de hipótesis 2.
Más detallesAnálisis Geostadístico. de datos funcionales
á í á - á é í : í é : á ó í ( ). é í á ó,,,., í é.,, é ó., í á. í., ó, ó. é ó., á, ó.., ó - ()., é á í. é á., á. ó, ó á. é ó é. í á ó. : ; ; ó ; ; ; ó. ó í............................... á..............................................................
Más detallesEstadísticas Pueden ser
Principios Básicos Para iniciar en el curso de Diseño de experimentos, es necesario tener algunos conceptos claros en la parte de probabilidad y estadística. A continuación se presentan los conceptos más
Más detallesEconometría II Grado en finanzas y contabilidad
Econometría II Grado en finanzas y contabilidad Variables aleatorias y procesos estocásticos. La FAC y el correlograma Profesora: Dolores García Martos E-mail:mdgmarto@est-econ.uc3m.es Este documento es
Más detallesAnálisis de la Varianza (ANOVA) y Correlación
Universidad de Chile Rodrigo Assar FCFM MA34B Andrés Iturriaga DIM Víctor Riquelme Análisis de la Varianza (ANOVA) y Correlación Resumen El test ANOVA analiza la relación entre una variable numérica y
Más detallesANALISIS FACTORIAL. Jorge Galbiati R.
ANALISIS FACTORIAL Jorge Galbiati R El análisis factorial es un modelo matamático que pretende explicar la correlación entre un conjunto grande de variables observadas y un pequeño conjunto de factores
Más detallesEstimación Bayesiana en el modelo lineal generalizado
Estimación Bayesiana en el modelo lineal generalizado Hernando Alvarado Quintero and Fabian Guillermo Rojas Rodríguez Universidad Nacional de Colombia halvaradoq@unal.edu.co and fgrojasro@unal.edu.co July
Más detallesLista de Ejercicios (Parte 1)
ACT-11302 Cálculo Actuarial III ITAM Lista de Ejercicios (Parte 1) Prof.: Juan Carlos Martínez-Ovando 15 de agosto de 2016 P0 - Preliminar 1. Deriva las expresiones de las funciones de densidad (o masa
Más detallesECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES. Modelos ARMA
ECONOMETRÍA II: ECONOMETRÍA DE SERIES TEMPORALES Modelos ARMA Definición: Ruido blanco. Se dice que el proceso {ɛ t } es ruido blanco ( white noise ) si: E(ɛ t ) = 0 Var(ɛ t ) = E(ɛ 2 t ) = σ 2 Para todo
Más detallesMUNICIPIO DE MEDELLÍN GRADO 10 CONCEPTOS BÁSICOS DE TRIGONOMETRÍA
GUÍA DE CONCEPTOS BÁSICOS DE TRIGONOMETRÍA ÁREA MATEMÁTICAS PERÍODO 01 FECHA: 16 de enero de 2017 LOGROS: MUNICIPIO DE MEDELLÍN GRADO 10 Construir y clasificar los diferentes tipos de ángulos, expresando
Más detallesI. Distribuciones discretas
Probabilidades y Estadística (M) Funciones de densidad o probabilidad puntual, esperanzas, varianzas y funciones características de las variables aleatorias más frecuentes I. Distribuciones discretas Distribución
Más detallesEstimación de las componentes de un modelo de. de coeficientes dinámicos mediante las ecuaciones de estimación generalizadas
Revista Colombiana de Estadística Junio 2010, volumen 33, no. 1, pp. 89 a 109 Estimación de las componentes de un modelo de coeficientes dinámicos mediante las ecuaciones de estimación generalizadas Time-Varying
Más detallesVariables aleatorias continuas, TCL y Esperanza Condicional
Variables aleatorias continuas, TCL y Esperanza Condicional FaMAF 17 de marzo, 2011 1 / 37 Poisson P(λ) Número de éxitos en una cantidad grande de ensayos independientes Rango: {0, 1, 2,... } = {0} N Función
Más detallesTEMA 3: INFERENCIA ESTADISTICA
ESTADÍSTICA, CURSO 008 009 TEMA 3: INFERENCIA ESTADISTICA INTRODUCCION oblació. Muestra, muestreo. Objetivos de la iferecia estadística. Métodos paramétricos y o paramétricos. TEORIA ELEMENTAL DEL MUESTREO.
Más detallesIntervalos de confianza para los coeficientes de una regresión lineal.
Intervalos de confianza para los coeficientes de una regresión lineal. Asumiendo que los errores del modelo de regresión lineal se distribuye en forma normal con media cero y varianza constante σ 2 y que
Más detallesSesión 7 - Modelos de variable censurada y truncada
Sesión 7 - Modelos de variable censurada y truncada Manuel Barrón 5 de Julio de 2010 1 Mecanismos de censura y truncamiento 1.1 Distribución truncada Una distribución truncada es una parte de una distribución
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesT2. El modelo lineal simple
T2. El modelo lineal simple Ana J. López y Rigoberto Pérez Dpto Economía Aplicada. Universidad de Oviedo Curso 2010-2011 Curso 2010-2011 1 / 40 Índice 1 Planteamiento e hipótesis básicas 2 Estimación de
Más detallesEstimación de variables no observables para la economía peruana
Estimación de variables no observables para la economía peruana XXX Encuentro de Investigación del BCRP Ismael Ignacio Mendoza Mogollón imendoza@mef.gob.pe Octubre 2012 XXX Encuentro de Economistas (Institute)
Más detallesUn modelo semiparamétrico bayesiano para datos circulares
Asociación Mexicana de Estadística, A.C. IIMAS - UNAM A.P. 20-726 Admón. 20 Del. Álvaro Obregón. 0000 México, D.F. Fax: 5622-362 RFC: AME908MEA amestad@amestad.mx Diciembre, 204. Dr. Gabriel Nuñez Antonio
Más detallesMODELO DE RESPUESTAS Objetivos 2, 3, 4, 5, 6, 7, Y 8.
UNIVERSIDAD NACIONAL ABIERTA ESTADÍSTICA GENERAL 745) VICERRECTORADO ACADÉMICO INTEGRAL ÁREA DE MATEMÁTICA Fecha: 17/ 01 /009 MODELO DE RESPUESTAS Objetivos, 3, 4, 5, 6, 7, Y 8. OBJ. 1 PTA 1 Una compañía
Más detallesESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio
ESTADÍSTICA I Tema 2: Algunas ideas básicas sobre inferencia estadística. Muestreo aleatorio Muestra aleatoria Conceptos probabiĺısticos básicos El problema de inferencia Estadísticos. Media y varianza
Más detalles