Análisis de datos Categóricos
|
|
- Emilia Cáceres Soto
- hace 5 años
- Vistas:
Transcripción
1 Tablas de contingencia de dos vías Universidad Nacional Agraria La Molina
2 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Tablas de contingencia Sean X y Y dos variables categóricas con I y J categorías respectivamente. El término tabla de contingencia fue introducido por Karl Pearson (1904). Una tabla de contingencia que tiene I las y J columnas es llamada una tabla I J. Tabla 1: Uso de aspirina y ataque al corazón Ataque fatal Ataque no fatal Sin Ataque Placebo Aspirina
3 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Probabilidad conjunta y marginal Sea π ij la probabilidad que (X, Y ) se encuentre en la la i y columna j de la tabla de contingencia. La distribución de probabilidad conjunta para (X, Y ) se denota por {π ij }. Las distribuciones marginales se denotan por {π i+ } para la variable en la y {π +j } para la variable en columna. Se cumple que: π i+ = j π ij y π +j = i π ij
4 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Probabilidad condicional Sea π j i la probabilidad de clasicar un elemento en la columna j de Y, dado que pertenece al grupo i de X. Las probabilidades {π 1 i,, π J i } forman la distribución condicional de Y en el grupo i de X. Tabla 2: Probabilidad conjunta, marginal y condicional Columna Grupo 1 2 Total 1 π 11 (π 1 1 ) π 12 (π 2 1 ) π 1+ (1.0) 2 π 21 (π 1 2 ) π 22 (π 2 2 ) π 2+ (1.0) Total π +1 π
5 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Sensitividad y Especicidad Tabla 3: Probabilidades condicionales estimadas Cáncer de Diagnóstico seno Positivo Negativo Total Si No Si la persona tiene cáncer, la probabilidad de que el diagnóstico de la prueba sea positivo es llamada sensitividad (π 1 1 ). Si la persona no tiene cáncer, la probabilidad de que el diagnóstico de la prueba sea negativo es llamada especicidad (π 2 2 ).
6 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Prevalencia, VPP y VPN La prevalencia de una enfermedad es la proporción de personas en una población que tienen dicha enfermedad en un determinado momento. El valor predictivo positivo (VPP) es la probabilidad que la persona tenga cáncer, dado que el diagnóstico de la prueba es positivo. El valor predictivo negativo (VPN) es la probabilidad que la persona no tenga cáncer, dado que el diagnóstico de la prueba es negativo.
7 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Independencia Dos variables categóricas son independientes si todas sus probabilidades conjuntas son iguales al producto de sus marginales: π ij = π i+ π +j i = 1,, I j = 1,, J Dos variables son independientes cuando {π j 1 = = π j I } para j = 1,, J. La independencia es tambien llamada homogeneidad en las distribuciones condicionales.
8 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Poisson, multinomial e hipergeométrica Si el tamaño de muestra no es jo se usa la distribución de Poisson. La función de probabilidad conjunta es: exp{ µ ij } µn ij ij n ij! i j Cuando el tamaño de muestra es jo se usa la distribución multinomial. La función de probabilidad conjunta es: n! n 11! n IJ! i j π n ij ij
9 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Poisson, multinomial e hipergeométrica Si los totales en la son jos se usa la notación n i = n i+. Suponga que las n i observaciones de Y en el grupo i de X son independientes cada una con distribución de probabilidad {π 1 i,, π J i }. Los conteos {n ij } satisfacen j n ij = n i y tienen la forma multinomial: n i! π n ij n i1! n ij! j i Cuando los totales en la y columnas son jos la distribución de muestreo apropiada es la hipergeométrica. j
10 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Ejemplo: Cinturón de seguridad Suponga que se desea estudiar la relación entre el uso del cinturón de seguridad con el tipo de accidente de auto. Tabla 4: Tipo de accidente y uso del cinturón Uso del Tipo de accidente cinturón Fatal No fatal Si No Los resultados del estudio seran resumidos en el formato de la tabla anterior.
11 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Ejemplo: Cinturón de seguridad Suponga que se desea clasicar los accidentes para el próximo año, entonces el tamaño de muestra es una variable aleatoria y n ij P(µ ij ). Suponga que se toma una muestra de 200 registros policiales de los accidentes ocurridos el año pasado, entonces el tamaño de muestra es jo y {n ij } M(n = 200, {π ij }). Suponga que se eligen al azar 100 registros de accidentes fatales y 100 de accidentes no fatales, entonces los totales por columna son jos y cada una se convierte en una muestra binomial independiente.
12 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Ejemplo: Cáncer al pulmón La siguiente tabla es parte de un estudio de la relación entre el hábito de fumar y la presencia de cáncer al pulmón. Tabla 5: Hábito de fumar y cáncer al pulmón Hábito de Cáncer al pulmón fumar Casos Control Si No En este tipo de estudios por lo general Y = presencia de cáncer al pulmón y X = hábito de fumar.
13 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Ejemplo: Cáncer al pulmón Si la distribución marginal de la presencia de cáncer al pulmón es ja y lo que se observa corresponde al hábito de fumar se trata de un estudio retrospectivo o estudio caso-control (mirar al pasado). Suponga que en un estudio similar se elige una muestra de adolescentes y 60 años después se observa la presencia de cáncer al pulmón para los fumadores y no fumadores en la muestra. En este caso se trata de un estudio prospectivo. Existen dos tipos de estudios prospectivos: ensayos clínicos y estudios de cohorte.
14 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Ejemplo: Cáncer al pulmón En un ensayo clínico los sujetos serian colocados al azar en el grupo de fumadores y no fumadores. En un estudio de cohorte los sujetos harian su propia el elección sobre su hábito de fumar. Si los sujetos en la muestra son clasicados simultáneamente según el hábito de fumar y la presencia de cáncer al pulmón entonces el diseño es transversal. Los diseños de tipo caso-control, cohorte y transversal son estudios observacionales. En contraste, un ensayo clínico es un estudio experimental ya que se tiene la ventaja de controlar los sujetos que recibiran cada tratamiento.
15 Notación y estructura de probabilidad Independencia de variables categóricas Distribuciones de muestreo Tipos de estudios Ejemplo: Cáncer al pulmón Los estudios prospectivos consideran los totales para X como jos (n i = j n ij) y cada la como una muestra multinomial independiente sobre Y. Los estudios retrospectivos consideran los totales para Y como jos {n +j } y cada columna como una muestra multinomial independiente sobre X. En un estudio transversal el tamaño de muestra es jo pero no los totales de la y columna por lo que los I J conteos en la tabla se consideran una muestra multinomial.
16 Diferencia de proporciones Riesgo relativo Odds ratio Diferencia de proporciones En general, para los individuos en el grupo i la probabilidad que la variable respuesta pertenezca a la categoría 1 denotada como éxito es π 1 i. Con solo dos posibles resultados, π 2 i = 1 π 1 i y por simplicidad π i = π 1 i. La diferencia de la proporción de éxitos en cada grupo es π 1 π 2. La diferencia de la proporción de fracasos en cada grupo es π 2 π 1. La variable respuesta Y es estadísticamente independiente de X cuando π 1 π 2 = 0.
17 Diferencia de proporciones Riesgo relativo Odds ratio Diferencia de proporciones Un estimador para la diferencia de proporciones es: El error estándar es: σ(ˆπ 1 ˆπ 2 ) = ˆπ 1 ˆπ 2 π 1 (1 π 1 ) n 1 + π 2(1 π 2 ) n 2 Si el tamaño de muestra es grande, el intervalo (1 α) 100 % de Wald es: (ˆπ 1 ˆπ 2 ) z 1 α/2ˆσ(ˆπ 1 ˆπ 2 )
18 Diferencia de proporciones Riesgo relativo Odds ratio Riesgo relativo Una diferencia de proporciones puede ser más importante cuando éstas se encuentran cerca de 0 o 1 que cuando se encuentran cerca de 0.5. La diferencia entre y tiene mayor relevancia que la diferencia entre y aún cuando el valor es el mismo. El riesgo relativo se dene por: r = π 1 π 2 0 La condición de independencia se da cuando el riesgo relativo es igual a uno.
19 Diferencia de proporciones Riesgo relativo Odds ratio Riesgo relativo El riesgo relativo muestral es: ˆr = ˆπ 1 ˆπ 2 El error estándar asintótico de log ˆr es: 1 π1 σ (log ˆr) = + 1 π 2 π 1 n 1 π 2 n 2 El intervalo de conanza (1 α) 100 % para log r es: log ˆr z 1 α/2ˆσ (log ˆr)
20 Diferencia de proporciones Riesgo relativo Odds ratio Odds ratio Si π es la probabilidad de éxito, entonces el odds se dene por: Ω = π 1 π Si π = 0.75 entonces Ω = 3 lo cual indica que la probabilidad de éxito es 3 veces la probabilidad de fracaso. Inversamente: π = Ω 1 + Ω Si la tabla es 2 2, en el grupo i el odds es: Ω i = π i 1 π i
21 Diferencia de proporciones Riesgo relativo Odds ratio Odds ratio El cociente de Ω 1 y Ω 2 : es llamado el odds ratio. θ = Ω 1 Ω 2 = π 1/ (1 π 1 ) π 2 / (1 π 2 ) Si las probabilidades de celda son {π ij } el odds ratio es: θ = π 11/π 12 π 21 /π 22 = π 11π 22 π 12 π 21 Un nombre alternativo para θ en tablas 2 2 es razón producto cruzado.
22 Diferencia de proporciones Riesgo relativo Odds ratio Odds ratio El odds ratio siempre es un número positivo. Cuando X y Y son independientes entonces Ω 1 = Ω 2 y por consiguiente θ = 1. Si θ > 1 los sujetos en el grupo 1 tienen mayor probabilidad de tener éxito que los sujetos en el grupo 2, es decir π 1 > π 2. Si 0 < θ < 1 entonces π 1 < π 2. Si θ = 4 el odds para el éxito en el grupo 1 es cuatro veces el odds en el grupo 2. Los valores de θ alejados de 1 en alguna dirección representan una fuerte asociación.
23 Diferencia de proporciones Riesgo relativo Odds ratio Odds ratio Dos valores representan el mismo grado de asociación pero en dirección opuesta cuando una es la inversa de la otra. Si θ = 0.25 el odds para el éxito en el grupo 1 es 0.25 veces el odds correspondiente en el grupo 2 o equivalentemente, el odds para el éxito en el grupo 2 es 4 veces el odds correspondiente en grupo 1. Para el proceso de inferencia es conveniente usar log θ que es simétrico con respecto a cero, ya que log 4 = 1.39 y log 1/4 = No se requiere identicar una variable respuesta para usar θ. El odds ratio es válido para diseños prospectivos, retrospectivos o transversales.
24 Diferencia de proporciones Riesgo relativo Odds ratio Odds ratio El odds ratio muestral es: El estimador modicado es: ˆθ = n 11n 22 n 12 n 21 θ = (n ,5) (n ,5) (n ,5) (n ,5) El error estándar estimado para log ˆθ es: ( ˆσ log ˆθ ) = 1 n n n n 22
25 Diferencia de proporciones Riesgo relativo Odds ratio Odds ratio Los estimadores ˆθ y θ tienen la misma distribución normal asintótica con respecto de θ. Si el tamaño de muestra es grande, el intervalo de conanza (1 α) 100 % de Wald para log θ es: log ˆθ ( z 1 α/2ˆσ log ˆθ ) El intervalo correspondiente para θ es: { exp log ˆθ ( z 1 α/2ˆσ log ˆθ )}
26 Diferencia de proporciones Riesgo relativo Odds ratio Ejemplo: Uso de aspirina y ataque al corazón La proporción que sufrió ataque al corazón en el grupo placebo es y en el grupo aspirina es La diferencia de proporciones es El riesgo relativo es 1.82 lo cual nos dice que la proporción que sufre ataque al corazón en el grupo placebo es 1.82 veces la proporción correspondiente en el grupo aspirina. La razón de odds muestral es El odds de los que sufren ataque al corazón en el grupo placebo es 1.83 veces el odds correspondiente al grupo aspirina.
27 Diferencia de proporciones Riesgo relativo Odds ratio Ejemplo: Cáncer al pulmón y hábito de fumar Se considera que Y = Cáncer al pulmón y X = Hábito de fumar. La tabla 5 consta de dos muestras binomiales sobre X considerando Y jo. La probabilidad que un sujeto sea fumador dado que tiene cáncer al pulmón es La probabilidad que un sujeto sea fumador dado que no tiene cáncer al pulmón es Sin embargo no es posible estimar la probabilidad de tener cáncer al pulmón dado que la persona fuma.
28 Diferencia de proporciones Riesgo relativo Odds ratio Ejemplo: Cáncer al pulmón y hábito de fumar Tampoco es posible estimar diferencias de proporciones o la razón de probabilidades para los que tienen cáncer al pulmón. Sin embargo se puede calcular el odds ratio: ˆθ = = 3 La interpretación puede usar la dirección que sea de interés aún cuando el estudio fuese retrospectivo. El odds estimado de cáncer al pulmón para fumadores fué 3 veces el odds estimado para los no fumadores.
29 Introducción Odds ratios condicionales y marginales Asociación homogénea Odds ratio en tablas I J En un estudio del efecto de X sobre Y es posible controlar alguna otra variable que podría inuir en dicho efecto. Suponga que se desea estudiar el efecto de ser un fumador pasivo en el desarrollo de cáncer al pulmón. Se podria comparar la proporción de fumadores pasivos con cáncer al pulmón entre los grupos formados por los cónyuges que fuman y no fuman. Sin embargo los fumadores pasivos tienden a ser más jóvenes en el grupo donde el cónyuge no fuma y como se sabe la gente joven tiene menos posibilidades de tener cáncer al pulmón.
30 Introducción Odds ratios condicionales y marginales Asociación homogénea Odds ratio en tablas I J Una tabla parcial resulta de construir tablas de clasicación para X y Y en cada nivel de Z. La tabla de contingencia de dos vías obtenida combinando las tablas parciales se llama tabla marginal XY. Una tabla marginal en lugar de controlar Z lo que hace es ignorarla ya que no contiene información con respecto de ella. Las relaciones en una tabla parcial son llamadas asociaciones condicionales debido a que se reeren al efecto de X sobre Y condicionado en uno de los niveles de Z.
31 Introducción Odds ratios condicionales y marginales Asociación homogénea Odds ratio en tablas I J Ejemplo: Pena de muerte Se desea estudiar el efecto de las características raciales sobre la pena de muerte. Se clasicaron 674 sujetos que fueron acusados de múltiples asesinatos en Florida entre 1976 y Las variables son Y = pena de muerte, X = raza del asesino y Z = raza de la víctima. Se estudia el efecto de la raza del asesino sobre el veredicto de la pena de muerte, considerando la raza de la víctima como variable control. La tabla 6 contiene tablas parciales 2 2 que relacionan la raza del asesino con el veredicto según la raza de la víctima.
32 Introducción Odds ratios condicionales y marginales Asociación homogénea Odds ratio en tablas I J Ejemplo: Pena de muerte Tabla 6: Veredicto para la pena de muerte Pena de muerte Víctima Asesino Si No Porcentaje Blanca Blanca % Negra % Negra Blanca % Negra % Total Blanca % Negra %
33 Introducción Odds ratios condicionales y marginales Asociación homogénea Odds ratio en tablas I J Ejemplo: Pena de muerte La tabla anterior muestra el porcentaje de acusados que recibieron la pena de muerte. Cuando las víctimas fueron de raza blanca la pena de muerte fue impuesta al 22.9 % y 11.3 % de los asesinos negros y blancos respecivamente. Cuando las víctimas fueron de raza negra la pena de muerte fue impuesta al 2.8 % de los asesinos negros y a ninguno de raza blanca. Ignorando la raza de la víctima la pena de muerte fue impuesta al 11.0 % y 7.9 % de los asesinos blancos y negros respectivamente.
34 Introducción Odds ratios condicionales y marginales Asociación homogénea Odds ratio en tablas I J Odds ratios condicionales y marginales Suponga una tabla 2 2 K y sea µ ijk la frecuencia esperada en la celda correspondiente. Se ja Z = k y se dene el odds ratio condicional como: y el odds ratio marginal como: θ XY (k) = µ 11kµ 22k µ 12k µ 21k θ XY = µ 11+µ 22+ µ 12+ µ 21+ Cuando se sustituyen los valores de µ ijk por las frecuencias observadas se obtienen los odds ratios muestrales.
35 Introducción Odds ratios condicionales y marginales Asociación homogénea Odds ratio en tablas I J Odds ratios condicionales y marginales Si θ XY = 1 se dice que existe independencia marginal. Si θ XY (k) = 1 se dice que existe independencia condicionada a que Z = k. La independencia condicional a Z = k es equivalente a: para todo i, j. Pr(Y = j X = i, Z = k) = Pr(Y = j Z = k) La independencia condicional no implica la independencia marginal.
36 Introducción Odds ratios condicionales y marginales Asociación homogénea Odds ratio en tablas I J Asociación homogénea Una tabla 2 2 K tiene una asociación XY homogénea cuando: θ XY (1) = θ XY (2) = = θ XY (K) es decir, el tipo de asociación entre X y Y es el mismo para las distintas categorías de Z. Si existe una asociación XY homogénea entonces también tenemos una asociación XZ homogénea y una asociación YZ homogénea. Se dice también que no existe interacción entre las dos variables con respecto a sus efectos en la otra variable.
37 Introducción Odds ratios condicionales y marginales Asociación homogénea Odds ratio en tablas I J Asociación homogénea Sean X = Fumador (Si, No), Y = Cáncer de pulmón (Si, No) y Z = Edad (< 45, 45-65, > 65). Suponga que los odds ratios condicionales son: θ XY (1) = 1,2 θ XY (2) = 3,9 θ XY (3) = 8,8 El efecto de fumar se acentúa conforme la edad es mayor. La edad se denomina efecto modicador, dado que el efecto de fumar queda modicado cuando la edad aumenta.
38 Odds ratios en tablas I J Introducción Odds ratios condicionales y marginales Asociación homogénea Odds ratio en tablas I J Considere el subconjunto de (I 1) (J 1) odds ratios locales: θ ij = π ijπ i+1,j+1 π i,j+1 π i+1,j i = 1,, I 1 j = 1,, J 1 Los odds ratios locales usan las celdas en las y columnas adyacentes. Otro subconjunto básico es: α ij = π ijπ I,J π I,j π i,j i = 1,, I 1 j = 1,, J 1
39 Introducción Odds ratios condicionales y marginales Asociación homogénea Odds ratio en tablas I J Ejemplo Se realizó un estudio retrospectivo sobre cáncer al pulmón y consumo de tabaco en pacientes de hospitales en Inglaterra. Tabla 7: Cáncer de pulmón y consumo de tabaco Número de cigarrillos Cáncer Control Ninguno 7 61 Menos de a más 38 12
Análisis de datos Categóricos
Inferencia para tablas de contingencia Universidad Nacional Agraria La Molina 2013-1 Odds ratio Diferencia de proporciones Riesgo relativo Ejemplo Odds ratio El odds ratio muestral es: El estimador modicado
Más detallesAnálisis de datos Categóricos
Introducción Universidad Nacional Agraria La Molina 2017-1 Variable cualitativa Variable respuesta cualitativa Variable respuesta y explicativa Variable de conteo y proporción Escalas de medición Una variable
Más detallesInferencia en tablas de contingencia
GoBack Inferencia en tablas de contingencia Guillermo Ayala Gallego Universidad de Valencia 15 de octubre de 2008 1 / 36 Distribución condicionada exacta Intervalo para los odds ratio Intervalo de la diferencia
Más detallesDescripción de tablas de contingencia
GoBack Descripción de Guillermo Ayala Gallego Universidad de Valencia 15 de octubre de 2008 1 / 40 Un ejemplo Distribución conjunta y tabla de Distribución condicional Independencia y homogeneidad Tablas
Más detallesFacultad de Matemáticas Departamento de Estadística e Investigación Operativa TRABAJO FIN DE GRADO. Tablas de Contingencia
Facultad de Matemáticas Departamento de Estadística e Investigación Operativa TRABAJO FIN DE GRADO Tablas de Contingencia Inmaculada Millán Díaz Sevilla, Septiembre 2017 Abstract Contingency tables show
Más detallesGuillermo Ayala Gallego Universidad de Valencia
GoBack Regresión logística Guillermo Ayala Gallego Universidad de Valencia 4 de febrero de 2009 1 / 22 Puede que sea el procedimiento estadístico más utilizado. Con aplicaciones frecuentes en Medicina
Más detallesAnálisis de datos categóricos
Regresión multinomial Universidad Nacional Agraria La Molina 2017-1 Distribución multinomial Distribución multinomial Considere una variable aleatoria Y con J categorías cuyas probabilidades respectivas
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 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 detalles1. Modelos Loglineales tablas de 2 entradas
1. Modelos Loglineales tablas de 2 entradas Los modelos loglineales para tablas de 2 2 describen las asociaciones entre dos variables discretas digamos X y Y. El modelo loglineal nos dice cuan grande es
Más detallesDESCRIPCIÓN DE DATOS POR MEDIO DE GRÁFICAS
ÍNDICE Introducción: Entrene su cerebro para la estadística... 1 La población y la muestra... 3 Estadísticas descriptivas e inferenciales... 4 Alcanzar el objetivo de estadísticas inferenciales: los pasos
Más detallesAnálisis de datos Categóricos
Pruebas Chi-cuadrado para tablas de dos vías Universidad Nacional Agraria La Molina 2017-1 Independencia y Homogeneidad Independencia y Homogeneidad Prueba de Pearson y G 2 Una prueba de independencia
Más detallesOtra medida alternativa para la distancia entre ˆπ y p muy usada es la deviance. Λ= máx ω. Si queremos testear. el cociente estaría dado por
M.L.G. Ana M. Bianco FCEyN 2010 96 Estadístico G 2 Otra medida alternativa para la distancia entre ˆπ y p muy usada es la deviance G 2, que es un estadístico basado en el cociente de verosimilitud. Si
Más detallesAnálisis de datos Categóricos
Regresión logística Universidad Nacional Agraria La Molina 2016-1 Regresión logística simple Interpretación de parámetros Inferencia Para una variable aleatoria respuesta Y y una variable explicativa X,
Más detalles2. ESTADÍSTICA DESCRIPTIVA 15 Estadística descriptiva.. Variables aleatorias Descripción de variables cuantitativas
" INDICE PRÓLOGO... XXIII PREFACIO GUÍA DE LECTURA XXV XXIX 1. INTRODUCCIÓN A LA ESTADÍSTICA 1 1.1. Estadística 1 1.2. Historia 3 1.3. Población y muestra 4 1.4. Estadística aplicada 7 1.5. Aplicaciones
Más detallesTema 9: Relación entre variables categóricas
Tema 9: Relación entre variables categóricas Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 9: Relación entre variables categóricas Curso
Más detallesNIVELACIÓN DE ESTADISTICA. Carlos Darío Restrepo
NIVELACIÓN DE ESTADISTICA Qué es la probabilidad? La probabilidad mide la frecuencia con la que aparece un resultado determinado cuando se realiza un experimento. Por ejemplo: tiramos un dado al aire y
Más detallesDistribuciones de parámetros conocidos
10.3. CONTRASTE DE BONDAD DE AJUSTE PARA DISTRIBUCIONES265 350 300 observaciones esperado(x) 250 Frecuencias esperadas 200 150 100 Frecuencias observadas 50 0 55 60 65 70 75 80 85 90 Figura 10.2: En los
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más detallesFacultad de Medicina Título: Utilidad clínica de la tabla 2x2
1 UNIVERSIDAD AUTÓNOMA DEL ESTADO DE MÉXICO Facultad de Medicina Título: Utilidad clínica de la tabla 2x2 Unidad de Aprendizaje: Bioestadística Programa educativo: Médico Cirujano Espacio académico: Faculta
Más detallesPrueba Ji-cuadrado de Homogeneidad cuando tengo los datos tabulados (en tablas resumidos ya):
Prueba Ji-cuadrado de Homogeneidad cuando tengo los datos tabulados (en tablas resumidos ya): Objetivo de la prueba: se utiliza cuando se tienen varias muestras independientes de n individuos que se clasifican
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 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 detallesLimitaciones de la prueba (las mismas que para la prueba de Independencia):
Prueba Ji-cuadrado de Homogeneidad: Objetivo de la prueba: se utiliza cuando se tienen varias muestras independientes de n individuos que se cl asifican respecto a una variable cualitativa y se desea conocer
Más detallesDistribuciones de probabilidad II
II Facultad de Estudios Superiores Acatlán Licenciatura en Economía 20 de abril 2017 José A. Huitrón Mendoza Distribuciones de probabilidad de Poisson Enmarca el estudio de una variable aleatoria discreta
Más detallesEstadística Bayesiana
Modelos uniparamétricos Universidad Nacional Agraria La Molina 2017-1 Modelos uniparamétricos Se tiene una secuencia de ensayos independientes de Bernoulli y 1,, y n. Sea y el número total de éxitos en
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 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 detallesUnidad 3. Probabilidad. Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre / 22
Unidad 3. Probabilidad Javier Santibáñez (IIMAS, UNAM) Inferencia Estadística Semestre 2018-1 1 / 22 Espacios de probabilidad El modelo matemático para estudiar la probabilidad se conoce como espacio de
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía VIDEOCLASE: Introducción a la estimación de parámetros
Más detallesTema 4. Intervalos de confianza. Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1
Tema 4. Intervalos de confianza Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 4: Intervalos de confianza 1 Definición Sea X una v.a. con distribución de probabilidad dada por un modelo
Más detalles1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesAsignatura : INFERENCIA ESTADÍSTICA I Titulación : DIPLOMADO EN ESTADÍSTICA Profesor : ISABEL MOLINA PERALTA Capítulo 5 : INTERVALOS DE CONFIANZA
Asignatura : INFERENCIA ESTADÍSTICA I Titulación : DIPLOMADO EN ESTADÍSTICA Profesor : ISABEL MOLINA PERALTA Capítulo 5 : INTERVALOS DE CONFIANZA Typeset by FoilTEX 5.1 MÉTODO DE LA CANTIDAD PIVOTAL X
Más detallesESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía
ESTADÍSTICA APLICADA A LA EDUCACIÓN (Tema 11) Asignatura de Formación Básica (FB) de 1º curso, común a los Grado en Educación Social y en Pedagogía Novedades en el Plan de Trabajo Desviación típica sesgada
Más detallesINFERENCIA PARÁMETRICA: RELACIÓN ENTRE DOS VARIABLES CUALITATIVAS
. Metodología en Salud Pública INFERENCIA PARÁMETRICA: RELACIÓN ENTRE DOS VARIABLES CUALITATIVAS Autor: Clara Laguna 7.1 INTRODUCCIÓN Los datos categóricos o variables cualitativas son muy frecuentes en
Más detallesTema 3: Estimación puntual. Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 3: Estimación puntual 1
Tema 3: Estimación puntual Estadística Aplicada (Bioquímica). Profesora: Amparo Baíllo Tema 3: Estimación puntual 1 Muestra aleatoria y estadísticos Objetivo: Estudiar una v.a. numérica X en una población
Más detallesEstudio descriptivo de dos variables
Metodología de la Investigación en Enfermería Cátedra de Bioestadística Universidad de Extremadura 1 de febrero de 2012 Índice Introducción 1 Introducción 2 3 4 Índice Introducción 1 Introducción 2 3 4
Más detallesProf. Eliana Guzmán U. Semestre A-2015
Unidad III. Variables aleatorias Prof. Eliana Guzmán U. Semestre A-2015 Variable Aleatoria Concepto: es una función que asigna un número real, a cada elemento del espacio muestral. Solo los experimentos
Más detallesAnálisis de datos Categóricos
Regresión logística Universidad Nacional Agraria La Molina 2014-2 Regresión logística simple Interpretación de parámetros Gracando las proporciones Inferencia Introducción Para una variable aleatoria respuesta
Más detalles1. Modelos para conteos
1. Modelos para conteos En esta sección se modelarán conteos, que resultan de diversas situaciones, por ejemplo: el número de accidentes en una carretera, el número de caries que tiene una persona, el
Más detallesEXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 2006
EXÁMEN INFERENCIA ESTADÍSTICA I Diplomado en Estadística Convocatoria de Febrero 6 Problema ( ptos) Considera un experimento aleatorio con espacio muestral Ω. a) Definir una σ-álgebra A sobre Ω. b) Dar
Más detallesSoluciones a los nuevos ejercicios propuestos
Soluciones a los nuevos ejercicios propuestos 1 Soluciones a los nuevos ejercicios propuestos 1. Sea X la cantidad de calcio en sangre del paciente (en mg. por cada 100 ml. de sangre). X N(µ, σ 2 ). Tenemos
Más detalles1 Descripción de datos con gráficas 7. 2 Descripción de datos con medidas numéricas 47. Contenido. 2.1 Descripción de un conjunto de datos mediante
Introducción:Una invitación a la estadística 1 La población y la muestra 3 Estadística descriptiva y estadística inferencial 3. Cómolograrel objetivode la estadísticainferencial: los pasos necesarios 4
Más detallesTeorema del límite central
TEMA 6 DISTRIBUCIONES MUESTRALES Teorema del límite central Si se seleccionan muestras aleatorias de n observaciones de una población con media y desviación estándar, entonces, cuando n es grande, la distribución
Más detalles1 CÁLCULO DE PROBABILIDADES
1 CÁLCULO DE PROBABILIDADES 1.1 EXPERIENCIAS ALEATORIAS. SUCESOS 1.1.1 Definiciones Experiencia aleatoria: experiencia o experimento cuyo resultado depende del azar. Suceso aleatorio: acontecimiento que
Más detallesInferencia: Tarea 3. medio número de mujeres media(años ) des. estándar(años) Rural Urbano
Inferencia: Tarea 3 1. Un sociólogo registró el número de años cumplidos por una mujer al momento de su primer parto. Se clasificó a las mujeres de acuerdo al medio en que vivían, rural y urbano, y se
Más detalles10.5. Contraste de independencia de variables cualitativas
272 Bioestadística: Métodos y Aplicaciones H 0 : La variable X se distribuye igualmente en ambas poblaciones H 1 : La distribución no es homogénea Para ello escribimos la que sería la distribución de frecuencias
Más detallesMEDIDAS DE ASOCIACION
MEDIDAS DE ASOCIACION OBJETIVOS DE LA LECCION Que es asociación Identificar las medidas apropiadas para un diseño de estudio Construir tablas de contingencia Calcular e interpretar las medidas de asociación
Más detallesCapítulo 5: Probabilidad e inferencia
Capítulo 5: Probabilidad e inferencia estadística (Fundamentos Matemáticos de la Biotecnología) Departamento de Matemáticas Universidad de Murcia Contenidos Principios de la probabilidad Conceptos básicos
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 detallesConceptos básicos de inferencia estadística (I): Inferencia estadística (repaso)
Conceptos básicos de inferencia estadística (I): Inferencia estadística (repaso) Tema 1 (I) Estadística 2 Curso 08/09 Tema 1 (I) (Estadística 2) Inferencia estadística Curso 08/09 1 / 24 Inferencia estadística
Más detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
Más detallesMATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
MATEMÁTICAS II PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con sucesos. Leyes de De Morgan.
Más detallesDistribuciones Fundamentales de Muestreo. UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides
Distribuciones Fundamentales de Muestreo UCR ECCI CI-0115 Probabilidad y Estadística Prof. Kryscia Daviana Ramírez Benavides Distribuciones Muestrales La distribución de probabilidad de un estadístico
Más detallesEL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD)
EL PRINCIPIO DE MÁXIMA VEROSIMILITUD (LIKELIHOOD) Fortino Vela Peón fvela@correo.xoc.uam.mx FVela-0 Objetivo Introducir las ideas básicas del principio de máxima verosimilitud. Problema Considere el experimento
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesEsquema Matemáticas CCSS
Esquema Matemáticas CCSS 4. Inferencia Conocer el vocabulario básico de la Inferencia Estadística: población, individuos, muestra, tamaño de la población, tamaño de la muestra, muestreo aleatorio. Conocer
Más detallesCONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS
CONTRASTES DE HIPÓTESIS NO PARAMÉTRICOS 1 POR QUÉ SE LLAMAN CONTRASTES NO PARAMÉTRICOS? A diferencia de lo que ocurría en la inferencia paramétrica, ahora, el desconocimiento de la población que vamos
Más detallesBioestadística: Inferencia Estadística. Análisis de Una Muestra
Bioestadística: Inferencia Estadística. Análisis de Una Muestra M. González Departamento de Matemáticas. Universidad de Extremadura Estimación Puntual e Intervalos de Confianza Planteamiento del Problema
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 detallesResumen de Probabilidad
Definiciones básicas * Probabilidad Resumen de Probabilidad Para calcular la probabilidad de un evento A: P (A) = N o decasosfavorables N o decasosposibles * Espacio muestral (Ω) Es el conjunto de TODOS
Más detallesEstudiaremos tres tipos de contrastes, cada uno de los cuales trata de responder a la pregunta correspondiente: Bondad del ajuste Proceden los datos
Contrastes 2 χ Estudiaremos tres tipos de contrastes, cada uno de los cuales trata de responder a la pregunta correspondiente: Bondad del ajuste Proceden los datos de una determinada distribución? Homogeneidad
Más detallesAlgunas Distribuciones Discretas de Probabilidad. UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Discretas de Probabilidad UCR ECCI CI-1352 Investigación de Operaciones I Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesBLOQUE III: INFERENCIA ESTADISTICA. X, variable aleatoria de interés sobre una determinada población
BLOQUE III: INFERENCIA ESTADISTICA TEMA 8. MUESTREO Y DISTRIBUCIONES DE MUESTREO 1. Introducción a la Inferencia Estadística X, variable aleatoria de interés sobre una determinada población Observar el
Más detallesESTIMACION INFERENCIA ESTADISTICA
P M INFERENCIA ESTADISTICA Desde nuestro punto de vista, el objetivo es expresar, en términos probabilísticos, la incertidumbre de una información relativa a la población obtenida mediante la información
Más detallesEstimación de Parámetros
Estimación de Parámetros Jhon Jairo Padilla A., PhD. Inferencia Estadística La inferencia estadística puede dividirse en dos áreas principales: p Estimación de Parámetros Prueba de Hipótesis Estimación
Más detallesTécnicas de Muestreo I
1 / 39 Técnicas de Muestreo I Patricia Isabel Romero Mares Departamento de Probabilidad y Estadística IIMAS UNAM agosto 2018 2 / 39 Temario 1. Introducción. Definición de conceptos elementales 2. Muestreo
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Mag. María del Carmen Romero 2014 romero@econ.unicen.edu.ar Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo
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 detallesRESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL
RESUMEN CONTENIDOS TERCERA EVALUACIÓN PROBABILIDAD DISTRIBUCIÓN BINOMIAL DISTRIBUCIÓN NORMAL 1) PROBABILIDAD Experimentos aleatorios. Concepto de espacio muestral y de suceso elemental. Operaciones con
Más detalles1. Estimación. f(y) = θ e y θ, y > 0 0, en otro punto
1. Estimación Definición: Un estimador es una regla que indica cómo calcular el valor de una estimación con base en las mediciones que contien una muestra. Definición: Si ˆθ es un estimador puntual de
Más detallesDISTRIBUCION DE FRECUENCIAS BIDIMENSIONALES RELACION DE DOS CARACTERES Relación entre variables cualitativas
08/11/01 DISTRIBUCION DE FRECUENCIAS BIDIMENSIONALES RELACION DE DOS CARACTERES Relación entre variables cualitativas CARACTERES INDEPENDIENTES Respuesta a un tratamiento No Sí Total (marginales por filas)
Más detalles1. Estudios observacionales. 2. Estudios experimentales. 1. Estudios transversales. 2. Estudios longitudinales (prospectivos o retrospectivos)
EL CONCEPTO DE CAUSALIDAD Cambio de paradigma de causa univoca a causa contributiva. La causa no produce por si sola un efecto, sino que aumenta la probabilidad de que éste se produzca. TIPOS DE EPIDEMIOLÓGICOS
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 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 detallesTema 3: PROBABILIDAD - III
Tema 3: PROBABILIDAD - III Teorema de la probabilidad total. Teorema de Bayes. Tablas de contingencia y el lenguaje de las pruebas diagnósticas. Odds (probabilidades). Biología sanitaria 2017/18. Universidad
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesTema 8. Fundamentos de Análisis discriminante
Máster en Técnicas Estadísticas Análisis Multivariante. Año 2008 2009. Profesor: César Sánchez Sellero. Tema 8. Fundamentos de Análisis discriminante 8.1. Introducción. Empezamos deniendo el problema discriminante.
Más detallesMODELOS DE SIMULACIÓN ESTADÍSTICOS CLASE 4: DISTRIBUCIÓN t, CHI-CUADRADA y EXPONENCIAL PROFESOR: OSCAR SAAVEDRA ANDRÉS DURANGO.
DISTRIBUCIÓN t Con frecuencia intentamos estimar la media de una población cuando se desconoce la varianza, en estos casos utilizamos la distribución de t de Student. Si el tamaño de la muestra es suficientemente
Más detallesFormulario. Estadística Administrativa. Módulo 1. Introducción al análisis estadístico
Formulario. Estadística Administrativa Módulo 1. Introducción al análisis estadístico Histogramas El número de intervalos de clase, k, se elige de tal forma que el valor 2 k sea menor (pero el valor más
Más detallesEl Bootstrap paramétrico y no parametrico y su aplicación en los modelos log-lineal Poisson
El Bootstrap paramétrico y no parametrico y su aplicación en los modelos log-lineal Poisson Antonio Bravo Quiroz * Universidad Ricardo Palma 23 de noviembre de 2017 Índice 1. Conceptos Preliminares 6 1.1.
Más detallesTeoría de muestras 2º curso de Bachillerato Ciencias Sociales
TEORÍA DE MUESTRAS Índice: 1. Introducción----------------------------------------------------------------------------------------- 2 2. Muestras y población-------------------------------------------------------------------------------
Más detallesUniversidad Autónoma de Sinaloa
Séptima Edición del Diplomado en Estadística Mc. José V. Jiménez Ramírez Director de la Escuela de Ciencias Fisico-Matemáticas Tel. : 7 16 11 54 vidaljr@uas.uasnet.mx Dr. René Castro Montoya Coordinador
Más detallesTema 9: Contraste de hipótesis.
Estadística 84 Tema 9: Contraste de hipótesis. 9.1 Introducción. El objetivo de este tema es proporcionar métodos que permiten decidir si una hipótesis estadística debe o no ser rechazada, en base a los
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 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 detallesUnidad IV: Distribuciones muestrales
Unidad IV: Distribuciones muestrales 4.1 Función de probabilidad En teoría de la probabilidad, una función de probabilidad (también denominada función de masa de probabilidad) es una función que asocia
Más detallesDiseño o de un estudio epidemiológico
Diseño o de un estudio epidemiológico Dr. José Luis Hernández Hernández Unidad de Metabolismo Óseo Departamento de Medicina Interna Hospital Marqués de Valdecilla Diseño del estudio: definición Un diseño
Más detallesEstimación de Parámetros.
Estimación de Parámetros. Un estimador es un valor que puede calcularse a partir de los datos muestrales y que proporciona información sobre el valor del parámetro. Por ejemplo la media muestral es un
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 detallesBioestadística para Reumatólogos
Bioestadística para Reumatólogos Xavier Barber Vallés Mabel Sánchez Barrioluengo Colaboradores - Umh Todos los datos que se muestran son ficticios Tablas 2x2: Riesgos Relativos y Odds ratio En cada sociedad
Más detallesUNIVERSIDAD DE ANTIOQUIA FACULTAD NACIONAL DE SALUD PÚBLICA Héctor Abad Gómez ldbello@saludpublica.udea.edu.co Facultad Nacional de Salud Pública Héctor Abad Gómez www.leondariobello.com www.ciemonline.info/moodle
Más detalles1) Características del diseño en un estudio de cohortes.
Departamento de Estadística Universidad Carlos III de Madrid BIOESTADISTICA (55-10536) Estudios de cohortes CONCEPTOS CLAVE 1) Características del diseño en un estudio de cohortes. ) Elección del tamaño
Más detallesFolleto de Estadísticas. Teoría del 2do Parcial
Folleto de Estadísticas Teoría del 2do Parcial 2012 Variables aleatorias conjuntas continuas: Sean X y Y dos variables aleatorias continuas con ellas se asocia una función denominada función de densidad
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 detallesUniversidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA
Universidad Técnica de Babahoyo INTRODUCCIÓN A LA INFERENCIA ESTADÍSTICA Ateneo Ruperto P. Bonet Chaple UTB-Julio 2016 OBJETIVO Aplicar las técnicas de Muestreo e Inferencia Estadística Determinar el tamaño
Más detallesINTERVALOS DE CONFIANZA
INTERVALOS DE CONFIANZA INTERVALOS DE CONFIANZA Dado que los estimadores puntuales pocas veces serán iguales a los parámetros que se desean estimar, es posible darse mayor libertad utilizando estimadores
Más detalles