|
|
- Óscar Hidalgo Cabrera
- hace 7 años
- Vistas:
Transcripción
1 Comparación de dos Grupos en Presencia de Riesgos Competitivos María Carolina Paz S. a, Sergio Yanez Canal b mcpazs@unal.edu.co a. Estudiante de Maestría en Ciencias - Estadística, Universidad Nacional de Colombia - Sede Medellín. b. Profesor Asociado, Universidad Nacional de Colombia - Sede Medellín Resumen Se realiza una comparación entre el método tradicional Log - Rank basado en la causa específica de riesgo y el método de Gray en presencia de riesgos competitivos (Competing Risks), el cual tiene en cuenta la estimación de la Función de Incidencia Acumulativa (CIF) que depende de la hazard de la subdistribución para cada riesgo competitivo. Se enfatizará en la pregunta a resolver, para explicar las características de cada metodología e ilustrar sus diferencias. Palabras claves: Censura, Log - Rank, Hazard de la Subdistribución, Causa Específica de Riesgo, Función de Incidencia Acumulativa.
2 Comparison of two Groups in Presence of Competing Risks María Carolina Paz S. a, Sergio Yanez Canal b mcpazs@unal.edu.co a. Student of Master of Science - Statistics, Universidad Nacional de Colombia - Sede Medellín. b. Associate Professor, Universidad Nacional de Colombia - Sede Medellín. Abstract A comparison between the traditional method Log - Rank based on the specific cause of risk and the method of Gray in the presence of competing risks, which takes into account the estimated cumulative incidence function (CIF) which depends on the hazard function of the subdistribution for each competing risk. Emphasis will be placed in question to resolve, to explain the features of each methodology and illustrate their differences. Key words: Censoring, Log - Rank, Hazard function of the subdistribution, Cause specific hazard, Cumulative incidence function.
3 0.1 Introducción Los diferentes métodos tradicionales propuestos como el análisis de sobrevivencia presumen que solo existe un evento de interés, sin embargo, en las situaciones de la vida cotidiana esto no sucede. En general, un individuo puede experimentar más de un tipo de evento, por ejemplo, el evento de interés y un evento de riesgo competitivo (Competing Risks) y la ocurrencia de cualquier evento imposibilita la observación del otro evento. Por lo tanto, en presencia de Competing Risks, los métodos usuales de sobrevivencia pueden no ser apropiados en el análisis de tiempos de eventos. Para eliminar este efecto, se han propuesto diferentes técnicas para el análisis de tiempos de eventos en presencia de Competing Risks, en particular Gray en 1988 propone un método que tiene en cuenta la estimación de la Función de Incidencia Acumulativa (CIF) que depende de la Hazard de la Subdistribución para cada riesgo competitivo. 0.2 Métodos La distribución de probabilidad para el tiempo de falla T puede ser caracterizado por una función de distribución acumulada (CDF), una función de densidad de probabilidad (PDF), una función de sobreviviencia (SF) o una función hazard (HF). La selección de cualquiera de estas funciones depende de la conveniencia de la especificación del modelo, interpretación o desarrollo técnico 1. 1 L.A. Escobar. W.Q. Meeker. (1998). Statistical Methods for Reliability Data. John Wiley and Sons, INC
4 Figure 1: Funciones típicas en tiempos de falla. Función de Distribución Acumulada La función de distribución acumulada (CDF) de T, F (t) = P r(t t), da la probabilidad que una unidad fallará antes del tiempo t. Alternativamente, F (t) puede ser interpretada como la propoción de unidades en la población que fallarán antes del tiempo t. Función de Densidad de Probabilidad La función de densidad de probabilidad (PDF) puede ser usada para representar frecuencias relativas de tiempos de falla como una función del tiempo. La PDF para una variable aleatoria continua T es definida como la derivada de F (t) con respecto a t, esto es: f(t) = df (t) dt.
5 Función de Sobrevivencia La función de sobrevivencia (SF), también conocida como la función de fiabilidad es el complemento de la función de distribución acumulada, S(t) = P r(t > t) = 1 F (t) = f(x)dx, y da la probabilidad de sobrevivir más allá de un tiempo t t. Función Hazard La función Hazard (HF), es la función de tasa instántanea y es definida por: h(t) = lim P r(t<t t+ t T >t) t 0 t = f(t) 1 F (t) La función hazard expresa la probabilidad de fallar en el próximo intervalo pequeno de tiempo, dado un tiempo de sobrevivencia t. Censura 2 La censura restringe la habilidad para obsevar los tiempos de falla exactamente. La censura es común en el análisis de fiabilidad y surge por un número diferente de razones. Censura tipo I: En general, hay limitaciones sobre la duración de las pruebas de vida u otros estudios de fiabilidad y, como resultado, los datos deben ser analizados antes de que todas las unidades fallen. Se establece un tiempo específico y se contabiliza el número de unidades que fallaron. Censura tipo II: Hace referencia a que una prueba de vida se termina después de que se ha inspeccionado un número x de unidades que han fallado. 2 L.A. Escobar. W.Q. Meeker. (1998). Statistical Methods for Reliability Data. John Wiley and Sons, INC
6 Censura por intervalo: Las observaciones censuradas por intervalo consisten en que las fallas son descubiertas sólo en tiempos de inspección. Si una unidad ha fallado en su primera inspección, se dice que la observación está censurada a la izquierda. Si la unidad no ha falllado en el tiempo de la última inspección, es censurada a la derecha, el límite superior del intervalo para este caso es. La función de verosímilitud es igual o aproximadamente proporcional a la probabilidad del conjunto de datos. Para un cojunto de datos dado y un modelo específico, la verosímilitud es vista como una función de un modelo de parámetros desconocidos. La forma de la función de verosímilitud dependerá de factores como: El modelo de probabilidad asumido. La forma de los datos disponibles (Censurado, censurados por intervalo, etc). La pregunta o foco del estudio. Esto incluye los problemas relacionados para la identificabilidad de parámetros (por ejemplo, la habilidad o la no habilidad de los datos para estimar ciertas características de un modelo estadístico). La verosímilitud total puede ser escrita como la probabilidad conjunta de los datos. Asumiendo n observaciones independientes, la verosímilitud muestral es: L(p) = L(p; DAT A) = c n i=1 L i(p; data i ) Donde L i (p; data i ) es la probabilidad de la observacin i, data i son los datos por observación i, y p es el vector de parámetros a ser estimados. Para estimar p a partir de los datos disponibles, se deben encontrar valores de p que maximice L( p).
7 Las contribuciones a la verosímilitud de las observaciones censuradas a la derecha, de las observaciones censuradas a la izquierda y de las observaciones censuradas por intervalo, es simplemente la probabilidad de falla en el intervalo de incertidumbre correspondiente. Tabla 1. Contribuciones para la verosímilitud de los diferentes tipos de censura Tipo de Censura Rango Verosmilitud d i observaciones censuradas por intervalo en t i 1 y t i t i 1 < T t i [F (t i) F (t i 1)] d i l i observaciones censuradas a la izquierda en t i T t i [F (t i)] l i r i observaciones censuradas a la derecha en t i T > t i [1 F (t i)] r i De ahí que la verosímilitud queda expresada como: Donde n = L(p; DAT A) = c m+1 i=1 [F (t i)] li [F (t i ) F (t i 1 )] di [1 F (t i )] ri m+1 j=1 (d j + r j + l j ) y c es una constante que depende del esquema de inspección pero no de los parámetros p.
8 Figure 2: Contribución a la verosímilitud de los diferentes tipos de censura Competing Risks Competing Risks se describe como la situación en la cual un individuo puede experimentar más de un tipo de evento. Cada estudio en Competing Risks incluye el tiempo de falla, T 0, el cual puede ser censurado a la derecha, y Jɛ {1, 2,..., m} el tipo de falla, el cual será desconocido si T es censurado 3. El aspecto fundamental del modelo es la distribución conjunta de T y J. Función de Sub-distribución o Función de Incidencia Acumulativa (CIF) 4 La CIF. o la subdistribución, para un evento de tipo i (i= 1,2,...,p) está definida como la probabilidad conjunta: 3 R.Prentice, J.D. Kalbfleisch, Jr. Peterson, N. Flournoy,V.T. Farewell, N.E. Breslow. (1978). The analysis of Failure Times in the Presence of Competing Risks. Biometrics. Vol. 34, No. 4: M. Pintilie. (2006). Competing Risks: A Practical Perspective. John Wiley and Sons: Chichester.
9 F i (t) = P (T t, C = i) Es decir, es la probabilidad que un evento de tipo i ocurra antes o en el tiempo t. La función de distribución general es la probabilidad que un evento de cualquier tipo ocurra antes o en el tiempo t. F (t) = P (T t) = p i=1 P (T t, C = i) = p i=1 F i(t) La función de distribución general es igual a la suma de CIFs, para todos los tipos de eventos. En el caso donde no hay censura, se ha propuesto una estimación empiríca de la Función de Incidencia Acumulativa para el evento de tipo i, que puede ser obtenida como: ˆF i (t) = donde n número total de observaciones. Numero de observaciones con T t y C=i n La función de sobrevivencia es la probabilidad que un evento de tipo i no acurra en el tiempo t y es definido como: S i (t) = P (T > t, C = i) La función de subdistribución no es una correcta distribución puesto que puede tomar valores hasta P (C = i) porque Se puede notar además que: lim t F i(t) = P (C = i) F i (t) + S i (t) = P (C = i) La función de subdensidad para eventos de tipo i es definida como: f i (t) = Fi(t) t
10 La subhazard puede ser definida en términos matemáticos como: h i (t) = lim δt 0 { P (t<t t+δt,c=i\t >t Y es interpretada como una tasa de falla instantánea. δt } La función hazard general de un evento de cualquier tipo puede ser encontrada sumando todas las subhazards: h(t) = p i=1 h(t) La subhazard puede ser expresada como: h i (t) = fi(t) S i(t). Sin embargo, realizando una simplificación se obtiene: h i (t) = lim δt 0 { } P (t < t t + δt, C = i \ T > t δt = f i(t) S(t) En contraste, la función hazard de la subdistribución es definida como: γ i (t) = lim δt 0 { P (t<t t+δt,c=i\t >t o (T t y C i) γ i (t) = δt fi(t) 1 F i(t) Desde el enfoque de variables latentes basadas en una colección de p tiempos latentes, se define la función de sobrevivencia multivariada conjunta 5 : } S(t 1, t 2,..., t p ) = P (T 1 > t 1, T 2 > t 2,..., T p > t p ) La causa específica de riesgo (cause - specific hazard) es definida como la hazard de la distribución, h i (t) = log(si(t)) t = fi(t) S i(t) En el caso donde los p tiempos latentes sean estadísticamente independientes, esta causa específica de riesgo es idéntica a la subhazard. 5 M. Pintilie. (2006). Competing Risks: A Practical Perspective. John Wiley and Sons: Chichester.
11 Método Log - Rank Frecuentemente es de interés realizar una prueba de hipótesis acerca de la igualdad de dos o más funciones de sobrevivencia, generalmente es usado un procedimiento no paramétrico denominado Log - Rank test o también conocido como Mantel - Haenszel test. Sea m y n (m+n = N) el número de pacientes en dos grupos comparados en un ensayo clínico. Se define una D - secuencia como un vector indicador de variables aleatorias, D i, donde un valor observado, d i, es 1 si la i - ésima muerte sucedió en el grupo I, y 0 si sucedió en el grupo II, para i = 1,2,..., N 6. Se obtiene una tabla 2 X 2: Muertos Vivos Total Grupo I d i m i d i m i Grupo II 1 d i n i (1 d i ) n i Total 1 m i + n i 1 m i + n i Donde m i y n i son los números de pacientes vivos en cada uno de los dos grupos. Esto es, m i = m d j y n i = n i d j, donde cada sumatoria es desde j = 1 a i 1. Bajo la hipótesis que la distribución de tiempos de sobrevivencia es la misma en los dos grupos (lo cual implica independencia en las tablas) el valor esperado de D i condicionado a los totales marginales está dado por: E i E(D i /d 1, d 2,..., d i 1 ) = m i / (m i + n i ) La varianza de D i condicionada a los totales marginales está dada por la varianza hipergeométrica : V i V (D i /d 1, d 2,..., d i 1 ) = m i n i / (m i + n i ) 2 6 L.R. Muenz, S.B. Green,D.P. Byar. (1977). Applications of the Mantel - Haenszel Statistic to the Comparison of Survival Distributions Biometrics, Vol. 33, No. 4:
12 De ahí que el estadístico Mantel - Haenszel está dado por: X i = ( D j E j) 2 Vj Donde cada sumatoria va desde j = 1 hasta i (i = 1, 2,..., N). Este estadístico se distribuye χ 2 con un grado de libertad. Método Gray El Método de Gray 7, compara los promedios ponderados de las funciones hazard de la subdistribución para el evento de interés. Suponga que hay K grupos independientes de sujetos, sea T 0 ik falla del i - ésimo sujeto en el grupo k, i=1,...,n k, y sea δ 0 ik el tiempo de el tipo de falla, δ 0 ik = 1,..., J. Las parejas ( T 0 ik, δ0 ik) de diferentes sujetos en un grupo son asumidos independientes e identicamente distribuidas. La función de subdistribución (Función de incidencia acumulativa) para fallas de tipo j en el grupo k, está denotada por: F jk (t) = P (T 0 ik t, δ0 ik = j) Sea S k (t) = P (T 0 ik > t) = 1 j F jk(t) la función de la supervivencia para sujetos en el grupo k, y sea λ jk (t) = f jk (t)/s k (t) la causa específica de riesgo para fallas de tipo j en el grupo k. Muchos de los trabajos realizados en el análisis del efecto de factores sobre los riesgos competitivos se han concentrado en examinar su efecto sobre la función de causa específica de riesgo (λ jk (t)). Sin embargo, el efecto de un factor sobre la causa específica de riesgo para un tipo particular de falla puede ser bastante 7 R.J. Gray. (1988). A Class of K - Sample Tests for Comparing the Cumulative Incidence of a Competing Risk Annals of Statistics, Vol. 16, No. 3:
13 diferente de su efecto sobre la incidencia acumulada de este tipo de falla (Gray, 1988). Una forma más clara de la prueba estadística propuesta es cuando sólo dos grupos se comparan. Para este caso se propone que la prueba esté basada en un puntaje de la forma: T 0 { [ K(t) 1 ˆF ] 1 [ } 1 11 (t ) d ˆF11 (t) 1 F 12 ˆ(t )] d ˆF12 (t) Donde: ˆF ik es la estimación de F ik. ˆF ik (t ) es el límite por izquierda de la función de incidencia acumulada (CIF) para el evento de interés. K(t) es una adecuada función de peso elegida. 0.3 Ejemplo La base de datos incluyó todos los pacientes identificados con un tipo de linfoma folicular, registrados para realizarse un tratamiento en el Hospital Princess Margaret (Toronto), entre los anos 1967 y 1996, con la enfermedad en estado temprano (I o II) y tratados únicamente con radioterapia (RT) o con radioterapia y quimioterapia (CMT). El objetivo de este estudio fue reportar a largo plazo los resultados de este grupo de pacientes. El resultado al tratamiento fue el siguiente: CR fue respuesta completa y NR fue no respuesta. Aquellos con CR tuvieron recaídas locales, distantes o ambas. Aquellos con NR nunca estuvieron libres de la enfermedad y son considerados como fallas locales. El tiempo para la primera falla fue calculada en anos a partir de la fecha de diagnóstico. Para los pacientes con no respuesta el tiempo para la primera falla fue tomada
14 Figure 3: CIFs para la enfermedad el primer día. Para aquellos con CR pero sin recaída, el tiempo para la primera falla fue calculado hasta el último día de seguimiento 8. El evento de interés corresponde a la no respuesta al tratamiento o recaída y la muerte del paciente constituye el competing risks. Existen 272 eventos de interés (24 no respuestas, 248 recaídas) y 76 observaciones del evento de competing risks (muerte sin recaída). Dos grupos son definidos basados en la edad, uno con los pacientes mayores a 65 anos y el otro con lo menores a 65 anos. Como se puede observar en la Figura 3, el p - valor obtenido por el método de Gray (p = 0.105) es claramente diferente que el obtenido usando el método tradicional Log - Rank, obteniendo un p - valor equivalente a 0.008, sugiriendo que la distribución del tiempo de los dos grupos es diferente según el método Log - Rank e iguales según el método de Gray. Se observa además en la Figura 4, que las funciones de incidencia acumulativas 8 M. Pintilie. (2006). Competing Risks: A Practical Perspective. John Wiley and Sons: Chichester.
15 Figure 4: CIFs para el riesgo competitivo para los riesgos competitivos para los dos grupos son diferentes (p valor < 0.001). 0.4 Discusión Al realizar la comparación entre el método tradicional Log - Rank basado en la causa específica de riesgo y el método de Gray en presencia de riesgos competitivos (Competing Risks), se encuentra que al utilizar el método Log - Rank se concluye que la distribución del tiempo de falla para los dos grupos en estudio (Mayores de 65 anos y menores de 65 anos) son estadísticamente diferentes, mientras que al utilizar el método de Gray se obtiene un p - valor mayor indicando que los grupos son iguales. Es clara la diferencia en los resultados obtenidos al utilizar estos métodos, el método de Gray arroja un p - valor grande, mientras que con el método de Log - Rank se obtiene un p - valor mucho menor. Cabe resaltar, que el método tradicional sólo toma en cuenta el evento de interés y los riesgos competitivos
16 son ignorados (los demás eventos los trata como censura). Al realizar un análisis de las funciones de incidencia acumulativas para el evento de interés es necesario tener una información adicional sobre los riesgos competitivos. El método de Gray toma en cuenta el evento de interés y los eventos de riesgos competitivos para realizar el análisis de la información.
17 Referencias [1] L.A. Escobar. W.Q. Meeker. (1998). Statistical Methods for Reliability Data. John Wiley and Sons, Inc. [2] L.R. Muenz, S.B. Green,D.P. Byar. (1977). Applications of the Mantel - Haenszel Statistic to the Comparison of Survival Distributions Biometrics, Vol. 33, No. 4: [3] M. Pintilie. (2006). Competing Risks: A Practical Perspective. John Wiley and Sons: Chichester. [4] R.J. Gray. (1988). A Class of K - Sample Tests for Comparing the Cumulative Incidence of a Competing Risk Annals of Statistics, Vol. 16, No. 3: [5] R.Prentice, J.D. Kalbfleisch, Jr. Peterson, N. Flournoy,V.T. Farewell, N.E. Breslow. (1978). The analysis of Failure Times in the Presence of Competing Risks. Biometrics. Vol. 34, No. 4:
Teorema 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 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 detallesINSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 29 de Abril de 2016
ANEXO ESTADÍSTICO 1 : COEFICIENTES DE VARIACIÓN Y ERROR ASOCIADO AL ESTIMADOR ENCUESTA NACIONAL DE EMPLEO (ENE) INSTITUTO NACIONAL DE ESTADÍSTICAS (INE) 9 de Abril de 016 1 Este anexo estadístico es una
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 detallesVariables aleatorias
Distribuciones continuas Se dice que una variable aleatoria X tiene una distribución continua, o que X es una variable continua, si existe una función no negativa f, definida sobre los números reales,
Más detallesESTADÍSTICA. Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal. continua
ESTADÍSTICA Población Individuo Muestra Muestreo Valor Dato Variable Cualitativa ordinal nominal Cuantitativa discreta continua DISTRIBUCIÓN DE FRECUENCIAS Frecuencia absoluta: fi Frecuencia relativa:
Más detallesIII Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios
III Verano de Probabilidad y Estadística Curso de Procesos de Poisson (Víctor Pérez Abreu) Lista de Ejercicios Esta lista contiene ejercicios y problemas tanto teóricos como de modelación. El objetivo
Más detallesCAPÍTULO 4 TÉCNICA PERT
54 CAPÍTULO 4 TÉCNICA PERT Como ya se mencionó en capítulos anteriores, la técnica CPM considera las duraciones de las actividades como determinísticas, esto es, hay el supuesto de que se realizarán con
Más detallesTema 5 Algunas distribuciones importantes
Algunas distribuciones importantes 1 Modelo Bernoulli Distribución Bernoulli Se llama experimento de Bernoulli a un experimento con las siguientes características: 1. Se realiza un experimento con dos
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesCurso de nivelación Estadística y Matemática
Curso de nivelación Estadística y Matemática Tercera clase: Introducción al concepto de probabilidad y Distribuciones de probablidad discretas Programa Técnico en Riesgo, 2014 Agenda 1 Concepto de probabilidad
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 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 detallesFacultad de Ciencias Sociales - Universidad de la República
Facultad de Ciencias Sociales - Universidad de la República Estadística y sus aplicaciones en Ciencias Sociales Edición 2016 Ciclo Avanzado 3er. Semestre (Licenciatura en Ciencia Política/ Licenciatura
Más detallesEl término productividad, con frecuencia, se confunde con el término producción. Muchas
RESUMEN El término productividad, con frecuencia, se confunde con el término producción. Muchas personas piensan que a mayor producción más productividad, pero esto no es necesariamente cierto. Producción
Más detallesINTERVALOS DE CONFIANZA. La estadística en cómic (L. Gonick y W. Smith)
INTERVALOS DE CONFIANZA La estadística en cómic (L. Gonick y W. Smith) EJEMPLO: Será elegido el senador Astuto? 2 tamaño muestral Estimador de p variable aleatoria poblacional? proporción de personas que
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 detallesReporte de Pobreza y Desigualdad DICIEMBRE 2015
Reporte de Pobreza y Desigualdad DICIEMBRE 2015 1 Reporte de Pobreza y Desigualdad - Diciembre 2015 Dirección responsable de la información estadística y contenidos: Dirección de Innovación en Métricas
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesTema 5. Contraste de hipótesis (I)
Tema 5. Contraste de hipótesis (I) CA UNED de Huelva, "Profesor Dr. José Carlos Vílchez Martín" Introducción Bienvenida Objetivos pedagógicos: Conocer el concepto de hipótesis estadística Conocer y estimar
Más detallesANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ
ANALISIS DE FRECUENCIA EN HIDROLOGIA JULIAN DAVID ROJO HERNANDEZ Probabilidad - Período de retorno y riesgo La probabilidad de ocurrencia de un fenómeno en hidrología puede citarse de varias Formas: El
Más detallesTema 5: Introducción a la inferencia estadística
Tema 5: Introducción a la inferencia estadística 1. Planteamiento y objetivos 2. Estadísticos y distribución muestral 3. Estimadores puntuales 4. Estimadores por intervalos 5. Contrastes de hipótesis Lecturas
Más detallesPruebas de Hipótesis-ANOVA. Curso de Seminario de Tesis Profesor QF Jose Avila Parco Año 2016
Pruebas de Hipótesis-ANOVA Curso de Seminario de Tesis Profesor Q Jose Avila Parco Año 2016 Análisis de la Varianza de un factor (ANOVA) El análisis de la varianza (ANOVA) es una técnica estadística paramétrica
Más detallesConceptos Básicos de Inferencia
Conceptos Básicos de Inferencia Álvaro José Flórez 1 Escuela de Ingeniería Industrial y Estadística Facultad de Ingenierías Febrero - Junio 2012 Inferencia Estadística Cuando obtenemos una muestra, conocemos
Más detallesProbabilidad Condicional
Probabilidad Condicional Algunas veces la ocurrencia de un evento A puede afectar la ocurrencia posterior de otro evento B; por lo tanto, la probabilidad del evento B se verá afectada por el hecho de que
Más detallesTabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ 2 conocida: Suponga que X 1, X 2,, X n, es una m.a.(n) desde N( µ, σ 2 )
Test de Hipótesis II Tabla de Test de Hipótesis ( Caso: Una muestra ) A. Test para µ con σ conocida: Suponga que X, X,, X n, es una m.a.(n) desde N( µ, σ ) Estadística de Prueba X - μ Z 0 = σ / n ~ N(0,)
Más detallesReporte de Pobreza por Ingresos JUNIO 2015
Reporte de Pobreza por Ingresos JUNIO 2015 1 Resumen Ejecutivo En el presente documento se exhiben los resultados obtenidos en el cálculo de pobreza y desigualdad por ingresos a partir de la Encuesta Nacional
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detallesIndicaciones para el lector... xv Prólogo... xvii
ÍNDICE Indicaciones para el lector... xv Prólogo... xvii 1. INTRODUCCIÓN Qué es la estadística?... 3 Por qué estudiar estadística?... 5 Empleo de modelos en estadística... 6 Perspectiva hacia el futuro...
Más detallesEstadística Descriptiva. SESIÓN 11 Medidas de dispersión
Estadística Descriptiva SESIÓN 11 Medidas de dispersión Contextualización de la sesión 11 En la sesión anterior se explicaron los temas relacionados con la dispersión, una de las medidas de dispersión,
Más detallesObjetivos. Epígrafes 3-1. Francisco José García Álvarez
Objetivos Entender el concepto de variabilidad natural de un procesos Comprender la necesidad de los gráficos de control Aprender a diferenciar los tipos de gráficos de control y conocer sus limitaciones.
Más detallesOtra característica poblacional de interés es la varianza de la población, 2, y su raíz cuadrada, la desviación estándar de la población,. La varianza
CARACTERÍSTICAS DE LA POBLACIÓN. Una pregunta práctica en gran parte de la investigación de mercado tiene que ver con el tamaño de la muestra. La encuesta, en principio, no puede ser aplicada sin conocer
Más detallesFACULTAD DE INGENIERÍA UNAM PROBABILIDAD Y ESTADÍSTICA Irene Patricia Valdez y Alfaro irenev@servidor.unam.m T E M A S DEL CURSO. Análisis Estadístico de datos muestrales.. Fundamentos de la Teoría de
Más detallesUNIVERSIDAD DEL NORTE
UNIVERSIDAD DEL NORTE 1. IDENTIFICACIÓN DIVISIÓN ACADÉMICA DIVISIÓN DE CIENCIAS BÁSICAS DEPARTAMENTO MATEMÁTICAS Y ESATADÍSTICA. PROGRAMA ACADÉMICO ESTADÍSTICA I-AD CÓDIGO DE LA ASIGNATURA EST 1022 PRE-REQUISITO
Más detallesReporte de Pobreza. Marzo 2016
Reporte de Pobreza Marzo 2016 1 Reporte de Pobreza - Marzo 2016 Dirección responsable de la información estadística y contenidos: Dirección de Innovación en Métricas y Metodologías Realizadores: Melody
Más detallesTRATAMIENTO DE PUNTAJES
TRATAMIENTO DE PUNTAJES Andrés Antivilo B. Paola Contreras O. Jorge Hernández M. UNIDAD DE ESTUDIOS E INVESTIGACIÓN Santiago, 2015 [Escriba texto] TABLA DE CONTENIDO TRATAMIENTO DE LOS PUNTAJES... 4 1.1.
Más detallesMÓDULO III. MEDIDAS DE TENDENCIA CENTRAL, DISPERSIÓN Y ASIMETRÍA
1 UNIVERSIDAD NACIONAL EXPERIMENTAL DE LOS LLANOS OCCIDENTALES EZEQUIEL ZAMORA VICE-RECTORADO DE PLANIFICACIÓN Y DESARROLLO SOCIAL PROGRAMA CIENCIAS SOCIALES Y JURIDICAS SUBPROGRAMA ADMINISTRACIÓN SUBPROYECTO:
Más detallesCAPITULO II ANÁLISIS DEL CRECIMIENTO POBLACIONAL Y CALCULO DE CAUDALES DE DISEÑO
9 CAPITULO II ANÁLISIS DEL CRECIMIENTO POBLACIONAL Y CALCULO DE CAUDALES DE DISEÑO 2.1 Criterios de diseño para el predimensionamiento de los sistemas de abastecimiento de agua 2.1.1 Período de diseño
Más detalles8.2.5. Intervalos para la diferencia de medias de dos poblaciones
8.. INTERVALOS DE CONFIANZA PARA LA DISTRIBUCIÓN NORMAL 89 distribuye de modo gaussiana. Para ello se tomó una muestra de 5 individuos (que podemos considerar piloto), que ofreció los siguientes resultados:
Más detallesTeléfono:
Apartado postal 17-01-218 1. DATOS INFORMATIVOS: MATERIA O MÓDULO: ESTADISTICA II CÓDIGO: 15017 CARRERA: Economía NIVEL: Cuarto No. CRÉDITOS: SEMESTRE / AÑO ACADÉMICO: III semestre 2011-2012 PROFESOR:
Más detallesTrabajo No 1. Derivados Financieros
Trabajo No 1. Derivados Financieros Norman Giraldo Gómez Escuela de Estadística - Universidad Nacional de Colombia ndgirald@unal.edu.co Marzo, 2010 1. Introducción Este trabajo consiste de un punto asignado
Más detallesc). Conceptos. Son los grupos o conceptos que se enlistan en las filas de la izquierda de la tabla
Tema 5. Tablas estadísticas Como ya se había establecido en el tema anterior sobre el uso de las tablas estadísticas, éstas son medios que utiliza la estadística descriptiva o deductiva para la presentación
Más detallesPruebas de bondad de ajuste
Pruebas de bondad de ajuste Existen pruebas cuantitativas formales para determinar si el ajuste de una distribución paramétrica a un conjunto de datos es buena en algún sentido probabilístico. Objetivo:
Más detalles3. ASOCIACIÓN ENTRE DOS VARIABLES CUALITATIVAS
1. INTRODUCCIÓN Este tema se centra en el estudio conjunto de dos variables. Dos variables cualitativas - Tabla de datos - Tabla de contingencia - Diagrama de barras - Tabla de diferencias entre frecuencias
Más detallesContrastes de hipótesis paramétricos
Estadística II Universidad de Salamanca Curso 2011/2012 Outline Introducción 1 Introducción 2 Contraste de Neyman-Pearson Sea X f X (x, θ). Desonocemos θ y queremos saber que valor toma este parámetro,
Más detallesPROGRAMA ACADEMICO Ingeniería Industrial
1. IDENTIFICACIÓN DIVISION ACADEMICA Ingenierías DEPARTAMENTO Ingeniería Industrial PROGRAMA ACADEMICO Ingeniería Industrial NOMBRE DEL CURSO Análisis de datos en Ingeniería COMPONENTE CURRICULAR Profesional
Más detalles2.- Tablas de frecuencias
º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II TEMA 3.- ESTADÍSTICA DESCRIPTIVA PROFESOR: RAFAEL NÚÑEZ -----------------------------------------------------------------------------------------------------------------------------------------------------------------
Más detallesPropiedades en una muestra aleatoria
Capítulo 5 Propiedades en una muestra aleatoria 5.1. Conceptos básicos sobre muestras aleatorias Definición 5.1.1 X 1,, X n son llamadas una muestra aleatoria de tamaño n de una población f(x) si son variables
Más detalles11. PRUEBAS NO PARAMÉTRICAS
. PRUEBAS NO PARAMÉTRICAS Edgar Acuña http://math.uprm/edu/~edgar UNIVERSIDAD DE PUERTO RICO RECINTO UNIVERSITARIO DE MAYAGUEZ PRUEBAS NO PARAMÉTRICAS Se estudiarán las pruebas noparamétricas, las cuales
Más detallesEstadística Inferencial. Estadística Descriptiva
INTRODUCCIÓN Estadística: Ciencia que trata sobre la teoría y aplicación de métodos para coleccionar, representar, resumir y analizar datos, así como realizar inferencias a partir de ellos. Recogida y
Más detallesFase 2. Estudio de mercado: ESTADÍSTICA
1. CONCEPTO DE ESTADÍSTICA. ESTADÍSTICA DESCRIPTIVA 2. 3. TABLA DE FRECUENCIAS 4. REPRESENTACIONES GRÁFICAS 5. TIPOS DE MEDIDAS: A. MEDIDAS DE POSICIÓN B. MEDIDAS DE DISPERSIÓN C. MEDIDAS DE FORMA 1 1.
Más detallesKolmogorov y la teoría de la la probabilidad. David Nualart. Academia de Ciencias y Universidad de Barcelona
Kolmogorov y la teoría de la la probabilidad David Nualart Academia de Ciencias y Universidad de Barcelona 1 La axiomatización del cálculo de probabilidades A. N. Kolmogorov: Grundbegriffe des Wahrscheinlichkeitsrechnung
Más detallesANEXO 1. CONCEPTOS BÁSICOS. Este anexo contiene información que complementa el entendimiento de la tesis presentada.
ANEXO 1. CONCEPTOS BÁSICOS Este anexo contiene información que complementa el entendimiento de la tesis presentada. Aquí se exponen técnicas de cálculo que son utilizados en los procedimientos de los modelos
Más detallesTema 4. Probabilidad Condicionada
Tema 4. Probabilidad Condicionada Presentación y Objetivos. En este tema se dan reglas para actualizar una probabilidad determinada en situaciones en las que se dispone de información adicional. Para ello
Más detallesINFERENCIA ESTADISTICA
1 INFERENCIA ESTADISTICA Es una rama de la Estadística que se ocupa de los procedimientos que nos permiten analizar y extraer conclusiones de una población a partir de los datos de una muestra aleatoria,
Más detallesCurva de Lorenz e Indice de Gini Curva de Lorenz
Curva de Lorenz e Indice de Gini Curva de Lorenz La curva de Lorenz es útil para demostrar la diferencia entre dos distribuciones: por ejemplo quantiles de población contra quantiles de ingresos. También
Más detallesEjercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL
Ejercicios T2 y T3.- DISTRIBUCIONES MUESTRALES Y ESTIMACIÓN PUNTUAL 1. Se ha realizado una muestra aleatoria simple (m.a.s) de tamaño 10 a una población considerada normal. Llegando a la conclusión que
Más detallesESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO
ESTRUCTURA DEL EXAMEN DE MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II PARA ALUMNOS DE BACHILLERATO El examen presentará dos opciones diferentes entre las que el alumno deberá elegir una y responder
Más detallesDistribuciones de probabilidad discretas
Lind, Douglas; William G. Marchal y Samuel A. Wathen (2012). Estadística aplicada a los negocios y la economía, 15 ed., McGraw Hill, China. Distribuciones de probabilidad discretas Capítulo 6 FVela/ McGraw-Hill/Irwin
Más detallesTema 1: Introducción
Estadística Universidad de Salamanca Curso 2010/2011 Outline 1 Estadística 2 Outline 1 Estadística 2 La estadística es una ciencia que comprende la recopilación, tabulación, análisis e interpretación de
Más detallesMATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II INSTRUCCIONES Y CRITERIOS GENERALES DE CALIFICACIÓN
UNIVERSIDADES PÚBLICAS DE LA COMUNIDAD DE MADRID PRUEBA DE ACCESO A LAS ENSEÑANZAS UNIVERSITARIAS OFICIALES DE GRADO MODELO DE EXAMEN CURSO 2014-2015 MATERIA: MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES
Más detallesM ÉTODO DE MUESTREO DE GEOSINTÉTICOS PARA ENSAYOS I.N.V. E
M ÉTODO DE MUESTREO DE GEOSINTÉTICOS PARA ENSAYOS I.N.V. E 908 07 1. OBJETO 1.1 Esta práctica cubre dos procedimientos para el muestreo de geosintéticos para ser ensayados. Se requiere que las instrucciones
Más detalles1 Introducción. 2 Modelo. Hipótesis del modelo MODELO DE REGRESIÓN LOGÍSTICA
MODELO DE REGRESIÓN LOGÍSTICA Introducción A grandes rasgos, el objetivo de la regresión logística se puede describir de la siguiente forma: Supongamos que los individuos de una población pueden clasificarse
Más detallesUnidad IV. Una variable aleatoria X es continua si su función de distribución es una función continua.
Unidad IV Distribuciones de Probabilidad Continuas 4.1. Definición de variable aleatoria continúa. Una variable aleatoria X es continua si su función de distribución es una función continua. En la práctica,
Más detallesCONTENIDO. Prólogo a la 3. a edición en español ampliada... Prólogo...
CONTENIDO Prólogo a la 3. a edición en español ampliada.................................. Prólogo.................................................................. vii xvii 1. Métodos descriptivos................................................
Más detallesGeneración de Variables Aleatorias. UCR ECCI CI-1453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Generación de Variables Aleatorias UCR ECCI CI-453 Investigación de Operaciones Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción Las variables aleatorias se representan por medio de distribuciones
Más detallesDe acuerdo a lo anterior, la línea de pobreza se calcula del siguiente modo:
1 Resumen Ejecutivo En el presente documento se exhiben los resultados obtenidos en el cálculo de pobreza y desigualdad a partir de la Encuesta Nacional de Empleo, Desempleo y Subempleo (ENEMDU) del mes
Más detallesCómo llevar a cabo un trabajo empírico
Cómo llevar a cabo un trabajo empírico p. Cómo llevar a cabo un trabajo empírico Plantear una pregunta Revisar la literatura existente Recopilación de los datos Análisis econométrico Redactar los resultados
Más detallesEste procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros:
STATGRAPHICS Re. 4/d/yyyy Pruebas de Hipótesis (Una Muestra) Este procedimiento prueba hipótesis acerca de cualquiera de los siguientes parámetros: 1. la media μ de una distribución normal.. la desiación
Más detallesMEDIDAS DE TENDENCIA CENTRAL
MEDIDAS DE TENDENCIA CENTRAL Al describir grupos de observaciones, con frecuencia es conveniente resumir la información con un solo número. Este número que, para tal fin, suele situarse hacia el centro
Más detallesTÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD
TÉCNICAS ESTADÍSTICAS APLICADAS EN NUTRICIÓN Y SALUD Contrastes de hipótesis paramétricos para una y varias muestras: contrastes sobre la media, varianza y una proporción. Contrastes sobre la diferencia
Más detalles4. NÚMEROS PSEUDOALEATORIOS.
4. NÚMEROS PSEUDOALEATORIOS. En los experimentos de simulación es necesario generar valores para las variables aleatorias representadas estas por medio de distribuciones de probabilidad. Para poder generar
Más detallesEJERCICIOS RESUELTOS DE ESTADÍSTICA II
EJERCICIOS RESUELTOS DE ESTADÍSTICA II RESUMEN DE EJERCICIOS DADOS EN CLASES PARTE II POR: EILEEN JOHANA ARAGONES GENEY DISTRIBUCIONES DOCENTE: JUAN CARLOS V ERGARA SCHMALBACH ESTIMACIÓN PRUEBAS DE HIPÓTESIS
Más detallesDIPLOMADO EN ESTADÍSTICA APLICADA
DIPLOMADO EN ESTADÍSTICA APLICADA DIPLOMADO EN ESTADÍSTICA APLICADA FUNDAMENTACIÓN El Diplomado en Estadística Aplicada posibilitará la actualización profesional y el desarrollo de competencias específicas
Más detallesDistribución Chi (o Ji) cuadrada (χ( 2 )
Distribución Chi (o Ji) cuadrada (χ( 2 ) PEARSON, KARL. On the Criterion that a Given System of Deviations from the Probable in the Case of a Correlated System of Variables is such that it Can Reasonably
Más detallesMaestría en Bioinformática Probabilidad y Estadística: Clase 3
Maestría en Bioinformática Probabilidad y Estadística: Clase 3 Gustavo Guerberoff gguerber@fing.edu.uy Facultad de Ingeniería Universidad de la República Abril de 2010 Contenidos 1 Variables aleatorias
Más detallesCAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA
CAPÍTULO 10 ESTIMACIÓN POR PUNTO Y POR INTERVALO 1.- ESTIMACIÓN PUNTUAL DE LA MEDIA Y DE LA VARIANZA 2.- INTERVALO DE CONFIANZA PARA LA MEDIA 3.- INTERVALO DE CONFIANZA PARA LA VARIANZA 4.- INTERVALO DE
Más detallesDistribución muestral de proporciones. Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua
Distribución muestral de proporciones Algunas secciones han sido tomadas de: Apuntes de Estadística Inferencial Instituto Tecnológico de Chiuhuahua Distribución muestral de Proporciones Existen ocasiones
Más detallesÁlgebra Lineal VII: Independencia Lineal.
Álgebra Lineal VII: Independencia Lineal José María Rico Martínez Departamento de Ingeniería Mecánica División de Ingenierías, Campus Irapuato-Salamanca Universidad de Guanajuato email: jrico@salamancaugtomx
Más detallesANALISIS E INTERPRETACION DE DATOS SOBRE PERMANENCIA Y GASTOS DE LOS ALUMNOS EN LA UNIVERSIDAD NACIONAL DE INGENIERIA
ANALISIS E INTERPRETACION DE DATOS SOBRE PERMANENCIA Y GASTOS DE LOS ALUMNOS EN LA UNIVERSIDAD NACIONAL DE INGENIERIA Jack Marlon Martínez Abregu e-mail: marlon_jack@hotmail.com IvánJosé Pazos Alvarado
Más detalles4.12 Ciertos teoremas fundamentales del cálculo de probabilidades
1 de 9 15/10/2006 05:57 a.m. Nodo Raíz: 4. Cálculo de probabilidades y variables Siguiente: 4.14 Tests diagnósticos Previo: 4.10 Probabilidad condicionada e independencia de 4.12 Ciertos teoremas fundamentales
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 detallesEjemplos y ejercicios de. Estadística Descriptiva. yanálisis de Datos. 2 Descripción estadística de una variable. Ejemplos y ejercicios.
ESTADÍSTICA DESCRIPTIVA Y ANÁLISIS DE DATOS Ejemplos y ejercicios de Estadística Descriptiva yanálisis de Datos Diplomatura en Estadística Curso 007/08 Descripción estadística de una variable. Ejemplos
Más detallesARTÍCULO ORIGINAL. ARS Pharmaceutica. Collazo MV 1, Muñiz MM 2, Alonso1 C 1, Frutos G 2
ARS Pharmaceutica ISSN: 0004-2927 http://farmacia.ugr.es/ars/ ARTÍCULO ORIGINAL El análisis estadístico en la Farmacopea Europea: diseño completamente aleatorizado en un bioensayo de factor VIII. Statistical
Más detallesProceso de llegadas de Poisson
Gestión y Planificación de Redes y Servicios Proceso de llegadas de Poisson Area de Ingeniería Telemática http://www.tlm.unavarra.es Grado en Ingeniería en Tecnologías de Telecomunicación, 4º Proceso de
Más detallesEstadística Avanzada y Análisis de Datos
1-1 Estadística Avanzada y Análisis de Datos Javier Gorgas y Nicolás Cardiel Curso 2006-2007 2007 Máster Interuniversitario de Astrofísica 1-2 Introducción En ciencia tenemos que tomar decisiones ( son
Más detallesLos Métodos de Valoración Indirecta (Costo De Viaje)
Los Métodos de Valoración Indirecta (Costo De Viaje) Método de Valoración de Bienes que no tienen un mercado definido. No existe información sobre precios ni demanda. La valoración se realiza por método
Más detallesLO ÚLTIMO EN PATOLOGÍA RESPIRATORIA MARÍA LIZARITURRRY R3 MEDICINA INTERNA HOSPITAL UNIVERSITARIO LA PAZ
LO ÚLTIMO EN PATOLOGÍA RESPIRATORIA MARÍA LIZARITURRRY R3 MEDICINA INTERNA HOSPITAL UNIVERSITARIO LA PAZ 13.12.2013 VARÓN, 62 AÑOS. Fumador 30 cigarrillos/día desde hace 40 años Asintomático PRUEBA DE
Más detallesEL PROBLEMA DE LA TANGENTE
EL PROBLEMA DE LA TANGENTE El problema de definir la tangente a una curva y f (x) en un punto P ( x, y ) ha llevado al concepto de la derivada de una función en un punto P ( x, y ). Todos sabemos dibujar
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2014/15 Contenidos 1. Introducción
Más detalles1 Ecuaciones diferenciales
1 Ecuaciones diferenciales La solución a una ecuación algebraica es un número, o un conjunto de números que satisfacen la ecuación. Por ejemplo las soluciónes de x 2 4x + 3 = 0 son x 0 = 1 y x 1 = 3. Las
Más detallesFUNDACION NIC-NIIF
NORMAS INTERNACIONALES DE INFORMACION FINANCIERA NIC-NIIF Atribución de ingresos y gastos en un contrato de construcción en el que no es posible estimarlos con fiabilidad NIC-NIIF NIC 11 CASO PRÁCTICO
Más detallesPROCEDIMIENTO GENERAL. Gestión de Incidencias y Acciones Correctivas RAZÓN SOCIAL DE LA EMPRESA. Código PG-12 Edición 0. Índice:
Índice: 1. TABLA RESUMEN... 2 2. OBJETO... 2 3. ALCANCE... 2 4. RESPONSABILIDADES... 3 5. ENTRADAS... 4 6. SALIDAS... 4 7. PROCESOS RELACIONADOS... 4 8. DIAGRAMA DE FLUJO... 5 9. DESARROLLO... 6 9.1. DETECCIÓN
Más detallesTEMA VI ANÁLISIS DE SUPERVIVENCIA
TEMA VI ANÁLISIS DE SUPERVIVENCIA LECTURA OBLIGATORIA Análisis de Supervivencia. En Rial, A. y Varela, J. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas
Más detallesDuración: 2 horas pedagógicas
PLANIFICACIÓN DE LA SESIÓN DE APRENDIZAJE Grado: Cuarto I. TÍTULO DE LA SESIÓN Duración: 2 horas pedagógicas Conociendo las medidas de localización UNIDAD 4 NÚMERO DE SESIÓN 12/14 II. APRENDIZAJES ESPERADOS
Más detallesPruebas de Hipótesis Multiples
Pruebas de Hipótesis Multiples Cuando queremos hacer comparaciones de mas de dos poblaciones, una alternativa es comparar todos los grupos a la vez con el método de Análisis de Varianza (ANOVA) H o : µ
Más detallesCURSO: Métodos estadísticos de uso frecuente en salud
CURSO: Métodos estadísticos de uso frecuente en salud Información General Versión: 2016 Modalidad: Presencial. Duración Total: 40 horas. NUEVA FECHA Fecha de inicio: 01 de octubre Fecha de término: 10
Más detallesCómo hacer paso a paso un Análisis de Supervivencia con SPSS para Windows.
DOCUWEB FABIS Dot. Núm 0702006 Cómo hacer paso a paso un Análisis de Supervivencia con SPSS para Windows. Aguayo Canela M, Lora Monge E Servicio de Medicina Interna. Hospital Universitario Virgen Macarena.
Más detallesExactitud y Linearidad del Calibrador
Exactitud y Linearidad del Calibrador Resumen El procedimiento Exactitud y Linearidad del Calibrador fue diseñado para estimar la exactitud del sistema de medición. En contraste con los procedimientos
Más detallesEstadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar
Estadística para investigadores: todo lo que siempre quiso saber y nunca se atrevió a preguntar Módulo 2. Estadística Descriptiva: Medidas de síntesis Mª Purificación Galindo Villardón Mª Purificación
Más detalles