ESTADÍSTICA AVANZADA EN CIENCIAS DE LA SALUD: Modelos Lineales. Andreu Nolasco
|
|
- Óscar Botella Roldán
- hace 7 años
- Vistas:
Transcripción
1 ESTADÍSTICA AVANZADA EN CIENCIAS DE LA SALUD: Modlos Lnals Andru Nolasco
2 El autor Est documnto ha sdo publcado n l Rpostoro d la Unvrsdad d Alcant bajo Lcnca d dstrbucón no xclusva Dcmbr d 6
3 Introduccón Est matral prsnta métodos stadístcos avanzados para l ntorno d las cncas d la salud. Provn d la xprnca docnt d su autor, profsor n asgnaturas, cursos y smnaros mpartdos n l ntorno d las cncas d la salud, drgdos a profsonals qu dsarrollan su labor asstncal, d gstón, d docnca o d nvstgacón n st ámbto. Los contndos aquí rcogdos tratan d los modlos multvarants d caráctr probablístco más frcunts n l ámbto d la nvstgacón n studos obsrvaconals n l ntorno d las Cncas d la Salud. Dan rspusta a las prguntas d nvstgacón clínco-pdmológca qu plantan l análss d s una o más varabls (xplcatvas) aportan capacdad xplcatva rlvant sobr una varabl rsultado (rspusta) bajo una structura lnal. Los modlos lnals aquí rcogdos prmtn utlzar varabls rspusta d tpo cuanttatvo (rgrsón lnal múltpl), o basadas n varabls d tpo dcotómco, a través d modlzar la ncdnca acumulada d un rsultado (rgrsón logístca), la tasa o dnsdad d ndcdnca dl rsultado (rgrsón d Posson) o la tasa nstantána d ncdnca n l tmpo dl rsultado (rgrsón d Cox). Los contndos d st txto stán spcalmnt orntados como matral d apoyo tórco-práctco n cursos, smnaros, tc. cuyo objtvo sa l d profundzar n stos modlos. Estos matrals han vndo mostrando su utldad como soport docnt n asgnaturas mpartdas n las ttulacons d mástr d Cncas d la Salud d la Unvrsdad d Alcant, como Invstgacón d Cncas d la Salud, Salud Públca, Óptca,.., y n numrosos cursos d posgrado mpartdos por l autor. El matral s structura n cnco capítulos, partndo d un capítulo ntroductoro n l qu s xponn las caractrístcas gnrals dl análss multvarant y las propdads y caractrístcas comuns d los modlos qu s dsarrollan. A contnuacón s prsnta un capítulo ddcado a cada uno d los modlos. La prsntacón d los modlos sgu l squma structura, construccón-stmacón, rqurmntos nfrncas con l modlo. El matral s prsnta n un formato d dos columnas, la prmra d llas (zqurda) stá ddcada a prsntar los contndos tórcos d apoyo, mntras qu la sgunda (drcha) s ddca a aplcacons d rvsónjmplfcacón para qu l alumno aplqu los contndos tórcos. Alcant, otoño d 6 El autor
4 Andru Nolasco Bonmatí s profsor dl Dpartamnto d Enfrmría Comuntara, Mdcna Prvntva y Salud Públca Hstora d la Cnca d la Unvrsdad d Alcant n l qu ha vndo dsarrollando su labor como docnt nvstgador. Ha mpartdo docnca n dvrsas ttulacons d Cncas d la Salud (Mdcna, Enfrmría, Nutrcón humana y dtétca, Óptca, tc.) tanto n studos d grado como n posgrado (mástr y doctorado), n matras y/o asgnaturas como Bostadístca, Estadístca Avanzada, Dmografía y Salud, Mtodología d la Invstgacón, Dsgualdads n Salud, Análss d la mortaldad, tc.. Ha vndo dsarrollando nvstgacón n línas como: Análss d la Mortaldad, Gografía Santara, Estadístcas Santaras, Encustas d salud, Dmografía y salud, Dsgualdads n salud y otras. Su xprnca n la aplcacón dl método stadístco n l ntorno d las Cncas d la Salud provn y s rflja n la drccón d numrosos proyctos d nvstgacón, tss doctorals, publcacons cntífcas y l contnuo contacto con l contxto santaro a través dl assoramnto mtodológco a dvrsas nsttucons santaras (Admnstracón santara, Cntros d Salud y Salud Públca, Hosptals y otras).
5 SUMARIO Introduccón al análss multvarant. Los modlos lnals...6 El modlo d rgrsón lnal múltpl...6 El modlo d rgrsón logístca...39 El modlo d rgrsón d Posson...67 El modlo d rgrsón d Cox...8 Bblografía...95
6 Introduccón al análss multvarant. Los modlos lnals IINTTRODUCCIION ALL ANALLIISIIS MULLTTIIVARIIANTTE.. LLOS MODELLOS LLIINEALLES Una dfncón d análss multvarant Conjunto d técncas stadístcas basadas n l studo conjunto d varas varabls (3 o más) con l objtvo d dscrbr o hacr nfrncas sobr las caractrístcas ndvduals o colctvas d tals varabls Sugra alguna stuacón d análss multvarant P.j. Estudo d prvalnca d cálculos blars n poblacón gnral y su rlacón con l sxo, la dad y l consumo d cítrcos Una rflxón Con sta dfncón l análss multvarant abarcará la mayor part d las aplcacons stadístcas Podmos construr una clasfcacón d los métodos multvarants? Dvrsos autors proponn clasfcacons dfrnts d los métodos multvarants: UNA CLASIFICACION ESENCIALMENTE TEORICA METODOS MULTIVARIANTES NO PROBABILISTICOS METODOS MULTIVARIANTES PROBABILISTICOS S fundamntan n rsultados S fundamntan n rsultados no probablístcos. No suponn drvados d la toría d la dstrbucons d probabldad probabldad, suposcons probablístcas sobr las varabls a subyacnts. Utlzan rsultados basados n álgbra lnal studo y/o análss d la (gométrcos). Tnn poca funcón d vrosmltud. Son capacdad para producr dónos para producr nfrncas nfrncas Enumr aqullas técncas d análss stadístco unvarant qu rcurd P.j. Estmacón por ntrvalos d confanza d un parámtro dsconocdo 6
7 Introduccón al análss multvarant. Los modlos lnals UNA CLASIFICACION ESENCIALMENTE OPERATIVA METODOS MULTIVARIANTES QUE CONSIDERAN A TODAS LAS VARIABLES EN EL MISMO STATUS En orgn no asgnan un tratamnto dfrnt a unas u otras varabls. Gnralmnt stos métodos concdn con la dfncón no probablístca METODOS MULTIVARIANTES QUE PARTEN DE DOS CONJUNTOS DE VARIABLES: EXPLICATIVAS Y RESPUESTA Partn d qu las varabls nvolucradas prtncn d forma clara (o modradamnt clara) a dos conjuntos, las qu s vn nfludas (varabls rspusta) y las qu nfluyn (varabls xplcatvas). Concdn n su mayor part con la dfncón probablístca S l ocurr alguna stuacón n la qu pudéramos aplcar métodos no probablístcos? Coméntla Un pquño rsumn d métodos multvarants no probablístcos Forman part dstacada d stos métodos los llamados métodos d stadístca dscrptva multdmnsonal: METODOS FACTORIALES - Análss factoral clásco - Análss d componnts prncpals - Análss d corrspondncas - Análss canónco, d los rangos METODOS DE CLASIFICACION - Clustr jrárquco - Clustr no jrárquco - Análss dscrmnant 7
8 Introduccón al análss multvarant. Los modlos lnals Métodos multvarants probablístcos: La tpología d las varabls a studo Clasfqu las varabls dl studo dscrto sgún su tpo Para ntroducr stas das, consdr como jmplo un studo n l qu las varabls a studo son: Tabla COLESTOT Nvl d colstrol mddo n mg/ml QUETELET Indc d qutlt n sus undads EDAD Edad n años ALCOHOL Consumo d alcohol: nunca bajo modrado/alto Suponga qu l nvstgador prsgu avrguar s l consumo d alcohol s un factor d rsgo con fcto sobr l colstrol pro tnndo n cunta la dad d los ndvduos. Clasfcacón por l tpo d varabls: Clasfcacón sgún l tpo Varabls cuanttatvas: S prsntan n forma d valors numércos fruto d procsos d mdda o rcunto Contnuas: Son puramnt rsultados d procsos d mdda, ntr cualsqura dos valors smpr cab otro Dscrtas: Surgn d procsos d rcunto. Tnn un númro fnto o nfnto numrabl d valors Varabl cualtatva: S prsnta n forma d modaldads o stados. En ocasons pud procdr d la catgorzacón d varabls cuanttatvas Fgura.- Clasfcacón sgún l tpo d varabls 8
9 Introduccón al análss multvarant. Los modlos lnals Clasfcacón por l papl d las varabls: Varabl rspusta: Aqulla sobr la qu s produc l fcto d las dmás. Sus varacons son conscunca d las varacons d las dmás. Tambén s dnomnada varabl dpndnt Tnndo n cunta l objtvo dl nvstgador, clasfqu las varabls dl studo dscrto sgún su papl n l análss Clasfcacón sgún l papl n l análss Varabls xplcatvas: El rsto d varabls. S trata d dtrmnar n qu forma afctan a la rspusta. Tambén s llaman ndpndnts o prdctors Factors: El ntrés dl studo strba n dtctar caractrzar su rlacón y fcto con la varabl rspusta. Covarabls: Son varabls ncludas n l análss por su posbl rlacón con la rspusta y los factors. Fgura.- Clasfcacón d varabls sgún su papl n l análss Clasfcacón d las covarabls (varabls d control) D confusón: La rlacón ntr l factor y la rspusta s dfrnt d tnr n cunta n l análss a la covarabl a no hacrlo. Para qu una covarabl sa d confusón s ncsaro y sufcnt qu s rlacon con ambas, l factor y la rspusta. Db tnrs n cunta qu lo qu s confund s la rlacón ntr factor y rspusta D ntraccón: La rlacón ntr l factor y la rspusta s modfca sgún los valors o nvls d la covarabl. Drmos qu l fcto y/o rlacón ntr factor y varabl rspusta s nsparabl d la covarabl. S hay covarabls, clasfíqulas Fgura 3.- Clasfcacón d las covarabls 9
10 Introduccón al análss multvarant. Los modlos lnals Los modlos stadístcos Qué s un modlo stadístco? Es mposbl hablar d técncas multvarants sn rcurrr al concpto d modlo stadístco. Podríamos dcr qu un modlo stadístco no s más qu una cuacón matmátca con la qu ntntamos rprsntar lo más flmnt posbl la raldad a partr d la nformacón qu nos prov un conjunto d datos. Suponga qu qurmos modlzar la posbl rlacón xstnt ntr la proporcón d pzas con cars y la dad n nños (mnors d 6 años). Proponga componnts structural y alatora para su construccón y dscusón Pro convn matzar o stuar sta dfncón. Así, convn pnsar n un modlo stadístco como l rsultado d la composcón d dos lmntos: Componnt structural (sstmátca): Part dtrmnsta dl modlo. Con lla nosotros asgnamos a pror cual s la structura sprada d la raldad. Gnralmnt s una cuacón Componnt alatora (stocástca): Part n la qu ntrvn l azar a través d los datos d una mustra alatora. Con sta componnt hmos d valuar la bondad d la structura propusta
11 Introduccón al análss multvarant. Los modlos lnals El marco para las componnts structural y alatora San y Proporcón d cars x Edad El marco para las componnts structural y alatora srá: El gráfco adjunto mustra l dagrama d dsprsón y rcta d rgrsón sobr una mustra d n4 nños Poblacón 5 y α + β x 5 Mustra EDAD { x, y } ŷ α ˆ + βˆx n Ecuacón stmada: ŷ 9,8 +,8x Cómo sría un gráfco con: y α + β x Modlo propusto ŷ α ˆ + βˆ x Modlo stmado a x, partr d { } n y Mustra alatora d n obsrvacons d x y α, β Parámtros dsconocdos αˆ, βˆ Estadístcos mustrals conocdos - Mucha vdnca d qu la rlacón no s lnal habéndola supusto lnal - Poca vdnca d una rlacón lnal qu ralmnt no lo s Dscuta stas custons
12 Introduccón al análss multvarant. Los modlos lnals Pro, Cómo s la raldad? Dsd la prspctva stadístca s muy poco probabl qu la raldad rsponda a un únco modlo. Quzás convn partr dsd la crnca d qu la naturalza s báscamnt smpl, s dcr, lnal, smpr qu pud. Aunqu algunos autors proponn lo contraro, la lccón d una u otra forma structural para nustro modlo pud vnr guada por aspctos tals como: Sugra algunas stuacons para las qu conozca qu xst rlacón más o mnos dmostrada ntr las varabls mplcadas. S lo sab, dga l modlo bajo l qu s rlaconan (P.j., pso y talla, modlo lnal) - El tpo d varabls - El rango d las varabls - La vrosmltud d los datos - La oportuna ntrprtacón d los parámtros dl modlo (qu nos dgan algo sncllo d ntndr) - El objtvo dl studo (dtccón d asocacons/rlacons, prdccons, ambos, tc...) Estos aspctos pudn ayudarnos a dcdr cual pud sr l modlo propusto (su structura). Así, tras vrfcar la bondad d tal modlo nos ncontrarmos n una d las dos stuacons sgunts: El modlo no s acptabl En st caso dbmos pnsar n qu las varabls studadas no s rlaconan bajo l modlo propusto. Quzás lo hagan bajo otro modlo El modlo s acptabl Las varabls s rlaconan bajo l modlo propusto, pro nada garantza qu s sa n l únco n l mjor modlo para rlaconarlas
13 Introduccón al análss multvarant. Los modlos lnals Los modlos lnals gnralzados (GLM) Famla d modlos cuya componnt structural s: dond: f(y) β + + βx + βx + + βx + βx y Varabl rspusta. Aqulla varabl sobr la qu dsamos mdr l fcto d otras varabls (tasa d mortaldad, probabldad d frmar, nvl d ácdo úrco,...) x (x, x,..., x,...,x) Varabls xplcatvas. Varabls ncludas n l modlo qu suponmos qu tnn capacdad para xplcar las modfcacons qu s producn n la varabl rspusta. Pudn sr factors d rsgo o covarabls f(y) funcón nxo. Es una funcón a través d la cual proponmos qu s rlacona la varabl rspusta con las xplcatvas (β, β, β,...,β,...,β ) Parámtros dl modlo. Son cofcnts dsconocdos d cuya stmacón nfrncas obtndrmos una cuantfcacón d las ntrrlacons ntr las varabls xplcatvas y la varabl rspusta 3
14 Introduccón al análss multvarant. Los modlos lnals Algunos modlos d la clas GLM La sgunt tabla mustra las caractrístcas más dstacabls d algunos modlo d sta clas ( * ndca los qu s vrán n st curso) Dscrba alguna stuacón d análss n las qu la varabl d ntrés sa como las varabls rspusta d los modlos d la tabla Dnomnacón Modlo Varabl rspusta (y) Funcón nxo (f(y)) Rgrsón lnal Múltpl * y varabl cuanttatva - < y < Idntdad f(y) y Rgrsón logístca bnara * Modlo loglnal Rgrsón d Posson * Rgrsón d Cox * y probabldad < y < y frcunca < y y tasa mda (dnsdad d ncdnca) < y y(t) tasa nstantána, varía n l tmpo < y Funcón logístca f(y) y log y Logartmo f (y) log y Logartmo f (y) log y Logartmo f t (y) log y(t) 4
15 Introduccón al análss multvarant. Los modlos lnals Caractrístcas más mportants d los modlos GLM Rvs la da d adtvdad. Contrástla frnt a la da d multplcacón d fctos El fcto d las varabls xplcatvas s supusto adtvo sobr la funcón nxo. En fcto, las (x, x,..., x,...,x) suman su fcto para producr cambos n la funcón nxo. En gnral, st fcto valuado sobr la varabl rspusta dpndrá d la funcón nxo. S vrá para cada modlo partcular Los parámtros dl modlo mdn l cambo (ncrmnto) d la funcón nxo por undad d cambo n cada varabl xplcatva, mantnndo constant l rsto d varabls (ajustado por l rsto d varabls xplcatvas). La ntrprtacón sobr la varabl rspusta db sr dducda para cada modlo a través d la funcón nxo Dmustr la ntrprtacón d los parámtros dl modlo. Qué ntrprtacón tn β La mcánca n l procso d stmacón d modlos, nfrncas o slccón d modlos óptmos s smjant para todos llos. Aunqu vararán los lmntos concrtos d unos a otros modlos, los prncpos d valuacón d los modlos son los msmos. Compartn crtros d stmacón d parámtros 5
16 El modlo d rgrsón multpl Ell MODELLO DE REGRESIION LLIINEALL MULLTTIIPLLE Modlo GLM con funcón nxo la dntdad. Est modlo rspond a la prgunta d qué forma afctan varabls xplcatvas (cualtatvas o cuanttatvas) a una varabl rspusta cuanttatva?. Dbmos tnr n cunta qu l objtvo pud sr: Ejmplo.- Suponga un studo n l qu l qu s dspon d las varabls dscrtas n la tabla. Sugra algunas prguntas d ntrés qu pudran sr contstadas con un modlo d rgrsón lnal múltpl. - Dtctar qu varabls, d ntr las consdradas, afctan o xplcan a la varabl rspusta (dtctar asocacons o rlacons) y cuantfcar l fcto - Construr un modlo para prdcr l valor d la varabl rspusta n funcón d las varabls xplcatvas - Ambos Dbmos tnr n cunta qu aunqu las varabls xplcatvas studadas afctn l comportamnto d la rspusta, probablmnt xstan otras varabls no ncludas ntr llas qu tambén tngan fcto sobr la rspusta. La razón para no nclurlas n l modlo pud provnr d qu no las conocmos o d qu no qurmos nclurlas. S l ocurr alguna varabl no ncluda ntr las studadas qu pudra tnr fcto sobr l nvl d colstrol? EL INVESTIGADOR ES QUIEN DECIDE CUALES SON LAS VARIABLES A ESTUDIO (EXPLICATIVAS Y RESPUESTA) Carga d subjtvdad n la structura propusta 6
17 El modlo d rgrsón múltpl Estructura dl modlo d rgrsón La structura dl modlo s: Exprs n térmnos d modlos d rgrsón las prguntas sugrdas n l jmplo y β + βx + βx + + βx + + βx + u y Varabl rspusta x (x, x,..., x,...,x) Vctor d varabls xplcatvas (β, β, β,...,β,...,β ) Parámtros dl modlo u f(x+,...,xh) Prturbacón o rror, funcón d otras varabls no ncludas n l modlo Rqurmntos/Hpótss dl modlo d rgrsón La utlzacón nfrncal plna dl modlo d rgrsón rqur:. Para cada conjunto fjo d x la dstrbucón d y db sr normal con mda E(y / x) β + βx + βx + + βx + + βx. La varanza d y s constant para cualqur valor d x 3. Las obsrvacons d y son ndpndnts ntr sí 4. El númro d varabls xplcatvas s mnor qu l d obsrvacons 7
18 El modlo d rgrsón múltpl Comntaros a los rqurmntos. El rqurmnto stablc qu la cuacón lnal s prtnnt. El rqurmnto d normaldad tn fundamntalmnt dos objtvos: Rflxon y dscuta acrca d los rqurmntos dl modlo d rgrsón. Cr qu stos rqurmntos srían acptabls sobr l jmplo? - Hacr concdr l tpo d stmacón mínmo cuadrátca con la stmacón máxmo vrosíml - Srvr d bas para las nfrncas. Es l soport probablístco dl modlo. El rqurmnto s dnomna homocdastcdad. Su fcto s produc sobr la ralzacón d nfrncas 3. El rqurmnto 3 stablc qu l conocmnto d unos valors d y no proporcona nformacón para l conocmnto d otros valors 4. Rqurmnto ncsaro para podr stmar l modlo sn ambgudads 5. Los rqurmntos nuncados suln xprsars sntétcamnt n térmnos d rqurmntos sobr los rrors u: - Los rrors u sgun una dstrbucón: u Normal(, σ ) - Los rrors u son ndpndnts ntr sí (ausnca d autocorrlacón) 8
19 El modlo d rgrsón múltpl Comprobacón d los rqurmntos dl modlo Pud consultar los datos d st jmplo n l Anxo. La prtnnca dl modlo lnal srá comprobada a través d prubas d bondad d ajust Las hpótss d normaldad, homocdastcdad ndpndnca s rsolvrán a través dl análss d los rrors o rsduos Construccón d un modlo d rgrsón lnal múltpl. Etapas Suponga qu sobr una mustra d sujtos slcconados alatoramnt d crta poblacón s dspon d las varabls ya dscrtas n la tabla : COLESTOT Nvl d colstrol mddo n mg/ml QUETELET Indc d qutlt n sus undads EDAD Edad n años ALCOHOL Consumo d alcohol: nunca bajo modrado/alto Etapa : Espcfcacón d varabls y modlo propusto S dsa avrguar s las varabls Qutlt y Edad xplcan l Colstot. S dnotamos por Modlo propusto y Colstot x Qutlt y β + βx + βx x Edad 9
20 El modlo d rgrsón múltpl Etapa : Estmacón dl modlo Notas A partr d los datos dsponbls, una mustra alatora d n obsrvacons d las varabs: { y, x, x,, x} n S trata d calcular los stmadors mustrals d los parámtros dl modlo: βˆ, βˆ, βˆ (, β ˆ, ) stmadors d los parámtros β, β, β ) (,, β El método utlzado para llo sul sr l d mínmos cuadrados. Est método s basa n mnmzar la funcón: n ( y ŷ ) dond ŷ β ˆ + βˆ x + βˆ x + + βˆ x S los rqurmntos dl modlo s cumpln, l torma d Gauss-Marov garantza qu los stmadors obtndos son nssgados, óptmos (d mínma varanza) y concdn con los obtndos por máxma vrosmltud. S obtn así l modlo stmado: ŷ β ˆ + βˆ ˆ ˆ x + βx + + β x
21 El modlo d rgrsón múltpl La aplcacón d st método al jmplo sugrdo da como rsultado l modlo stmado: Cofcnts a Intrprt los parámtros dl modlo construdo ntr colstrol, dad y qutlt Modlo (Constant) EDAD QUETELET Cofcnts no standarzados a. Varabl dpndnt: COLESTOT Cofcnts standarzad os B Error típ. Bta t Sg. 8,4 3,96 4,56,,989,33,3 4,47,,74,97,97,784,6 ŷ 8,4+,989 Edad +,74 Qutlt Etapa 3.- Valdacón d la hpótss d lnaldad. Bondad d ajust dl modlo La valuacón d la bondad d ajust dl modlo pud hacrs a través d las varabldads asocadas al modlo propusto: n ( y y) Varabldad d la varabl rspusta. No dpnd dl modlo n ( y ŷ ) Varabldad dl rror. Es la part no xplcada por l modlo n ( ŷ y) Varabldad d la rgrsón. Es la xplcada por l modlo
22 El modlo d rgrsón múltpl Pud dmostrars sn dfcultad qu: Profundc n l rsultado R,78 y su ntrprtacón n ( y n n y) (ŷ y) + (y ŷ ) Podmos cuantfcar la bondad d ajust dl modlo (capacdad para xplcar la varabldad d la varabl rspusta a través d las varabls consdradas y l modlo lnal supusto) a través d: Cofcnt d dtrmnacón R n n (ŷ (y y) y) Varabldadxp lcada Varabldad total ( R ) R s l stmador mustral dl cofcnt d dtrmnacón poblaconal, ρ. Sobr l jmplo R,78 Est rsultado nos ndca qu la capacdad xplcatva (a través dl modlo lnla) d la dad y l índc d qutlt sobr l nvl d colstrol n los datos d la mustra s d,78 (7,8% d la varabldad total dl colstrol)
23 El modlo d rgrsón múltpl La gnralzacón nfrncal d la bondad d ajust dl modlo pud ralzars a través d la pruba d hpótss: H : ρ Ha : ρ Profundc n la ntrprtacón d las hpótss dl contrast d bondad dl modlo. Proponga algún nuncado quvalnt. con la qu contrastarmos s las varabls carcn d capacdad xplcatva a través dl modlo lnal n la poblacón (H) frnt al rsultado d qu tnn alguna capacdad xplcatva a través dl modlo lnal n la poblacón (Ha). La solucón al contrast s obtn a través d la tabla dl análss d la varabldad (ANOVA) d la rgrsón: Funt d varabldad Rgrsón Error o rsdual Total Suma d cuadrados n n n ŷ y) Grados d lbrtad (gl) ( ( n-- y ŷ ) ( n- y y) Cuadrado mdo ŝ ŝ r n n n (ŷ (y y) ŷ n (y ŝ y n ) y) Estadístco d contrast F ŝ ŝ r Sgu una F d Sndcor con y n-- grados d lbrtad 3
24 El modlo d rgrsón múltpl Sobr l jmplo s tn: ANOVA b Profundc n la ntrprtacón dl rsultado dl contrast d hpótss d la bondad dl modlo. Modlo Rgrsón Rsdual Total Suma d Mda cuadrados gl cuadrátca F Sg. 976, ,734,7, a 4874, , ,79 98 a. Varabls prdctoras: (Constant), QUETELET, EDAD b. Varabl dpndnt: COLESTOT Rsultado qu conduc al rchazo d la hpótss nula Etapa 4.- Vrfcacón d rqurmntos. Análss d rsduos Una vz stmado l modlo, los rqurmntos dl modlo pudn sr dscutdos a través d los rsduos: o sus transformacons: y ŷ z Var( ) S r S h r S h Rsduo standarzado Rsduo studntzado Rsduo por lmnacón h lmnto d la dagonal d X(X X) - X, S-Dsvacón stándar rsdual calculada cuando la obsrvacón s lmnada 4
25 El modlo d rgrsón múltpl S los rqurmntos dl modlo s cumpln los rsduos standarzados studntzados y por lmnacón sgun una dstrbucón t d studnt con n-- gl (studntzados) y n-- gl (por lmnacón). A poco qu n sa grand, n 3, su dstrbucón pud aproxmars por una normal. En gnral los rsduos por lmnacón suln sr más utlzados por sus mjors propdads d comportamnto dstrbuconal. Intrprt l gráfco y tabla adjuntas La normaldad d los rsduos pud sr comprobada grafcamnt y/o a través d una pruba d normaldad: Gráfco P-P normal d rgrsón Rsduo tpfcado Varabl dpndnt: COLESTOT, Pruba d Kolmogorov-Smrnov para una mustra Prob acum sprada,8,5,3,,,3,5 Prob acum obsrvada,8, N Parámtros normals a,b Dfrncas más xtrmas Z d Kolmogorov-Smrnov Sg. asntót. (blatral) Mda Dsvacón típca Absoluta Postva Ngatva a. La dstrbucón d contrast s la Normal. b. S han calculado a partr d los datos. ZRE_ Standardzd Rsdual 99,, ,6,6 -,3,849,467 5
26 El modlo d rgrsón múltpl La homocdastcdad u homogndad d varanzas pud sr dscutda aproxmadamnt mdant l gráfco d los rsduos frnt a los valors stmados: Intrprt l gráfco y l valor dl stadístco d Durbn Watson 3 Gráfco d dsprsón Varabl dpndnt: COLESTOT Rgrsón Valor pronostcado tpfcado El gráfco no db prsntar dstrbucón n forma d mbudos, dbndo sr más o mnos homogéno. La ndpndnca o ausnca d autocorrlacón s pud dscutr con l stadístco d Durbn-Watson, qu contrasta la hpótss nula d ausnca d autocorrlacón (ndpndnca) frnt a lo contraro: Durbn-Watson,7 El valor db sr contrastado n las tablas spcífcas para st stadístco. Un valor crcano a s ndcatvo d acptacón d la hpótss nula 6
27 El modlo d rgrsón múltpl Los rsduos pudn sr útls para la dtccón d valors atípcos (outlrs), s dcr, ndcduos tals qu una vz stablcdo l modlo,s apartan d la tndnca gnral dl modlo. Como jmplo obsrv l gráfco adjunto: 4 El lstado adjunto ncluy los casos para los qu l rsduo standarzado s supror a o nfror a. Dscuta st crtro para los valors atípcos. Rvs los casos atípcos n l anxo Dagnóstcos por caso a Númro d caso Valor Rsduo tp. COLESTOT pronostcado, ,7, ,9 -, ,76, ,7, ,, ,8, ,65 -, ,3 5 a. Varabl dpndnt: COLESTOT Y - 4 X 6 8 n l qu pud obsrvars como l ndvduo 4 prsnta un valor d y atípco dado su valor d x n l modlo. S los rsduos son normals, un tst aproxmado para la dtccón d stos valors s pud obtnr a partr d los rsduos standarzados qu sgurán una normal d mda y dsvacón típca. Así, por jmplo, s stablcmos colas d probabldad,5, los valors suprors a,96 o nfrors a,96 tndrán una probabldad nfror o gual a,5. El crtro d rarza db stablcrlo l nvstgador (db aplcars Bonfrron). Est crtro sul sr utlzado prfrntmnt con rsduos studntzados o por lmnacón 4 6 Cómo sría la aplcacón dl método d Bonfrron para dtctar outlrs con nvl d sgnfcacón,5 7
28 El modlo d rgrsón múltpl Etapa 5.- Infrncas con l modlo S las hpótss dl modlo s acptan, podmos nfrr (gnralzar a la poblacón) a partr d nustro modlo Infrncas sobr los parámtros dl modlo Los parámtros pudn sr ntrprtados como mddas d la magntud dl fcto d cada varabl xplcatva sobr la varabl rspusta (ncrmnto n y por undad d ncrmnto n x, ajustado por l rsto). Las nfrncas posbls son: Pruba d hpótss para comprobar la sgnfcacón dl fcto d cada varabl: rsulta a través dl stadístco: H : β Ha : β,..., t βˆ (t d studnt n-- gl) Var(ˆ β ) Las tablas adjuntas prsntan los rsultados d las nfrncas sobr los parámtros dl modlo (prubas t ntrvalos d confanza). Intrprtlos Cofcnts a Modlo t Sg. (Constant) 4,56, EDAD 4,47, QUETELET,784,6 a. Varabl dpndnt: COLESTOT Modlo (Constant) EDAD QUETELET Cofcnts a Intrvalo d confanza para B al 95% Límt Límt nfror supror 6,856 55,5,53,449,789 4,6 a. Varabl dpndnt: COLESTOT Intrvalo d confanza para cada β I ˆ α ( β ) β ± t Var(ˆ ) α β con t-α/ cofcnt d una t d studnt con n-- gl 8
29 El modlo d rgrsón múltpl Infrncas sobr las prdccons Para un valor concrto d x (conjunto d valors para las varabls xplcatvas), dgamos x (x, x,..., x ) Compar los ntrvalos d prdccón. Justfqu las dfrncas qu obsrv ntr llos podmos ralzar dos class d prdccons: Prdccón ndvdual. S trata d pronostcar l valor d la varabl rspusta para un sujto con valors x. La solucón s obtndrá a través dl ntrvalo d confanza para la prdccón ndvdual En l jmplo, para un sujto d Edad59 y Qutlt3, tnmos I, 95 (y) [ 56,; 339,] Prdccón a la mda. S trata d pronostcar lvalor d la mda d la varabl rspusta para la poblacón d sujtos con valors x. La solucón s obtndrá a través dl ntrvalo d confanza para la prdccón a la mda En l jmplo, para un sujto d Edad59 y Qutlt3, tnmos I,95 ( µ y ) [ 38,5 ; 56,7] 9
30 El modlo d rgrsón múltpl Algunas custons adconals La multcolnaldad Qué rgón dl gráfco adjunto rprsnta l grado d multcolnaldad ntr las varabls x y x? El grado d multcolnaldad dfn l grado n l qu alguna o algunas varabls xplcatvas s ntrrlaconan. En la mayoría d los studos obsrvaconals las varabls xplcatvas prsntan un crto grado d rlacón, hcho qu sul formar part d los objtvos d análss (dtccón d confusons, ntraccons, tc.), no sndo sto un problma sno un objtvo d análss. Así, n la fgura adjunta podmos obsrvar una rprsntacón d la dstrbucón d varabldads xplcadas y no xplcadas n un modlo d rgrsón con dos varabls xplcatvas y Varabldad total y Varabldad xplcada por x +3 X X 4 Varabldad xplcada por x 3+4 Varabldad xplcada por x y x +3+4 Varabldad rsdual no xplcada 3
31 El modlo d rgrsón múltpl Una forma d valuar l grado d multcolnaldad srá comparando mddas qu rfljn la capacdad xplcatva d cada varabl sóla con la capacdad xplcatva dl modlo qu añad la otra varabl. A través dl cofcnt R tndrmos, por jmplo: / x R Cofcnt d dtrmnacón dl modlo sólo con x R y / x,x y Cofcnt d dtrmnacón dl modlo con x y x pudndo xprsar la capacdad xplcatva qu añad x a través d la dfrnca n R : H R R / x,x y / x y y contrastando la sgnfcacón dl ncrmnto d capacdad xplcatva d j varabls H : H Ha : H Las tablas adjuntas mustran rsultados d modlos d rgrsón añadndo varabls. Dscuta l ncrmnto d varabldad xplcada y su sgnfcacón R Cambo n R Estadístcos d cambo Cambo Sg. dl cambo Modlo cuadrado cuadrado n F gl gl n F Uno a,46,46 33,635 97, Dos b,78,33 7,753 96,6 a. Varabls prdctoras: (Constant), EDAD b. Varabls prdctoras: (Constant), EDAD, QUETELET Estadístcos d cambo Modlo R cuadrado Cambo n R cuadrado Cambo n F gl gl Sg. dl cambo n F Uno a,3,3,554 97, Dos b,78,76 8,36 96, a. Varabls prdctoras: (Constant), QUETELET b. Varabls prdctoras: (Constant), QUETELET, EDAD a través dl stadístco F d cambo, para l contrast d hpótss: F R H j n con R dtrmnacón con todas las varabls () 3
32 El modlo d rgrsón múltpl La multcolnaldad s un problma cuando s xtrma. D hcho s mposbl stmar los parámtros dl modlo cuando alguna d las varabls xplcatvas s combnacón lnal d las dmás. En gnral, la multcolnaldad lvada s traduc n: - Estmacons poco prcsas (mucho rror stándar) - Valors p lvados n las prubas d hpótss Evalu la colnaldad para l modlo d la tabla adjunta Modlo (Constant) EDAD QUETELET Cofcnts a a. Varabl dpndnt: COLESTOT Estadístcos d colnaldad t Sg. Tolranca FIV 4,56, 4,47,,833,,784,6,833, La dtccón dl grado d colnaldad pud ralzars a través d: R x j / x...x Cofcnt d dtrmnacón d la rgrsón d xj sobr l rsto Factor d nflacón d la varanza d la varabl xj (j,...,) FIV j R x j / x...x En la tabla adjunta s mustra rsultados con las varabls Qutlt y Qutlt. Dscuta la colnaldad y su fcto n los rsultados Tolranca d la varabl xj (j,...,) Cofcnts a Tolranca j FIV j R x j / x...x Modlo (Constant) QUETELET QUET Estadístcos d colnaldad t Sg. Tolranca FIV -,488,66,67,96,7 37,377 -,69,6,7 37,377 a. Varabl dpndnt: COLESTOT S habla d lvada colnaldad cuando Tolrancaj <, R >,9, FIVj >, x / x...x j 3
33 El modlo d rgrsón múltpl Otra forma d valuar la colnaldad, spcalmnt ndcada cuando las varabls dl modlo han sdo transformadas a undads standarzadas, s a través d los índcs d condconamnto (IC) y proporcons d varanza (%Var)(vr jmplo a margn). S dntfca colnaldad lvada cuando IC > 3 y %Var >,9 n al mnos dos varabls. La slccón dl modlo óptmo Exstn dfrnts formas d abordar la slccón dl modlo óptmo. En gnral dpnd dl objtvo dl studo. Así, tndrmos: Dscuta la colnaldad dl modlo con Edad, Qutlt y Qutlt con los rsultados d la tabla adjunta Dmnsón 3 4 Dagnóstcos d colnaldad a Indc d Proporcons d la varanza condcón QUETELET QUET EDAD,,,, 7,996,,,95,499,,,,35,,99,4 a. Varabl dpndnt: COLESTOT Slccón forzada. Dfndo l modlo con todas las varabls xplcatvas a studo s nspccona los contrasts ndvduals rducndo l modlo n aqullas qu no son sgnfcatvas. Útl como procdmnto xploratoro Rgrsón jrárquca. El nvstgador dfn un ordn d ntroduccón d las varabls (prmro l factor d rsgo, sgundo varabls confundnts, trcro ntraccons, tc.) y valúa las sgnfcacons a través d los stadístcos y contrasts d cambo. Rspond a una scunca d análss y objtvos bn dfndos Rgrsón por stpws o tapas. Modaldad d rgrsón jrárquca pro djando qu las varabls ntrn o salgan por crtros xclusvamnt stadístcos. Útl cuando buscamos l mjor modlo prdctvo pro pud conducr a modlos ncohrnts. 33
34 El modlo d rgrsón múltpl Rgrsón sobr todos los subconjuntos posbls. Sría l dal. S trata d construr la rgrsón sobr todas las combnacons d varabls xplcatvas, slcconando l modlo óptmo atndndo a razons d ajust dl modlo y cohrnca xplcatva. Pud sr muy costosa s l númro d varabls xplcatvas s lvado. Los cofcnts d corrlacón Intrprt los cofcnts d dtrmnacón corrgdo, d corrlacón múltpl, smpl y parcals d la tablas adjuntas Modlo R cuadrado R R cuadrado corrgda,4 a,78,7 a. Varabls prdctoras: EDAD, QUETELET La magntud d la rlacón lnal ntr la varabl rspusta y las xplcatvas pud sr cuantfcada a través d cofcnts d corrlacón lnal (mddas standarzadas ntr y ): r Corrlacón lnal smpl y.x Grado d la rlacón lnal ntr la varabl rspusta (y) y una varabl xplcatva cualqura (x) Modlo QUETELET EDAD Corrlacons Ordn cro Parcal,3,95,38,9 Corrlacón multpl y.(x...x y / x ) R...x conjunta ntr la varabl rspusta (y) y todo l conjunto d xplcatvas R Grado d la rlacón lnal Corrlacón parcal R y.x / x...x,x,... x Grado d la rlacón lnal ntr la + varabl rspusta (y) y una xplcatva (x) ajustado por l rsto d varabls Cofcnt d dtrmnacón corrgdo R y / x...x ŝ. Corrg la ŝ y dtrmnacón n funcón dl númro d varabls xplcatvas 34
35 El modlo d rgrsón múltpl Varabls xplcatvas cualtatvas Todo lo xpusto hasta ahora s váldo cuando las varabls xplcatvas son cuanttatvas. La varabl rspusta db sr smpr cuanttatva. Comprub y dscuta qu la ntrprtacón d los parámtros d una varabl cualtatva dcotómca s dpndnt d la codfcacón lgda Podmos nclur varabls cualtatvas ntr las xplcatvas? La rspusta s sí, pro con prcaucón. S no ralzamos nguna modfcacón sobr las vrabls podmos volar fáclmnt la hpótss d lnaldad. Como jmplo consdr la varabl alcohol, dfnda n la págna 5: ALCOHOL Consumo d alcohol {,, } {Nunca, Bajo, Modrado/Alto} D ntroducr la varabl tal cual n un modlo d rgrsón lnal, La lnaldad s traducría n qu l fcto sobr la varabl rspusta por pasar d (nunca) a (Bajo) fura l msmo qu por pasar d (bajo) a (modrado/alto), algo qu s cuanto mnos dudoso. Sn mbargo, s nos rfrmos a una varabl cualtatva dcotómca (dos stados o catgorías), no xst ambgüdad sobr la lnaldad, pusto qu sólo xst un fcto o salto posbl. Por jmplo, s nos rfrmos a la varabl: SEXO {, } {Hombr, Mujr} Podmos ntroducr la varabl tal cual, pusto qu sólo hay un paso posbl, d (hombr) a (mujr) y l parámtro d la varabl rprsntará l fcto sobr la varabl rspusta por comparar mujrs vs. hombrs 35
36 El modlo d rgrsón múltpl Una solucón posbl sría analzar los datos por sparado (n cada catgoría d la varab cualtatva) pro sto s gnralmnt poco fcnt Ponga algunos jmplos d varabls cualtatvas dcotómcas Procdmnto gnral d ntroduccón d varabls cualtatvas Supongamos una stuacón con xvarabl cualtatva, xvarabl cuanttatva. Dbmos dstngur dos casos: Caso d varabls dcotómcas. Codfcacón. Lo más sncllo s codfcar la varabl, x, con códgos qu dstn undad, por jmplo: x {,}. Modlo rsultant. Intrprtacón d parámtros.- El modlo rsultant srá: y β + + βx βx y l parámtro β rprsnta l cambo n y por comparar las dos catgorías d x 36
37 El modlo d rgrsón múltpl Caso d varabls con más d dos catgorías Cracón d varabls dummy o ndcador. S trata d gnrar tantas varabls auxlars como l númro d catgorías d la varabl mnos : Supongamos xconsumo d alcohol{nunca, Bajo, Modrado/Alto} Suponga la varabl Nvl d studos con 5 catgorías Nvl d studos{analfabto, Lr y scrbr, Prmaros, Scundaros, Unvrstaros} Cr structura d dummys tomando como rfrnca la catgoría Unvrstaros. S lg una catgoría d rfrnca, p. j. Nunca. La lccón d la catgoría d rfrnca no nfluy n l ajust y sgnfcacons dl modlo, pro s nfluy n la ntrprtacón, sndo rcomndabl lgr la catgoría d mnor rsgo o más favorabl cuando la varabl rspusta rprsnta un rsultado ngatvo o lo contraro cuando rprsnta un rsultado postvo Catgoría d rfrnca Modrado/Alto. Codfcacón d las varabls dummy. En st caso habrán varabls dummy (nº d catgorías -3 ): Tabla.- Codfcacón d dummys CONSUMO DE X ALCOHOL Codfcacón DUMMY X DUMMY Nunca Bajo Modrado/Alto X 37
38 El modlo d rgrsón múltpl. Modlo rsultant. El modlo rsultant srá: + βx + βx βx y β + rsultando la sgunt ntrprtacón: Comprub la ntrprtacón d parámtros n las varabls dummy. En l jmplo sgudo, cómo s pud stmar l fcto por comparar consumo d alcohol Modrado/alto vs. Bajo? v. β Incrmnto sobr y por comparar consumo Bajo vs. Nunca β Incrmnto sobr y por comparar consumo Modrado/alto vs. Nunca Con varabls dummy la sgnfcacón d parámtros y valdz dl modlo s compruba d forma habtual. Es muy mportant tnr n cunta qu l fcto d una varabl db sr valuado con todas sus dummys. Con otras palabras, las dummys son nsparabls n l modlo, no podmos ntroducr sólo una part n lmnar dl modlo nnguna cuando la varabl stá n él. La valuacón dl conjunto d dummys pud hacrs a través d los stadístcos y sgnfcacón dl cambo La tabla adjunta mustra los rsultados al ajustar l modlo con Edad y Qutlt y l modlo qu añad las dummys Alcohol y Alcohol, como dfndas n tabla. Comprub l fcto sgnfcatvo d la varabl Alcohol complta Rsumn dl modlo Estadístcos d cambo Modlo Cambo n R cuadrado Cambo n F Sg. dl cambo n F Uno a,78,7, Dos b,65 8,35, a. QUETELET, EDAD b. QUETELET, EDAD, ALCOHOL, ALCOHOL 38
39 El modlo d rgrsón logístca Ell MODELLO DE REGRESIION LLOGIISTTIICA Introduccón. Mddas d frcunca y asocacón n análss pdmológco Suponga una cohort d ndvduos (tabla 3), sgudos durant dfrnts tmpos (varabl TIEMPO, n mss), a la spra d obsrvar s s ls prsnta (ncd) crto rsultado (varabl EVENTO, s prsnta l rsultado, no s prsnta l rsultado), tnndo n cunta qu al nco dl sgumnto 5 d stos ndvduos prsntan crta caractrístca (varabl GRUPO) y 5 vrfcan otro stado n sta caractrístca (varabl GRUPO): Tabla 3. Rsultados n una cohort d ndvduos Indvduo Tmpo Evnto Grupo Qué mddas utlzamos para cuantfcar a) La magntud d ocurrnca dl vnto n la cohort al fnal dl sgumnto y sus dfrncas (o asocacón) con la varabl GRUPO, sn tnr n cunta l tmpo spcífco d sgumnto d cada ndvduo. Calcúllas b) Idm a a) pro tnndo n cunta los tmpos d sgumnto d los sujtos. Calcúllas c) La magntud d ocurrnca dl vnto n dfrnts momntos dl tmpo y su asocacón con l GRUPO. Calcúllas Para rvsar dfrnts mddas pdmológcas, contst las prguntas adjuntas 39
40 El modlo d rgrsón logístca El modlo logístco dcotómco. Análss smpl Suponga una stuacón como la dscrta n l apartado a) d la columna d aplcacons d la págna antror: - Sgumnto d una cohort d n ndvduos durant un prodo [t, t] - S obsrva la ocurrnca (E) o no (E) d un vnto E - En l nstant t cada ndvduo pud star xpusto (x) o no (x) a un factor d rsgo, dgamos x - Qurmos stmar la probabldad d ocurrnca dl vnto (p(e)) y su asocacón con l factor x Podmos consdrar la sgunt tabla d probabldads condconals: Rvs l concpto d odds. Aplíqulo al vnto E condconado por x (odds(e/x); odds(e/x) Rvs l concpto d odds rato. Aplíqulo al vnto E condconado por x Tabla 4.- Probabldads condconals n funcón dl factor x E p (E / x ) x x p (E / x ) E p (E / x ) p (E / x ) Rcurda l concpto d cross product rato (cocnt d productos cruzados)? 4
41 El modlo d rgrsón logístca El modlo logístco consst n modlzar las probabldads dl vnto como: () p(e ( β + βx) / x) (x,) β + β x) ( β + β x) + ( + Cómo srían las xprsons d las probabldads condconals d E dado x s x stuvra codfcada con códgos y? o, quvalntmnt () log t(p(e / x)) logodds(e / x) p(e / x) log β + p(e / x) β x sndo log l logartmo nprano (d bas ). Utlzando la formulacón d (), podmos xprsar las probabldads condconals d la tabla 4 como: p(e / x ) ( β + + β ) ( β + β ) p(e / x ) + ( β +β ) p(e / x ) ( β + ) ( β ) p(e / x ) + ) ( β 4
42 El modlo d rgrsón logístca Pudndo comprobar qu l odds rato d E condconado por x s: Obtnga la ntrprtacón dl parámtro β dl modlo d rgrsón logístca OR E / x p(e / x ) p(e p(e / x ) p(e / x / x ) ) ( β + + β ) ( β ( β + + β ) ) ( β ) + + ( β ( β + β ) ) ( β ( β + β ) ) β Obtnndo una rlacón funconal drcta ntr odds rato y cofcnt dl modlo: OR E / x β (3) 4
43 El modlo d rgrsón logístca El modlo logístco. Gnralzacón a varabls xplcatvas La gnralzacón dl modlo para un vctor d varabls xplcatvas, dgamos x(x, x,..., x) tn la formulacón: En l Anxo pud consultar los datos d las varabls dscrtas n la tabla 5. (4) p(e / x) + ( β + β x β x ( β + βx βx ) ( β + βx βx ) + ) o, quvalntmnt (5) log t(p(e / x)) logodds(e / x) p(e / x) log β + p(e / x) + βx +... β x A partr d la varabl rspusta INFARTO, formul un modlo d rgrsón logístca como funcón d las varabls TABACO, ECG y PAS Sndo x,..., x varabls catgórcas o cuanttatvas. A modo d jmplo consdr obsrvacons sobr 99 sujtos d las varabls d la tabla adjunta: Tabla 5.- Varabls n un studo d factors d rsgo n nfarto INFARTO No S EDAD En años TABACO No fuma Fumador SEXO Hombr Mujr PAS Prsón sstólca (mmhg) PAS < >5 ECG Normal Anormal PAS <5 >5 43
44 El modlo d rgrsón logístca La gnralzacón n la ntrprtacón d parámtros rspcto al modlo smpl pud ralzars consdrando la sgunt stuacón: San x (x,..., x,..., x ) vctor d valors o catgorías d las varabls xplcatvas (un prfl dtrmnado, por jmplo no fumador, cg normal, pas mmhg) Cuántos prfls dstntos xstn con las varabls xplcatvas TABACO, ECG y SEXO? Exprs algunos d llos. Y cuántos OR d asocacón ntr dos prfls s pudn construr? x * * * * (x,..., x,..., x ) vctor d otros valors o catgorías d las varabls xplcatvas (otro prfl dtrmnado, por jmplo fumador, con cg anormal y pas6 mmhg) S dfn l odds rato d asocacón ntr la varabl rspusta dcotómca (nfarto) y la varabl dcotómca (x, x*) como l odds rato d la tabulacón: OR * E /(x,x ) p(e / x*) p(e / x*) p(e / x) p(e / x) E (E / x) x x* p p (E / x*) E (E / x) p p (E / x*) S alguna d las varabls xplcatvas s contnua, por jmplo PAS, Cuántos prfls dstntos xstn? Mdda qu rprsnta l grado d asocacón ntr la rspusta (nfarto) y dos prfls dstntos d las xplcatvas ([no fumador, cg normal, pas] vs. [fumador, cg anormal, pas6]) 44
45 El modlo d rgrsón logístca S modlzamos las probabldads d E sgún l modlo logístco (4) tndrmos: OR * E /(x,x ) p(e / x*) p(e / x*) p(e / x) p(e / x) Escrba la xprsón dl odds rato d asocacón ntr nfarto y los prfls (no fuma, cg normal, pas) vs. (fuma, cg anormal, pas5) + + β + + β + β x + β x β x * β + β x * β + β x * * β x β x β x * * β + β x β x β + β x β x β + β x β x * * β + β x β x β (x x ) * Escrba la xprsón dl odds rato d asocacón ntr nfarto y los prfls n los qu sólo camba la varabl tabaco (no fuma, cg, pas) vs. (fuma, msmo cg, msmo pas). Cómo s llama s odds rato? Intrprétlo OR E/(x,x*) * β (x x ) * β (x x ) (6) El modlo d rgrsón logístca s consdrado un modlo d fctos multplcatvos. Dscuta st concpto a partr d la xprsón (6) Pudndo xprsar l odds rato como funcón d los parámtros dl modlo a través d los cambos n las varabls xplcatvas. Nóts qu no dpnd d β. 45
46 El modlo d rgrsón logístca Rqurmntos n l modlo d rgrsón logístca A dfrnca dl modlo d rgrsón lnal, las nfrncas no rqurrán suposcón dstrbuconal alguna. S drá qu las nfrncas son asntótcas, s dcr, váldas para un n sufcntmnt grand. D acurdo con la cuacón (6) s supon composcón multplcatva d fctos (adtva n la scala logarítmca) En su opnón, cuál o cuals d las varabls rstants son canddatas a nflur sobr la probabldad d nfarto? S l ocurrn otras qu no stén ntr las studadas? Construccón d un modlo d rgrsón logístca. Etapas Suponga l jmplo dscrto antrormnt, con obsrvacons sobr 99 ndvduos d las varabls dscrtas n la tabla 5 Etapa : Espcfcacón d varabls y modlo propusto S dsa avrguar s las varabls TABACO y PAS nfluyn sobr la probabldad d INFARTO. S dnotamos por E Infarto No nfarto Modlo propusto p(x) p(x) x No fuma Fumador log β + βx + βx x PAS (mmhg) p(x)p(e/x,x) 46
47 El modlo d rgrsón logístca Etapa : Estmacón dl modlo A partr d los datos dsponbls, una mustra alatora d n obsrvacons d las varabls: { E, x, x,, x} n Rcurda n qué s traducía gráfcamnt l crtro d mínmos cuadrados n rgrsón lnal smpl? S trata d calcular los stmadors mustrals d los parámtros dl modlo: βˆ, βˆ, βˆ (, β ˆ, ) stmadors d los parámtros β, β, β ) (,, β El método d stmacón utlzado s l d máxma vrosmltud. Est método prsnta dfrncas con l método d mínmos cuadrados. El prncpo d máxma vrosmltud Partndo d la da d qu a partr d los datos mustrals qurmos obtnr una funcón qu nos produzca un valor (stmador mustral) qu s aproxm al d un parámtro poblaconal, d forma qu sa acptabl (cohrnt y d bunas propdads) y opratvo (prmta su cálculo matmátco), podmos utlzar dfrnts crtros. El crtro d mínmos cuadrados utlzado n rgrsón lnal s basa n argumntos gométrcos, partndo d la da d mnmzar: n ( y ŷ ) 47
48 El modlo d rgrsón logístca Frnt a sta da gométrca, l crtro d máxma vrosmltud s basa n la dstrbucón d probabldad d los datos obsrvados (dpndnt dl parámtro), construyndo como stmador dl parámtro aqul valor qu asgna mayor probabldad a los datos obsrvados Notas Para comprndr st procdmnto, supongamos la sgunt stuacón: S dsa avrguar l valor poblaconal d la prvalnca d un problma d salud, dgamos θ. Para llo xtrmos una mustra d tamaño n5 y n cada ndvduo s obsrva s pos o no l problma d salud, rsultando qu 4 d llos s vn afctados. Para smplfcar suponamos qu θ sólo pud valr, o,6 (n raldad srá cualqur valor ntr y ) El crtro d máxma vrosmltud rqur lo sgunt:. Suponr una dstrbucón d probabldad para los datos, funcón d l (los) parámtro(s) d ntrés. S dnotamos por Xnº d prsonas qu posn l problma ntr las 5 obsrvadas, tnmos qu: X Bnomal(n, θ ) B(n 5, θ) n p(x ) θ (- θ ) (- θ ) n- 5 θ 5- con θ, o,6. Esta funcón s la vrosmltud, una vz obsrvado 48
49 El modlo d rgrsón logístca. Dcdr como stmacón d θ aqul valor qu maxmza la la funcón antror. En la tabla adjunta s obsrva l valor d la funcón d vrosmltud para los dfrnts valors d. Cuál s l valor d θ qu hac más vrosíml (maxmza la funcón d vrosmltud) al rsultado 4? Rcurda cuál s l stmador máxmo vrosíml d la mda d una varabl? En qué modlo d probabldad d basa? θ Tabla 6.- Valors d la funcón d vrosmltud para dfrnts rsultados (,...,6) y θ, o,6 K p(x) θ,,38,49,5,5,7 <, θ,6,,77,3,346,59,78 En gnral, para <θ<, s trata d maxmzar la funcón d vrosmltud: n n- l(x, θ) θ (- θ ) logl(x, θ) logθ (n )log(- θ ) o quvalntmnt +, drvando gualando a s tn: δ δθ n log l(x, θ) θ θ θ n 4 θ ˆ,
50 El modlo d rgrsón logístca Funcons d vrosmltud n l modlo logístco Notas Exstn dos funcons d vrosmltud posbls n la stuacón d aplcacón dl modlo logístco: Vrosmltud no condconal S trata d xprsar la probabldad dl conjunto d datos obsrvados sn nnguna rstrccón. Así, s partmos d una mustra d n sujtos, cada uno d llos con un vctor d varabls xplcatvas xl (xl, xl,...,xl), d los qu n casos (E), asocados con los vctors d varabls xplcatvas x,...,xn n no casos (E), asocados con l rsto d vctors xn+,...,xn La vrosmltud s la probabldad d obtnr n casos asocados con los n vctors y n no casos asocados con l rsto d vctors, qu, d acurdo con un modlo bnomal srá: l(x, β ) n l p(e / x ) l n l n p(e + / x l ) l n l n (+ β + β x l β + β x β x l β x l l ) 5
51 El modlo d rgrsón logístca Vrosmltud condconal Notas Ordnados los n sujtos y sus corrpondnts vctors d varabls xplcatvas: Casos No casos... n n+... n x, xn, Xn+, xn, x, xn, xn+, xn, x, xn, xn+, xn, Sabndo qu n han sdo casos y n no casos, la vrosmltud rprsnta la probabldad d qu las n prmras columnas corrspondan a los casos. S la llama condconal por sr condconal a qu l numro d casos ha sdo n y su forma s: n β x β x l(x, β ) l n u l l (+ β x l l β x dond u rprsnta un índc qu rcorr todas las combnacons posbls d n lmntos tomados d n n n. Nóts qu l parámtro β no stá n la funcón l ) 5
52 El modlo d rgrsón logístca Usos d ambas vrosmltuds - La vrosmltud no condconal s la forma más natural d xprsón d la probabldad d los datos. El númro d casos y no casos no stá prfjado - La vrosmltud condconal sul rsrvars a stuacons n las qu la no condconal produc rsultados poco fcnts - Esto sucd sobr todo n studos con dsño aparado, n los qu al analzar la nformacón d cada strato, gnralmnt dfndo por l conjunto caso-control(s), la vrosmltud no condconal conduc a stmacons mnos prcsas - Cuando l númro d casos y no casos s alto, la vrosmltud condconal pud rsultar mpractcabl dbdo a qu su dnomnador trabaja con combnacons d xprsons - Rsumndo, la condconal sul utlzars n studos rtrospctvos con aparamnto 5
53 El modlo d rgrsón logístca El procso d stmacón Una vz hmos dcddo la funcón d vrosmltud a utlzar, l crtro d máxma vrosmltud produc los sgunts rsultados: Rcurd los concptos d varanza y rror stándar d un stmador y l d covaranza ntr stmadors Tabla 7.- Rsultados n la stmacón máxmo-vrosíml β ˆ (ˆ β,ˆ β,...,ˆ ) Estmadors d los parámtros β l(ˆ) β logl(ˆ) β Valor d la funcón d vrosmltud para l modlo Log-vrosmltud. Valor dl logartmo d la vrosmltud V s βˆ.. s βˆ βˆ.... s βˆ Matrz smétrca d varanzas covaranzas d los stmadors d los parámtros dl modlo s s s β ˆ β ˆ Var(ˆ β ) Elmnto -ésmo d la dagonal d la matrz V Error Estándar(ˆ β Cov(ˆ β,ˆ β ) ) ˆ ˆ β β j Covaranza ntr los stmadors d los parámtros j 53
54 El modlo d rgrsón logístca Como conscunca dl procso d stmacón dspondrmos dl modlo logístco stmado. Así, para l modlo propusto n la tapa, con los datos dl anxo, stmamos l sgunt modlo (vrosmltud no condconal): Intrprt los parámtros dl modlo. Tradúzcalos a odds ratos d asocacón ntr nfarto y tabaco y pas p(x) log 8,95 +,46x +,54 p(x) x Etapa 3: Bondad d ajust dl modlo La bondad d ajust dl modlo s valuará a través d la log-vrosmltud, concrtamnt a través d la funcón: logl(ˆ) β log vrosmltud dbndo dfnr l concpto d: Modlo saturado: Modlo qu rproduc xactamnt los datos. Tn tantos parámtros como obsrvacons. Est modlo tndrá un valor d log l(ˆ β) qu srá l mínmo posbl,. Cualqur otro modlo con mnos parámtros tndrá mayor valor d logvrosmltud 54
55 El modlo d rgrsón logístca La bondad d ajust d modlos s hará d acurdo con l sgunt squma (l trmómtro d bondad): Modlo Saturado Modlo con h+s varabls -logvrosmltud ntr l modlo con h+s varabls y l modlo saturado Dh+s (7) Con los datos dl jmplo propusto n la tapa, s tn lo sgunt: -logvrosmltud ncal 37,43 -log vrosmltud modlo tabaco y pas vs. modlo saturado 87,7 Stú stos valors n un squma como (7) Cuánto val la dstanca -logvrosmltud ntr l modlo tabaco y pas y l modlo nulo? Modlo con h varabls -logvrosmltud ntr l modlo con h+s varabls y l modlo con h varabls Gh+s/h -logvrosmltud ntr l modlo con h varabls y l modlo nulo Gh/nulo -logvrosmltud ncal (Modlo nulo vs. modlo saturado Dncal Modlo Nulo Dncal Gh/nulo + Gh+s/h + Dh+s 55
56 El modlo d rgrsón logístca El squma (7) s basa n los sgunts lmntos d valuacón d la bondad d un modlo: vrosmltud modlo con s parámtros log vrosmltudmodlo saturado D s (8) Esta cantdad s conocda gnralmnt como dvanc (dscrpanca) dl modlo a studo, y rprsnta la dstanca n bondad d ajust qu l falta al modlo a studo para llgar a un modlo saturado qu rproduc prfctamnt los datos Establzca cómo valuar la sgnfcacón d la bondad d un modlo cualqura n bas a (8) y (9). Aplíqulo al modlo d tabaco y pas dl jmplo. vros. modlo con h + s parámtros vros. modlo con h parámtros G h+ s / h log Ds Dh+ s (9) Esta cantdad s una mdda d la gananca n capacdad xplcatva por añadr s parámtros (varabls) a un modlo con h parámtros (varabls) El contrast d hpótss: H: Las s varabls nuvas no ncrmntan sgnfcatvamnt l ajust dl modlo Ha: Las s varabls nuvas ncrmntan sgnfcatvamnt l ajust dl modlo Pud sr rsulto a través dl stadístco Gh+s/h, qu s dstrbuy bajo H como una J-cuadrado con s grados d lbrtad 56
57 El modlo d rgrsón logístca Etapa 4.- Infrncas con l modlo A partr d los lmntos qu nos produc la stmacón máxmo-vrosíml (vr tabla 7) podmos ralzar las sgunts nfrncas: Infrncas sobr los parámtros dl modlo Los parámtros pudn sr ntrprtados como mddas d la magntud dl fcto d cada varabl xplcatva sobr la varabl rspusta. Las nfrncas posbls son: Pruba d hpótss para comprobar la sgnfcacón d cada varabl: H : β Ha : β,..., La tabla adjunta mustra los rsultados obtndos n l procso d stmacón dl modlo con varabls tabaco y pas. Dscuta la sgnfcacón d las varabls y construya los ntrvalos d confanza d nvl 95% para los parámtros dl modlo (ET Error stándar d la stmacón) a TABACO PAS Constant Varabls n la cuacón a. Varabl(s) : TABACO, PAS. B E.T. Wald,46,568 5,648,54,7,35-8,95,375 4,97 rsulta a través dl stadístco d Wald: z βˆ (normal bajo H) o sβˆ ˆ β χ (J-cuadrado con gl) s βˆ Intrvalo d confanza para cada β con z-α/ cofcnt d una normal I ˆ α ( β ) β ± z s α βˆ 57
58 El modlo d rgrsón logístca Intrvalo d confanza para una combnacón lnal d parámtros dl modlo a Dada una combnacón lnal d los parámtros dl modlo, con { } constants conocdas: C a β Sabndo qu la corrlacón ntr dos stmadors d parámtros s su covaranza dvdda por l producto d sus rrors stándar, a partr d la matrz d corrlacons adjunta, y los rrors stándar utlzados n la pag. antror, calcul la covaranza ntr los stmadors d los parámtros d las varabls tabaco y pas El ntrvalo d confanza para C pud sr obtndo a través d la xprsón: con: I (C) Ĉ ± z α Var(Ĉ) α () TABACO PAS TABACO PAS, -,63 -,63, Ĉ β stmador d C, combnacón lnal d stmadors d los a ˆ parámtros dl modlo Dsarroll la xprsón para l cálculo dl ntrvalo d confanza d la prdccón dl log-odds d nfarto para fumadors con pas d 6 mmhg. Var(Ĉ) a β ) + aa j β β j ) () varanza stmada < j j Var(ˆ Cov(ˆ, ˆ con varanzas y covaranzas obtndas d la matrz d varanzas-covaranzas (tabla 7) 58
ANÁLISIS DISCRIMINANTE CON METODOLOGÍA LOGIT
ANÁLISIS DISCRIMINANTE CON METODOLOGÍA LOGIT. ANÁLISIS DISCRIMINANTE INTRODUCCIÓN A LA MODELIZACIÓN LOGIT Conocda la dstrbucón d un conjunto d ndvduos ntr dos o más grupos, s busca ntndr la naturalza d
Más detallesI. DEFINICIÓN (i): LOGIT como un tipo concreto de MODELOS DE REGRESIÓN PARA VARIABLES DEPENDIENTES LIMITADAS.
Curso d Posgrado 0-03 FORMACIÓN DE ESPECIALISTAS EN INVESTIGACIÓN SOCIAL APLICADA Y ANÁLISIS DE DATOS Técncas d modlzacón d varabls cualtatvas: Rgrsón Logístca Part I: El modlo d rgrsón logístca bnaro
Más detallesComprobación de limitación de condensaciones superficiales e intersticiales en los cerramientos
Mnstro d Fomnto Scrtaría d Estado d Infrastructuras, Transport y Vvnda Drccón Gnral d Arqutctura, Vvnda y Sulo Documnto d Apoyo al Documnto Básco DB-HE Ahorro d nrgía Códgo Técnco d la Edfcacón DA DB-HE
Más detallesANÁLISIS DE SISTEMAS ELECTRÓNICOS REALIMENTADOS
ANÁLISIS DE SISTEMAS ELECTÓNICOS EALIMENTADOS DESANECIMIENTO J.M. Mlá d la oca P. EDITOIAL MIL 6 CAACAS Esta obra s ncuntra rvsón; cualqur obsrvacón qu UD tnga s l agradc comuncarla al autor. jmmladroca@hotmal.com
Más detallesEncuesta de Ocupación en Albergues (EOAL)
Encusta d Ocupacón n Albrgus (EOAL) Antproycto Enro 205 IE. Insttuto aconal d Estadístca IE. Insttuto aconal d Estadístca ÍICE ROYECTO TÉCICO... 3 Introduccón... 3. Obtvos... 3 2. Lgslacón y marco d rfrnca
Más detallesMODELOS DE ELECCIÓN DISCRETA
ODELOS DE ELECCIÓN DISCRETA Eva dna oral - www.va.mdnaam.s (Dcmbr 3. INTRODUCCIÓN. INTERRETACIÓN ESTRUCTURAL DE LOS ODELOS DE ELECCIÓN DISCRETA 3. ODELO LINEAL DE ROBABILIDAD (L Espcfcacón ntrprtacón dl
Más detallesAdministración de inventarios. Ejercicio práctico.
Admnstracón d nvntaros. Ejrcco práctco. La Cía. GOMA REDONDA S.A. llva n nvntaro un crto tpo d numátcos, con las sgunts caractrístcas: Vntas promdo anuals: 5000 numátcos Costo d ordnar: $ 40/ ordn Costo
Más detallesMODELOS CON VARIABLE DEPENDIENTE CUALITATIVA (1)
ECONOMETRÍA III Curso 8/9 MODELOS CON VARIABLE DEENDIENTE CUALITATIVA rofsors: Víctor J. Cano Frnándz y M. Carolna Rodríguz Donat Dpto. d Economía d las Instrtucons, Estadístca Económca y Economtría Unvrsdad
Más detallesAnálisis Estadístico de Datos Climáticos
Aálss Estadístco d Datos Clmátcos Rgrsó lal smpl (Wlks, cap. 6.) Vo Storch ad Zwrs (Cap. 8) 05 Rgrsó La rgrsó, gral, s utlza habtualmt para stmar modlos paramétrcos d la rlacó tr varabls ua scala cotua,
Más detallesMovilidad Social y Desigualdad Económica 1
ovldad Socal y Dsgualdad Económca Juan Prto Rodríguz Unvrsdad d Ovdo Avda. dl Crsto s/n 3307 Ovdo Tl: +34 985 03768. E-mal: jprtor@unov.s Juan Gabrl Rodríguz Unvrsdad Ry Juan Carlos Campus d Vcálvaro 28032
Más detalles4. Método estadístico para el mapeo de amenaza por deslizamientos. Método de información ponderada. Cálculo de pesos. Probabilidad.
1 4. Método stadístco para l mapo d amnaza por dslzamntos Cs van Wstn Lbro: onham-cartrm, capítulo 9, pp 30-333 Método d nformacón pondrada tp 1: : 3: 4: 7: tp tp 6: act=ff(actvty="actv",npx,0) Aggrgat
Más detallesINTRODUCCIÓN. Técnicas estadísticas
Tema : Estadístca Descrptva Undmensonal ITRODUCCIÓ Fenómeno determnsta: al repetrlo en déntcas condcones se obtene el msmo resultado. (Ejemplo: lómetros recorrdos en un ntervalo de tempo a una velocdad
Más detallesCAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS
CAPÍTULO 5 REGRESIÓN CON VARIABLES CUALITATIVAS Edgar Acuña Fernández Departamento de Matemátcas Unversdad de Puerto Rco Recnto Unverstaro de Mayagüez Edgar Acuña Analss de Regreson Regresón con varables
Más detalles2. Cálculo del coeficiente de transmisión de calor K de cerramientos
2. Cálculo dl cofcnt d transmsón d calor K d crramntos 2.1. Crramnto smpl Para un crramnto d caras planoparallas, formado por un matral homogéno d conductvdad térmca l y spsor L, con cofcnts suprfcals
Más detallesANÁLISIS DEL AMPLIFICADOR EN EMISOR COMÚN
ANÁLISIS DL AMPLIFIADO N MISO OMÚN Jsús Pizarro Pláz. INTODUIÓN... 2. ANÁLISIS N ONTINUA... 2 3. TA D AGA N ALTNA... 3 4. IUITO QUIALNT D ALTNA... 4 5. FUNIONAMINTO... 7 NOTAS... 8. INTODUIÓN l amplificador
Más detallesTEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE
TEMA III EL ANÁLISIS DE REGRESIÓN LINEAL MÚLTIPLE LECTURA OBLIGATORIA Regresón Lneal Múltple. En Ral, A. y Varela, J. (008). Estadístca Práctca para la Investgacón en Cencas de la Salud. Coruña: Netbblo.
Más detallesSECRETARIA DE ENERGIA
Juvs 8 d octubr d 0 DIARIO OFICIAL (Prmra Sccón) 8 SECRETARIA DE ENERGIA NORMA Ofcal Mxcana NOM-04-ENER-0, Caractrístcas térmcas y óptcas dl vdro y sstmas vdrados para dfcacons. Etqutado y métodos d pruba.
Más detallesTAMAÑO DE LA MUESTRA
Rv. Epidm. Md. Prv. (003), : 8-4 TAMAÑO DE LA MUESTRA Enric Matu, Jordi Casal CRSA. Cntr d Rcrca n Sanitat Animal / Dp. Sanitat i Anatomia Animals, Univrsitat Autònoma d Barclona, 0893-Bllatrra, Barclona
Más detallesHistogramas: Es un diagrama de barras pero los datos son siempre cuantitativos agrupados en clases o intervalos.
ESTADÍSTICA I. Recuerda: Poblacón: Es el conjunto de todos los elementos que cumplen una determnada propedad, que llamamos carácter estadístco. Los elementos de la poblacón se llaman ndvduos. Muestra:
Más detallesDISEÑO ÓPTIMO SIMULTÁNEO DE TOPOLOGÍA Y GEOMETRÍA DE ESTRUCTURAS ARTICULADAS MEDIANTE TÉCNICAS DE CRECIMIENTO
UNIVERSIDAD POLITÉCNICA DE CARTAGENA DEPARTAMENTO DE ESTRUCTURAS Y CONSTRUCCIÓN DISEÑO ÓPTIMO SIMULTÁNEO DE TOPOLOGÍA Y GEOMETRÍA DE ESTRUCTURAS ARTICULADAS MEDIANTE TÉCNICAS DE CRECIMIENTO Pdro Jsús Martínz
Más detallesCAPÍTULO 2. Ecuación paraxial de Helmholtz.
CAPÍTLO Ecuacón paraal d Hlmholt. S dscut la posbldad d vsualar mdant un procsador óptco [1] a las solucons d la cuacón paraal d Hlmholt. Para llo s rala una comparacón d los rsultados obtndos consdrando
Más detallesDefinición de alternador
F. R. Quntla, R. C. Rdondo (Unvrsdad d Salamanca). M. M. Rdondo (Endsa). Rsumn En st artículo s comnta la dfncón d 'altrnador' d la últma dcón dl Dcconaro d la Ral Acadma Española, y la qu la sustturá
Más detallesEstas pruebas permiten verificar que la población de la cual proviene una muestra tiene una distribución especificada o supuesta.
PRUEBAS DE BONDAD DE AJUSTE Estas prubas prmitn vrificar qu la población d la cual provin una mustra tin una distribución spcificada o supusta. Sa X: variabl alatoria poblacional f 0 (x) la distribución
Más detallesINFLACIÓN, DESEMPLEO Y OFERTA AGREGADA
INFLACIÓN, DESEMPLEO OFERTA AGREGADA Estas notas stán basadas n Sornsn, P. y Whtta-Jacobsn, H. (2005): "Introducng Advancd Macroconomcs: Growth and Busnss Cycls". E. Mc Graw-Hll Curso: MACROECONOMÍA AVANZADA
Más detallesEncuesta de ocupación en albergues (EOAL) Metodología
Encusta d ocupacón n albrgus (EOAL) Mtodología Marzo 205 Mtodología Encusta d Ocupacón n Albrgus 205 Índc. rsntacón 2. Obtvos 3. Undad stadístca 4. Ábto d la ncusta 5. fncón d varabls 6. Marco d la ncusta
Más detallesANÁLISIS DE LA SEGURIDAD VIAL DE TRAVESÍAS PEATONALES - UN NUEVO MÉTODO PARA EL MODELADO Y UNA APLICACIÓN EN CARRETERAS
NÁLISIS DE L SEGUIDD IL DE TESÍS PETONLES - UN NUEO MÉTODO P EL MODELDO Y UN PLICCIÓN EN CETES Hugo Ptrantono, Escola Poltécnca da Unvrsdad d São Paulo, hptran@usp.br rdana Mara rmond asconclos, Ptrobrás
Más detallesCARACTERÍSTICAS EXTERNAS y REGULACIÓN de TRANSFORMADORES
CARACTERÍSTCAS EXTERNAS y REGLACÓN d TRANSFORMADORES Norbrto A. Lmozy 1 CARACTERÍSTCAS EXTERNAS S dnomina variabl ntr a una magnitud qu stá dtrminada ntr dos puntos, tal como una difrncia d potncial o
Más detallesDescripción de una variable
Descrpcón de una varable Tema. Defncones fundamentales. Tabla de frecuencas. Datos agrupados. Meddas de poscón Meddas de tendenca central: meda, medana, moda Ignaco Cascos Depto. Estadístca, Unversdad
Más detallesCONCEPTOS BÁSICOS SOBRE LA HETEROCEDASTICIDAD EN EL MODELO BÁSICO DE REGRESIÓN LINEAL TRATAMIENTO CON E-VIEWS
Concptos báscos sobr Htrocdastcdad y Tratamnto n -vws CONCPTOS BÁSICOS SOBR LA HTROCDASTICIDAD N L MODLO BÁSICO D RGRSIÓN LINAL TRATAMINTO CON -VIWS Rafal d Arc y Ramón Mahía Dpto. d conomía Aplcada Unvrsdad
Más detallesEnergía. Reactivos. Productos. Coordenada de reacción
CINÉTICA QUÍMICA 1 - Razon: a) Si pud dducirs, a partir d las figuras corrspondints, si las raccions rprsntadas n (I) y (II) son d igual vlocidad y si, prvisiblmnt, srán spontánas. b) En la figura (III)
Más detallesCarl Chudyk. Ciudadanos de Roma, el César os necesita! 198 cartas: 2011 HomoLudicus Juegos, S.L.
Carl Chudyk Cudadanos d oma, l César os ncsta! Corr l año 64 a.c., oma s ncuntra convulsonada, la cudad ha sdo pasto d las llamas. El Emprador rón rgrsa raudo d ntum para mpzar la rconstruccón d los dfcos
Más detallesMODELOS DE ELECCIÓN BINARIA
MODELOS DE ELECCIÓN BINARIA Econometría I UNLP http://www.econometra1.depeco.econo.unlp.edu.ar/ Modelos de Eleccón Bnara: Introduccón Estamos nteresados en la probabldad de ocurrenca de certo evento Podemos
Más detallesLa tasa de interés y sus principales determinantes
La tasa d ntrés y sus prncpals dtrmnants 1. INTRODUCCIÓN Rchard Roca * Uno d los tmas qu domna l dbat académco d los últmos años s sobr las tasas d ntrés. Los mprsaros sñalan qu todavía sta muy alta y
Más detallesEconometría. Ayudantía # 01, Conceptos Generales, Modelo de Regresión. Profesor: Carlos R. Pitta 1
Escuela de Ingenería Comercal Ayudantía # 01, Conceptos Generales, Modelo de Regresón Profesor: Carlos R. Ptta 1 1 cptta@spm.uach.cl Escuela de Ingenería Comercal Ayudantía 01 Parte 01: Comentes Señale
Más detallesAnálisis de Weibull. StatFolio de Muestra: Weibull analysis.sgp
Análss de Webull Resumen El procedmento del Análss de Webull está dseñado para ajustar una dstrbucón de Webull a un conjunto de n observacones. Es comúnmente usado para analzar datos representando tempos
Más detallesDefinición de la Metodología de Carga Laboral. Análisis de las Brechas de Recursos Humanos abril 2010.
V REUNIÓN COMISIÓN TÉCNICA DE DESARROLLO DE RECURSOS HUMANOS EN SALUD METODOLOGIA PARA CALCULO DE NECESIDADES DE PERSONAL MEDICO Y DE NEFERMERIA EN HOSPITALES, CON BASE A CARGA DE TRABAJO: PROCESO DE ELABORACIÓN
Más detallesT. 9 El modelo de regresión lineal
1 T. 9 El modelo de regresón lneal 1. Conceptos báscos sobre el análss de regresón lneal. Ajuste de la recta de regresón 3. Bondad de ajuste del modelo de regresón Modelos predctvos o de regresón: la representacón
Más detallesOferta de trabajo y fiscalidad en España. Hechos recientes y tendencias tras el nuevo IRPF
Ofrta d trabajo y fscaldad n España. Hchos rcnts y tndncas tras l nuvo IRPF José Mª Labaga * y José Félx Sanz Rsumn En st trabajo s ntntan xplcar algunos hchos qu caractrzan, n rlacón con la fscaldad drcta,
Más detallesTema 2. Termodinámica Estadística. Problemas
ma. rmodnámca Estadístca Problmas jrccos. La apromacón d trlng (ln! ln - ) prmt valuar l logartmo d factorals d númros grands con un rror puño. Calcula y rprsnta l rror rlatvo (n %) obtndo al utlzar la
Más detalles3. DINÁMICA DEL SÓLIDO RÍGIDO
3. DINÁMICA DEL SÓLIDO RÍIDO 3.1. Dnámca la partícula La sguna ly Nwton stablc qu n una partícula masa constant m sobr la qu actúa una furza F s vrfca F p (3.1) on p s l momnto lnal qu s fn como l proucto
Más detallesPoblación: Es el conjunto de todos los elementos cuyo conocimiento nos interesa y serán objeto de nuestro estudio.
Tema 9 - Estadístca - Matemátcas B 4º E.S.O. 1 TEMA 9 - ESTADÍSTICA 9.1 DOS RAMAS DE LA ESTADÍSTICA 9.1.1 - INTRODUCCIÓN La estadístca tene por objeto el desarrollo de técncas para el conocmento numérco
Más detallesSi v y w son ambos vectores, entonces el resultado de las operaciones v + w y v w son. Dichas operaciones cumplen con propiedades conmutativas y
Crso nzdo d Fnómnos d Trnsport Dr. Jn Cros Frro Gonzáz Dprtmnto d Ingnrí Qímc Insttto Tcnoógco d Cy Oprcons con Vctors Adcón y sbstrccón d ctors S y w son mbos ctors, ntoncs rstdo d s oprcons w y w son
Más detallesDicha tabla adopta la forma del diagrama de árbol del dibujo. En éste, a cada uno de los sucesos A y A c se les ha asociado los sucesos B y B c.
Estadístca robablístca 6. Tablas de contngenca y dagramas de árbol. En los problemas de probabldad y en especal en los de probabldad condconada, resulta nteresante y práctco organzar la nformacón en una
Más detallesTema 2 La oferta, la demanda y el mercado
Ejrcicios rsultos d ntroducción a la Toría Económica Carmn olors Álvarz Alblo Migul Bcrra omínguz Rosa María Cácrs Alvarado María dl Pilar Osorno dl Rosal Olga María Rodríguz Rodríguz Tma 2 La ofrta, la
Más detallesTema 8 - Estadística - Matemáticas CCSSI 1º Bachillerato 1
Tema 8 - Estadístca - Matemátcas CCSSI 1º Bachllerato 1 TEMA 8 - ESTADÍSTICA 8.1 NOCIONES GENERALES DE ESTADÍSTICA 8.1.1 INTRODUCCIÓN Objetvo: La estadístca tene por objeto el desarrollo de técncas para
Más detalles3. VARIABLES ALEATORIAS.
3. VARIABLES ALEATORIAS. Una varable aleatora es una varable que toma valores numércos determnados por el resultado de un epermento aleatoro (no hay que confundr la varable aleatora con sus posbles valores)
Más detallesAPLICACIONES DE LA DERIVADA
APLICACIONES DE LA DEIVADA Ecucación d la rcta tangnt Ejrcicio nº.- Halla las rctas tangnts a la circunrncia: y y 6 n Ejrcicio nº.- Dada la unción abscisa., scrib la cuación d su rcta tangnt n l punto
Más detallesREGRESION Y CORRELACION
nav Estadístca (complementos) 1 REGRESION Y CORRELACION Fórmulas báscas en la regresón lneal smple Como ejemplo de análss de regresón, descrbremos el caso de Pzzería Armand, cadena de restaurantes de comda
Más detallesMedidas de centralización
1 Meddas de centralzacón Meda Datos no agrupados = x X = n = 0 Datos agrupados = x X = n = 0 Medana Ordenamos la varable de menor a mayor. Calculamos la columna de la frecuenca relatva acumulada F. Buscamos
Más detallesLA ORGANIZACIÓN DEL DEPARTAMENTO FINANCIERO
LA ORGANIZACIÓN DEL DEPARTAMENTO FINANCIERO 1. INTRODUCCIÓN No importa l tamaño d la mprsa n la qu dsarrollmos nustra labor profsional. No importa l númro d prsonas qu compongan l dpartamnto al qu nos
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una mustra de observacones formadas por pares de varables: (x 1, y 1 ) (x, y ).. (x n, y n ) A través de esta muestra, se desea estudar la relacón exstente
Más detallesEXPERIMENTACIÓN COMERCIAL(I)
EXPERIMENTACIÓN COMERCIAL(I) En un expermento comercal el nvestgador modfca algún factor (denomnado varable explcatva o ndependente) para observar el efecto de esta modfcacón sobre otro factor (denomnado
Más detallesCOMPUTACIÓN. Práctica nº 2
Matmáticas Computación COMPUTACIÓN Práctica nº NÚMEROS REALES Eistn algunos númros irracionals prdfinidos n Maima como son l númro π l númro qu s corrspondn con los símbolos %pi % rspctivamnt. Otros númros
Más detallesProblemas donde intervienen dos o más variables numéricas
Análss de Regresón y Correlacón Lneal Problemas donde ntervenen dos o más varables numércas Estudaremos el tpo de relacones que exsten entre ellas, y de que forma se asocan Ejemplos: La presón de una masa
Más detallesMétodo de los Elementos Finitos para Análisis Estructural. Alisado de tensiones
Método d los Elmntos Finitos para Análisis Estructural Alisado d tnsions Campo d tnsions Tnsions n cualquir punto dl lmnto, sgún l MEF: = Dε= DBδ Matriz B contin las drivadas d las N: no son continuas
Más detallesReporte Nº: 05 Fecha: JULIO 2012. ANÁLISIS DE SITUACIÓN MIGRATORIA DE EXTRANJEROS DE NACIONALIDAD HAITIANA 1. DESCRIPCIÓN DEL REPORTE
Rport Nº: 05 Fcha: JULIO 2012. ANÁLISIS DE SITUACIÓN MIGRATORIA DE EXTRANJEROS DE NACIONALIDAD HAITIANA 1. DESCRIPCIÓN DEL REPORTE El prsnt inform tin como objtivo spcífico stablcr los movimintos migratorios
Más detallesVariable aleatoria: definiciones básicas
Varable aleatora: defncones báscas Varable Aleatora Hasta ahora hemos dscutdo eventos elementales y sus probabldades asocadas [eventos dscretos] Consdere ahora la dea de asgnarle un valor al resultado
Más detallesCLUSTER ANALYSIS: ANÁLISIS DE CONGLOMERADOS (AC)
Curso Andno n Clma y Salud Uso d Informacón d Clma para la Salud Públca. CUSTER ANAYSIS: ANÁISIS DE CNGERADS (AC Hugo lvros C. InvstgadorAdjunto, IRI Colomba Unvrsty Agnda otvacón Dfncón y usos dl AC.
Más detallesMODELO DE REGRESIÓN LINEAL MÚLTIPLE
Modlo d Rgrsó Lal Múltpl MODELO DE REGRESIÓN LINEAL MÚLTIPLE Autors: Ratas Kzys (rzys@uoc.du), Ágl A. Jua (ajuap@uoc.du). ESQUEMA DE CONTENIDOS Hpótss sobr l térmo d prturbacó Hpótss sobr varabls xplcatvas
Más detallesRelaciones entre variables
Relacones entre varables Las técncas de regresón permten hacer predccones sobre los valores de certa varable Y (dependente), a partr de los de otra (ndependente), entre las que se ntuye que exste una relacón.
Más detallesModelos triangular y parabólico
Modelos trangular y parabólco ClassPad 0 Prof. Jean-Perre Marcallou INTRODUCCIÓN La calculadora CASIO ClassPad 0 dspone de la Aplcacón Prncpal para realzar los cálculos correspondentes a los modelos trangular
Más detallesSoluciones a los ejercicios propuestos Unidad 1. El conjunto de los números reales Matemáticas aplicadas a las Ciencias Sociales I
Solucions a los jrcicios propustos Unidad. El conjunto d los númros rals Matmáticas aplicadas a las Cincias Socials I NÚMEROS RACIONALES Y NÚMEROS IRRACIONALES. Dtrmina si los siguints númros son o no
Más detallesApéndice A: Metodología para la evaluación del modelo de pronóstico meteorológico
Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Apéndce A: Metodología para la evaluacón del modelo de pronóstco meteorológco Tabla de contendos Ap.A Apéndce A: Metodología
Más detallesValledupar como vamos: Demografía, Pobreza y Pobreza Extrema y empleo.
Valldupar como vamos: Dmografía, Pobrza y Pobrza Extrma y mplo. Tradicionalmnt l programa Valldupar Cómo Vamos, lugo d prsntar la Encusta d Prcpción Ciudadana (EPC), raliza la ntrga d Indici d Calidad
Más detallesA1. ELEMENTOS DE VIGA DE EULER BERNOULLI LIBRES DE ROTACIÓN
Anass d acas y amna 34 ANEJO I A. ELEMENOS DE VIGA DE EULER ERNOULLI LIRES DE ROACIÓN La toría d vgas d Eur-rnou s robabmnt uno d os robmas modo más sms d a formuacón rstrngda d a astcdad na. La rstrccón
Más detallesMedidas de Tendencia Central y de Variabilidad
Meddas de Tendenca Central y de Varabldad Contendos Meddas descrptvas de forma: curtoss y asmetría Meddas de tendenca central: meda, medana y moda Meddas de dspersón: rango, varanza y desvacón estándar.
Más detallesRegresión Lineal Simple y Correlación
4 Regresón Lneal Smple y Correlacón 4.1. Fundamentos teórcos 4.1.1. Regresón La regresón es la parte de la estadístca que trata de determnar la posble relacón entre una varable numérca, que suele llamarse
Más detallesIII. FUNCIONES EXPONENCIALES Y LOGARÍTMICAS
III. FUNCIONES EXPONENCIALES Y LOGARÍTMICAS.. FUNCIÓN EXPONENCIAL n Hmos stado manjando n st trabajo prsions dl tipo n dond s una variabl llamada bas n una constant llamada ponnt, si intrcambiamos d lugar
Más detallesDIAGNÓSTICO DE FALLAS BASADO EN UN FILTRO DESACOPLADO PARA SISTEMAS NO LINEALES REPRESENTADOS POR UN ENFOQUE MULTI MODELOS
DIAGNÓTICO DE FALLA BAADO EN UN FILTRO DEACOPLADO PARA ITEA NO LINEALE REPREENTADO POR UN ENFOQUE ULTI ODELO FAULT DIAGNOI BAED ON A DECOUPLED FILTER FOR NONLINEAR YTE REPREENTED IN A ULTI ODEL APPROACH
Más detallesVI. JUSTICIA. i. - JUSTICIA CRIMINAL.
VI. JUSTICIA. i. - JUSTICIA CRIMINAL. Utilizando la d la Administración d Justicia n l o años di 883, i 884 y i 885, publicada por l Ministrio d Graci a minto d lo prvnido n cl Ral dcrto d 18 d marzo d
Más detallesAPLICACIONES DE LAS ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN A PROBLEMAS QUE INVOLUCRAN A LA RECTA TANGENTE Y LA RECTA NORMAL
APLICACIONES DE LAS ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN A PROBLEMAS QUE INVOLUCRAN A LA RECTA TANGENTE Y LA RECTA NORMAL 74 Cuando un problma gométrico stá nunciado n términos d la rcta
Más detalles2º BACHILLERATO CINETICA QUÍMICA
VELOCIDAD DE REACCIÓN 1.- Escrib la xprsión d la vlocidad d racción n función d la concntración d cada una d las spcis qu intrvinn n l procso d obtnción d amoniaco. N + 3 H NH 3 d 1 v = [N] = 3 d 1 [H]
Más detallesCorrelación y regresión lineal simple
. Regresón lneal smple Correlacón y regresón lneal smple. Introduccón La correlacón entre dos varables ( e Y) se refere a la relacón exstente entre ellas de tal manera que a determnados valores de se asocan
Más detallesEjercicios resueltos Distribuciones discretas y continuas
ROBABILIDAD ESADÍSICA (Espcialidads: Civil-Eléctrica-Mcánica-Química) Ejrcicios rsultos Distribucions discrtas y continuas ) La rsistncia a la comprsión d una mustra d cmnto s una variabl alatoria qu s
Más detallesTRABAJO 1: Variables Estadísticas Unidimensionales (Tema 1).
TRABAJO 1: Varables Estadístcas Undmensonales (Tema 1). Técncas Cuanttatvas I. Curso 2016/2017. APELLIDOS: NOMBRE: GRADO: GRUPO: DNI (o NIE): A: B: C: D: En los enuncados de los ejerccos que sguen aparecen
Más detallesDiseño y Análisis de Experimentos en el SPSS 1
Dseño y Análss de Expermentos en el SPSS EJEMPLO. Los sguentes datos muestran las meddas de hemoglobna (gramos por 00 ml) en la sangre de 40 ejemplares de una espece de truchas marrones. Las truchas se
Más detallesLa función gamma. en la disciplina Matemática para las carreras de ingeniería
La función gamma n la disciplina Matmática para las carrras d ingniría Antonio Mazón Ávila INTRODUCCIÓN Por todos s conocido qu la formación Matmática s bas part sncial n la formación dl ingniro, d sto
Más detallesCAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS
CAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS 14-1 Los tipos d intrés nominals y rals Slid 14.2 Los tipos d intrés xprsados n unidads d la monda nacional s dnominan tipos d intrés nominals. Los
Más detallesDe factores fijos. Mixto. Con interacción Sin interacción. No equilibrado. Jerarquizado
Análss de la varanza con dos factores. Introduccón Hasta ahora se ha vsto el modelo de análss de la varanza con un factor que es una varable cualtatva cuyas categorías srven para clasfcar las meddas de
Más detallesModelos unifactoriales de efectos aleatorizados
Capítulo 4 Modelos unfactorales de efectos aleatorzados En el modelo de efectos aleatoros, los nveles del factor son una muestra aleatora de una poblacón de nveles. Este modelo surge ante la necesdad de
Más detallesCapítulo V CONDICIONES DE FRONTERA Y MODELAMIENTO NUMÉRICO EN ECUACIONES DIFERENCIALES
Marclo Romo Proaño Escula Politécnica dl Ejército - Ecuador Capítulo V CONDICIONES DE FRONTERA Y MODELAMIENTO NUMÉRICO EN ECUACIONES DIFERENCIALES 5. CONDICIONES DE FRONTERA: Dbido a qu muchos problmas
Más detallesTema 4: Variables aleatorias
Estadístca 46 Tema 4: Varables aleatoras El concepto de varable aleatora surge de la necesdad de hacer más manejables matemátcamente los resultados de los expermentos aleatoros, que en muchos casos son
Más detallesCoeficiente de correlación parcial
Coficint d corrlación parcial.- Introducción....- Corrlación parcial mdiant l rcurso d diagramas d Vnn.... 3 3.- Corrlación parcial como corrlación ntr rsiduals... 6 4.- Coficint d rgrsión múltipl y coficint
Más detallesPrueba ji-cuadrado: χ 2. Estudiar la relación entre dos variables cualitativas. Estudiar la relación entre dos variables cualitativas
ÁNALISIS BIVARIADO Estudiar la rlación ntr dos variabls cualitativas ANALISIS DE FRECUENCIAS, INDEPENDENCIA Estudiar la rlación ntr dos variabls cuantitativas CORRELACIÓN Y REGRESIÓN LINEAL Estudiar la
Más detallesTema 1: Estadística Descriptiva Unidimensional Unidad 2: Medidas de Posición, Dispersión y de Forma
Estadístca Tema 1: Estadístca Descrptva Undmensonal Undad 2: Meddas de Poscón, Dspersón y de Forma Área de Estadístca e Investgacón Operatva Lceso J. Rodríguez-Aragón Septembre 2010 Contendos...............................................................
Más detallesCapítulo 12 CONTRASTES NO PARAMÉTRICOS
Capítulo 1 CONTRASTES NO PARAMÉTRICOS 1.1 Introduccón 1. Contrastes de ajuste a una dstrbucón teórca 1..1 Contrastes basados en la dstrbucón de frecuencas muestral 1..1.1 El contraste ch-cuadrado, χ. 1..1.
Más detallesnúm. 76 miércoles, 22 de abril de 2015 III. ADMINISTRACIÓN LOCAL AYUNTAMIENTO DE BURGOS
III. ADMINISTRACIÓN LOCAL AYUNTAMIENTO DE BURGOS C.V.E.: BOPBUR-2015-03235 465,00 GERENCIA MUNICIPAL DE SERVICIOS SOCIALES, JUVENTUD E IGUALDAD DE OPORTUNIDADES Concjalía d Juvntud Mdiant rsolución d la
Más detalles2º Bachillerato: ejercicios modelo para el examen de las lecciones 11, 12 y 13
º Bachillrato: jrcicios modlo para l amn d las lccions, y 3 Sa la unción F ( ) t dt a) Calcular F (), studiar l crciminto d F() y hallar sus máimos y mínimos. b) Calcular F () y studiar la concavidad y
Más detallesRADIO CRÍTICO DE AISLACIÓN
DIO CÍTICO DE ISCIÓN En sta clas s studiará la transfrncia d calor n una tubría d radio xtrno (0,0 ft), rcubirta con un aislant d spsor (0,039 ft), qu transporta un vapor saturado a (80 F). El sistma cañría
Más detallesOptimización no lineal
Optmzacón no lneal José María Ferrer Caja Unversdad Pontfca Comllas Planteamento general mn f( x) x g ( x) 0 = 1,..., m f, g : n R R La teoría se desarrolla para problemas de mnmzacón, los problemas de
Más detallesCOMPORTAMIENTO DINÁMICO DE UNA EMBARCACIÓN PESQUERA EN EL MAR PERUANO
COMPORTAMIENTO DINÁMICO DE UNA EMBARCACIÓN PESQUERA EN EL MAR PERUANO COMPORTAMIENTO DINÁMICO DE UNA EMBARCACIÓN PESQUERA EN EL MAR PERUANO Hugo Elso Gamarra Chnchay 1, Anwar Julo Yarn Achachagua, Yassr
Más detallesPRÁCTICA 8 ESTUDIO DE ENGRANAJES 3º INGENIERÍA INDUSTRIAL
PRÁCTICA 8 ESTUDIO DE ENGRANAJES 3º INGENIERÍA INDUSTRIAL 1.- INTRODUCCIÓN. La prsnt práctica tin por objto introduir al alumno n l cálculo d trns d ngranajs, tanto simpls d js parallos, compustos y trns
Más detallesMODELOS DE SUBASTAS Y SU APLICACIÓN A LOS CONCURSOS
Modlos d sbastas y s aplaón a los onrsos. MODELOS DE SUBASTAS Y SU APLICACIÓN A LOS CONCURSOS Jan Momparlr, Maro Hdalgo Jam I, UTEM RESUMEN En st trabao ralzamos na ntrodón hstóra a la Toría d sbastas
Más detallesUNIVERSIDAD CARLOS III DE MADRID Ingeniería Informática Examen de Investigación Operativa 21 de enero de 2009
UNIVERSIDAD CARLOS III DE MADRID Ingenería Informátca Examen de Investgacón Operatva 2 de enero de 2009 PROBLEMA. (3 puntos) En Murca, junto al río Segura, exsten tres plantas ndustrales: P, P2 y P3. Todas
Más detallesRutas críticas para la elaboración del trabajo de titulación en las diferentes modalidades. Planes de estudio 2012
Rutas críticas trabajo d titulación n las difrnts modalidads. Ruta Crítica d la Modalidad: Inform d Prácticas Profsionals smana y mdia smana y mdia 2 Smanas Analizar con dtall los documntos normativos
Más detallesRESUMEN DE FUNCIONES. LIMITE Y CONTINUIDAD
RESUMEN DE FUNCIONES. LIMITE Y CONTINUIDAD DEFINICIÓN DE FUNCIÓN REAL DE VARIABLE REAL Una unción ral d variabl ral s una aplicación d un subconjunto D d los númros rals n un subconjunto I d los númros
Más detallesVARIACIÓN DE IMPEDANCIAS CON LA FRECUENCIA EN CIRCUITOS DE CORRIENTE ALTERNA
AIAIÓN DE IMPEDANIAS ON A FEUENIA EN IUITOS DE OIENTE ATENA Fundamnto as impdancias d condnsadors bobinas varían con la frcuncia n los circuitos d corrint altrna. onsidrarmos por sparado circuitos simpls.
Más detallesPROBLEMAS RESUELTOS DE RECTAS TANGENTES Y NORMALES
PROBLEMAS RESUELTOS DE RECTAS TANGENTES Y NORMALES ) (Part d un problma d Slctividad d Cincias y Tcnología 007) Sa f: R R la función dfinida por f() =. Dtrmina la cuación d la rcta tangnt a la gráfica
Más detallesUNIDAD 2 HIDRAÚLICA. GENERALIDADES. Capítulo 2 PRESIONES EN LOS LÍQUIDOS : HIDROSTATICA SECCIÓN 2 : EMPUJES SOBRE SUPERFICIES PLANAS Y CURVAS
UNDD HDRÚL. ENERLDDES apítulo PRESONES EN LOS LÍQUDOS : HDROSTT SEÓN : EPUJES SORE SUPERFES PLNS Y URVS ÁLULO DEL EPUJE EN SUPERFES PLNS Una suprfici plana sumrgida n un líquido con pso spcífico γ s ncuntra
Más detallesSistemas de control: Elementos componentes, variables, función de transferencia y diagrama funcional.
Sistmas d control: Elmntos componnts, variabls, función d transfrncia y diagrama funcional. Introducción Los sistmas d control automático han jugado un papl vital n l avanc d la cincia y d la ingniría.
Más detalles