es un vector de p covariables correspondientes al mismo individuo i, i 1,,n.
|
|
- Juan José Ortega Martín
- hace 6 años
- Vistas:
Transcripción
1 5. Modelos de regresón En el análss de tempos de falla, es común suponer que el resgo de presentar la falla está en funcón de una sere de covarables o varables explcatvas nherentes a cada ndvduo. Es decr, la poblacón bajo estudo no es homogénea y es necesaro reconocer las dferencas entre los ndvduos como parte del análss. Exsten varos modelos que ncorporan varables explcatvas para el análss de tempos de falla. Estos modelos se conocen como modelos de regresón de supervvenca. Los prncpales modelos son dos: Modelo de vda acelerada y modelo de resgos proporconales. 5.1 Modelos de vda acelerada Sea T el tempo de falla del ndvduo y suponga que X ' X,X,, X es un vector de p covarables correspondentes al msmo ndvduo, 1,,n. 1 2 p El modelo de vda acelerada se puede defnr en térmnos de la v.a. T o en térmnos de la funcón de resgo h (t). En térmnos de la v.a., el modelo de vda acelerada se defne como T T x, 86 Análss de Supervvenca
2 donde ' regresón, 1, p en un vector de dmensón p de coefcentes de, es una funcón que lga las covarables con el tempo de fallo y T es un tempo de fallo base. Se puede observar que el modelo de vda acelerada especfca que el efecto de la covarable es multplcatvo en t. Es decr, la covarable altera la tasa en la que un ndvduo envejece o rejuvenece en el tempo. Un ndvduo con tempo de fallo t bajo x, tendría un tempo de fallo t x, bajo x. La funcón, tene por lo general una forma paramétrca y debe satsfacer la condcón, 1. La forma más común es x', e x. Nota que para que se satsfaga la condcón el vector de covarables no debe de nclur constante. De manera alternatva, el modelo de vda acelerada se puede ver como un modelo de regresón log lneal,.e., donde Elog log T T y log T dstrbucón ndependente de x. x ' es una v.a. con meda cero y Las mplcacones del modelo de vda acelerada en las funcones de resgo y de supervvenca son las sguentes. Sea h (t), f (t) y S (t) las funcones de 87 Análss de Supervvenca
3 resgo, densdad y de supervvenca, respectvamente, para el tempo base T. Entonces, hacendo el cambo de varable, la funcón de densdad para el tempo T es f x' x' t e f e t. Integrando la funcón de densdad de t a, la funcón de supervvenca es Fnalmente ala funcón de resgo es h S x' t S e t. x' x' t e h e t. S h (t) tene una forma paramétrca específca, el modelo de vda acelerada en completamente paramétrco, en cambo, s h (t) se deja sn especfcar, el modelo es semparamétrco y se requeren de procesos de nferenca específcos para este caso. Por lo general, el modelo de vda acelerado, se consdera completamente paramétrco especfcando la dstrbucón de los errores medante un membro de la famla de log localzacón y escala. Recordemos que s T es una varable de tempo de falla y YlogT es una v.a. con dstrbucón de localzacón y escala, entonces T tene una dstrbucón de log localzacón escala. Es decr, sea Y una v.a. con dstrbucón con soporte en los reales con meda cero y varanza uno. Entonces Y a by tene una funcón de supervvenca S y a b * y a,b S *, 88 Análss de Supervvenca
4 y Y T e tenen funcón de supervvenca S tomamos a ax x ' S log t a b * ta,b S en la especfcacón anteror obtenemos el modelo de vda acelerada con by una v.a. con meda cero y varanza b 2. S ax el tempo, mentras que s, el efecto del vector de covarables es desacelerar a x, el efecto es de acelerar el tempo. Consderemos algunos casos específcos del modelo de vda acelerada completamente paramétrco. 89 Análss de Supervvenca
5 o T Webull (o valor extremo para Y logt ). Como dstrbucón de log * z localzacón y escala, este modelo se obtene cuando S z exp e este caso la funcón de supervvenca para T de vda acelerada es S 1/b a /b 1/b /b x' /b t exp t e exp t e e. La funcón de resgo acumulado es de la forma H 1/b a / b t logs t t e. Fnalmente dervando obtenemos la funcón de resgo 1 1/b1 a /b x ' /b /b 1 1/b1 h t t e e e t. b b Por otro lado, partendo de la dstrbucón de resgo Webull base h 1 t x' x' y tomando h t e h e t t resgo de vda acelerada obtenemos S tomamos b 1 y. Es como en la defncón del x ' 1 t e t h /b e pero con parametrzacones dferentes.. llegamos a la msma expresón anteror, o Notemos que para el modelo Webull de vda acelerada el efecto de las covarables no afecta drectamente el tempo, sno que representa úncamente un efecto multplcatvo constante sobre la funcón de resgo base,.e., con *. t * x ' t h e h, 9 Análss de Supervvenca
6 o T log logístco (o logístco para Y logt ). Como dstrbucón de log * z localzacón y escala, este modelo se obtene cuando S z 1 1 funcón de supervvenca para T de vda acelerada es e 1 S t 1/b a / b 1 t e. Hacendo álgebra obtenemos que la funcón de resgo para T es 1 1/b1 a /b b t e h t. 1/b a / b 1 t e Alternatvamente, s partmos de la funcón de resgo log logístca base 1 t t 1 t h obtenemos que la funcón de resgo para T es S tomamos b 1 y h t /b e x' 1 e t x' 1 e t pero con parametrzacones dferentes... La obtenemos la msma expresón anteror, La nferenca para este tpo de modelos de vda acelerada paramétrcos se hace por máxma verosmltud, como en el caso de los modelos de log localzacón y escala. Sean t,, x, 1,,n un conjunto de observacones ndependentes, que ncluyen los tempos de fallo o de censura, ndcador de censura por la derecha y conjunto de varables explcatvas. Sea logt a blogt, con a x' un modelo de vda acelerada. Es recomendable que las varables explcatvas estén centradas en cero para mejorar la 91 Análss de Supervvenca
7 nterpretacón del ntercepto. La funcón de verosmltud para,,b es de la forma L n 1 1 * log t x' * log t x',,b f S. 1 bt b b La forma de la verosmltud anteror depende de la eleccón partcular de S *, ya sea valor extremo, logístco o normal. En cualquer caso los estmadores se obtenen numércamente. Estmacón por ntervalo de los parámetros y pruebas de hpótess se obtene con teoría asntótca usando la aproxmacón normal asntótca para los EMV s o la dstrbucón asntótca j cuadrada para menos dos veces el logartmo de la estadístca cocente de verosmltudes generalzado. El comando survreg de la lbrería survval del paquete R obtene estos estmadores para las dstntas opcones de famlas S *. Además de estmar los parámetros del modelo de vda acelerada, es de nterés la estmacón de los cuantles. Sea y p x el cuantl de orden p del logartmo de un tempo de fallo con vector de covarables x, entonces, y p x ax bwp, * 1 donde w S 1 p p es el cuantl de orden p de una varable Y. El estmador puntual máxmo verosíml es p p ŷ x â x bˆ w y estmacón por ntervalo se puede hacer suponendo normaldad asntótca. 92 Análss de Supervvenca
8 Los modelos de vda acelerada son partcularmente útles cuando los tempos de fallo de dferentes ndvduos varían en órdenes de magntud. Es decr, en escala logarítmca de los tempos de fallo, las funcones de densdad y de supervvenca de los ndvduos tenen la msma forma, pero están separados por una dstanca a a. En aplcacones de confabldad j en ngenería, los tempos de falla son acelerados por calentamento, voltaje u otro tpo de estrés. EJEMPLO: Tempos de supervvenca de leucema. Fegl & Zelen (1965) estudaron datos de tempos de supervvenca de 33 pacentes con leucema. Los tempos de supervvenca están dados en semanas desde el dagnóstco y adconalmente hay dos covarables: conteo de glóbulos blancos (WBC) al momento del dagnóstco y un ndcador sobre las característcas de los glóbulos blancos, (AG=1) postvo o (AG=) negatvo. Los datos se presentan más abajo. Gráfcas de dagnóstco ncal son logt vs. wbc ó log(wbc) y gráfcas de caja y brazos para la logt y cada valor de la covarable AG. 93 Análss de Supervvenca
9 EJEMPLO: Falla de fludo de aslamento. Nelson (1972) presenta los resultados de un expermento en donde especímenes de certo fludo de aslamento fueron sujetos a estrés de voltaje constante con dstntos nveles. Se regstró el tempo de falla de cada espécmen. En partcular se desea estmar la dstrbucón de falla a un voltaje normal de 2 kv. Gráfcas de dagnóstco sugerdas para el modelo Webull son t log logŝ vs. logt, para j1,,7 los sete dstntos nveles de voltaje. j Adconalmente, para verfcar la relacón lneal con la varable explcatva se sugere grafcar logt vs. log(voltaje). 94 Análss de Supervvenca
10 5.2 Modelos de resgos proporconales El modelo de resgos proporconales fue ntroducdo por Cox (1972) y ha sdo el modelo más utlzado en análss de tempos de fallo en presenca de covarables. Este modelo tambén es conocdo como modelo de regresón de resgos multplcatvos. Sea T el tempo de falla del ndvduo y suponga que X ' X,X,, X es un vector de p covarables correspondentes al msmo ndvduo, 1,,n. 1 2 p El modelo de resgos proporconales se defnó orgnalmente en térmnos de la funcón de resgo de la sguente manera t x, h t h. 95 Análss de Supervvenca
11 donde ' regresón, 1, p en un vector de dmensón p de coefcentes de, es una funcón que lga las covarables con el tempo de fallo y h es una funcón de resgo base. La funcón, debe satsfacer la condcón, 1. La forma más x' común es x, e ntercepto.. La condcón anteror supone que x no contene Usando la funcón lga anteror, en escala logarítmca, el cocente de la funcón de resgo del ndvduo con respecto al resgo base es h log h t t x', el cual tene forma lneal en los parámetros. El nombre de resgos proporconales se debe al hecho de que el cocente de las funcones de resgo de dos ndvduos, dgamos y j, h h t t e x x ' j (resgo relatvo) es una constante en el tempo cuyo valor depende de la dferenca en los valores de las covarables de los dos ndvduos. En partcular, s x 1 1 y x 1j representan tratamento y placebo respectvamente, y todas las 1 demás covarables se mantenen constante, entonces e es el resgo de presentar la falla con el tratamento relatvo a presentar la falla con placebo. 96 Análss de Supervvenca
12 El modelo de resgos proporconales mplca que las funcones de supervvenca y de densdad para el ndvduo son, respectvamente donde t exp H t t S u t h du S t exp x' S t, y x' exp x' t e h t S t f, es la funcón de supervvenca base y H es la funcón de resgo acumulado base. Una consecuenca del supuesto de proporconaldad entre los resgos de dos ndvduos con covarables x y x j, es que las funcones de resgo no se ntersectan y una debe de estar completamente por arrba de la otra. Lo msmo ocurre con las funcones de supervvenca. Este comportamento se puede observar en la sguente gráfca 97 Análss de Supervvenca
13 Cuando h se especfca de manera paramétrca, el modelo de resgos proporconales es completamente paramétrco, mentras que s h se deja sn especfcar, el modelo se converte en semparamétrco. A dferenca del modelo de vda acelerada, el caso semparamétrco en el modelo de resgos proporconales es el más común en las aplcacones. Una característca del modelo de resgos proporconales es que s S (t) es membro de una famla paramétrca específca, por lo general S (t) no es membro de la msma famla. Veamos algunos ejemplos del modelo de resgos proporconales completamente paramétrcos. 1 o Resgo base Webull: Sea h t t para un ndvduo con covarables x es x ' 1 t e t h x Lo que mplca que T ', e Webull., entonces la funcón de resgo S comparamos este modelo de resgos proporconales Webull con el modelo de vda acelerada Webull nos damos cuenta que se trata del msmo modelo, pero con dstnto vector de parámetros *. El modelo Webull es el únco modelo paramétrco que es a la vez de vda acelerada y de resgos proporconales. 98 Análss de Supervvenca
14 1 o Resgo base log logístco: Sea h t t 1 t de resgo para un ndvduo con covarables x es h, entonces la funcón x ' 1 t e t 1 t. Esta nueva funcón de resgo no pertenece a la msma famla. o Resgo base log normal: Sea t 1 log t funcón de supervvenca para un ndvduo con covarables x es S exp x' t 1 log t S., entonces la La forma analítca de S (t) no es smple pero se puede manpular numércamente. o Resgo base gamma: Sea t 1 Igt, supervvenca para el ndvduo con covarables x es S exp x' t 1 Ig t, S., entonces la funcón de La nferenca para los modelos de resgos proporconales paramétrcos se hace por máxma verosmltud. Sean t,, x, 1,,n un conjunto de observacones ndependentes, que ncluyen los tempos de fallo o de censura, ndcador de censura por la derecha y conjunto de varables explcatvas. Sean h t, y t, las funcones de resgo base y de supervvenca base parametrzadas por (,). La funcón de verosmltud para,, es de la forma S 99 Análss de Supervvenca
15 L n expx ' S t, x ',, e h t,. 1 La forma explcta de la funcón de verosmltud anteror depende de la eleccón de h. En cualquer caso, los EMV s se obtenen numércamente e nferencas para los parámetros más allá de estmacón puntual se basan en resultados asntótcos. ESTIMACIÓN SEMIPARAMÉTRICA DEL MODELO DE RIESGOS PROPORCIONALES El modelo de resgos proporconales semparamétrco surge cuando la funcón de resgo base h (t) se consdera como un parámetro desconocdo. En este caso es necesaro hacer nferenca para t, h. El parámetro de nterés más mportante del modelo es y h (t) es consderado parámetro de rudo. En presenca de parámetros de rudo exsten dos técncas muy útles de nferenca: la verosmltud parcal, ntroducda por Cox (1972, 1975) y la verosmltud margnal (Kalflesch & Sprott, 197). Suponga que los datos conssten de un vector de observacones T T,, de la densdad f t, 1 T n, donde es el vector de parámetros de nterés y es un parámetro de rudo, por lo general de dmensón nfnta o muy grande, como es el caso de la funcón de resgo base en nuestro modelo de resgos proporconales. 1 Análss de Supervvenca
16 Suponga ahora que los datos T son transformados en un conjunto de varables j B B 1,,B j m, B m A de forma uno a uno, y sean 1,B1, Am, Bm A j A,,A y. Suponga que la funcón de densdad conjunta de A se puede escrbr como el producto de una verosmltud margnal y otra condconal m m t, f b a m,, f a f. El segundo factor de la expresón anteror es llamado verosmltud margnal, e ncluso en modelo complcados, no dependerá de y puede ser usada para realzar nferencas sobre. Noten que el prmer factor por lo general depende de y de, por lo que parte de la nformacón se perderá al usar úncamente el segundo factor. 1 j Un segundo enfoque para estmar es el descomponer la densdad conjunta de m B m A, como m m j j1 j,, fa j b,a, j1 j1 t, f b b,a f. j1 El segundo térmno es llamado verosmltud parcal. Nuevamente observamos que parte de la nformacón de los datos sobre se perderá s úncamente se usa el segundo térmno. j1 Sean t( 1) t(2) t(d) los tempos de fallo observados de manera exacta ordenados. Sea x (j) la covarable asocada al ndvduo cuyo tempo de fallo es (j) t. Defnmos el conjunto de resgo R t (j) como el conjunto de 11 Análss de Supervvenca
17 todos los ndvduos que están en resgo justo antes de t (j). Sn entrar en detalles, s A j especfca la nformacón de los ndvduos que fallan y B j la nformacón de las censuras y de las covarables en [ t( j 1),t(j)), se puede demostrar que la verosmltud parcal para es D h(j) t(j) pl. j 1 h R t t(j) Expresando esta verosmltud parcal en térmnos de las covarables y la funcón de resgo base, tenemos D exp x(j) ' pl, j 1 expx R t ' la cual no depende de h (t). Vale la pena notar que el numerador depende sólo de la nformacón del ndvduo que falla, mentras que el denomnador usa nformacón de todos los ndvduos que aún no han expermentado el fallo, ncluyendo aquellos que se censurarán después. (j) (j) Esta verosmltud parcal es tratada como cualquer otra verosmltud. Se saca logartmo, se derva, se guala a cero y se obtenen los estmadores máxmo verosímles parcales de. Recuerden que como es un vector de dmensón p, se tendrán que obtener p dervadas parcales y se tendrán que resolver p ecuacones smultáneas. La mayoría de los paquetes estadístcos obtenen estos estmadores de manera numérca medante el uso de algortmos de Newton Raphson. 12 Análss de Supervvenca
18 Pruebas de hpótess e ntervalos de confanza para se pueden obtener notando que ˆ el estmador máxmo verosíml parcal tene una dstrbucón asntótca normal con meda y matrz de varanzas y covaranzas estmadas I ˆ 1 H :.. La prueba de hpótess más común para se basa en la normaldad asntótca y es llamada prueba de ' Wald. La estadístca de prueba es W ˆ I ˆ ˆ tal que s H es verdadera y para un tamaño de muestra grande.. 2 W (p) Otras estadístcas de prueba se basan en menos dos veces el cocente de verosmltudes parcales generalzado, cuya dstrbucón asntótca es una j cuadrada con p grados de lbertad. Vale la pena notar que en presenca de empates (múltples ndvduos con el msmo tempo de falla), es necesaro hacer un ajuste a la verosmltud parcal que reconozca la naturaleza dscreta de las observacones. S las funcones base son tambén de nterés, es posble estmar H (t) y S (t). Breslow (1974) propuso un estmador para la funcón de resgo acumulado generalzando el estmador de Nelson Aalen. Este estmador se justfca medante procesos de conteo. La forma del estmador es: Ĥ t, n x :t t j'ˆ Y j1 j t e 13 Análss de Supervvenca
19 donde Y t I t t es una v.a. ndcadora. Cuando ˆ este estmador. se reduce al estmador Nelson Aalen. Fnalmente, usando la relacón contnua entre las funcones de resgo acumulado y la de supervvenca t t Ŝ exp Ĥ. Cuando ˆ, este estmador no se reduce al estmador Kaplan Meer, sno al estmador conocdo como Flemng Harrngton. Es posble obtener ntervalos de confanza para los estmadores anterores calculando el error estándar y usando normaldad asntótca. Vale la pena menconar que el modelo de resgos proporconales, como lo propuso orgnalmente Cox, permte la ncorporacón de covarables dependentes del tempo. Es decr, varables explcatvas cuyo valor va cambando conforme avanza el tempo de supervvenca. EJEMPLO. Tempos de remsón. Los sguentes datos conssten en tempos de remsón para 4 pacentes con leucema asgnados aleatoramente a los tratamentos A o B. EJEMPLO. Pacentes con cáncer de mama. Se desarrolló un estudo para determnar s los pacentes orgnalmente clasfcados como nodo lnfátco negatvo se podían clasfcar de una mejor manera medante un 14 Análss de Supervvenca
20 nuevo procedmento. 45 pacentes con un mínmo de 1 años de segumento fueron selecconados. De los 45, 9 fueron nmunoperoxdasa postvo y los restante 36 fueron negatvos. Se regstraron los tempos de supervvenca, desde el dagnóstco, en meses. 5.3 Valdacón de supuestos y ajuste del modelo AJUSTE DEL MODELO. Una vez que un modelo de regresón de supervvenca ha sdo ajustado, es necesaro valdar los supuestos del modelo a la luz de los datos y verfcar sensbldad de las conclusones en cambos en los modelos o los datos. Hay varas formas de hacer esta valdacón: 1. Medante las gráfcas empírcas de de ajuste usando el estmador KM de la funcón de supervvenca. 2. Expansón del modelo agregando más parámetros que representen modfcacones a las especfcacones actuales. La necesdad de un 15 Análss de Supervvenca
21 parámetro extra se puede valdar medante pruebas de hpótess. Por ejemplo: o Agregando más covarables, o nteraccones de las covarables actuales o térmnos no lneales. o Permtr que el parámetro b en un modelo de vda acelerado sea funcón de x. o Permtr nteraccones de las covarables con el tempo medante la nclusón de covarables dependentes del tempo (en el modelo de resgos proporconales). o Expandr la famla base S * parámetros. a que sea más general con más ANÁLISIS DE RESIDUOS. Es común en análss de regresón hacer un análss de resduos para valdacón de los supuestos del modelo. S un modelo de regresón es ajustado a varables ndependentes t,, x entonces los resduos ê g t,x, ˆ, 1,,n, deben de tener certas propedades s el modelo es correcto, como ndependenca con la msma dstrbucón. o Modelo de vda acelerada. En este caso nuestros parámetros de nterés son,,b. S ˆ ˆ,bˆ defndos como denotan los EMV s entonces los resduos 16 Análss de Supervvenca
22 con z log t â, 1,..,n bˆ â ˆ x ' ˆ deberían de parecer una m.a. de S *. Nótese que estos resduos sólo exsten para observacones exactas. Par el caso de observacones censuradas se sugere hacer una correccón z adj ẑ 1 EZ Z ẑ donde Z es una v.a. con funcón de supervvenca S *. Gráfcas de z o vs. covarables deberían de mostrar un patrón constante. Gráfcas de z o adj z vs. â apoyarían el supuesto del parámetro b constante. Fnalmente gráfcas de probabldad de z o apoyarían el supuesto paramétrco. adj z adj * z con respecto a la dstrbucón base S o Modelo de resgos proporconales (y otros modelos de regresón). Una forma genérca de defnr los resduos es ê g t,x, ˆ e FT x, o e ST x,. Por ejemplo, tenen una dstrbucón U(,1). Una transformacón equvalente que es muy útl en análss de supervvenca es e HT x,. Dado que HT x, logst x,, los e s obtendos con la funcón de resgo acumulado son v.a. s ndependentes con dstrbucón Exp(1). Defnr los resduos ajustados para datos censurados es smple s vemos que 1 e Exp entonces Ee e ê ê 1, por lo tanto ê, ˆ Ĥ T x adj y ê ê Análss de Supervvenca
23 x Nótese que t x Ĥ t e con 'ˆ Ĥ,ˆ para el modelo de resgos proporconales, Ĥ t el estmador de Breslow. Los resduos ê son llamados resduos de Cox Snell. Para verfcar que una muestra de resduos ê sguen una dstrbucón Exp(1), se calcula la funcón de resgo acumulada empírca (estmador Nelson Aalen) de los resduos y se compara con la funcón de resgo acumulado de un modelo Exp(1) que es Ht t. Por lo tanto s el modelo de resgos proporconales ajusta los datos, la gráfca del estmador Nelson Aalen de los resduos debe de ser una línea recta que pasa por el orgen. 18 Análss de Supervvenca
24 5.4 Comparacón de curvas de supervvenca En análss de supervvenca es de nterés probar s dos tratamentos dan lugar a curvas de supervvenca dstntas. S la dferenca entre tratamentos está parametrzada por un modelo de regresón semparamétrco, probar la dferenca entre curvas de supervvenca es quvalente a realzar una prueba de hpótess sobre el parámetro que cuantfca la dferenca. En un contexto general, fuera de modelos paramétrcos, es de nterés probar H : S1 t S2 t, o equvalentemente H :h1t h2t. De manera ntroductora, supongamos que un ndvduo puede presentar su evento de fallo dentro de certa ventana de tempo t (fja). En este caso, podemos dvdr a los ndvduos de ambas poblacones en aquellos que presentaron su evento de fallo en un momento anteror o gual a t y aquellos que no. Esta nformacón se puede representar en una tabla de contngenca: Num. Fallas Num. No fallas Pob. 1 a b n 1 Pob. 2 c d n 2 m 1 m 2 n 19 Análss de Supervvenca
25 o Sea p 1 P(falla Pob. 1) y p 2 P(falla Pob. 1). La hpótess de nterés se puede escrbr como H :p1 p2. o Prueba exacta de Fsher: Sea A la v.a. que da lugar a la observacón a de la celda (1,1). Consderando m 1, m 2, n 1, n 2 cantdades fjas, bajo H, A tenen una dstrbucón hpergeométrca de la sguente forma: con meda y varanza dadas por n1 n2 a m1 a P A a, n m1 n m n 1 A y A E 1 Podemos defnr la estadístca de prueba n1n2m1m2 Var. 2 n n 1 A A a E W Var, 2 la cual bajo H tene una dstrbucón asntótca 2 sería RR w. (1), 2 (1). La regón de rechazo o Prueba de log rangos. Sean t 1,t 2,,t k, kn 1 +n 2 los k tempos de fallo observados para la muestra combnada de las dos poblacones. Suponga que para cada t j, j1,,k obtenemos valores n 1j, n 2j, m 1j y m 2j. Entonces para probar la hpótess H para j1,,k, construmos la :p1j p2j estadístca W de la sguente manera: 11 Análss de Supervvenca
26 W k j1 k j j1 a E A j Var A j 2. Aunque los componentes de la suma no sean ndependentes, bajo H, W tene una dstrbucón asntótca 2 (1), 2 (1). La regón de rechazo es RR w. La estadístca W es tambén conocda como estadístca Mantel Haenszel (1959). o Exste una versón más general de la prueba para comparar curvas de supervvenca que permte ponderar la contrbucón de cada observacón. La estadístca de prueba es Z k k j1 j1 dj Wt j d j1 Yj1 Y j 2 Yj1 Yj1 Yjdj j 1 W t Y j Y j Y 1 d j, donde d j1 y d j2 son el número de fallos en el tempo t j de la muestra combnada, Y j1 y Y j2 son el número de ndvduos en resgo al tempo t j, para las poblacones 1 y 2 respectvamente; dj dj1 dj2 ; Yj Yj1 Yj2. La estadístca Z, bajo H, tene una dstrbucón asntótca normal estándar. Con esta estadístca es posble hacer pruebas de una sola cola para probar que una curva de supervvenca es mayor a otra, o de dos colas para probar dferencas en cualquer sentdo. 111 Análss de Supervvenca
27 Opcones para la funcón de ponderacón son: Wt j 1 con la que se obtene la prueba de log rangos, Wt j Yj con la que se obtene una generalzacón de la prueba de Mann Whtney Wlcoxon. o Esta prueba se puede calcular en R con la lbrería survval medante el comando survdff. 112 Análss de Supervvenca
Riesgos Proporcionales de Cox
Resgos Proporconales de Cox Resumen El procedmento Resgos Proporconales de Cox esta dseñado para ajustar un modelo estadístco sem-parámetrco a los tempos de falla de una o mas varables predctoras. Los
Más detalles1 EY ( ) o de E( Y u ) que hace que g E ( Y ) sea lineal. Por ejemplo,
Modelos lneales generalzados En los modelos no lneales (tanto en su formulacón con coefcentes fjos o coefcentes aleatoros) que hemos vsto hasta ahora, exsten algunos que se denomnan lnealzables : son modelos
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 detallesH 0 : La distribución poblacional es uniforme H 1 : La distribución poblacional no es uniforme
Una hpótess estadístca es una afrmacón con respecto a una característca que se desconoce de una poblacón de nterés. En la seccón anteror tratamos los casos dscretos, es decr, en forma exclusva el valor
Más detallesEjemplo: Consumo - Ingreso. Ingreso. Consumo. Población 60 familias
Ejemplo: Consumo - Ingreso Ingreso Consumo Poblacón 60 famlas ( YX ) P = x [ YX ] E = x Línea de regresón poblaconal 80 60 Meda Condconal 40 20 00 [ X = 200] EY o o o o [ X = 200] EY 80 o o o 60 o 40 8
Más detallesFE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Ximénez & San Martín, 2004)
FE DE ERRATAS Y AÑADIDOS AL LIBRO FUNDAMENTOS DE LAS TÉCNICAS MULTIVARIANTES (Xménez & San Martín, 004) Capítulo. Nocones báscas de álgebra de matrces Fe de erratas.. Cálculo de la transpuesta de una matrz
Más detallesEJERCICIO 1 1. VERDADERO 2. VERDADERO (Esta afirmación no es cierta en el caso del modelo general). 3. En el modelo lineal general
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general. 3. En el modelo lneal general Y =X β + ε, explcar la forma que
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 detalles3. Algunos modelos estadísticos
3. Algunos modelos estadístcos Con las herramentas computaconales a nuestra dsposcón, en las sguentes seccones se revsarán algunos de los modelos estadístcos más usados en la práctca y la forma de hacer
Más detallesInvestigación y Técnicas de Mercado. Previsión de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): Ajustes de Tendencia
Investgacón y Técncas de Mercado Prevsón de Ventas TÉCNICAS CUANTITATIVAS ELEMENTALES DE PREVISIÓN UNIVARIANTE. (IV): s de Tendenca Profesor: Ramón Mahía Curso 00-003 I.- Introduccón Hasta el momento,
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 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 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 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 detallesReconocimiento de Locutor basado en Procesamiento de Voz. ProDiVoz Reconocimiento de Locutor 1
Reconocmento de Locutor basado en Procesamento de Voz ProDVoz Reconocmento de Locutor Introduccón Reconocmento de locutor: Proceso de extraccón automátca de nformacón relatva a la dentdad de la persona
Más detallesTema 3: Procedimientos de Constrastación y Selección de Modelos
Tema 3: Procedmentos de Constrastacón y Seleccón de Modelos TEMA 3: PROCEDIMIENTOS DE CONTRASTACIÓN Y SELECCIÓN DE MODELOS 3) Introduccón a los Modelos con Restrccones Estmacón Restrngda 3) Contrastes
Más detallesEconometría de corte transversal. Pablo Lavado Centro de Investigación de la Universidad del Pacífico
Econometría de corte transversal Pablo Lavado Centro de Investgacón de la Unversdad del Pacífco Contendo Defncones báscas El contendo mínmo del curso Bblografía recomendada Aprendendo econometría Defncones
Más detallesEspecialista en Estadística y Docencia Universitaria REGRESION LINEAL MULTIPLE
Especalsta en Estadístca y Docenca Unverstara REGRESION LINEAL MULTIPLE El modelo de regresón lneal múltple El modelo de regresón lneal múltple con p varables predctoras y basado en n observacones tomadas
Más detallesTEMA 3. VARIABLE ALEATORIA
TEMA 3. VARIABLE ALEATORIA 3.. Introduccón. 3... Dstrbucón de Probabldad de una varable aleatora 3... Funcón de Dstrbucón de una varable aleatora 3.. Varable aleatora dscreta 3... Funcón masa de probabldad
Más detallesUSOS Y EXTENSIONES DEL MODELO LINEAL CON K VARIABLES
Unversdad de San Andrés Departamento de Economía Econometría Semestre de otoño USOS Y ETENSIONES DEL MODELO LINEAL CON K VARIABLES Marana Marchonn marana@depeco.econo.unlp.edu.ar Varables explcatvas bnaras
Más detallesMUESTREO EN POBLACIONES FINITAS
MUESTREO EN POBLACIONES FINITAS Antono Morllas A.Morllas: Muestreo 1 MUESTREO EN POBLACIONES FINITAS 1. Conceptos estadístcos báscos. Etapas en el muestreo 3. Tpos de error 4. Métodos de muestreo 5. Tamaño
Más detallesRegresión y Correlación Métodos numéricos
Regresón y Correlacón Métodos numércos Prof. Mguel Hesquo Garduño. Est. Mrla Benavdes Rojas Depto. De Ingenería Químca Petrolera ESIQIE-IPN hesquogm@yahoo.com.mx mbenavdesr5@gmal.com Regresón lneal El
Más detallesLo que nos interesa en el análisis de varianza de una vía es extender el test t para dos muestras independientes, para comparar más de dos muestras.
Capítulo : Comparacón de varos tratamentos o grupos Muchas preguntas de nvestgacón en educacón, pscología, negocos, ndustra y cencas naturales tenen que ver con la comparacón de varos grupos o tratamentos.
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 detallesMª Dolores del Campo Maldonado. Tel: :
Mª Dolores del Campo Maldonado Tel: : 918 074 714 e-mal: ddelcampo@cem.mtyc.es Documentacón de referenca nternaconalmente aceptada ISO/IEC GUIDE 98-3:008 Uncertanty of measurement Part 3: Gude to the n
Más detallesEstadísticos muéstrales
Estadístcos muéstrales Una empresa dedcada al transporte y dstrbucón de mercancías, tene una plantlla de 50 trabajadores. Durante el últmo año se ha observado que 5 trabajadores han faltado un solo día
Más detallesEstadística con R. Modelo Probabilístico Lineal
Estadístca con R Modelo Probablístco Lneal Modelo Probablístco Lneal Forma de la funcón: Y b 0 +b 1 X +e Varable dependente, endógena o a explcar dcotómca : Y, S Y 0 e -b 0 - b 1 X con probabldad p. S
Más detallesAnálisis del caso promedio. Técnicas Avanzadas de Programación - Javier Campos 70
Análss del caso promedo Técncas Avanzadas de Programacón - Javer Campos 70 Análss del caso promedo El plan: Probabldad Análss probablsta Árboles bnaros de búsqueda construdos aleatoramente Tres, árboles
Más detallesPRÁCTICA 16: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN
PRÁCTICA 6: MODELO DE REGRESIÓN MÚLTIPLE SOLUCIÓN EJERCICIO. VERDADERO. VERDADERO (Esta afrmacón no es certa en el caso del modelo general). 3. En el modelo lneal general Y = X b + e, explcar la forma
Más detalles1.Variables ficticias en el modelo de regresión: ejemplos.
J.M.Arranz y M.M. Zamora.Varables fctcas en el modelo de regresón: ejemplos. Las varables fctcas recogen los efectos dferencales que se producen en el comportamento de los agentes económcos debdo a dferentes
Más detallesVida Util, características de la Fiabilidad e Inviabilidad y distribuciones teóricas en el terreno de la fiabilidad
Vda Utl, característcas de la Fabldad e Invabldad y dstrbucones teórcas en el terreno de la fabldad Realzado por: Mgter. Leandro D. Torres Vda Utl Este índce se refere a una vda útl meda nomnal y se puede
Más detallesESTADÍSTICA. Definiciones
ESTADÍSTICA Defncones - La Estadístca es la cenca que se ocupa de recoger, contar, organzar, representar y estudar datos referdos a una muestra para después generalzar y sacar conclusones acerca de una
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 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 detallesRegresión Cuantílica o Quantile Regression
Regresón Cuantílca o Quantle Regresson A. Cameron and P. rved, (005), Macroeconometrcs, Methods and Applcatons, Cambrdge Unversty Press. R. Koenker, (005), Quantle Regresson, Econometrc Socety Monographs
Más detallesEJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL.
EJERCICIOS DE ESTADÍSTICA BIDIMENSIONAL. 1. Una cofradía de pescadores regstra la cantdad de sardnas que llegan al puerto (X), en klogramos, el preco de la subasta en la lonja (Y), en euros por klo, han
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 detalles10. VIBRACIONES EN SISTEMAS CON N GRADOS DE LIBERTAD
10. VIBRACIONES EN SISEMAS CON N GRADOS DE LIBERAD 10.1. Matrces de rgdez, nerca y amortguamento Se puede demostrar que las ecuacones lneales del movmento de un sstema dscreto de N grados de lbertad sometdo
Más detallesA. Una pregunta muy particular que se puede hacer a una distribución de datos es de qué magnitud es es la heterogeneidad que se observa.
MEDIDA DE DIPERIÓ A. Una pregunta muy partcular que se puede hacer a una dstrbucón de datos es de qué magntud es es la heterogenedad que se observa. FICHA º 18 Las meddas de dspersón generalmente acompañan
Más detallesReconciliación de datos experimentales. MI5022 Análisis y simulación de procesos mineralúgicos
Reconclacón de datos expermentales MI5022 Análss y smulacón de procesos mneralúgcos Balances Balances en una celda de flotacón En torno a una celda de flotacón (o un crcuto) se pueden escrbr los sguentes
Más detallesPara dos variables x1 y x2, se tiene el espacio B 2 el que puede considerarse definido por: {0, 1}X{0, 1} = {(00), (01), (10), (11)}
Capítulo 4 1 N-cubos 4.1. Representacón de una funcón booleana en el espaco B n. Los n-cubos representan a las funcones booleanas, en espacos n-dmensonales dscretos, como un subconjunto de los vértces
Más detallesEJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. x x0 y y0. Deducir la fórmula para el polinomio de Lagrange de grado a lo más uno que Interpola la tabla.
EJERCICIOS SOBRE INTERPOLACIÓN POLINOMIAL. Consdere la sguente tabla, donde 0 : 0 y y0 y Deducr la fórmula para el polnomo de Lagrange de grado a lo más uno que Interpola la tabla.. Consdere la sguente
Más detallesCapitalización y descuento simple
Undad 2 Captalzacón y descuento smple 2.1. Captalzacón smple o nterés smple 2.1.1. Magntudes dervadas 2.2. Intereses antcpados 2.3. Cálculo de los ntereses smples. Métodos abrevados 2.3.1. Método de los
Más detallesTema 1.3_A La media y la desviación estándar
Curso 0-03 Grado en Físca Herramentas Computaconales Tema.3_A La meda y la desvacón estándar Dónde estudar el tema.3_a: Capítulo 4. J.R. Taylor, Error Analyss. Unv. cence Books, ausalto, Calforna 997.
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 detallesAnálisis cuantitativo aplicado al Comercio Internacional y el Transporte
Máster de Comerco, Transporte y Comuncacones Internaconales Análss cuanttatvo aplcado al Comerco Internaconal y el Transporte Ramón úñez Sánchez Soraya Hdalgo Gallego Departamento de Economía Introduccón
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 detallesPROYECTO DE TEORIA DE MECANISMOS. Análisis cinemático y dinámico de un mecanismo plano articulado con un grado de libertad.
Nombre: Mecansmo: PROYECTO DE TEORIA DE MECANISMOS. Análss cnemátco y dnámco de un mecansmo plano artculado con un grado de lbertad. 10. Análss dnámco del mecansmo medante el método de las tensones en
Más detallesEL ANÁLISIS DE LA VARIANZA (ANOVA) 2. Estimación de componentes de varianza
EL ANÁLSS DE LA VARANZA (ANOVA). Estmacón de componentes de varanza Alca Maroto, Rcard Boqué Grupo de Qumometría y Cualmetría Unverstat Rovra Vrgl C/ Marcel.lí Domngo, s/n (Campus Sescelades) 43007-Tarragona
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 detallesEL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA
EL MÉTODO DE DIFERENCIAS FINITAS POR GUILLERMO HERNÁNDEZ GARCÍA . El Método de Dferencas Fntas El Método consste en una aproxmacón de las dervadas parcales por expresones algebracas con los valores de
Más detallesModelos de participación de mercado
Modelos de partcpacón de mercado IN58B Ingenería de Marketng Ncolás Frts Manuel Reyes Maurco Ramírez Introduccón Por qué modelos de Partcpacón de Mercado (PM)? Se busca modelos en que puedan ntroducrse
Más detalles5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA.
Programacón en Pascal 5. PROGRAMAS BASADOS EN RELACIONES DE RECURRENCIA. Exsten numerosas stuacones que pueden representarse medante relacones de recurrenca; entre ellas menconamos las secuencas y las
Más detallesEfectos fijos o aleatorios: test de especificación
Cómo car?: Montero. R (2011): Efectos fjos o aleatoros: test de especfcacón. Documentos de Trabajo en Economía Aplcada. Unversdad de Granada. España Efectos fjos o aleatoros: test de especfcacón Roberto
Más detallesECUACIONES DIFERENCIALES Problemas de Valor Inicial
DIVISIÓN DE IENIAS FÍSIAS Y MATEMÁTIAS DTO. TERMODINÁMIA Y FENÓMENOS DE TRANSFERENIA MÉTODOS AROXIMADOS EN ING. QUÍMIA TF-33 EUAIONES DIFERENIALES roblemas de Valor Incal Esta guía fue elaborada por: rof.
Más detallesGeometría convexa y politopos, día 1
Geometría convexa y poltopos, día 1 Alexey Beshenov (cadadr@gmal.com) 8 de agosto de 2016 Los objetos geométrcos que nos nteresan en esta hstora son subconjuntos de R n. Voy a denotar los puntos de R n
Más detallesIES Menéndez Tolosa (La Línea) Física y Química - 1º Bach - Gráficas
IES Menéndez Tolosa (La Línea) Físca y Químca - 1º Bach - Gráfcas 1 Indca qué tpo de relacón exste entre las magntudes representadas en la sguente gráfca: La gráfca es una línea recta que no pasa por el
Más detallesMatemáticas Discretas
Coordnacón de Cencas Computaconales - INAOE Matemátcas Dscretas Cursos Propedéutcos 2010 Cencas Computaconales INAOE Dr. Lus Vllaseñor Pneda vllasen@naoep.mx http://ccc.naoep.mx/~vllasen Algo de nformacón
Más detallesTema 1: Análisis de datos unidimensionales
Tema : Análss de datos undmensonales. Varables estadístcas undmensonales. Representacones gráfcas.. Característcas de las dstrbucones de frecuencas undmensonales.. Varables estadístcas undmensonales. Representacones
Más detallesMuestra: son datos de corte transversal correspondientes a 120 familias españolas.
Capítulo II: El Modelo Lneal Clásco - Estmacón Aplcacones Informátcas 3. APLICACIONES INFORMÁTICAS Fchero : cp.wf (modelo de regresón smple) Seres: : consumo famlar mensual en mles de pesetas RENTA: renta
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 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 detalles1º. a) Deducir la expresión de la fórmula de derivación numérica de tipo x,x,x,x,.
º. a Deducr la expresón de la fórmula de dervacón numérca de tpo x,x,x,x,. nterpolatoro que permte aproxmar f (x* con el soporte { } 3 x 4 b Demostrar que en el caso de que el soporte sea de la forma:
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 detallesCAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS
CAPÍTULO 7 ESTIMACIÓN DE PARÁMETROS En los capítulos anterores se han analzado varos modelos usados en la evaluacón de stocks, defnéndose los respectvos parámetros. En las correspondentes fchas de ejerccos
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 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 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 detallesRegresión Binomial Negativa
Regresón Bnomal Negatva Resumen El procedmento Regresón Bnomal Negatva está dseñado para ajustar un modelo de regresón en el cual la varable dependente Y consste de conteos. El modelo de regresón ajustado
Más detallesTEMA 4 Variables aleatorias discretas Esperanza y varianza
Métodos Estadístcos para la Ingenería Curso007/08 Felpe Ramírez Ingenería Técnca Químca Industral TEMA 4 Varables aleatoras dscretas Esperanza y varanza La Probabldad es la verdadera guía de la vda. Ccerón
Más detallesPerturbación de los valores propios simples de matrices de polinomios dependientes diferenciablemente de parámetros
Perturbacón de los valores propos smples de matrces de polnomos dependentes dferencablemente de parámetros M Isabel García-Planas 1, Sona Tarragona 2 1 Dpt de Matemàtca Aplcada I, Unverstat Poltècnca de
Más detallesESTADÍSTICA UNIDIMENSIONAL
ESTADÍSTICA UNIDIMENSIONAL La estadístca undmensonal trata de resumr la nformacón contenda en una tabla que contene nformacón de una sola varable en unos pocos números. Las meddas de poscón pueden ser:
Más detallesTema 5: Incumplimiento de las Hipótesis sobre el Término de Perturbación
Tema 5: Incumplmento de las Hpótess sobre el Térmno de Perturbacón TEMA 5: INCMPLIMIENTO DE LAS HIPÓTESIS SOBRE EL TÉRMINO DE PERTRBACIÓN 5.) Introduccón 5.) El Modelo de Regresón Lneal Generalzado 5.3)
Más detallesVariables Aleatorias. Variables Aleatorias. Variables Aleatorias. Objetivos del tema: Al final del tema el alumno será capaz de:
Varables Aleatoras Varables Aleatoras Objetvos del tema: Concepto de varable aleatora Al fnal del tema el alumno será capaz de: Varables aleatoras dscretas y contnuas Funcón de probabldad Funcón de dstrbucón
Más detallesMétodos específicos de generación de diversas distribuciones discretas
Tema 3 Métodos específcos de generacón de dversas dstrbucones dscretas 3.1. Dstrbucón de Bernoull Sea X B(p). La funcón de probabldad puntual de X es: P (X = 1) = p P (X = 0) = 1 p Utlzando el método de
Más detallesESTADÍSTICA BIDIMENSIONAL ÍNDICE GENERAL
ESTADÍSTICA BIDIMESIOAL ÍDICE GEERAL 1.-Varable Estadístca Bdmensonal. Tablas de frecuenca... 1.1.- Concepto de varable estadístca bdmensonal. Eemplos.... 1..-Tablas bdmensonales de frecuencas. Tablas
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 detallesEJERCICIOS. Ejercicio 1.- Para el modelo de regresión simple siguiente: Y i = βx i + ε i i =1,..., 100. se tienen las siguientes medias muestrales:
EJERCICIOS Tema 2: MODELO DE REGRESION LINEAL SIMPLE Ejercco 1.- Para el modelo de regresón smple sguente: Y = βx + ε =1,..., 100 se tenen las sguentes medas muestrales: ( P y ) /n =0.3065 ( P y 2 ) /n
Más detallesDiseño de la Muestra. Introducción. Tipo de muestreo y estratificación
Dseño de la Muestra A Introduccón Sguendo las orentacones dadas por la Ofcna Estadístca de la Unón Europea (EUROSTAT) se a selecconado una muestra probablístca representatva de la poblacón de los ogares
Más detallesModelos de elección simple y múltiple. Regresión logit y probit. Modelos multilogit y multiprobit.
Modelos de eleccón smple y múltple. Regresón logt y probt. Modelos multlogt y multprobt. Sga J.Muro(14/4/2004) 2 Modelos de eleccón dscreta. Modelos de eleccón smple. Modelos de eleccón múltple. Fnal J.Muro(14/4/2004)
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 detallesDpto. Física y Mecánica
Dpto. Físca y Mecánca Mecánca analítca Introduccón Notacón Desplazamento y fuerza vrtual Fuerza de lgadura Trabao vrtual Energía cnétca. Ecuacones de Lagrange Prncpode los trabaos vrtuales Prncpo de D
Más detallesObjetivo del tema. Esquema del tema. Economía Industrial. Tema 2. La demanda de la industria
Economía Industral Tema. La demanda de la ndustra Objetvo del tema Entender el modelo económco de comportamento del consumdor, fnalmente resumdo en la funcón de demanda. Comprender el carácter abstracto
Más detallesTema 8: DESIGUALDAD, Xisco Oliver Economía del Bienestar (2º GECO)
Tema 8: DESIGUALDAD, REDISTRIBUCIÓN Y POBREZA Xsco Olver 20610 - Economía del Benestar (2º GECO) Motvacón Benestar: el objetvo últmo del Estado es maxmzar el benestar El benestar se obtene a partr de las
Más detallesINGENIERÍA DE TELECOMUNICACIÓN BLOQUE 1
INGENIERÍA DE TELECOMUNICACIÓN BLOQUE En el Aula Vrtual se encuentra dsponble: Materal nteractvo con teoría y ejerccos resueltos. Para acceder a ello deberá pulsar sobre los sguentes enlaces una vez dentro
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE..ESTADÍSTICA La fecunddad y su relacón con varables socoeconómcas, demográfcas y educatvas aplcando el Modelo de Regresón
Más detallesVectores VECTORES 1.- Magnitudes Escalares y Magnitudes Vectoriales. Las Magnitudes Escalares: Las Magnitudes Vectoriales:
VECTOES 1.- Magntudes Escalares y Magntudes Vectorales. Las Magntudes Escalares: son aquellas que quedan defndas úncamente por su valor numérco (escalar) y su undad correspondente, Eemplo de magntudes
Más detallesINSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA
INSTITUTO DE FÍSICA FACULTAD DE INGENIERÍA LABORATORIO 1-008 PRACTICA 4: LEYES DE LOS GASES 1. OBJETIVOS ) Comprobacón expermental de las leyes de los gases. En este caso nos vamos a concentrar en el estudo
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 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 detallesELECTRICIDAD Y MAGNETISMO FIZ 1300 FIS 1532 (6a)
ELECTRICIDAD Y MAGNETISMO FIZ 1300 FIS 1532 Rcardo Ramírez Facultad de Físca, Pontfca Unversdad Católca, Chle 1er. Semestre 2008 Corrente eléctrca CORRIENTE ELECTRICA Corrente eléctrca mplca carga en movmento.
Más detallesEXPERIMENTOS ANIDADOS O JERARQUICOS NESTED
EXPERIMENTOS ANIDADOS O JERARQUICOS NESTED Exsten ocasones donde los nveles de un factor B son smlares pero no déntcos para dferentes nveles del factor A. Es decr, dferentes nveles del factor A ven nveles
Más detallesREGRESION LINEAL SIMPLE
REGREION LINEAL IMPLE Jorge Galbat Resco e dspone de una muestra 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
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 detallesAPLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES
APLICACIÓN DEL ANALISIS INDUSTRIAL EN CARTERAS COLECTIVAS DE VALORES Documento Preparado para la Cámara de Fondos de Inversón Versón 203 Por Rodrgo Matarrta Venegas 23 de Setembre del 204 2 Análss Industral
Más detalles1 + e z. 1 + e. 1 + e = 1 0 2
Tema 7. Regresón Logístca Pedro Larrañaga, Iñak Inza, Abdelmalk Moujahd Departamento de Cencas de la Computacón e Intelgenca Artfcal Unversdad del País Vasco Euskal Herrko Unbertstatea 7. Introduccón En
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 Objetvo: La estadístca tene por objeto el desarrollo de técncas para el conocmento
Más detallesAnálisis de Regresión y Correlación
1 Análss de Regresón y Correlacón El análss de regresón consste en emplear métodos que permtan determnar la mejor relacón funconal entre dos o más varables concomtantes (o relaconadas). El análss de correlacón
Más detallesCada uno da lo que recibe, Y luego recibe lo que da, Nada es más simple, No hay otra norma: Nada se pierde, Todo se transforma.
Cada uno da lo que recbe, Y luego recbe lo que da, Nada es más smple, No hay otra norma: Nada se perde, Todo se transforma. Todo se transforma (Jorge Drexler, cantautor uruguayo) Estadístca Básca - Manuel
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 detalles