Estadística Computacional. M. González
|
|
- María Nieves Sevilla Álvarez
- hace 5 años
- Vistas:
Transcripción
1 Estadística Computacional M. González Facultad de Medicina. Universidad de Extremadura M. González (UEx) Estadística Computacional 1 / 23
2 Índice Modelos Lineales Generalizados Bioensayos: Modelos Dosis-Respuesta Modelo Probit. Modelo Logit. Modelo Log-Log Complementario. Regresión Logística Análisis de Supervivencia Funciones de Supervivencia y de Riesgo. Estimación de la Función de Supervivencia. Método de Tablas de Vida. Método de Kaplan-Meier. Comparación de Curvas de Supervivencia. M. González (UEx) Estadística Computacional 2 / 23
3 Modelos Lineales Generalizados Variable Respuesta: Y Variables Regresoras: X 1, X 2,..., X k Distribución de Probabilidad Variable Respuesta: Modelo Lineal: Distribución Normal Modelo Lineal Generalizado: Distribución de la Familia Exponencial (Binomial, Poisson, Normal, Exponencial,...) Relación Variable Respuesta - Variables Regresoras: Modelo Lineal: E[Y X 1 = x 1,..., X k = x k ] = β 0 + β 1 x β k x k Modelo Lineal Generalizado: g(e[y X 1 = x 1,..., X k = x k ]) = β 0 + β 1 x β k x k g Función de Enlace (Link Function) M. González (UEx) Estadística Computacional 3 / 23
4 Modelos Lineales Generalizados: Ejemplo Tendencia de la mortalidad: Para poblaciones grandes la probabilidad de que un individuo elegido al azar muera de una enfermedad dada en un instante determinado es pequeña. Si suponemos que la muerte de diferentes individuos son sucesos independientes, entonces el número de muertos, Y, durante un período de tiempo fijo puede ser modelizado por una distribución de Poisson f λ (y) = λy e λ y! y = 0, 1,... siendo λ el número medio de muertos por período de tiempo. La tendencia de la mortalidad puede ser modelizada tomando v.a. independientes Y 1,..., Y n que sean el número de muertes ocurridas en intervalos de tiempos sucesivos numerados por i = 1,..., n. Sea λ i = E[Y i ], i = 1,..., n. M. González (UEx) Estadística Computacional 4 / 23
5 Modelos Lineales Generalizados: Ejemplo Tendencia de la mortalidad: El número de muertes por Sida en Australia en períodos de tres meses entre 1983 y 1986 aparecen en la siguiente tabla y el siguiente gráfico: i y i Numero de muertes por Sida Periodos de 3 meses: Ene Mar 1983 a Abr Jun 1986 M. González (UEx) Estadística Computacional 5 / 23
6 Modelos Lineales Generalizados: Ejemplo Tendencia de la mortalidad: El número de muertes por Sida en Australia en períodos de tres meses entre 1983 y 1986 aparecen en la siguiente tabla y el siguiente gráfico: Numero de muertes por Sida Periodos de 3 meses: Ene Mar 1983 a Abr Jun 1986 Modelo: basado en la distribución de Poisson con λ i = γi θ, donde γ y θ son parámetros a ser estimados. Modelo lineal generalizado: función de enlace es g(λ i ) = log λ i = log γ + θ log i y por tanto x i = (log i), i = 1,..., n, y β 0 = log γ y β 1 = θ. M. González (UEx) Estadística Computacional 6 / 23
7 Modelos Lineales Generalizados: Inferencia Variable Respuesta: Y Variables Regresoras: X 1, X 2,..., X k Datos: Y X 1 X 2... X k Y 1 x 11 x x 1k Y 2 x 21 x x 2k Y n x n1 x n2... x nk Estimación: parámetros β 0... β k Método de Máxima Verosimilitud. Test de Hipótesis: Bondad de Ajuste: adecuación del modelo Basado en el Estadístico Deviance, D. Si el modelo es adecuado, D χ 2 (n k). Parámetros del modelo: H 0 : β i = 0 Basado en el Estadístico de Wald. M. González (UEx) Estadística Computacional 7 / 23
8 Modelos Lineales Generalizados: Bioensayos Modelos Dosis-Respuesta: Variable Respuesta Dicotómica: Y = 1 si ocurre un determinado suceso; Y = 0 si no ocurre dicho suceso. Y sigue una distribución de Bernoulli Suceso = muerte, curación, enfermedad,... Variable Regresora: X = dosis de una sustancia. E[Y X = x] = p x prob. de que ocurra el suceso cuando se administra una dosis x p x = F(β 0 + β 1 x) F 1 (p x ) = β 0 + β 1 x Modelo Lineal Generalizado con Función de Enlace g(x) = F 1 (x) M. González (UEx) Estadística Computacional 8 / 23
9 Modelos Lineales Generalizados: Bioensayos Modelos Dosis-Respuesta: Variable Respuesta Dicotómica: Y Variable Regresora: X = dosis de una sustancia. p x = F(β 0 + β 1 x) F 1 (p x ) = β 0 + β 1 x Modelo Probit F(x) = φ(x) Función de Distribución de una Normal Estándar. Función de Enlace: g(x) = φ 1 (x) Modelo: p x = φ(β 0 + β 1 x) M. González (UEx) Estadística Computacional 9 / 23
10 Modelos Lineales Generalizados: Bioensayos Modelos Dosis-Respuesta: Variable Respuesta Dicotómica: Y Modelo Logit p x = F(β 0 + β 1 x) 1 F(x) = Función de 1 + exp( x) Distribución Logística. ( ) x Función de Enlace: g(x) = log 1 x Función Logit Modelo: 1 p x = ( 1 + exp( (β ) 0 + β 1 x)) px log = β 0 + β 1 x 1 p x Variable Regresora: X = dosis de una sustancia. F 1 (p x ) = β 0 + β 1 x M. González (UEx) Estadística Computacional 10 / 23
11 Modelos Lineales Generalizados: Bioensayos Modelos Dosis-Respuesta: Variable Respuesta Dicotómica: Y Modelo Logit p x = F(β 0 + β 1 x) 1 F(x) = Función de 1 + exp( x) Distribución Logística. ( ) x Función de Enlace: g(x) = log 1 x Función Logit Modelo: 1 p x = ( 1 + exp( (β ) 0 + β 1 x)) px log = β 0 + β 1 x 1 p x Variable Regresora: X = dosis de una sustancia. F 1 (p x ) = β 0 + β 1 x M. González (UEx) Estadística Computacional 11 / 23
12 Modelos Lineales Generalizados: Bioensayos Modelos Dosis-Respuesta: Variable Respuesta Dicotómica: Y p x = F(β 0 + β 1 x) Modelo Log-Log Complementario F(x) = 1 exp( exp(x)) Función de Enlace: g(x) = log( log(1 x)) Función Log-Log Complemetario Modelo: p x = 1 exp( exp(β 0 + β 1 x)) log( log(1 p x )) = β 0 + β 1 x Se utiliza cuando la probabilidad del suceso es muy pequeña o muy grande. Variable Regresora: X = dosis de una sustancia. F 1 (p x ) = β 0 + β 1 x M. González (UEx) Estadística Computacional 12 / 23
13 Modelos Lineales Generalizados: Bioensayos Modelos Dosis-Respuesta: Ejemplo Los siguientes datos corresponden un experimento efectuado con una serie de grupos de ratas que fueron expuestas a diferentes niveles de concentración de ETU (Ethylene thiourea) observándose el número de ratas que desarrollaron tumores tiroideos (Graham et al. (1975)). Datos: Dosis Muestra Tumor M. González (UEx) Estadística Computacional 13 / 23
14 Modelos Lineales Generalizados: Bioensayos Modelos Dosis-Respuesta: Ejemplo Los siguientes datos corresponden un experimento efectuado con una serie de grupos de ratas que fueron expuestas a diferentes niveles de concentración de ETU (Ethylene thiourea) observándose el número de ratas que desarrollaron tumores tiroideos (Graham et al. (1975)). Datos: Dosis Muestra Tumor M. González (UEx) Estadística Computacional 14 / 23
15 Modelos Lineales Generalizados: Regresión Logísitca Variable Respuesta Dicotómica: Y = 1 si ocurre un determinado suceso; Y = 0 si no ocurre dicho suceso. Y sigue una distribución de Bernoulli. Variables Regresoras: X 1,..., X k. X = (X 1,..., X k ) x = (x 1,..., x k ) E[Y X = x] = p x prob. de que ocurra el suceso cuando X = x p x = ( ) 1 px log = β 0 +β 1 x β k x k 1 + exp( (β 0 + β 1 x β k x k )) 1 p x p x 1 p x = exp(β 0 + β 1 x β k x k ) M. González (UEx) Estadística Computacional 15 / 23
16 Análisis de Supervivencia Modelo Probabilístico Modelizar el tiempo que transcurre hasta que se produce un determinado evento. T tiempo que tarda en producirse el evento. (si el evento es la muerte, T será el tiempo de vida o supervivencia del paciente) T es una variable aleatoria no negativa, habitualmente continua. Su distribución de probabilidad no se ajusta a una normal salvo en casos excepcionales. Sus distribuciones de probabilidad más frecuentes son la exponencial, la Weibull, la gamma o la log-normal. M. González (UEx) Estadística Computacional 16 / 23
17 Análisis de Supervivencia Función de Supervivencia La Función de Supervivencia, S(t), se define como S(t) = P(T > t), t 0 Intuitivamente S(t) representa la probabilidad de que un paciente sobreviva más de un tiempo t. Si F(t) es la función de distribución de T entonces S(t) = 1 F(t) y por tanto: S(t) es decreciente. La velocidad a la que decrezca en un instante indica el riesgo de que el paciente muera en ese instante de tiempo. Si f (t) es la función de densidad de la variable aleatoria T, entonces f (t) = ds(t) dt M. González (UEx) Estadística Computacional 17 / 23
18 Análisis de Supervivencia Función Hazard o de Riesgo La Función Hazard o de Riesgo se define como P(t < T t + s T > t) h(t) = lim = f (t) log[s(t)] = d, t 0 s 0 + s S(t) dt Intuitivamente h(t) se interpreta como el riesgo de que un paciente que ha vivido un tiempo superior a t muera en un instante inmediatamente posterior a t. La gráfica de la función h(t) puede tener muchas formas, ya que su única restricción es ser no negativa: Si h(t) creciente significaría que el riesgo aumenta con el paso del tiempo. Si h(t) es decreciente, significaría que los pacientes sufren un riesgo mayor de morir al inicio y este va disminuyendo conforme avanza el tiempo (trasplantes). Si h(t) tiene forma de bañera (decreciente en los primeros instantes del seguimiento, constante después y finalmente creciente) esto significaría que en un período inicial el riesgo de muerte es alto, tras lo cual este riesgo se estabiliza para crecer finalmente cuando se produce el envejecimiento. M. González (UEx) Estadística Computacional 18 / 23
19 Análisis de Supervivencia Modelo Estadístico Los individuos son sometidos a un seguimiento a lo largo del tiempo hasta que se produzca determinado evento. Ha de existir un punto de comienzo del seguimiento bien definido (operación quirúrgica, iniciación del tratamiento, etc.) El evento al que se debe llegar debe estar también claramente definido (muerte, recaída de la enfermedad, etc.) La entrada de nuevos individuos en el estudio puede tener lugar en cualquier instante dentro del periodo de seguimiento, iniciado a partir de la primera entrada en el estudio. M. González (UEx) Estadística Computacional 19 / 23
20 Análisis de Supervivencia Modelo Estadístico El seguimiento de los individuos no siempre es posible llevarlo a cabo hasta que se produzca el evento. Puede ocurrir que se pierda algún individuo durante el seguimiento por alguna razón ajena al experimento (pacientes que hayan dejado de acudir a los controles, etc.). que el seguimiento concluya antes de que algunos individuos hayan alcanzado el evento. Los individuos que se encuentren en alguna de estas dos situaciones diremos que han sido censurados. Podemos llevar a cabo el análisis de supervivencia aunque algunos individuos hayan sido censurados. M. González (UEx) Estadística Computacional 20 / 23
21 Análisis de Supervivencia Estimación de la Curva de Supervivencia: Tablas de Vida Tiempo de Observación: dividido en intervalos I 1,..., I N, con I k = (t k 1, t k], k = 1,..., N (t 0 = 0) Consideramos n individuos incluidos en el estudio. n k = número de individuos que no han desaparecido del sistema al comienzo del intervalo I k, i.e. inmediatamente después del instante t k 1. d k = número de individuos que han sufrido el evento en el intervalo I k. c k = número de individuos censurados en el intervalo I k p k = P(T > t k T > t k 1) =probabilidad de que un individuo que ha sobrevivido al instante t k 1, sobreviva un tiempo superior a t k p k = Probabilidad de sobrevivir al instante t k nk dk ck/2 n k c k/2, k = 1,..., N k Ŝ(0) = 1, Ŝ(t k) = p i, i=1 k = 1,..., N M. González (UEx) Estadística Computacional 21 / 23
22 Análisis de Supervivencia Estimación de la Curva de Supervivencia: Kaplan-Meier Utiliza los tiempos exactos donde se han producido los eventos: t 1 < t 2 <... < t N n k = número de individuos en riesgo de sufrir el evento en el instante inmediatamente anterior a t k. d k = número de eventos ocurridos en el instante t k. P(T t k T > t k 1 ) =probabilidad de que un individuo que ha sobrevivido hasta el instante inmediatamente anterior al t k sufra el evento en el instante t k Estimador de Kaplan-Meier: P(T t k T > t k 1 ) = d k n k, k = 1,..., N (t 0 = 0) Ŝ(t) = 1 si 0 t < t 1 i Ŝ(t) = (1 d k /n k ) si t i t < t i+1 i = 1,..., N k=1 M. González (UEx) Estadística Computacional 22 / 23
23 Análisis de supervivencia Comparación de Curvas de Supervivencia Para comparar las curvas de supervivencia de dos grupos de pacientes, planteamos el contraste de hipótesis H 0 : H 1 : S 1 (t) = S 2 (t) S 1 (t) S 2 (t) o equivalentemente H 0 : H 1 : h 1 (t) = h 2 (t) h 1 (t) h 2 (t) Para resolverlo se utiliza el test log-rank, cuyo valor experimental se basa en las diferencias entre el número de muertes observadas en cada grupo (O) y el número de muertes que cabría esperar (E) si no hubiera diferencias entre dichos grupos, todo ello en los tiempos donde se ha producido el seguimiento. Este valor experimental se compara con un valor teórico de una distribución chi cuadrado con un grado de libertad. M. González (UEx) Estadística Computacional 23 / 23
Regresión Lineal Simple y Múltiple Regresión Logística
Regresión Lineal Simple y Múltiple Regresión Logística Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura MUI en Ciencias de la Salud MUI en Ciencias de la Salud (UEx) Regresión
Más detallesTema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos
Tema 4: Otros Métodos de Análisis de Datos Cuantitativos y Cualitativos Metodología de la Investigación en Fisioterapia Miguel González Velasco Departamento de Matemáticas. Universidad de Extremadura M.
Más detallesAnálisis de datos Categóricos
Introducción a los Modelos Lineales Generalizados Universidad Nacional Agraria La Molina 2016-1 Introducción Modelos Lineales Generalizados Introducción Componentes Estimación En los capítulos anteriores
Más detallesTEMA 4 Regresión logística
TEMA 4 Regresión logística José R. Berrendero Departamento de Matemáticas Universidad Autónoma de Madrid Análisis de Datos - Grado en Biología Esquema del tema Variable respuesta dicotómica. Ejemplo. El
Más detallesTEMA VI ANÁLISIS DE SUPERVIVENCIA
TEMA VI ANÁLISIS DE SUPERVIVENCIA LECTURA OBLIGATORIA Análisis de Supervivencia. En Rial, A. y Varela, J. (2008). Estadística Práctica para la Investigación en Ciencias de la Salud. Coruña: Netbiblo. Páginas
Más detallesPérdida Esperada. Pérdida Esperada (PE): Valor esperado de pérdida por riesgo crediticio en un horizonte de tiempo determinado.
Pérdida Esperada Uno de los objetivos de este estudio es construir una función de pérdidas para el portafolio de la cartera de préstamos que ofrece la entidad G&T Continental, basados en el comportamiento
Más detallesTaréa Completa. 2.- Se define una función de supervivencia por: a) f (36), b) h (50), c) H (75), d) E(T ),
Taréa Completa 1.- Sea T 1, T 2,..., T n variales aleatorias independientes de tiempos de supervivencia con distribución Weibull: f (t) = λγ (λt) γ 1 exp { (λt) γ } Cuando λ = 1, y γ 1, γ 2,..., γ n. Escriba
Más detallesTema 10: Introducción a los problemas de Asociación y Correlación
Tema 10: Introducción a los problemas de Asociación y Correlación Estadística 4 o Curso Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 10: Asociación y Correlación
Más detallesTema 13: Regresión Logística p. 1/20 Tema 13: Regresión Logística Abdelmalik Moujahid, Iñaki Inza y Pedro Larrañaga Departamento de Ciencias de la Computación e Inteligencia Artificial Universidad del
Más detallesPreparación de los datos de entrada
Preparación de los datos de entrada Clase nro. 6 CURSO 2010 Objetivo Modelado de las características estocásticas de los sistemas. Variables aleatorias con su distribución de probabilidad. Por ejemplo:
Más detallesProbabilidad II Algunas distribuciones notables. Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid
Probabilidad II Algunas distribuciones notables Antonio Cuevas Departamento de Matemáticas Universidad Autónoma de Madrid La distribución normal f (x; µ, σ) = 1 σ 2π e 1 2( x µ σ ) 2, x R, µ R, σ > 0 E(X
Más detallesTema 4: Variables aleatorias. Tema 4: Variables Aleatorias. Tema 4: Variables aleatorias. Objetivos del tema:
Tema 4: Variables aleatorias Tema 4: Variables Aleatorias Distribución de Bernouilli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno
Más detallesGuillermo Ayala Gallego Universidad de Valencia
GoBack Regresión logística Guillermo Ayala Gallego Universidad de Valencia 4 de febrero de 2009 1 / 22 Puede que sea el procedimiento estadístico más utilizado. Con aplicaciones frecuentes en Medicina
Más detallesUniversidad Nacional de La Plata
Universidad Nacional de La Plata Facultad de Ciencias Agrarias y Forestales CÁLCULO ESTADÍSTICO STICO Y BIOMETRÍA CONTENIDOS UNIDAD 3: Introducción al Cálculo de Probabilidades. Experimento aleatorio.
Más detallesEXAMEN DE ESTADÍSTICA Septiembre 2011
EXAMEN DE ESTADÍSTICA Septiembre 2011 Apellidos: Nombre: DNI: GRUPO: 1. De una clase de N alumnos se tiene la siguiente información sobre las calificaciones obtenidas del 1 al 8 en una cierta asignatura
Más detallesMétodos estadísticos en estudios de supervivencia
Métodos estadísticos en estudios de supervivencia Belén San José, Elia Pérez y Rosario Madero Sección de Bioestadística. Hospital Universitario La Paz. Madrid. España. bjose.hulp@salud.madrid.org; epefer@gmail.com;
Más detalles6.3. Distribuciones continuas
144 Bioestadística: Métodos y Aplicaciones Solución: Si consideramos la v.a. X que contabiliza el número de personas que padecen la enfermedad, es claro que sigue un modelo binomial, pero que puede ser
Más detallesModelación de los tiempos de supervivencia en pacientes con leucemia
Tlamati Sabiduría, Volumen 7 Número Especial 2 (2016) 4 Encuentro de Jóvenes Investigadores CONACYT Acapulco, Guerrero 21, 21 y 23 de septiembre 2016 Memorias Modelación de los tiempos de supervivencia
Más detallesCurso de Probabilidad y Estadística
Curso de Probabilidad y Estadística Distribuciones de Probabilidad Dr. José Antonio Camarena Ibarrola camarena@umich.mx Universidad Michoacana de San Nicolás de Hidalgo Facultad de Ingeniería Eléctrica
Más detallesTema 6: Modelos de probabilidad.
Estadística 60 Tema 6: Modelos de probabilidad. 6.1 Modelos discretos. (a) Distribución uniforme discreta: La variable aleatoria X tiene una distribución uniforme discreta de parámetro n,que denoteramos
Más detallesEconometría Avanzada FLACSO 2014
Econometría Avanzada FLACSO 2014 Hemos cubierto: Mapa Planteamiento de una pregunta económica de interés Diferencias entre econometría y estadística Métodos: Lineales (MCO) revisión, variables instrumentales
Más detallesLista de Ejercicios (Parte 1)
ACT-11302 Cálculo Actuarial III ITAM Lista de Ejercicios (Parte 1) Prof.: Juan Carlos Martínez-Ovando 15 de agosto de 2016 P0 - Preliminar 1. Deriva las expresiones de las funciones de densidad (o masa
Más detallesTema 7: Introducción a la Teoría sobre Estimación
Tema 7: Introducción a la Teoría sobre Estimación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 7: Introducción a la Teoría sobre Estimación
Más detallesEconomía Aplicada. Modelos con variables dependiente binarias. Departamento de Economía Universidad Carlos III de Madrid
Economía Aplicada Modelos con variables dependiente binarias Departamento de Economía Universidad Carlos III de Madrid Ver Stock y Watson (capítulo 11) 1 / 28 Modelos con variables dependiente binarias:
Más detallesEstadística. Tema 2. Variables Aleatorias Funciones de distribución y probabilidad Ejemplos distribuciones discretas y continuas
Estadística Tema 2 Variables Aleatorias 21 Funciones de distribución y probabilidad 22 Ejemplos distribuciones discretas y continuas 23 Distribuciones conjuntas y marginales 24 Ejemplos distribuciones
Más detallesPráctica 10: Introducción a Modelos Lineales Generalizados.
Práctica : Introducción a Modelos Lineales Generalizados Esta última práctica está dedicada a estudiar brevememente algunos problemas que que se formalizan mediante un modelo similar al modelo lineal normal
Más detallesEconometría Aplicada
Econometría Aplicada y función de Verosimilitud Víctor Medina Los objetivos de esta parte del curso principalmente son: 1. Dar algunos ejemplos de decisiones económicas donde la variable dependiente es
Más detallesInferencia en tablas de contingencia
GoBack Inferencia en tablas de contingencia Guillermo Ayala Gallego Universidad de Valencia 15 de octubre de 2008 1 / 36 Distribución condicionada exacta Intervalo para los odds ratio Intervalo de la diferencia
Más detallesFolleto de Estadísticas. Teoría del 1er Parcial
Folleto de Estadísticas Teoría del 1er Parcial 2012 Población objetivo: Es un conjunto bien definido de elementos sobre los que se desea hacer algún tipo de investigación o medida. Unidades de investigación:
Más detallesFundamentos estadísticos del ensayo clínico, Interpretación de resultados. M José Escudero Barea. Gerente Dpto. Gestión de Datos y Estadística.
Fundamentos estadísticos del ensayo clínico, Interpretación de resultados. M José Escudero Barea. Gerente Dpto. Gestión de Datos y Estadística. Grupo Español de Investigación en Cáncer de Mama (GEICAM).
Más detallesEstadística para las Ciencias Agropecuarias
Estadística para las Ciencias Agropecuarias Séptima Edición Di Rienzo, Julio Alejandro Casanoves, Fernando Gonzalez, Laura Alicia Tablada, Elena Margot Díaz, María del Pilar Robledo, Carlos Walter Balzarini,
Más detallesRepresentaciones gráficas de las distribuciones bidimensionales de frecuencias... 74
Índice 1. Introducción al R 15 1.1. Introducción............................. 15 1.2. El editor de objetos R....................... 18 1.3. Datos en R............................. 19 1.3.1. Vectores...........................
Más detallesMathias Bourel. 2 de octubre de 2016
Regresión Logística Mathias Bourel IMERL - Facultad de Ingeniería, Universidad de la República, Uruguay 2 de octubre de 2016 M.Bourel (IMERL, UdelaR) Regresión Logística 2 de octubre de 2016 1 / 28 Introducción
Más detallesEstadística Grupo V. Tema 10: Modelos de Probabilidad
Estadística Grupo V Tema 10: Modelos de Probabilidad Algunos modelos de distribuciones de v.a. Hay variables aleatorias que aparecen con frecuencia en las Ciencias Sociales y Económicas. Experimentos dicotómicos
Más detallesModelos de probabilidad. Modelos de probabilidad. Modelos de probabilidad. Proceso de Bernoulli. Objetivos del tema:
Modelos de probabilidad Modelos de probabilidad Distribución de Bernoulli Distribución Binomial Distribución de Poisson Distribución Exponencial Objetivos del tema: Al final del tema el alumno será capaz
Más detallesDistribuciones de parámetros conocidos
10.3. CONTRASTE DE BONDAD DE AJUSTE PARA DISTRIBUCIONES265 350 300 observaciones esperado(x) 250 Frecuencias esperadas 200 150 100 Frecuencias observadas 50 0 55 60 65 70 75 80 85 90 Figura 10.2: En los
Más detalles5 Estudios de simulación
5 Estudios de simulación El modelado a través de MLG está disponible en muchos de los paquetes estadísticos más conocidos, como Stata, SAS, Limdep, S o R. De estos paquetes quizás sea Limdep (versión 7.0)
Más detallesUNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS. Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS FACULTAD DE CIENCIAS MATEMÁTICAS E.A.P. DE. ESTADÍSTICA Modelos Probit y Tobit aplicados al estudio de la oferta laboral de los trabajadores secundarios en el Perú
Más detallesAlgunas Distribuciones Continuas de Probabilidad. UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides
Algunas Distribuciones Continuas de Probabilidad UCR ECCI CI-1352 Probabilidad y Estadística Prof. M.Sc. Kryscia Daviana Ramírez Benavides Introducción El comportamiento de una variable aleatoria queda
Más detalles1.- Datos censados (censored observations) son aquellos en los que se ha producido el suceso inicial
ANÁLISIS DE SUPERVIVIENCIA El análisis de supervivencia se utiliza cuando la variable dependiente representa un periodo de tiempo entre un suceso inicial y el evento final. El análisis de supervivencia
Más detallesTests de hipótesis. Técnicas de validación estadística Bondad de ajuste. Pruebas de bondad de ajuste. Procedimiento en una prueba de hipótesis
Tests de hipótesis Técnicas de validación estadística Bondad de ajuste Patricia Kisbye FaMAF 27 de mayo, 2008 Test - Prueba - Contraste. Se utilizan para contrastar el valor de un parámetro. Ejemplo: la
Más detallesQué hacemos cuando la distribución no es normal? Qué significa ser normal? Qué significa ser normal? 1er. Simposio Metodología Seis Sigma
er. imposio Metodología eis igma Resumen Qué hacemos cuando la distribución no es normal? Qué significa ser normal? Ejemplos de situaciones normales Ejemplos de situaciones no normales Resumen Implicaciones
Más detallesEconometría III Examen. 29 de Marzo de 2012
Econometría III Examen. 29 de Marzo de 2012 El examen consta de 20 preguntas de respuesta múltiple. El tiempo máximo es 1:10 minutos. nota: no se pueden hacer preguntas durante el examen a no ser que sean
Más detallesSOLUCIONES AL EXAMEN DE SEPTIEMBRE DE ESTADÍSTICA EXAMEN DE MATEMÁTICAS II
SOLUCIONES AL EXAMEN DE SEPTIEMBRE DE 4. ESTADÍSTICA EXAMEN DE MATEMÁTICAS II Estadística (primer parcial). Septiembre de 4.- El coeficiente de determinación R nos determina a) el % de la varianza de Y
Más detalles1. Modelos para conteos
1. Modelos para conteos En esta sección se modelarán conteos, que resultan de diversas situaciones, por ejemplo: el número de accidentes en una carretera, el número de caries que tiene una persona, el
Más detalles2 Introducción a la inferencia estadística Introducción Teoría de conteo Variaciones con repetición...
Contenidos 1 Introducción al paquete estadístico S-PLUS 19 1.1 Introducción a S-PLUS............................ 21 1.1.1 Cómo entrar, salir y consultar la ayuda en S-PLUS........ 21 1.2 Conjuntos de datos..............................
Más detallesGráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales. x n
Gráficas de funciones de masa de probabilidad y de función de densidad de probabilidad de Distribuciones especiales 1. Función de distribución binomial: Si X distribuye bin ( n, p), entonces f n x x n
Más detallesviii CAPÍTULO 2 Métodos de muestreo CAPÍTULO 3 Análisis exploratorio de datos
Contenido Acerca de los autores.............................. Prefacio.... xvii CAPÍTULO 1 Introducción... 1 Introducción.............................................. 1 1.1 Ideas de la estadística.........................................
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Patricia Kisbye FaMAF 6 de mayo, 2010 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesCapítulo 5: Probabilidad e inferencia
Capítulo 5: Probabilidad e inferencia estadística (Fundamentos Matemáticos de la Biotecnología) Departamento de Matemáticas Universidad de Murcia Contenidos Principios de la probabilidad Conceptos básicos
Más detallesINDICE Capitulo uno Introducción y estadísticas descriptiva Capitulo dos Conceptos en probabilidad Capitulo tres
INDICE Capitulo uno Introducción y estadísticas descriptiva 1.1. Introducción 1.2. descripción grafica de los datos 3 1.3. medidas numéricas descriptivas 11 Ejercicios 22 Apéndice: sumatorias y otras notaciones
Más detalles478 Índice alfabético
Índice alfabético Símbolos A, suceso contrario de A, 187 A B, diferencia de los sucesos A y B, 188 A/B, suceso A condicionado por el suceso B, 194 A B, intersección de los sucesos A y B, 188 A B, unión
Más detallesDefinición de variable aleatoria
Variables aleatorias Instituto Tecnológico Superior de Tepeaca Agosto-Diciembre 2015 Ingeniería en Sistemas Computacionales M.C. Ana Cristina Palacios García Definición de variable aleatoria Las variables
Más detallesEl modelo de azar proporcional: la regresión de Cox
El modelo de azar proporcional: la regresión de Cox Alfonso Luis Palmer Pol y Jose Maria Losilla Vidal El Análisis de la Supervivencia (Palmer, 1988) engloba una variedad de técnicas estadísticas que permiten
Más detallesTécnicas Cuantitativas para el Management y los Negocios I
Técnicas Cuantitativas para el Management y los Negocios I Licenciado en Administración Módulo II: ESTADÍSTICA INFERENCIAL Contenidos Módulo II Unidad 4. Probabilidad Conceptos básicos de probabilidad:
Más detallesAnálisis de supervivencia: el estimador de Kaplan-Meier. Miguel Rodríguez Barranco Granada, 27 de marzo de 2017
Análisis de supervivencia: el estimador de Kaplan-Meier Miguel Rodríguez Barranco Granada, 27 de marzo de 2017 INTRODUCCIÓN Survival analysis Time-to-event data analysis Lifetime data analysis Reliability
Más detallesAuxiliar 9. MNL y MLE. Daniel Olcay. 21 de octubre de 2014 IN4402. Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de / 13
Auxiliar 9 MNL y MLE Daniel Olcay IN4402 21 de octubre de 2014 Daniel Olcay (IN4402) Auxiliar 9 21 de octubre de 2014 1 / 13 Índice Modelos no lineales Probabilidad lineal Probit Logit Máxima verosimilitud
Más detallesTema 6: Introducción a la Inferencia Bayesiana
Tema 6: Introducción a la Inferencia Bayesiana Conchi Ausín Departamento de Estadística Universidad Carlos III de Madrid concepcion.ausin@uc3m.es CESGA, Noviembre 2012 Contenidos 1. Elementos básicos de
Más detallesEjercicios de Simulación
Ejercicios de Simulación Investigación Operativa Ingeniería Informática, UC3M Curso 07/08 1. Escribe un código (por ejemplo en Matlab, Fortran, C,... ) que genere m secuencias de n números Bernoulli con
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 010 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesEstadística Clase 2. Maestría en Finanzas Universidad del CEMA. Profesor: Alberto Landro Asistente: Julián R. Siri
Estadística 011 Clase Maestría en Finanzas Universidad del CEMA Profesor: Alberto Landro Asistente: Julián R. Siri Clase 1. La distribución de Bernoulli. La distribución binomial 3. La distribución de
Más detallesTeórica básica. Incluimos. - Temas
Teórica básica Incluimos - Temas 1 - Tema 1: Fenómenos aleatorios. Conceptos de probabilidad. Propiedades. Independencia de sucesos. Teorema de Bayes. - Tema 2: Variables aleatorias. Variables discretas.
Más detallesPUNTOS DE CAMBIO EN LA FUNCIÓN DE RIESGO
PUNTOS DE CAMBIO EN LA FUNCIÓN DE RIESGO Guadalupe Yoanna Arenas Martínez, Francisco Solano Tajonar Sanabria a, Hugo Cruz Suárez a, Fernando Velasco Luna a. a Facultad de Ciencias Fisico Matematicas, BUAP,
Más detallesCurso online de Supervivencia y Regresión Lineal, Logística y de Cox 2018
MANUAL DE IDENTIDAD VSUAL CORPORATIVA PROGRAMA: Curso online de Supervivencia y Regresión Lineal, Logística y de Cox 2018 Departamento de Formación Médica Continuada (ICOMEM) SUPERVIVENCIA Y REGRESIÓN
Más detallesContrastes de Hipótesis paramétricos y no-paramétricos.
Capítulo 1 Contrastes de Hiptesis paramétricos y no-paramétricos. Estadística Inductiva o Inferencia Estadística: Conjunto de métodos que se fundamentan en la Teoría de la Probabilidad y que tienen por
Más detallesPart VI. Distribuciones notables. Estadística I. Mario Francisco. Principales distribuciones unidimensionales. discretas. Principales distribuciones
Part VI notables El proceso de Bernoulli En cada observación se clasifica el elemento de la población en una de las dos posibles categorías, correspondientes a la ocurrencia o no de un suceso. Llamaremos
Más detallesBioestadística: Inferencia Estadística. Análisis de Una Muestra
Bioestadística: Inferencia Estadística. Análisis de Una Muestra M. González Departamento de Matemáticas. Universidad de Extremadura Estimación Puntual e Intervalos de Confianza Planteamiento del Problema
Más detallesVariables aleatorias continuas
Variables aleatorias continuas VARIABLE ALEATORIA UNIFORME Definición Se dice que una variable X tiene una distribución uniforme en el intervalo [a;b] si la fdp de X es: 1 si a x b f(x)= b-a 0 en otro
Más detallesAnálisis de datos Categóricos
Introducción Universidad Nacional Agraria La Molina 2017-1 Variable cualitativa Variable respuesta cualitativa Variable respuesta y explicativa Variable de conteo y proporción Escalas de medición Una variable
Más detallesSelección de distribuciones de probabilidad
Selección de distribuciones de probabilidad Georgina Flesia FaMAF 3 de mayo, 2012 Análisis estadístico de datos simulados Los sistemas reales tienen fuentes de aleatoriedad: Tipo de sistema Fabricación
Más detallesModelos de suavizado, aditivos y mixtos
Carmen Armero 1 de junio de 2011 Introducción Introducción Modelos lineales, LM Modelos aditivos, AM Modelos lineales generalizados, GLM GAM I Un modelo lineal generalizado (GAM) es un modelo lineal generalizado
Más detallesPlanificaciones Probabilidad y Estadística A. Docente responsable: MANCILLA AGUILAR JOSE LUIS. 1 de 5
Planificaciones 6106 - Probabilidad y Estadística A Docente responsable: MANCILLA AGUILAR JOSE LUIS 1 de 5 OBJETIVOS 1) Introducir al alumno en la comprensión de la necesidad y oportunidad de la aplicación
Más detalles1. Funciones básicas y distribuciones
1. Funciones básicas y distribuciones 1.1 Definición de tiempos de falla Qué es el análisis de supervivencia?. Es el análisis estadístico de datos de tiempo a la ocurrencia de un evento (time to event
Más detallesTema 8: Regresión y Correlación
Tema 8: Regresión y Correlación Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 8: Regresión y Correlación Curso 2008-2009 1 / 12 Índice
Más detallesJUEGO DE BASKETBALL. Repaso de Distribuciones de Probabilidad Discretas y Continuas
JUEGO DE BASKETBALL Repaso de Distribuciones de Probabilidad Discretas y Continuas PREGUNTA #1 Qué es una variable aleatoria uniforme discreta? Cómo es su distribución? Qué es una variable aleatoria uniforme
Más detallesTécnicas de Inferencia Estadística II. Tema 3. Contrastes de bondad de ajuste
Técnicas de Inferencia Estadística II Tema 3. Contrastes de bondad de ajuste M. Concepción Ausín Universidad Carlos III de Madrid Grado en Estadística y Empresa Curso 2010/11 Tema 3. Contrastes de bondad
Más detallesAplicación de la distribución empírica: Tests de bondad de ajuste
Aplicación de la distribución empírica: Tests de bondad de ajuste 4 de marzo de 2009 Test de bondad de ajuste Supongamos que se dispone de una m.a.s de tamaño n de una población X con distribución desconocida
Más detallesPlanificaciones Probabilidad y Estadística A. Docente responsable: MANCILLA AGUILAR JOSE LUIS. 1 de 6
Planificaciones 8103 - Probabilidad y Estadística A Docente responsable: MANCILLA AGUILAR JOSE LUIS 1 de 6 OBJETIVOS 1) Introducir al alumno en la comprensión de la necesidad y oportunidad de la aplicación
Más detallesMANTENIMIENTO CENTRADO EN CONFIABILIDAD (MCC) DR. JORGE ACUÑA 1
MANTENIMIENTO CENTRADO EN CONFIABILIDAD (MCC) 1 ADMINISTRACION DEL news MANTENIMIENTO ( QUE ES? Mantenimiento: operación mediante la cual los sistemas están sometidos a rutinas de revisión, reparación
Más detallesAnálisis de datos Categóricos
Regresión logística Universidad Nacional Agraria La Molina 2014-2 Regresión logística simple Interpretación de parámetros Gracando las proporciones Inferencia Introducción Para una variable aleatoria respuesta
Más detallesContrastes basados en el estadístico Ji Cuadrado
Capítulo 10 Contrastes basados en el estadístico Ji Cuadrado 10.1. Introducción Existen multitud de situaciones en el ámbito de la salud en el que las variables de interés, las cuales no pueden cuantificarse
Más detallesPRUEBA DE BONDAD DE AJUSTE O PRUEBA CHI - CUADRADO
O PRUEBA CHI - CUADRADO Hasta ahora se han mencionado formas de probar lo que se puede llamar hipótesis paramétricas con relación a una variable aleatoria, o sea que se ha supuesto que se conoce la ley
Más detallesPrácticas de Fiabilidad
Prácticas de Fiabilidad Práctica : Objetivo: En esta práctica se van a ajustar datos censurados. De los tres tipos de censura existentes se va a trabajar con la censura aleatoria, es decir, el proceso
Más detallesPRUEBAS DE BONDAD DE AJUSTE
PRUEBAS DE BONDAD DE AJUSTE Pruebas de bondad de ajuste xi cuadrada y Kolmogorov-Smirnov Facultad de Ciencias Químicas e Ingeniería, UAEM Simulación de Procesos Contenido Prueba de bondad de ajuste χ2...
Más detallesBIOSESTADÍSTICA AMIGABLE
BIOSESTADÍSTICA AMIGABLE EJEMPLO: Ficha solicitud Colección Reserva UNIVERSIDAD AUSTRAL DE CHILE SISTEMA DE BIBLIOTECAS Clasificación: 574.015195 MAR 2001 Vol. y/o Copia: Apellido Autor: Título: C. 1 (SEGÚN
Más detallesDefinición Una hipótesis es una afirmación acerca de un parámetro.
Capítulo 8 Prueba de hipótesis Existen dos áreas de interés en el proceso de inferencia estadística: la estimación puntual y las pruebas de hipótesis. En este capítulo se presentan algunos métodos para
Más detallesModelos Lineales Generalizados
Modelos Lineales Generalizados 1 DefinicióndeunMLG Y1,Y2,...,Yn,conmediasµ1,µ2,...,µn,Yi, i=1,...,n,tienefdpmiembrodela familia exponencial a un parámetro, con las siguientes propiedades: 1.LadistribucióndecadaunodelosYi,paratodoi,estáenlaformacanónica,i.e.:
Más detallesEstadística Económica y Estadística Empresarial
Universidad de Valladolid Facultad de Ciencias Económicas y Empresariales Departamento de Estadística y Econometría Licenciatura en Ciencias Económicas Sin docencia. Plan a extinguir Proyecto docente de:
Más detallesTema 3. Tema 3 La Distribución Normal y los Puntajes Estándar. Profa. María Fátima Dos Santos
Tema 3 Tema 3 La Distribución Normal y los Puntajes Estándar Profa. María Fátima Dos Santos 1 TEMARIO Concepto de distribución. Algunas distribuciones. Distribución normal. Características Distribución
Más detallesAnálisis de datos Categóricos
Regresión logística Universidad Nacional Agraria La Molina 2016-1 Regresión logística simple Interpretación de parámetros Inferencia Para una variable aleatoria respuesta Y y una variable explicativa X,
Más detallesDEPARTAMENTO DE MATEMÁTICAS Página 1
DEPARTAMENTO DE MATEMÁTICAS Página 1 APROBADO EN EL CONSEJO DE LA FACULTAD DE CIENCIAS EXACTAS ACTA 13 DEL 21 ABRIL 2010 PROGRAMAS DEL DEPARTAMENTO DE MATEMÁTICAS El presente formato tiene la finalidad
Más detallesModelos de distribuciones discretas y continuas
Ignacio Cascos Fernández Departamento de Estadística Universidad Carlos III de Madrid Modelos de distribuciones discretas y continuas Estadística I curso 2008 2009 1. Distribuciones discretas Aquellas
Más detallesEstrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis
Estrategia de análisis estadístico de los datos. Inferencia Estadística y contraste de hipótesis VDC Prof. Mª JOSÉ PRIETO CASTELLÓ MÉTODOS ESTADÍSTICOS. TÉCNICAS ESTADÍSTICA DESCRIPTIVA TEORÍA DE LA PROBABILIDAD
Más detallesTema 4: Probabilidad y Teoría de Muestras
Tema 4: Probabilidad y Teoría de Muestras Estadística. 4 o Curso. Licenciatura en Ciencias Ambientales Licenciatura en Ciencias Ambientales (4 o Curso) Tema 4: Probabilidad y Teoría de Muestras Curso 2008-2009
Más detallesESTADÍSTICA I. A continuación se presentan los Modelos Probabilísticos Continuos más importantes.
1 ESTADÍSTICA I Capítulo 6: MODELOS PROBABILÍSTICOS CONTINUOS. Contenido: Distribución Uniforme Continua. Distribución Triangular. Distribución Normal. Distribuciones Gamma, Exponencial, Erlang y Chi Cuadrado.
Más detalles