REGRESIÓN LOGÍSTICA INTRODUCCIÓN
|
|
- Antonia Peralta Flores
- hace 5 años
- Vistas:
Transcripción
1 1 REGRESIÓN LOGÍSTICA INTRODUCCIÓN Comncmos con un jmplo qu nos srvirá para ilustrar l análisis d datos binarios. Los siguints datos tomados d Littl (1978) corrspondn a 1607 mujrs casadas y fértils ntrvistadas por la Encusta d Frtilidad Fiji d 1975, clasificadas por dad, nivl d ducación, dso d tnr más hijos y l uso d anticoncptivos. En st jmplo s considra a Anticoncpción como variabl dpndint y a las dmás como prdictoras. En st caso todas las prdictoras son variabls catgóricas, sin mbargo l modlo qu prsntarmos prmit introducir variabls indpndints continuas y discrtas. El objtivo s dscribir cómo l uso d métodos anticoncptivos varía sgún la dad, l nivl d ducación y l dso d tnr más hijos. Por jmplo, una prgunta qu sría intrsant rspondr s si la asociación ntr ducación y anticoncpción s afctada por l hcho d qu mujrs con un nivl d ducación más lvado prfirn familias más chicas qu las mujrs con nivls d ducación infrior. El modlo d rgrsión logística s muy utilizado n trabajos biológicos y pidmiológicos. S utiliza para modlar rpustas dicotómicas (prsncia o ausncia d una condición) n función d un conjunto d variabls (covariabls) qu posiblmnt afctan la rspusta. Igual qu n rgrsión linal, la rgrsión logística prov una stratgia d modlización gnral, flxibl y d intrprtación dircta. También prmit qu las covariabls san cualitativas, ordinals o cuantitativas. Dsd l punto d vista práctico, los dos métodos tinn muchas similituds, a psar qu los procdimintos matmáticos subyacnts son difrnts. Dsd l punto d vista tórico l modlo d rgrsión logística forma part d una familia d modlos llamada Modlos linals gnralizados. En rgrsión linal la mdia d la variabl rspusta (µ) s modla mdiant una combinación linal d variabls xplicativas E ( Y x x. 1,, xk ) ( Y x1,, xk ) 0 1x1 k k
2 2 En los modlos linals gnralizados s modla una transformación d la mdia d la variabl rspusta (g(µ)) como una combinación linal d las variabls xplicativas: g( E(Y x1,, xk )) g( (Y x1,, xk )) 0 1x1 k xk. Si la variabl rspusta Y (componnt alatoria) tin distribución Bi (1, p) (como ocurrirá n rgrsión logística), s dcir: Y = 1 con probabilidad p Y = 0 con probabilidad 1- p, l parámtro p admás d sr la mdia d la variabl Y s la probabilidad d qu Y tom l valor 1. Es dcir: Por otro lado σ 2 = V(Y) = p(1-p). Así mismo, dadas las obsrvacions x 1,,x k μ = E (Y) = 1.p + 0.(1-p) = p. Y = 1 x 1,,x k con probabilidad p = p(x 1,,x k ) P(Y 1 x1,, xk ) y Y = 0 x 1,,x k con probabilidad 1- p(x 1,,x k ) P(Y 1 x,, x ). 1 1 k Tanto la mdia como la varianza dpndn d las obsrvacions x i. Esto sugir qu cualquir modlo qu, como l linal, asuma homoscdasticidad d las obsrvacions no srá adcuado para l problma. En l modlo d rgrsión logística, la mdia (p) d una variabl rspusta con distribución Binomial(1, p) s transforma mdiant la transformación logística : Así l modlo rsulta d la forma g (p) p ln 1 p P(Y 1 x1,, x ) k ln 0 1x1 k x 1 P(Y 1 x1,, xk ) Vrmos por qué tin sntido st modlo y prsntarmos los motivos por los cuals no s adcuado ajustar un modlo linal cuando la variabl rspusta s binaria. Estudiarmos cómo s la curva qu rsulta d la transformación logística. Dsarrollarmos jmplos d rgrsión logística simpl (una única variabl xplicativa), y d rgrsions logísticas múltipls (más d una variabl xplicativa). Utilizarmos tanto variabls xplicativas continuas como variabls xplicativas catgóricas. Vrmos l significado d divrsas mdidas qu habitualmnt prsntan los programas stadísticos qu ralizan un ajust logístico para valuar la calidad dl modlo stimado. Una vz stablcido l modlo qu qurmos ajustar harmos las difrnts tapas d infrncia habituals: Estimar los parámtros Hallar intrvalos d confianza para los mismos Evaluar la bondad dl ajust Ralizar algún tst qu involucr los parámtros. k.
3 3 Comncmos dsarrollando un jmplo con covariabl continua. Más adlant xtndrmos l análisis a los dmás casos. Tabla 1. Prsncia (1) Ausncia (0) d diabts (DIABET) ID DIABET SSPG ID DIABET SSPG ID DIABET SSPG Considrmos los datos dl archivo diabt.xls. Corrspondn a 145 adultos no obsos qu participaron n un studio sobr diabts para invstigar la rlación ntr la prsncia d diabts y varias mdidas químicas. Utilizarmos únicamnt la variabl SSPG stady stat plasma glucos (una mdida d la rsistncia a la insulina) como variabl xplicativa y como variabl rspusta DIABET (DIABET =1 indica qu l pacint s diabético, DIABET=0 indica qu l pacint no s diabético). La Tabla 1 mustra una part d los datos y s ncuntran ordnados d acurdo con valors crcints d la variabl SSPG. >library(radxl) >path<-fil.choos() >diabtsxls<-rad_xcl(path) DIABET ID INSTEST GLUFAST GLUTEST GROUP RELWT SSPG >diabt<-diabtsxls$diabet >sspg<-diabtsxls$sspg >summary(sspg) Min. 1st Qu. Mdian Man 3rd Qu. Max
4 4 >hist(sspg) >hist(sspg,nclass=20,probability=t,main="histograma d Áras", xlab= "SSPG",ylab="Dnsidad",xlim=c(0,500),bordr="darkrd",col="pink")
5 5 >stm(sspg) Th dcimal point is 1 digit(s) to th right of th >sq(0,500,by=40) >class<-cut(sspg,braks=c(0,40,80,120,160,200,240,280,320,360,420,500)) >tabl(class) class (0,40] (40,80] (80,120] (120,160] (160,200] (200,240] (240,280] (280,320] (320,360] (360,420] (420,500] Otras formas para dtrminar class >class2<-cut(sspg,braks=sq(0,500,by=40)) >class3<-cut(sspg,braks=sq(0,500,lngth.out=10)) >sq(0,500,lngth.out=10) [1] [7] Obtnmos las mdias mustrals (promdios) d las variabls SSPG y DIABET para cada clas. Qué significa la mdia mustral d la variabl DIABET?
6 6 >sumayporclass<-tapply(diabt,index=class,fun=sum) >sumayporclass (0,40] (40,80] (80,120] (120,160] (160,200] (200,240] (240,280] (280,320] (320,360] (360,420] (420,500] >pestimado<-sumayporclass/tabl(class) >pestimado (0,40] (40,80] (80,120] (120,160] (160,200] (200,240] (240,280] (280,320] (320,360] (360,420] (420,500] >tapply(sspg,index=class,fun=man) (0,40] (40,80] (80,120] (120,160] (160,200] (200,240] (240,280] (280,320] (320,360] (360,420] (420,500] class mdia SSPG proporción DIABET [0-40) 32,67 0,00 [40 80) 62,58 0,04 [80-120) 102,67 0,08 [ ) 141,35 0,35 [ ) 178,67 0,50 [ ) 222,07 0,80 [ ) 260,95 0,79 [ ) 303,89 1,00 [ ) 342,14 1,00 [ ) 386,75 1,00 [ ) 457,00 1,00 Tabla 2. Proporción d pacints con diabts por clas La tabla antrior mustra qu la proporción d pacints diagnosticados con diabts aumnta a mdida qu aumnta la mdia d SSPG d cada grupo. La Figura 1 prsnta l diagrama d disprsión corrspondint.
7 7 Figura 1. Proporción d pacints diagnosticados con diabts n función d los nivls d glucosa (SSPG). La Figura 2 mustra la curva d rgrsión logística y la rcta ajustada a los datos d la tabla 1 (mínimos cuadrados), junto con las proporcions obsrvadas. Vmos qu la rcta capta la tndncia crcint d las proporcions pro stima valors fura dl intrvalo [0, 1], n l rango d valors obsrvados para la variabl xplicativa. La curva stimada admás d mostrar la tndncia crcint d las proporcions con la variabl xplicativa pasa n promdio más crca d la mayoría d los puntos dl diagrama d disprsión. Figura 2
8 8 Si ajustamos n forma rróna un modlo d rgrsión linal a st conjunto d datos obtndrmos la rcta ajustada qu mustra l diagrama d disprsión d la figura 2 y las siguints salidas >diabtslm<-lm(diabt~sspg) >summary(diabtslm) Call: lm(formula = diabt ~ sspg) Rsiduals: Min 1Q Mdian 3Q Max Cofficints: Estimat Std. Error t valu Pr(> t ) (Intrcpt) * sspg <2-16 *** --- Signif. cods: 0 *** ** 0.01 * Rsidual standard rror: on 143 dgrs of frdom Multipl R-squard: , Adjustd R-squard: F-statistic: on 1 and 143 DF, p-valu: < >anova.tabl(diabtslm) 1 Funt SS DF MS F P 2 Rgrsion Rsiduos Total Las tablas no mustran los problmas pro n los diagramas d disprsión d los datos (Figura 3) y los rsiduos (Figura 4) pudn obsrvars structuras no atribuibls al azar.
9 9 Figura 3 La Figura 3 mustra l diagrama d disprsión d los valors obsrvados d la variabl rspusta y la variabl SSPG junto con la rcta ajustada por rgrsión linal. Est diagrama nos da una imprsión d la naturalza y furza d la rlación ntr la rspusta y la variabl indpndint. Los puntos can n dos línas parallas, indicando la prsncia (DIABET = 1) o ausncia (DIABET = 0) d diabts. Est gráfico mustra claramnt la naturalza dicotómica d la variabl rspusta y parc sugrir qu la diabts ocurr con mayor frcuncia n pacints con valors más altos d SSPG. Sin mbargo, st gráfico no prov una imagn clara d la rlación ntr la diabts y la SSPG ya qu como los datos can sobr 2 línas horizontals, l gráfico s difícil d intrprtar. Qué spraríamos vr n la Figura 3 si no hubira ninguna rlación ntr SSPG y DIABET? Los rsiduos (Figura 4) mustran una structura clara indicando qu l modlo linal no s adcuado para stos datos.
10 10 Figura 4 Volvindo a la Figura 3, valors bajos d SSPG corrspondn a pacints no diabéticos, mintras qu para valors más altos d SSPG s obsrva más frcuntmnt prsncia d diabts. La situación más sncilla ocurriría si xistira un umbral o valor d cort para la variabl SSPG, tal qu hasta s valor, la variabl DIABET=0 y para valors mayors DIABET=1. Esto sría lo qu sucdría n un modlo sin ruido. Qué ocurriría n un caso más ralista, como l d nustra mustra, n l qu intrvin l ruido dbido a las componnts alatorias dl studio? Lo qu cab sprar s un diagrama como l d la Figura 3. También stá claro qu hay una zona d transición dond los valors d DIABET =0 ó 1 s altrnan mintras dura la transición y no hay valor d SSPG qu prmita spararlos limpiamnt. Tnindo n cunta las idas qu hmos ido xponindo n l jmplo, qué clas d rspusta spramos d un modlo n st tipo d situacions, qué tipo d prdicción? Si xistira un umbral spraríamos obtnr DIABET=0 (hasta l umbral) ó DIABET=1 (lugo dl umbral), pro cuando hay una zona d transición la solución no s cntrars n los valors 0 y 1 d DIABET sino n cambio, n la probabilidad d qu DIABET tom uno d sos valors. Es un cambio trascndntal qu afcta a la structura dl modlo qu vamos a construir. La prgunta qu vamos a rspondr no s: Dado un valor d X=SSPG, cuál s l valor d Y=DIABET, uno o cro? sino Dado un valor d X=SSPG, cuál s la probabilidad d qu Y=DIABET tom valor 1?
11 11 El objtivo cntral d nustro modlo s una probabilidad condicionada p(x 0 ) = P(Y = 1 X = x 0 ), Rcordar qu P(Y = 0 X = x 0 ) = 1 - P(Y = 1 X = x 0 ). Así por jmplo, si ocurrira qu para un x 0 n la zona d transición nustro modlo stima p(x 0 ) = P(Y = 1 X = x 0 ) con valor pˆ ( x 0) = 0.75=3/4. Esto significa qu d cada cuatro obsrvacions con un valor X = x 0, spramos qu n trs d llas, s cumpla Y = 1. Podríamos discrtizar l rango d X=SSPG n class, como n nustro jmplo d diabts y stimar por jmplo P(Y = X < 240) con valor MODELO DE REGRESIÓN LOGÍSTICA En muchos studios la variabl rspusta s la prsncia (Y = 1) o ausncia (Y = 0) d una condición. S trata d variabls dicotómicas, pus involucran dos catgorías. Las técnicas para modlar variabls dicotómicas s xtindn a variabls con trs o más catgorías (policotómicas) utilizando la distribución multinomial. Espramos qu un modlo d rgrsión adcuado stim la proporción d individuos n la población con la caractrística d intrés, o quivalntmnt la probabilidad d qu un individuo tnga dicha caractrística, para cada valor d la variabl xplicativa. En l jmplo d los pacints diabéticos l modlo dbría stimar la proporción d individuos con diabts para cada valor fijo d la variabl SSPG stady stat plasma glucos. Indiqumos por p la probabilidad d qu un individuo tnga diabts. La variabl Y, qu indica la prsncia o ausncia dl vnto, val 1 si l individuo tin diabts y 0 si no. Su distribución s Bi(1, p) y su valor sprado o valor mdio s E(Y) = p. Intrsa studiar la rlación ntr la glucosa-sspg y la prsncia o ausncia d diabts n la población n studio. Qué significaría n st caso ajustar un modlo d rgrsión linal simpl para la variabl rspusta (Y i = prsncia o ausncia d diabts n l i-ésimo pacint) con X i como variabl xplicativa? Y X i Significaría suponr qu la mdia d la variabl Y cambia linalmnt con la variabl indpndint X i X x x E Y. Rcordmos qu una vz qu conocmos l valor d X= x, la mdia d Y s la probabilidad (p) d qu Y = 1. Esto s, para cada valor d x i E Y X x P(Y 1 X x) = p(x). Por lo tanto l modlo linal propon qu la probabilidad d qu un individuo lgido al azar (n la población n custión) ntr los qu tinn x glucosa tnga diabts s una función linal d la glucosa:
12 12 p ( x) x La stimación d st modlo podría basars n mínimos cuadrados ordinarios. Como p(x) s una probabilidad, db cumplir con la rstricción: 0 p(x) 1, mintras qu x pud tomar cualquir valor ral. Cuando ajustmos la rgrsión, podría ocurrir qu l valor stimado d p(x) para valors d X dntro dl rango d valors obsrvados, cayra fura d los límits stablcidos por la rstricción y así l modlo linal no tndría sntido. Esta solución no rsulta muy natural. Vr nuvamnt la Figura 2. Podríamos intntar rsolvr st problma aplicando una transformación a la probabilidad p(x) a través d una función qu map l intrvalo (0,1) sobr la rcta ral. Llammos odds (u oportunidad) al p cocint. Obsrvar la siguint tabla: 1 p p p 1 p ln p 1 p D manra qu los odds mnors qu 1 stán asociados a probabilidads mnors qu 0.5 y odds mayors qu 1 stán asociados a probabilidads mayors qu 0.5. Sin mbargo sta transformación sólo mapa sobr los rals positivos. Para xtndrla a los ngativos introducimos l logaritmo: p ln. 1- p El modlo d rgrsión logística qu s un caso particular d modlo linal gnralizado, stablc qu una transformación d la probabilidad d qu un individuo lgido al azar (n la población n custión) ntr los qu tinn x glucosa tnga diabts, s una función linal d x: p( x) ln = + x 1- p( x) Por qué tin sntido st modlo?
13 13 Lugo no habría problmas con las prdiccions utilizando + x. Qué dic l modlo logístico rspcto d la probabilidad sin transformar, d tnr diabts? Para llo vamos qu: + x p( x) = 1+ Mdiant sa transformación logit s logra qu los valors stimados d p(x) s ncuntrn simpr n l intrvalo (0, 1). Por qué? + x. (1) O lo qu s lo mismo: La probabilidad d qu un individuo lgido al azar (n la población n custión), ntr los qu tinn x glucosa, tnga diabts, s rlaciona n forma curvilína con la variabl xplicativa d acurdo con la xprsión (1). La curva dada n (1) toma valors dntro dl intrvalo [0, 1]. A continuación damos múltipls jmplos:
14 14 El punto gordo stá marcando l cambio d tndncia éxito- fracaso (o al rvés) FUNCIÓN DE RESPUESTA LOGÍSTICA La Figura 5 mustra dos funcions d rspusta curvilínas hipotéticas para l caso d una única variabl prdictora continua. Estas curvas tinn forma d S volcada o su imagn spcular, no pudn tomar valors fura dl intrvalo [0,1], son llamadas funcions d rspusta logística.
15 15 (a) Crcint Figura 5 (b) Dcrcint Una curva logística cualquira pud rprsntars mdiant la siguint xprsión: + x E( Y X x) p( x) = (1) + x 1+ El plan consist n lgir los valors d los parámtros qu proporcionn la mjor curva logística para nustra mustra d puntos. Como pud obsrvars n las curvas d la Figura 5, una función d rspusta logística pud sr tanto monótona crcint, cuando l coficint ß s positivo y monótona dcrcint cuando s ngativo. Si β = 0 β > 0 β < 0 α p ( x) = s constant sobr los valors d x α 1+ + x p ( x) = crc con x + x 1+ + x p ( x) = dcrc con x + x 1+ Más aún, s casi linal para valors d p(x) ntr 0.2 y 0.8, y s acrca gradualmnt a 0 y 1 hacia los dos xtrmos dl rango d valors d x. El gráfico s parc, cuando ß > 0, a la función d distribución acumulada d una variabl alatoria. No dbría sorprndr qu conocidas funcions d distribución acumuladas hayan sido utilizadas para provr un modlo d E (Y X = x) n l caso qu Y s dicotómica. Por jmplo, ha sido utilizada la distribución Gaussiana dando como rsultado l modlo Probit. Nosotros usarmos la distribución logística qu llva a la cuación (1). Hay dos razons fundamntals para lgirla. Estas son: (1) dsd l punto d vista matmático, s una función muy flxibl y muy fácil d usar, (2) dsd l punto d vista biológico, los coficints admitn una intrprtación simpl. En la cuación (1) aparc p(x) para dstacar l hcho qu n st caso la spranza d la variabl rspusta coincid con la probabilidad d qu ocurra l vnto d intrés (Y = 1). Vimos qu una forma quivalnt d scribir l modlo (1) d rgrsión logística s: p( x) ln = + x 1- p( x) En st modlo l parámtro d mayor intrés s la pndint β, tal como ocurr n rgrsión linal. Rcordmos qu la difrncia principal con la rgrsión linal s qu n l modlo logístico proponmos una rlación linal ntr una transformación d las proporcions y las variabls xplicativas. La transformación qu usamos s la logit : p logit (p)= ln ln( odds) 1- p dond p s la proporción poblacional d individuos con la caractrística, o sa s la probabilidad qu la variabl rspusta tom l valor 1 (p = P(Y = 1 X=x)). (2)
16 16 Si p s la probabilidad qu un individuo tnga diabts ntoncs 1- p s la probabilidad d qu no lo tnga. La xprsión dada n (2) pud scribirs como: logit(p) = + x ln( odds ) + x La rgrsión logística stablc qu l logit s una función linal d la variabl xplicativa, ntoncs, la probabilidad p s una función con forma d S como las d la Figura 3. Las probabilidads prdichas s acrcan, pro nunca alcanzan o xcdn, los bords d 0 y 1. Equivalntmnt la rgrsión logística stablc qu l odds s una función multiplicativa d las variabls: odds x SIGNIFICADO DE LOS COEFICIENTES EN EL MODELO DE REGRESIÓN LOGÍSTICA SIMPLE. Con una única variabl xplicativa continua: p( x) ln x 1 p( x) El coficint β s l cambio n unidad. Más spcíficamnt p( x) ln 1- p( x) = logit(p(x)) cuando la variabl X aumnta n 1 p( x 1) ln ( x 1) 1 p( x 1) Lugo p( x 1) p( x) ln ln 1 p( x 1) 1 p( x) y d manra quivalnt p( x 1) 1 p( x 1) ln. p( x) 1 p( x) Tomando xponncial d cada lado d la dsigualdad quda:
17 17 Esta última xprsión s llama odds ratio (OR). p( x 1) 1 p( x 1) p( x) 1 p( x) El OR asociado a un cambio n una unidad d la variabl X stá dado por OR. Equivalntmnt β s l ln(or) ntr los grupos dfinidos por X = x +1 y por X = x. Muchas vcs un cambio n una unidad no tin intrés biológico. Por jmplo, l cambio n 1 día n la dad pud sr muy pquño para sr considrado important. Un cambio n 2 años pud sr más útil. El ln(or) ntr l grupo dfinido por X = x + c y l grupo dfinido por X = x s: odds( x c) ln c odds(x). El OR asociado a un cambio d c unidads d la variabl xplicativa, cuando su coficint s β, s obtin: OR(c) c. Rtomarmos más adlant, l studio d los odds y odds ratio con más dtniminto.
18 18 Comparación Rgrsión Linal vs Rgrsión Logística Linal Logística Variabl Rspusta Y: continua Y: binaria: 0 ó 1 Valor ajustado Nivl d Y P(Y 1 X x) Intrprtación d los parámtros Difrncia d Y ln(or) Como s mncionó ants l modlo d rgrsión logística no pid linalidad ntr su variabl dpndint y sus variabls xplicativas sin mbargo, sí rquir qu la rlación ntr la variabl indpndint y los ln(odds)=logit sa linal. Est modlo rquir mustras más grands rspcto a las qu s usan para l modlo d rgrsión linal, ya qu la stimación por máxima vrosimilitud s más débil qu la stimación por mínimos cuadrados REGRESIÓN LOGÍSTICA-EJEMPLO-CONT La variabl rspusta s la prsncia (Y=1) o ausncia (Y=0) d diabts y la única variabl xplicativa s la SSPG. >diabtsglm<-glm(diabt~sspg,family=binomial(link="logit")) >summary(diabtsglm) Call: glm(formula = diabt ~ sspg, family = binomial(link = "logit")) Dvianc Rsiduals: Min 1Q Mdian 3Q Max Cofficints: Estimat Std. Error z valu Pr(> z ) (Intrcpt) *** sspg *** --- Signif. cods: 0 *** ** 0.01 * (Disprsion paramtr for binomial family takn to b 1) Null dvianc: on 144 dgrs of frdom Rsidual dvianc: on 143 dgrs of frdom AIC: La tabla antrior mustra n la columna ncabzada por Estimat: los stimadors d los coficints d cada variabl n l modlo logístico, n st caso solamnt l coficint d SSPG y la ordnada al orign (constant). Dichos stimadors furon obtnidos mdiant l método d máxima vrosimilitud. Dicho método srá studiado más adlant. La notación qu usarmos para los coficints stimados srá: ˆ y ˆ.
19 19 Std. Error: los rrors típicos o rrors stándar asociados a los coficints. Prmitn ralizar tsts basados n la distribución Normal para dcidir si l coficint s stadísticamnt significativo (mayor a cro, mnor a cro o distinto d cro). Sus p-valors tinn validz aproximada. Estadístico d Wald: z valu = Estimat/Std. Error Es l stadístico dl tst para dcidir si l coficint s stadísticamnt significativo distinto d cro. Está basado n una distribución N(0,1). Sus p-valors tinn validz aproximada. Pr(> z ): s l p-valor aproximado dl stadístico Wald para cada coficint. Otros comandos útils: >diabtsglm$cofficints[1] (Intrcpt) >diabtsglm$cofficints[2] sspg > summary(diabtsglm)$cofficints Estimat Std. Error z valu Pr(> z ) (Intrcpt) sspg > summary(diabtsglm)$cofficints[2,3] [1] El modlo stimado d acurdo con la tabla antrior s : logit st = -4, ,025 * SSPG (4) log(odds st) = log( pˆ (SSPG)/(1- pˆ (SSPG)) = -4, ,025 * SSPG o quivalntmnt pˆ (SSPG ) 1 ( -4,548 0,025*SSPG ) ( -4,548 0,025*SSPG ) >diabtsglm<-glm(diabt~sspg,family=binomial(link="logit")) b0<-diabtsglm$cofficints[1] b1<-diabtsglm$cofficints[2] >curvalogisticaglm<-function(x) { rturn(xp(b0+b1*x)/(1+xp(b0+b1*x))) }
20 20 >curv(curvalogisticaglm,from=0,to=500) O bin >plot(c( 32.66, 62.58, , , , , ,303.88, , , 457.0),c(0, 0.041, 0.083, 0.347, 0.5, 0.8,0.789,1, 1, 1,1),xlab="mdia d sspg por clas",ylab="proporción d diabéticos por clas") >x<-sq(1,500,by=0.01) >lins(x,curvalogisticaglm(x))
21 21 Figura 5 Intrvalos d confianza Los intrvalos d confianza d nivl 1 para los coficints stán dados por: Estimat ± Z / 2 Std.Error Hallmos un intrvalo d confianza para l coficint d SSPG d nivl 95% > summary(diabtsglm)$cofficints Estimat Std. Error z valu Pr(> z ) (Intrcpt) sspg > s<-summary(diabtsglm)$cofficints[2,2] > s [1] >c(diabtsglm$cofficints[2]-qnorm(0.975)* s,diabtsglm$cofficints[2]+qnorm(0.975)*s) sspg sspg O bin podmos usar las funcions dl R para hallar un intrvalo d confianza para : > confint.dfault(diabtsglm,lvl = 0.95) 2.5 % 97.5 % (Intrcpt) sspg
22 22 El coficint asociado a SSPG s positivo, lo qu nos indica qu la probabilidad d tnr diabts aumnta con l nivl d glucosa. El coficint asociado a SSPG s = 0,025. Por lo tanto l odds ratio stimado para un aumnto d una unidad d SSPG s (stadísticamnt significativo) mayor a 1 0,025 OR st 1,026. xp( ) = Est odds ratio mustra un cambio biológicamnt important? Podmos hallar un intrvalo d confianza para los odds ratio stimados: Hasta acá tnmos un intrval d confianza para dado por IC=[L,U]. Podmos hallar un intrvalo d confianza para l OR utilizando la función xponncial y hacindo [xp(l),xp(u)] >c(xp(diabtsglm$cofficints[2]-qnorm(0.975)*s), xp(diabtsglm$cofficints[2]+qnorm(0.975)*s)) sspg sspg El odds ratio stimado para un aumnto d 10 unidads d SSPG s OR st 0,025 *10 xp( *10) = Cómo hallamos su intrvalo d confianza? Hacrlo. 1,29 El odds ratio stimado para un aumnto d 100 unidads d SSPG s ORst 0,025*100 xp( *100) = Cuál s su intrvalo d confianza? Si SSPG = 200 la probabilidad d tnr diabts por: ( p (SSPG 200) 1 12,53-4,548 0,025* 200 ) ˆ ( -4,548 0,025* 200 ) 0,62 xp( * 200)/(1+xp( * 200)) = La curva logística stimada, qu da la rlación ntr la probabilidad stimada para diabts y SSPG, prmit hallar una probabilidad stimada para cada valor posibl d la variabl SSPG: ˆ ˆ x odds st( x) pˆ( x) 1 odds st( x) 1 Aunqu la xprsión antrior stá dfinida para cualquir valor d la SSPG, sólo tin sntido la stimación dntro dl rango d los valors obsrvados d la variabl xplicativa. No s db xtrapolar. En gnral, una vz qu s ha hallado la curva logística stimada s posibl stimar l valor d X=x qu corrspond a una cirta prvalncia. La prvalncia dl 50% s la más fácil d calcular. Si l modlo stimado s ˆ ˆ x
23 23 cuando pˆ = 0.5, logit( pˆ ) = 0 y rsulta pˆ(x) ln 1- pˆ(x) ˆ x ˆ 0 = ˆ ˆ x x = - ˆ / ˆ = - ( / ) = Esto significa qu s stima, qu n la población d la cual fu tomada la mustra, los pacints con SSPG = 179,91 tinn una probabilidad dl 50% d tnr diabts. 2. ESTIMACIÓN DE LOS COEFICIENTES EN EL MODELO DE REGRESIÓN LOGÍSTICA Vrmos primro algunas difrncias ntr un modlo d rgrsión linal y un modlo d rgrsión logística para una variabl xplicativa. A continuación prsntarmos un método gnral d stimación d parámtros, llamado Máxima Vrosimilitud. 2.1 Difrncias ntr los modlos d rgrsión linal y logístico El modlo logístico, pud sr xprsado n cualquira d las siguints formas: sindo p(x) = P(Y=1 X=x). ln (odds(x)) = o d manra quivalnt: + x E Y X x p( x) = + x, 1+ p( x) ln x 1 p( x) logit ( p( x ) ) = α + β x.
24 1) En rgrsión logística simpl l modlo stablc qu la transformación logit d la EY X x rlaciona linalmnt con la variabl rgrsora. En rgrsión linal simpl s rquir qu la E Y X x s rlacion linalmnt con la variabl rgrsora. 2) En l modlo logístico la variabl Y condicional al valor d la variabl X = x tin distribución binomial (0 ó 1). En rgrsión linal la variabl Y condicional al valor d la variabl X = x tin distribución normal. Por lo tanto la distribución d los rrors n ambos modlos s distinta. 3) En rgrsión linal la distribución d los rrors no dpnd d los valors d las variabls xplicativas pro n rgrsión logística sí dpnd: Es dcir, n rgrsión linal Y = α + β X + ε, dond los rrors ε ~N(0, σ 2 ) indpndints d X. Al fijar l valor d la variabl X, la variabl Y rsulta tnr distribución Normal: con lo cual Y X = x ~N (α + β x, σ 2 ), E(Y X = x) = α + β x. En rgrsión logística la variabl Y toma sólo dos valors 24 s Si Y X = x = 1 Si Y X = x = 0 con probabilidad p(x) con probabilidad 1 p(x), Al fijar l valor d la variabl X la variabl Y X = x rsulta tnr distribución Binomial Y X = x ~ Bi(1,p(x)). Por lo tanto, n rgrsión logística la variabl (x) podría dfinirs d la siguint manra: Equivalntmnt: (x) = Y X = x - E(Y X = x ) = Y X = x p(x). Y X = x = p(x) + (x). Pro, como Y X = x solo pud valr 0 ó 1, cuando la variabl rgrsora toma un cirto valor x l rror (x) sólo pud tomar dos valors: Si Y X = x = 1 ntoncs (x) = 1 p(x) con probabilidad p(x). Si Y X = x = 0 ntoncs (x) = p(x) con probabilidad 1 p(x). Notmos qu la distribución d los rrors n l modlo logístico dpnd dl valor d x, mintras qu sto no sucd n l modlo linal. En rgrsión linal stimamos los parámtros a través dl método d mínimos cuadrados. Bajo cirtos supustos usuals los stimadors tinn una sri d propidads stadísticas dsabls. Dsafortunadamnt cuando la rspusta s dicotómica los stimadors d mínimos cuadrados no mantinn sas mismas propidads. El método gnral d stimación qu coincid con l método d mínimos cuadrados n rgrsión linal cuando los rrors tinn distribución normal s llama máxima vrosimilitud Método d máxima vrosimilitud
25 Ida intuitiva. Usando l hcho d qu la variabl Y tin una distribución conocida (binomial), los parámtros s stiman con l método d máxima vrosimilitud (maximum liklihood). La ida dtrás d st método consist n pnsar qu la mustra obtnida, por habr ocurrido, db tnr alta probabilidad. Est método propon obtnr como stimación d los parámtros y aqullos valors ˆ y ˆ rspctivamnt, qu maximicn la probabilidad d obsrvar la mustra qu hmos obtnido. Esto s raliza maximizando la función dnominada función d vrosimilitud, qu mid la probabilidad d qu ocurran los valors mustrals obsrvados. No s posibl dar una xprsión algbraica para los stimadors d los parámtros. Sí s posibl mostrar la función d vrosimilitud y las cuacions qu dfinn a los stimadors. Los stimadors s obtinn rsolvindo itrativamnt s sistma d cuacions, dnominadas cuacions d máxima vrosimilitud. A continuación s prsntan brvmnt las idas dl método d máxima vrosimilitud, la función d vrosimilitud y las cuacions rsultants Dducción d las cuacions stimación por máxima vrosimilitud. Ajustar un modlo logístico ( x) p( x) ( x) (5) 1 a un conjunto d n datos (x 1, y 1 ),..., (x n, y n ), significa stimar los valors d los parámtros dsconocidos y, n bas a los datos. El método d máxima vrosimilitud s un método gnral d stimación qu produc stimadors, qu n un sntido amplio, maximizan la probabilidad d obtnr l conjunto d datos obsrvados. Para aplicar st método dbmos construir la función d vrosimilitud. Esta función xprsa la probabilidad d obtnr los datos obsrvados n función d los parámtros dsconocidos. Los stimadors d máxima vrosimilitud s lign como aqullos valors qu maximizan sta función. En l marco dl modlo logístico, la probabilidad condicional qu Y tom l valor 1 cuando la variabl xplicativa X toma l valor x s P(Y = 1 X = x) = p(x), dond p(x) stá dada por la cuación (5). En forma similar P(Y = 0 X = x) = 1 p(x). Tnmos n obsrvacions (x 1, y 1 ),..., (x n, y n ). Para aqullos pars (x i, y i ), n los qu y i = 1 la contribución a la función d vrosimilitud s p(x i ) y para aqullos n qu y i = 0 la contribución s 1 p(x i ). Esto pud xprsars n forma única: p( yi x i ) (1 x (1 yi ) p( i)) = 1 ( x ) ( x ) i i y i 1 1 ( x ) ( x ) i i 1 y i. (6) Como las obsrvacions s suponn indpndints (indpndncia d los casos), la función d vrosimilitud s obtin como producto d los términos dados n (6): L, n yi (1 yi ) ) p( xi ) (1 p( xi )) (7) i1 ( Los stimadors d máxima vrosimilitud s dfinn como los valors d los parámtros y, qu maximizan (7) (principio d máxima vrosimilitud) o qu maximizan l logaritmo d la función d vrosimilitud, l logliklihood:
26 26 ln( L (, )) n y ln(p( x )) (1 y )ln((1 p( x )) (8) i i i i i 1 Para obtnr los stimadors d máxima vrosimilitud ˆ y ˆ, dbmos drivar la xprsión (8) con rspcto a y igualar a cro, s dcir buscamos los puntos críticos. Los stimadors rsultan sr las solucions d las siguints cuacions: n i1 y n i1 i 1 x i y i ( ˆ ˆ x ) 1 ( ˆ ˆ x ) i ( ˆ ˆ x ) i ( ˆ ˆ x ) i 0 i 0 (9) (10) El stimador d máxima vrosimilitud d p(x i ) rsulta sr: pˆ( x) 1 ( ˆ ˆ x ). ( ˆ ˆ x ) Obsrvación: Una conscuncia intrsant d la cuación (9) s qu la suma d los valors prdichos s igual a la suma d los valors obsrvados. Por qué? i i Los stimadors d máxima vrosimilitud ˆ y ˆ s obtinn rsolvindo l sistma d cuacions (9) y (10) mdiant métodos itrativos. Maximizar ln( L (, )) s quivalnt a minimizar -2 ln( L (, )), s dcir prtndr una vrosimilitud alta s quivalnt a 2 ln d la vrosimilitud baja Volvmos al jmplo Si s ajusta únicamnt la constant: p( x) ln 1 p( x) Historial d itracions Coficints Itración -2 log d la vrosimilitud Constant 1 200,675 -, ,675 -,097 Si s ajusta l modlo con constant y una variabl xplicativa (SSPG):
27 27 p( x) ln x 1 p( x) Historial d itracions Coficints Itración -2 log d la vrosimilitud Constant SSPG Paso ,213-2,525, ,243-3,797, ,725-4,424, ,685-4,544, ,685-4,548, ,685-4,548,025 Vmos qu las stimacions d los coficints cambian con las itracions. En las primras cambian más, hasta qu s stabilizan: ˆ y ˆ Los dos modlos antriors compitn y dbmos dcidir qué modlo xplica mjor los datos mustrals. Por un lado tnmos l modlo con dos parámtros, qu corrspondn a la constant y a la variabl xplicativa SSPG. Por l otro lado, tnmos l a mnudo llamado modlo nulo o null dvianc. Cómo dcidimos qué modlo s mjor? Si un modlo tin una vrosimilitud claramnt suprior a la dl otro, ntoncs prfrimos l modlo más vrosímil. En cambio si las vrosimilituds son muy parcidas pud sr prfribl l modlo más sncillo, n l sntido qu incluya mnos parámtros. Est critrio d slcción d modlos s conoc como principio d parsimonia. Para contrastar los modlos vamos a tratar d stablcr si sus vrosimilituds son significativamnt distintas. Cómo lo mdimos? Ya vimos qu al trabajar con vrosimilituds, s técnicamnt vntajoso usar sus logaritmos.
28 28 Obsrvacions: El coficint -2 qu aparc dlant dl logaritmo sirv para qu la difrncia d dvianzas tnga una ditribución mustral (asintótica) sncilla. Por otro lado, hay qu pnsar, qu también stamos tratando d dcidir ntr dos hipótsis: H 0 : =0 vrsus H 0 : 0 Por lo tanto la dvianza s útil para comparar los dos modlos y contrastar H 0. Estadístico G dl Tst d Cocint d Vrosimilitud Si la hipótsis nula H 0 : = 0 s cirta ntoncs l stadístico 2 tin distribución asintótica o aproximada 1. G = D(modlo con = 0) - D(modlo con 0) Y una vz conocida sta distribución mustral s fácil usar G para hacr l contrast. diabtsglm<-glm(diabt~sspg,family=binomial(link="logit")) summary(diabtsglm) Call: glm(formula = diabt ~ sspg, family = binomial(link = "logit")) Dvianc Rsiduals: Min 1Q Mdian 3Q Max Cofficints: Estimat Std. Error z valu Pr(> z ) (Intrcpt) *** sspg *** --- Signif. cods: 0 *** ** 0.01 * (Disprsion paramtr for binomial family takn to b 1) Null dvianc: on 144 dgrs of frdom Rsidual dvianc: on 143 dgrs of frdom
29 29 La inclusión d la variabl SSPG al modlo produjo una rducción dl stadístico -2 ln d la vrosimilitud d 200,675 a 106,695. El procdiminto siguint mustra l rsultado dl tst para dcidir si sa rducción s stadísticamnt significativa. > diabtsglm$dvianc [1] > summary(diabtsglm)$dvianc [1] > -2*logLik(diabtsglm) 'log Lik.' (df=2) > summary(diabtsglm)$null.dvianc [1] > G=summary(diabtsglm)$null.dvianc - summary(diabtsglm)$dvianc > G [1] > pvalor<-pchisq(g,lowr.tail=false,df=1) > pvalor [1] Cuando tnmos una única variabl indpndint, l stimador d máxima vrosimilitud d, s dcir, stá dado por ln(n 1 /n 0 ) dond n 1 = y i y n 0 = (1-y i ). El valor prdicho st caso ˆ 1 p ( x) n / n. En n G 2 y ln( p( x )) (1 y )ln(1 p( x )) ( n ln( n ) n ln( n ) nln( n)) i i i i i 1 En st caso, tnmos una única variabl incluida n l modlo. Estamos tstando si l coficint d la variabl SSPG s stadísticamnt significativo como n l tst d Wald. Est tst s gnralmnt más potnt qu l tst d Wald. En ambos tsts, Wald y cocint d máxima vrosimilitud, s rquir calcular l stadístico d máxima vrosimilitud d. Est tst s pud gnralizar para valuar la hipótsis nula d qu los coficints d todas las variabls incluidas n l modlo (salvo la constant) son cro. Es comparabl al tst F global qu n la Tabla ANOVA s raliza para valuar si las variabls son globalmnt significativas n l modlo d Rgrsión Linal. Vrmos múltipls jmplos más adlant.
30 30 Rcordmos un instant la salida dl glm > diabtsglm<-glm(diabt~sspg,family=binomial(link="logit")) > summary(diabtsglm) Cofficints: Estimat Std. Error z valu Pr(> z ) (Intrcpt) *** sspg *** Null dvianc: on 144 dgrs of frdom Rsidual dvianc: on 143 dgrs of frdom Qué pasa si codificamos al rvés la variabl rspusta? Es dcir Y = 1 ausncia d diabts y Y = 0 prsncia d diabts. > diabt2<-1-diabt > diabtsglm2<-glm(diabt2~sspg,family=binomial(link="logit")) > summary(diabtsglm2) Cofficints: Estimat Std. Error z valu Pr(> z ) (Intrcpt) *** sspg *** Null dvianc: on 144 dgrs of frdom Rsidual dvianc: on 143 dgrs of frdom 3 EVALUANDO EL MODELO 3.1. Tst d Hosmr- Lmshow Un Tst d bondad d ajust, n gnral, lo qu hac s comprobar si l modlo propusto pud xplicar lo qu s obsrva. Es un tst dond s valúa la distancia ntr lo obsrvado n los datos qu tnmos y lo sprado bajo l modlo supusto.
31 31 Existn distintos mcanismos para hacr st análisis. Una posibilidad consist n buscar un rsumn global dl ajust dl modlo, un númro qu nos prmita hacrnos una ida inicial d la situación. En l modlo d rgrsión linal l coficint d corrlación R jugaba s papl. Un valor alto d R no significaba automáticamnt qu l modlo fura buno, sin mbargo, un valor bajo ra garantía d qu l modlo no staba hacindo bin su trabajo. Vamos a buscar una hrraminta similar para l modlo d rgrsión logística qu nos sirva como una pruba prliminar global dl modlo. Cómo podmos construir s indicador global? En rgrsión linal pnsábamos n la difrncia ntr los valors obsrvados d la variabl rspusta y i y los valors sprados, qu son los valors prdichos para l modlo, s dcir ŷ i. D sta forma studiábamos l rror cuadrático, qu ra una rprsntación global d sas difrncias: S trata d comparar valors obsrvados frnt a valors prdichos por l modlo. Un problma al tratar d trasladar sta idas al curso d rgrsión logística, s qu n st caso l modlo no prdic valors d Y sino probabilidads. Cómo s construyn los valors obsrvados y sprados qu intrvinn n l stadístico dl tst? 1) S ordnan (d mnor a mayor) los casos d acurdo con la probabilidad prdicha. 2) S dividn n g = 10 grupos con la misma cantidad d casos (s pud tomar otra cantidad d grupos pro sta s la habitual). El primr grupo (primr dcil) consist d los n/10 casos con los valors mas bajos d probabilidad prdicha (primr dcil), l sgundo grupo (sgundo dcil) stá constituido por los n/10 individuos con los valors siguints d probabilidad prdicha, tc. En la práctica, no s simpr posibl formar grupos d xactamnt l mismo tamaño. Esto ocurr porqu l conjunto d datos no ncsariamnt s divisibl por 10 y porqu todas las obsrvacions con l mismo valor n las variabls xplicativas, tndrán la misma proporción stimada y starán n l mismo grupo. 3) Cada una d las catgorías antriors s dividida nuvamnt n dos grupos n bas al valor d la variabl rspusta. S calculan las frcuncias obsrvadas y las frcuncias spradas para cada una d las 20 cldas: Para cada una d las 10 grupos y para Y=1 (Diabt=1): - Obs1 i = la cantidad total d valors obsrvados (con uno) = suma d los valors d la variabl Y, para l i-ésimo dcil. - Esp1 i = los valors stimados o sprados = suma d las probabilidads stimadas para todos las casos dl i-ésimo dcil. Por qué s razonabl stimar d sta forma? Supongamos qu tnmos 10 obsrvacions indpndints: Obs P(Y=1) 1 0,4 2 0,4 3 0,4 4 0,4 5 0,4
32 32 Sumar 10 vcs 0.4 s igual a ,4 7 0,4 8 0,4 9 0,4 10 0,4 Por otro lado, l valor sprado o spranza d una variabl alatoria dl tipo binomial con 10 rpticions indpndints y con p(x) = 0.4 s np = 4. Es dcir spramos qu n 10 obsrvacions, 4 san dl tipo éxito ó 1. Lugo tin sntido sumar las probabilidads stimadas para todos los casos dl grupo. Por último, rcordmos qu d la primra cuación d máxima vrosimilitud n i1 y i 1 ( ˆ ˆ x ) ( ˆ ˆ x ) i i 0 s dduc qu la suma d los valors prdichos s igual a la suma d los valors obsrvados. Por qué? Volvindo a la construcción dl tst y rptimos d manra análoga para cada una d las 10 cldas y para Y=0 (Diabt = 0) - Obs0 i = la cantidad total d valors obsrvados (con cro) = Total d Casos n la casilla Obs1 i. - Esp0 i = los valors stimados o sprados = Total d Casos n la casilla Esp1 i. 4) El grado d ajust s obtin calculando l stadístico d Chi-cuadrado d Parson para una tabla d contingncia d 2g grupos: O bin: g k 1 n ( Obs1 Esp1 ) k i i Esp1 ( n Esp1 ) dond k indica l grupo (k = 1,,g) y n k s l total d casos n la casilla. Si la hipótsis nula H 0 = {l modlo logístico prdic bin las probabilidads obsrvadas} s cirta, ntoncs l stadístico dl tst tin una distribución qu s aproxima a la distribución chi-cuadrado con g 2 grados d librtad. Para la mayoría d los conjuntos d datos g = 10 y los grados d librtad son 8. i i i 2
33 33 > HL.tst<-hoslm.tst(diabt,prdichos,g=10) > HL.tst Hosmr and Lmshow goodnss of fit (GOF) tst data: diabt, prdichos X-squard = , df = 8, p-valu = Otros comandos qu pudn sr d intrés > HL.tst$statistic X-squard > prdichos<-diabtsglm$fittd.valus > ordr(prdichos) [1] [17] [33] [49] [65] [81] [97] [113] [129] [145] 141 > prdichos[ordr(prdichos)]
34 Los intrvalos stán dfinidos a partir d los dcils o prcntils d las probabilidads stimadas ( pˆ1... pˆ n ). > HL.tst$obsrvd cutyhat y0 y1 [0.0216,0.046] 15 1 (0.046,0.0914] 13 0
35 35 (0.0914,0.14] 15 1 (0.14,0.238] 10 3 (0.238,0.371] 9 6 (0.371,0.652] 7 7 (0.652,0.826] 3 11 (0.826,0.91] 3 12 (0.91,0.976] 1 13 (0.976,0.999] 0 15 > HL.tst$xpctd cutyhat yhat0 yhat1 [0.0216,0.046] (0.046,0.0914] (0.0914,0.14] (0.14,0.238] (0.238,0.371] (0.371,0.652] (0.652,0.826] (0.826,0.91] (0.91,0.976] (0.976,0.999] El método d Hosmr-Lmshow s un tst para la bondad dl ajust. Nos intrsan modlos para los cuals no s rchac la hipótsis d igualdad ntr los valors obsrvados y los valors prdichos por l modlo, lo qu implicaría qu l modlo ajusta a los datos bastant bin. En gnral no rchazamos una hipótsis nula cuando l p-valor dl stadístico dl tst s mayor a 0,05. Pro n un tst d bondad d ajust, cuanto más pquño s l valor dl stadístico y n conscuncia cuanto más crcano a 1 s su p-valor, mjor s l ajust. Es important ntndr qu st contrast NO proporciona una mdida d la calidad d las prdiccions individuals dl modlo para cada valor obsrvado d la variabl xplicativa. Es dcir, qu aunqu l contrast d HL no sa significativo (para rchazar), todavía pud ocurrir qu alguna d las prdiccions dl modlo (valors sprados) s alj d los valors obsrvados. Para valorar s ajust a nivl individual s ncsario un análisis similar al d los rsiduos qu hacíamos n rgrsión linal y la discusión d los concptos como l d valors atípicos, puntos influynts, tc, s dcir un diagnóstico dl modlo. Para qu l stadístico d HL tnga una aproximación razonabl a la distribución chi-cuadrado algunos autors sugirn qu haya suficints casos como para qu l 95% d las cldas tngan una frcuncia sprada mayor a 5 y ninguna mnor a 1. Otros autors sugirn ninguna frcuncia sprada mnor qu 5. Sin mbargo s sul sr más flxibl qu utilizar la rcomndación habitual para tablas con aproximadamnt 20 cldas. Estas condicions no s cumpln n l jmplo. Dos stratgias son posibls ant st problma. La primra consist n aumntar l tamaño d la mustra, la sgunda n colapsar los grupos. H-L sugirn qu no s utilic su tst con mnos d g = 6 class porqu casi simpr s obtndrá qu l modlo ajusta.
36 36 Un valor alto dl stadístico H-L (bajo p-valor), s un indicador claro sobr la prsncia d un problma n l modlo. Sin mbargo, l stadístico d H-L s una mdida rsumn, por lo qu pud no indicar cirtos comportamintos locals. Un valor pquño d H-L no xcluy la posibilidad d un aljaminto dl modlo para pocos individuos. Cuando l tamaño d la mustra no s un múltiplo d 10 o hay mpats, s dcir qu distintos casos tinn valors coincidnts d las variabls xplicativas l valor dl stadístico d H-L dpnd d cómo s asignn los casos a los dcils. Los autors sugirn qu dbrían sr asignados d manra d obtnr qu todos los grupos tngan totals tan crcanos a n/10 como sa posibl. Las difrnts stratgias d agrupaminto no han sido studiadas con suficint dtall como para rcomndar alguna n particular. 3.2 Tablas d clasificación Comncmos con l modlo qu sólo tin intrspt. > diabtsglm0<-glm(diabt~1,family=binomial(link="logit")) > summary(diabtsglm0) Call: glm(formula = diabt ~ 1, family = binomial(link = "logit")) Dvianc Rsiduals: Min 1Q Mdian 3Q Max Cofficints: Estimat Std. Error z valu Pr(> z ) (Intrcpt) (Disprsion paramtr for binomial family takn to b 1) Null dvianc: on 144 dgrs of frdom Rsidual dvianc: on 144 dgrs of frdom AIC: Numbr of Fishr Scoring itrations: 3 El ajust dl modlo logístico con una constant únicamnt rsulta n la siguint stimación: log( pˆ /(1- pˆ ) = -0,097
37 37 Dond p s la probabilidad stimada d tnr diabts Por lo tanto pˆ = -0,097 / (1+ -0,097 ) = 0,476 Los prdichos dan los valors d pˆ > prdichos<-diabtsglm0$fittd.valus > ordn<-ordr(sspg,dcrasing=true) > tabla<-cbind(sspg,diabt,prdichos)[ordn,] > tabla sspg diabt prdichos > clasificacion<-ifls(prdichos>0.5,1,0) > tabla2<-cbind(sspg,diabt,prdichos,clasificacion)[ordn,] > tabla2 sspg diabt prdichos clasificacion
38 Como la probabilidad stimada d tnr diabts s mnor a 0,5 TODOS los casos son clasificados como DIABET = 0 y s obtin la tabla d clasificación siguint. > tabla3<-tabl(clasif=clasificacion,y=diabt) > tabla3 Y clasif > rrors<-which(tabla2[,2]!=tabla2[,4]) > tasaacirtos<-1-lngth(rrors)/lngth(sspg) > tasaacirtos [1] Cuando s incluy la variabl SSPG al modlo logístico rsulta: > diabtsglm<-glm(diabt~sspg,family=binomial(link="logit")) > summary(diabtsglm) Call: glm(formula = diabt ~ sspg, family = binomial(link = "logit")) Dvianc Rsiduals: Min 1Q Mdian 3Q Max Cofficints:
39 39 Estimat Std. Error z valu Pr(> z ) (Intrcpt) *** sspg *** --- Signif. cods: 0 *** ** 0.01 * (Disprsion paramtr for binomial family takn to b 1) Null dvianc: on 144 dgrs of frdom Rsidual dvianc: on 143 dgrs of frdom AIC: Numbr of Fishr Scoring itrations: 6 y l modlo logistico ajustado s log( pˆ (x) /(1- pˆ (x)) = -4, ,025 * x Por lo tanto pˆ (x) = -4, ,025 * x / (1+ -4, ,025 * x ) La probabilidad stimada d tnr diabts ahora dpnd dl valor d la variabl xplicativa. Cuando sa probabilidad stimada s mnor a 0,5 l dato s clasificado como DIABET = 0 y si s mayor a 0,5 como DIABET=1, obtniéndos los siguints rsultados. > prdichos<-diabtsglm$fittd.valus > ordn<-ordr(sspg,dcrasing=true) > tabla<-cbind(sspg,diabt,prdichos)[ordn,] > tabla sspg diabt prdichos pˆ (480)= Pˆ (Y=1 X=480)
Solución a la práctica 6 con Eviews
Solución a la práctica 6 con Eviws El siguint modlo d rgrsión rlaciona la nota mdia qu obtinn los alumnos n matmáticas (nota) n un cntro, con l númro d profsors disponibls n l cntro (profsors), l porcntaj
Más detallesI, al tener una ecuación. diferencial de segundo orden de la forma (1)
.6. Rducción d ordn d una cuación difrncial linal d ordn dos a una d primr ordn, construcción d una sgunda solución a partir d otra a conocida 9.6. Rducción d ordn d una cuación difrncial linal d ordn
Más detallesUNED Tudela Psicometría. Tema 4 Esquema tema 4
Esquma tma 4 1.- Orintacions didácticas: Tmas antriors: construcción dl tst Tmas 4 al 8: Evaluación d la calidad d la pruba piloto basándos n las rspustas d los sutos: Fiabilidad, validz y calidad d los
Más detallesTEMA 10: DERIVADAS. f = = x
TEMA 0:. DERIVADA DE UNA FUNCIÓN EN UN PUNTO La siguint gráfica rprsnta la tmpratura n l intrior d la Tirra n función d la profundidad. Vmos qu la gráfica s simpr crcint, s dcir, a mdida qu aumnta la profundidad
Más detalleslm í d x = lm í ln x + x 1 H = lm í x + e x 2
Autovaluación Página 8 Calcula los siguints límits: a) lm í c m b) lm í ccotg m c) lm í sn d) lm í ( ) / 8 ln 8 8 ln ( cos ) 8 a) lm í 8 c ln ln H ( / ) lm í ( )ln 8 ln m lm í 8 H lm í / 8 b) lm í 8 dcotg
Más detallesModelos Box-Jenkins. El paseo aleatorio X t = c + X t 1 + a t no es estacionario. Sin embargo, el proceso diferenciado regularmente
Modlos Box-Jnkins Sris d Timpo Grmán Aniros Pérz stacionals: Slcción dl El paso alatorio X t = c + X t 1 + a t no s stacionario. Sin mbargo, l procso difrnciado rgularmnt s stacionario. X t X t 1 = c +
Más detallesTAMAÑO DE LA MUESTRA
Rv. Epidm. Md. Prv. (003), : 8-4 TAMAÑO DE LA MUESTRA Enric Matu, Jordi Casal CRSA. Cntr d Rcrca n Sanitat Animal / Dp. Sanitat i Anatomia Animals, Univrsitat Autònoma d Barclona, 0893-Bllatrra, Barclona
Más detalles+ ( + ) ( ) + ( + ) ( ) ( )
latrals n. iguals. f. La función CONTINUIDAD f () Es continua n l punto?. Calcular los límits ³ ² 5 Para qu la función sa continua n s db cumplir: f f Calculamos por sparado cada mimbro d la igualdad f
Más detallesANÁLISIS DEL AMPLIFICADOR EN EMISOR COMÚN
ANÁLISIS DL AMPLIFIADO N MISO OMÚN Jsús Pizarro Pláz. INTODUIÓN... 2. ANÁLISIS N ONTINUA... 2 3. TA D AGA N ALTNA... 3 4. IUITO QUIALNT D ALTNA... 4 5. FUNIONAMINTO... 7 NOTAS... 8. INTODUIÓN l amplificador
Más detallesTabla de contenido. Página
Tabla d contnido Página Ecuacions d ordn suprior Ecuacions homogénas d sgundo ordn con coficints constants Caso. Raícs rals distintas 6 Caso. Raícs compljas conjugadas 6 Caso. Raícs rals iguals 7 Rsumn
Más detallesLECTURA 09: PRUEBA DEHIPÓTESIS (PARTE III) TEMA 18: PRUEBA DE INDEPENDENCIA CHI CUADRADO
Univrsidad Los Ángls d Chimbot LECTURA 9: PRUEBA DEHIPÓTESIS (PARTE III) TEMA 18: PRUEBA DE INDEPENDENCIA CHI CUADRADO 1. INTRODUCCION: La pruba d indpndncia chi cuadrado s un procdiminto d contrastación
Más detallesProceso de análisis de regresión múltiple
Procso d análisis d rgrsión múltipl Rcolcción d datos Chquo d la calidad d los datos Diagnóstico d rlacions o intraccions furts ntr las variabls Xs Aplicación d mdidas rmdials Si S rquirn mdidas rmdials?
Más detallesLímites finitos cuando x: ˆ
. Límits latrals its al infinito 7 FIGURA.3 3 3 La gráfica d = >. (b) La cuación () no s aplica a la fracción original. Ncsitamos un n l dnominador, no un 5. Para obtnrlo multiplicamos por >5 l numrador
Más detallesAT07 PORCENTAJE DE POBLACIÓN EN LA ESCUELA CON UN AVANCE REGULAR POR EDAD. A gn inf. A gn sup PPR = P e PPR
AT07 PORCENTAJE DE POBLACIÓN EN LA ESCUELA CON UN AVANCE REGULAR POR EDAD FÓRMULA AT07 NOMBREdlINDICADOR Porcntaj d población n la scula con un avanc rgular por dad. FÓRMULAdCÁLCULO PPR = PPR A + inf A
Más detallesCARACTERÍSTICAS EXTERNAS y REGULACIÓN de TRANSFORMADORES
CARACTERÍSTCAS EXTERNAS y REGLACÓN d TRANSFORMADORES Norbrto A. Lmozy 1 CARACTERÍSTCAS EXTERNAS S dnomina variabl ntr a una magnitud qu stá dtrminada ntr dos puntos, tal como una difrncia d potncial o
Más detallesTEMA 5. Límites y continuidad de funciones Problemas Resueltos
Matmáticas Aplicadas a las Cincias Socials II Solucions d los problmas propustos Tma 7 Cálculo d its TEMA Límits y continuidad d funcions Problmas Rsultos Para la función rprsntada n la figura adjunta,
Más detallesEstas pruebas permiten verificar que la población de la cual proviene una muestra tiene una distribución especificada o supuesta.
PRUEBAS DE BONDAD DE AJUSTE Estas prubas prmitn vrificar qu la población d la cual provin una mustra tin una distribución spcificada o supusta. Sa X: variabl alatoria poblacional f 0 (x) la distribución
Más detallesINTEGRACIÓN POR PARTES
UNIVERSIDAD FRANCISCO DE PAULA SANTANDER FACULTAD DE INGENIERA DEPARTAMENTO DE MATEMÁTICA Y ESTADISTICA INTEGRACION INTEGRACIÓN Algunas intgrals qu s nos prsntan nos rsultan un poco compljas, ya por lo
Más detallesRepresentación esquemática de un sistema con tres fases
6 APLICACIONES 6.1 Sistma con varias fass Una vz consguido l modlo para simular una mmbrana, s planta su uso para simular procsos con más d una. Uno d stos procsos podría sr un sistma con varias fass.
Más detallesPROBLEMAS DE LÍMITES DE FUNCIONES (Por métodos algebraicos) Observación: Algunos de estos problemas provienen de las pruebas de Selectividad.
Funcions Límits y continuidad PROBLEMAS DE LÍMITES DE FUNCIONES Por métodos algbraicos Obsrvación: Algunos d stos problmas provinn d las prubas d Slctividad Si ist l it d una función f cuando a, y si f
Más detallesPARTE I Parte I Parte II Nota clase Nota Final
Ejrcicio 1 2 3 Part I Puntos PARTE I Part I Part II Nota clas Nota Final Univrsidad Carlos III d Madrid Dpartamnto d Economía Eamn Final d Matmáticas I 14 d Enro d 2009 APELLIDOS: NOMBRE: DNI: Titulación:
Más detallesModelo de Regresión Logística
Modlo d Rgrsión Logística Modlo d rgrsión qu lica l comortaminto d una variabl dndint discrta, Y, dicotómica n función d una o más variabls indndints cualitativas o cuantitativas. Los valors qu toma la
Más detallesSolución: Para que sea continua deben coincidir los límites laterales con su valor de definición en dicho punto x = 2. b 1 + b
Matmáticas Emprsarials I PREGUNTAS DE TIPO TEST DERIVADAS Y APLICACIONES Drivabilidad ( ) b si S09. La función f ( ) s continua y drivabl n = : a( ) si a) Si a = y b = b) Si a = y b = 5 c) Nunca pud sr
Más detalles2. En el punto x = 0, f ( x) a) Un mínimo local. b) Un máximo local. c) Ninguna de las anteriores. Solución:
Análisis Matmático (Matmáticas Emprsarials II) PROBLEMAS DE FUNCIONES DE UNA VARIABLE. Pguntas d tipo tst. (J). La función f ( ) ln: a) Tin puntos stacionarios (o críticos, s dcir, puntos cuya primra drivada
Más detallesf (x)dx = f (x) dx. Si la respuesta es afirmativa justifíquese, si es negativa,
CALCULO INTEGRAL.(97).- Sa f() una función tal qu, para cualquira qu sa > s cumpl qu = Pruébs qu, ntoncs, s vrifica qu f( ) = f(), para todo >. f f..(97).- Sa la función f() = -. S pid: a) Hacr un dibujo
Más detallesCapítulo V CONDICIONES DE FRONTERA Y MODELAMIENTO NUMÉRICO EN ECUACIONES DIFERENCIALES
Marclo Romo Proaño Escula Politécnica dl Ejército - Ecuador Capítulo V CONDICIONES DE FRONTERA Y MODELAMIENTO NUMÉRICO EN ECUACIONES DIFERENCIALES 5. CONDICIONES DE FRONTERA: Dbido a qu muchos problmas
Más detallesREGRESIÓN LOGÍSTICA INTRODUCCIÓN
1 REGRESIÓN LOGÍSTICA INTRODUCCIÓN Comencemos con un ejemplo que nos servirá para ilustrar el análisis de datos binarios. Los siguientes datos tomados de Little (1978) corresponden a 1607 mujeres casadas
Más detallesSEPTIEMBRE Opción A
Slctividad Sptimbr (Pruba Espcífica) SEPTIEMBRE Opción A ( + ).- Dada la función f () s pid dtrminar: a) El dominio, los puntos d cort con los js y las asíntotas. b) Los intrvalos d crciminto y dcrciminto,
Más detallesESTUDIO DE UNA FUNCIÓN CON AYUDA DE LA DERIVADA. 1. a) Halla los valores de los coeficientes b, c y d para que la gráfica de la función
ESTUDIO DE UNA FUNCIÓN CON AYUDA DE LA DERIVADA CMS05. a) Halla los valors d los coficints b, c y d para qu la gráfica d la función y b c d cort al j OY n l punto (0, ), pas por l punto (, ) y, n s punto,
Más detallesLÍMITE DE FUNCIONES. lim. lim. lim. LÍMITE DE UNA FUNCIÓN CUANDO x + LÍMITE FINITO. DEFINICIÓN
LÍMITE DE FUNCIONES LÍMITE DE UNA FUNCIÓN CUANDO LÍMITE FINITO. DEFINICIÓN Cuando la función pud comportars d divrsas manras: f l Al aumntar los valors d, los valors d f s aproiman a un cirto númro l.
Más detallesEl área del rectángulo será A = p q, donde p 0,2 es variable y q depende de p. ( ) ( ) ( )
Cálculo difrncial. Matmáticas II Curso 03/4 Opción A Ejrcicio. Sa la parábola (Puntuación máima: puntos) y 4 4 y un punto ( p, q ) sobr lla con 0 p. Formamos un rctángulo d lados parallos a los js con
Más detallesREPRESENTACIÓN DE CURVAS
REPRESENTACIÓN DE CURVAS.- BACHILLERATO.- TEORÍA Y EJERCICIOS. Pág. REPRESENTACIÓN DE CURVAS Función polinómica d sgundo grado. Su gráfica s una parábola. Para rprsntarla basta con halla los puntos d cort
Más detallesPRÁCTICA 8 ESTUDIO DE ENGRANAJES 3º INGENIERÍA INDUSTRIAL
PRÁCTICA 8 ESTUDIO DE ENGRANAJES 3º INGENIERÍA INDUSTRIAL 1.- INTRODUCCIÓN. La prsnt práctica tin por objto introduir al alumno n l cálculo d trns d ngranajs, tanto simpls d js parallos, compustos y trns
Más detallesEjercicios resueltos Distribuciones discretas y continuas
ROBABILIDAD ESADÍSICA (Espcialidads: Civil-Eléctrica-Mcánica-Química) Ejrcicios rsultos Distribucions discrtas y continuas ) La rsistncia a la comprsión d una mustra d cmnto s una variabl alatoria qu s
Más detallestiene por límite L cuando la variable independiente x tiende a x
UNIDAD (Continuación).- Funcions rals. Límits y continuidad 9. LÍMITES. LÍMITES LATERALES Rcordamos dl año antrior qu una función y f () tin por it L cuando la variabl indpndint tind a, y s notaba por
Más detallesa) f (x) = 1+Mg (x) <1 2-1<1+mg (x)<1-2<mg (x)<0 <M<0 como como para que f sea Lipschitziana de [0,1] [0,1] con constante de
Hoja d Problmas Álgbra VII 55. Supongamos qu la función g stá dfinida y s drivabl n [0,]. Supongamos qu g(0)
Más detalles2º Bachillerato: ejercicios modelo para el examen de las lecciones 11, 12 y 13
º Bachillrato: jrcicios modlo para l amn d las lccions, y 3 Sa la unción F ( ) t dt a) Calcular F (), studiar l crciminto d F() y hallar sus máimos y mínimos. b) Calcular F () y studiar la concavidad y
Más detalles1. LÍMITE DE UNA FUNCIÓN REAL
ACTIVIDAD ACADEMICA: CÁLCULO DIFERENCIAL DOCENTE: LIC- ING: ROSMIRO FUENTES ROCHA UNIDAD Nº : LÍMITES Y CONTINUIDAD DE FUNCIONES REALES Comptncias Utilizar técnicas d aproimación n procsos numéricos infinitos
Más detallesAplicaciones de las Derivadas
www.slctividad-cgranada.com Tma : Aplicacions d las Drivadas..- Crciminto y dcrciminto d una función Sa f una función dfinida n l intrvalo I. Si la función f s drivabl sobr l intrvalo I, s vrifica: f s
Más detallesModelos Matemáticos para la optimización y reposición de maquinarias: Caso la Empresa Eléctrica de Milagro
Modlos Matmáticos para la optimización y rposición d maquinarias: Caso la Emprsa Eléctrica d Milagro Edwin Lón Plúas, Csar Gurrro Loor 2 Ingniro n Estadística Informática, 2003 2 Dirctor d Tsis, Matmático,
Más detalles1. (RMJ15) a) (1,5 puntos) Discute el siguiente sistema de ecuaciones en función del parámetro a:
EXAMEN DE MATEMÁTICAS II (Eamn Final, Rcupración d Análisis Intgrals) BACHILLERATO EXAMEN FINAL (RMJ5) a) (,5 puntos) Discut l siguint sistma d cuacions n función dl parámtro a: + y + az + ay + z a a +
Más detallesTEMA 1: Los números reales. Tema 1: Los números reales 1
TEMA 1: Los númros rals Tma 1: Los númros rals 1 ESQUEMA DE LA UNIDAD 1.- Númros naturals y ntros. 2.- Númros racionals. 3.- Númros irracionals. 4.- Númros rals. 5.- Jrarquía n las opracions combinadas.
Más detallesSOLUCIONARIO. UNIDAD 13: Introducción a las derivadas ACTIVIDADES-PÁG Las soluciones aparecen en la tabla.
UNIA : Introducción a las drivadas ACTIVIAES-PÁG. 0. Las solucions aparcn n la tabla. [0, ] [, 6] a) f () = b) f () = + c) f () = 9 d) f () = 7, 6 8, 67. El valor d los límits s: f ( h) f () a) lím 6 h
Más detallesI. E. S. ATENEA. SAN SEBASTIÁN DE LOS REYES EXAMEN PARCIAL. PRIMERA EVALUACIÓN. ANÁLISIS
Eamn Parcial. Análisis. Matmáticas II. Curso 010-011 I. E. S. ATENEA. SAN SEBASTIÁN DE LOS REYES EXAMEN PARCIAL. PRIMERA EVALUACIÓN. ANÁLISIS Curso 010-011 19-XI-010 MATERIA: MATEMÁTICAS II INSTRUCCIONES
Más detallesTema 10 Análisis de datos categóricos Grados de utrición Humana y Dietética Ciencia y Tecnología de Alimentos
Tma 10 Análisis d datos catgóricos Grados d utrición Humana y Ditética Cincia y Tcnología d Alimntos Ángl Corbrán y Francisco Monts Dpartamnt d Estadística i I. O. Univrsitat d València 1. Tablas d contingncia
Más detallesPart IV. Modelos para la volatilidad. Series de Tiempo. Germán Aneiros Pérez. Introducción. Procesos ARCH: Construcción. Procesos GARCH: Estimación
Sris d idntificación Part IV Modlos para la volatilidad Sris d Modlos para la volatilidad Sris d idntificación Comnzamos indicando la notación gnral qu utilizarmos n st tma: y 1, y 2,..., y T : sri d timpo
Más detallesCINEMÁTICA (TRAYECTORIA CONOCIDA)
1º Bachillrato: Cinmática (trayctoria conocida CINEMÁTICA (TRAYECTORIA CONOCIDA (Todos los datos y cuacions, n unidads dl S.I. 1. Un objto tin un moviminto uniform d rapidz 4 m/s. En l instant t=0 s ncuntra
Más detallesMEDICIÓN DE LA BANDA PROHIBIDA DEL SILICIO
MEDICIÓN DE LA BANDA PROHIBIDA DEL SILICIO Amador Ana y Rausch Frnando Dpartamnto d física, Univrsidad d Bunos Airs, Bunos Airs, Argntina Nustro trabajo consistió n mdir l ancho d la banda prohibida dl
Más detallesEnergía. Reactivos. Productos. Coordenada de reacción
CINÉTICA QUÍMICA 1 - Razon: a) Si pud dducirs, a partir d las figuras corrspondints, si las raccions rprsntadas n (I) y (II) son d igual vlocidad y si, prvisiblmnt, srán spontánas. b) En la figura (III)
Más detallesTEMA 1: Los números reales. Tema 1: Los números reales 1
TEMA 1: Los númros rals Tma 1: Los númros rals 1 ESQUEMA DE LA UNIDAD 1.- Númros naturals y ntros. 2.- Númros racionals. 3.- Númros irracionals. 4.- Númros rals. 5.- Jrarquía n las opracions combinadas.
Más detalles2x 1. (x+ 1) e + 1 2x. 3.- Derivabilidad de una función. 6x 5, si2 x 4
º BACHILLERATO MATEMÁTICAS APLICADAS A LAS CIENCIAS SOCIALES II FICHA TEMA 7.- FUNCIONES. DERIVADAS Y APLICACIONES (PROFESOR: RAFAEL NÚÑEZ) -----------------------------------------------------------------------------------------------------------------------------------------------------------------.-
Más detallesLECCIÓN 5: ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN DE VARIABLES SEPARABLES
96 LECCIÓN 5: ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN DE VARIABLES SEPARABLES JUSTIFICACIÓN: En sta Lcción s cntrará la atnción n l studio d aqullas cuacions difrncials ordinarias d primr ordn
Más detallesSOLUCIONES DE LAS ACTIVIDADES Págs. 65 a 83
TEMA. ECUACIONES SOLUCIONES DE LAS ACTIVIDADES Págs. 6 a 8 Página 6. a) mcm (, ) ( ) + ( ) + 7 + / mcm (6, 0) 0 ( + ) ( ) 0 + 8 0 / c) mcm (7, ) 8 ( ) 7 ( + ) 8 (9 ) 8 97 / 9 d) mcm (8, ) 8 6 (0 ) 8 Página
Más detallesSoluciones a los ejercicios propuestos Unidad 1. El conjunto de los números reales Matemáticas aplicadas a las Ciencias Sociales I
Solucions a los jrcicios propustos Unidad. El conjunto d los númros rals Matmáticas aplicadas a las Cincias Socials I NÚMEROS RACIONALES Y NÚMEROS IRRACIONALES. Dtrmina si los siguints númros son o no
Más detallesINSTITUTO DE CIENCIAS MATEMÁTICAS CÁLCULO DIFERENCIAL. TERCERA EVALUACIÓN Septiembre 17 de Nombre:
INSTITUTO DE CIENCIAS MATEMÁTICAS CÁLCULO DIFERENCIAL TERCERA EVALUACIÓN Sptimbr 7 d Nombr: Parallo: Firma: TEMA ( puntos) Justificando su rspusta, califiqu como vrdadra o falsa, cada proposición: a) La
Más detallesTEMA 7 APLICACIONES DE LA DERIVADA
Tma Aplicacions d la drivada Matmáticas CCSSII º Bachillrato 1 TEMA APLICACIONES DE LA DERIVADA RECTA TANGENTE 1 Escrib 0 EJERCICIO 1 : la cuación d la rcta tangnt a la curva f n 0. Ordnada dl punto: f
Más detallesElementos de acero Factores de longitud efectiva para el cálculo de la resistencia de elementos sometidos a compresión.
Factors d longitud fctiva para l cálculo d la rsistncia d lmntos somtidos a comprsión. Existn difrncias ntr las rcomndacions dl NTCEM-004 y las rcomndacions ISC 005. El rglamnto ISC 005 stablc qu l valor
Más detalles7 L ímites de funciones. Continuidad
7 L ímits d funcions. Continuidad Página 05 f () = + Pinsa y ncuntra límits a) + ; + ; + + ; ; ; ; 9 0; 0; 0 ) 0; 0; 0 f ) + ; + ; 0 g) + ; + h) ; f () = a) 0 0, Página 0 a) a) f () = ; f () = ; f () =
Más detallesSistemas de control: Elementos componentes, variables, función de transferencia y diagrama funcional.
Sistmas d control: Elmntos componnts, variabls, función d transfrncia y diagrama funcional. Introducción Los sistmas d control automático han jugado un papl vital n l avanc d la cincia y d la ingniría.
Más detallesCAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS
CAPÍTULO 14: LAS EXPECTATIVAS: LOS INSTRUMENTOS BÁSICOS 14-1 Los tipos d intrés nominals y rals Slid 14.2 Los tipos d intrés xprsados n unidads d la monda nacional s dnominan tipos d intrés nominals. Los
Más detalles2º BACHILLERATO CINETICA QUÍMICA
VELOCIDAD DE REACCIÓN 1.- Escrib la xprsión d la vlocidad d racción n función d la concntración d cada una d las spcis qu intrvinn n l procso d obtnción d amoniaco. N + 3 H NH 3 d 1 v = [N] = 3 d 1 [H]
Más detallesPrueba ji-cuadrado: χ 2. Estudiar la relación entre dos variables cualitativas. Estudiar la relación entre dos variables cualitativas
ÁNALISIS BIVARIADO Estudiar la rlación ntr dos variabls cualitativas ANALISIS DE FRECUENCIAS, INDEPENDENCIA Estudiar la rlación ntr dos variabls cuantitativas CORRELACIÓN Y REGRESIÓN LINEAL Estudiar la
Más detallesCálculo de fuerzas y pares de fuerza mediante el principio de los desplazamientos virtuales.
c Rafal R. Boix y Francisco Mdina 1 Cálculo d furzas y pars d furza mdiant l principio d los dsplazamintos virtuals. Considrmos un conjunto d N conductors cargados con cargas Q i (i = 1,...,N). San V i
Más detallesCALCULO GRADO EN INGEN. INFORM. DEL SOFTWARE EJERCICIOS RESUELTOS DEL TEMA 1
Manul José Frnándz mjg@uniovi.s CALCULO GRADO EN INGEN. INFORM. DEL SOFTWARE. - EJERCICIOS RESUELTOS DEL TEMA Dmostrar aplicando l principio d inducción las rlacions siguints: a a n n n... n n N b n n!
Más detallesSoluciones al examen de Estadística Aplicada a las Ciencias Sociales Junio 2008 Segunda semana
Solucions al amn d Estadística Alicada a las Cincias Socials Junio 008 Sgunda smana Ejrcicio. Para dtrminar si ha aumntado la intnción d voto ralizarmos una ruba d hiótsis d la siguint manra: Sindo P 0,377
Más detallesCAPITULO 5. ECUACIONES DIFERENCIALES DE ORDEN N 2. 5.1. Introducción. 5.2. Reducción de orden
APITULO 5. EUAIONES DIFERENIALES DE ORDEN N 5.. Introducción Una cuación difrncial d sgundo ordn s una prsión matmática n la qu s rlaciona una función con sus drivadas primra sgunda. Es dcir, una prsión
Más detallesIntegrales indefinidas. 2Bach.
Intgrals indfinidas. Bach..- FUNCIÓN PRIMITIVA. INTEGRAL INDEFINIDA. La intgración s la opración invrsa d la drivación. Dada una función f(), dirmos qu F() s una primitiva suya si F ()f(). Nota: La primitiva
Más detallesPROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 2009 MATEMÁTICAS II TEMA 5: INTEGRALES
PROBLEMAS RESUELTOS SELECTIVIDAD ANDALUCÍA 9 MATEMÁTICAS II TEMA 5: INTEGRALES Junio, Ejrcicio, Opción A Junio, Ejrcicio, Opción B Rsrva, Ejrcicio, Opción A Rsrva, Ejrcicio, Opción B Rsrva, Ejrcicio, Opción
Más detallesCONSUMO MUNDIAL DE FIBRAS TEXTILES
ISSN 007-1957 CONSUMO MUNDIAL DE FIBAS TEXTILES Ana María Islas Corts Instituto olitécnico Nacional ESIT amislas@ipn.mx Gabril Guillén Bundía Instituto olitécnico Nacional ESIME Azcapotzalco gguilln@ipn.mx
Más detalles( y la cuerda a la misma que une los puntos de abscisas x = 1 y x = 1. (2,5 punto)
ARAGÓN / JUNIO. LOGSE / MATEMÁTICAS II / ANÁLISIS / OPCIÓN A / CUESTIÓN A www.profs.nt s un srvicio gratuito d Edicions SM CUESTIÓN A Calcular l ára ncrrada ntr la gráfica d la función ponncial f ) ( y
Más detallesPart IV. Modelos de memoria larga. Series de Tiempo. Germán Aneiros Pérez. Introducción. Procesos FARIMA: Construcción e. Estimación.
Sris d idntificación Part IV Modlos d mmoria larga Sris d Modlos d mmoria larga Sris d idntificación Comnzamos rcordando la notación y suposicions gnrals: x 1, x 2,..., x T : sri d timpo obsrvada. {X t
Más detallesTEMA 11. La integral definida Problemas Resueltos
Matmáticas II (Bachillrato d Cincias) Solucions d los problmas propustos Tma 9 Intgrals dfinidas TEMA La intgral dfinida Problmas Rsultos Halla l valor d: 7 a) ( + ) d b) 5 + d c) + d d) Para hallar una
Más detallesAlgoritmo para Aproximar el Área Bajo la Curva de la Función Normal Estándar
Algoritmo para Aproimar l Ára Bajo la Curva d la Función Normal Estándar Algoritmo para Aproimar l Ára Bajo la Curva d la Función Normal Estándar M. n C. Víctor Manul Silva García, M. n C. Eduardo Vga
Más detallesAPLICACIONES DE LAS ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN A PROBLEMAS QUE INVOLUCRAN A LA RECTA TANGENTE Y LA RECTA NORMAL
APLICACIONES DE LAS ECUACIONES DIFERENCIALES ORDINARIAS DE PRIMER ORDEN A PROBLEMAS QUE INVOLUCRAN A LA RECTA TANGENTE Y LA RECTA NORMAL 74 Cuando un problma gométrico stá nunciado n términos d la rcta
Más detallesMétodos específicos de generación de diversas distribuciones continuas
Tma 4 Métodos spcíficos d gnración d divrsas distribucions continuas 4.1. Distribución uniform Si X U(a, b), su función d distribución vin dada por: 0 x < a F (x) = a x < b x a b a 1 x b Aplicando l método
Más detallesProf. Jesús Olivar. Resumen de Cálculo II ING. PETRÓLEO
Prof. Jsús Olivar Rsumn d Cálculo II ING. PETRÓLEO.- FUNCIÓN PRIMITIVA. INTEGRAL INDEFINIDA. La intgración s la opración invrsa d la drivación. Dada una función f, dirmos qu F s una primitiva suya si F
Más detallesPRUEBA DE ACCESO (LOGSE) UNIVERSIDAD DE BALEARES JUNIO (RESUELTOS por Antonio Menguiano) Tiempo máximo: 1 horas y 30 minutos OPCIÓN A
IES CASTELAR BADAJOZ PRUEBA DE ACCESO (LOGSE) UNIVERSIDAD DE BALEARES JUNIO - (RESUELTOS por Antonio nguiano) ATEÁTICAS II Timpo máimo: horas minutos Contsta d manra clara raonada una d las dos opcions
Más detalles105 EJERCICIOS de DERIVABILIDAD 2º BACH.
105 EJERCICIOS d DERIVABILIDAD º BACH. Drivabilidad y continuidad: 1. Dada si 0 f() si < 0 (Soluc: / f'(0)), s pid: a) Estudiar su drivabilidad n 0 b) Rprsntarla.. Ídm con 4 5 si f() 4 si < n (Soluc: f'()).
Más detallesDefinición de derivada
Dfinición d drivada. Halla, utilizando la dfinición, la drivada d la función f ( ) n l punto =. Compruba aplicando las rglas d drivación qu tu rsultado s corrcto. f ( ) f () La drivada pdida val: f ()
Más detallesTema 2 La oferta, la demanda y el mercado
Ejrcicios rsultos d ntroducción a la Toría Económica Carmn olors Álvarz Alblo Migul Bcrra omínguz Rosa María Cácrs Alvarado María dl Pilar Osorno dl Rosal Olga María Rodríguz Rodríguz Tma 2 La ofrta, la
Más detallesEJERCICIOS RESUELTOS DE FUNCIONES REALES DE VARIABLE REAL
EJERCICIOS RESUELTOS DE FUNCIONES REALES DE VARIABLE REAL. Calcular los dominios d dfinición d las siguints funcions: a) f( ) 6 b) f( ) c) f( ) ln d) f( ) arctg 3 4 ) f( ) f) f( ) 5 g) f( ) sn 9 h) 4 4
Más detallesSOLUCIONES DE LOS EJERCICIOS INCLUIDOS EN LOS TEMAS 1 a 3 DE ESTADÍSTICA II
ESTADÍSTICA II SOLUCIONES DE LOS EJERCICIOS INCLUIDOS EN LOS TEMAS 1 a 3 DE ESTADÍSTICA II Profsors: J Gabril Molina y María F. Rodrigo Univrsitat d València TEMA 1 1) a) accidntal, b) alatorio simpl,
Más detallesLímite Idea intuitiva del significado Representación gráfica
LÍÍMIITES DE FUNCIIONES ((rrsumn)) LÍMITE DE UNA FUNCIÓN f() k s : ímit d a función f() cuando tind a k Límit Ida intuitiva d significado Rprsntación gráfica Cuando f() A aumntar, os vaors d f() s van
Más detallesUNIDAD DOS FUNCIONES, TRIGONOMETRÍA E HIPERNOMETRÍA
UNIDAD DOS FUNCIONES, TRIGONOMETRÍA E HIPERNOMETRÍA CAPÍTULO CUATRO: FUNCIONES y f ( ) INTRODUCCIÓN En Matmáticas uno d los concptos más importants s l d FUNCIÓN, s cr qu l gran matmático almán Libniz
Más detalles3.- a) [1,25 puntos] Prueba que f(x) = ex e x
EXAMEN DE MATEMATICAS II ENSAYO ª (FUNCIONES) Apllidos: Nombr: Curso: º Grupo: A Día: 6-XII-05 CURSO 05-6 Opción A.- a) [,5 puntos] Dmustra qu ln( -3) y -4 son infinitésimos quivalnts n =. b) [,5 puntos]
Más detalles- Se trata en el fondo, de la misma manera de medir la asociación entre X y M.
BOLETÍN EPIDEMIOLÓGICO DE CASTILLA-LA MANCHA FEBRERO 2007/ Vol.19 /Nº 10 LA REGRESIÓN LOGÍSTICA EN EPIDEMIOLOGÍA II (*) A.- VARIABLE X CUALITATIVA CON DOS CATEGÍAS (DICOTÓMICA) X rprsnta, por jmplo, l
Más detallesUnidad 11 Derivadas 4
Unidad 11 rivadas SOLUCIONES 1. La solución n cada caso s:. Las drivadas son: f ( ) f () a) [ f () f () lím f (6 ) f (6) 9 b) f (6) lím lím 5 f (0 ) f (0) c) [ f (0) f (0) lím. En cada caso: a) f() no
Más detallesPrueba de asociación de dos variables cualitativas
Pruba d asociación d dos variabls cualitativas Dscripción Esta pruba s aplica n disños d invstigación n los qu s studia a un único grupo d individuos dond a cada uno d llos s han mdido simultánamnt dos
Más detallesDEPARTAMENTO DE FUNDAMENTOS DE ECONOMÍA E HISTORIA ECONÓMICA Matemáticas II EXAMEN FINAL Junio 2011 APELLIDOS: NOMBRE: D.N.I.
DEPARTAMENTO DE FUNDAMENTOS DE ECONOMÍA E HISTORIA ECONÓMICA Matmáticas II EXAMEN FINAL Junio APELLIDOS: NOMBRE: D.N.I. CUESTIONARIO DE RESPUESTA MÚLTIPLE % Las rspustas rrónas rstan puntos. Dbn rljars
Más detalles168 Termoquímica y Cinética. Aspectos Teóricos
168 Trmoquímica y Cinética 3..- Cinética química Aspctos Tóricos Como ya s ha indicado antriormnt, la trmodinámica tin como objtivo conocr n qu condicions una racción s pud producir d forma spontána. Sin
Más detallesPRIMERA PRÁCTICA SONIDO
PRIMERA PRÁCTICA SONIDO 1. Objtivo gnral: El objtivo d sta práctica s qu l alumno s familiaric con los concptos d amplitud y frcuncia y los llgu a dominar, así como l fcto qu tin la variación d stos parámtros
Más detallesEJERCICIOS UNIDADES 3 y 4: INTEGRACIÓN DE FUNCIONES
IES Padr Povda (Guadi) EJERCICIOS UNIDADES y : INTEGRACIÓN DE FUNCIONES (-M;Jun-A-) San f : R R y g : R R las funcions dfinidas rspctivamnt por f ( ) = y g( ) = + a) ( punto) Esboza las gráficas d f y
Más detalles. La tasa de variación media es la pendiente del segmento AB, siendo A(a, f(a) ) y B(b, f(b) ) dos puntos de la gráfica de la función:
º BACHILLERATO D MATEMÁTICAS CC SS TEMA 4.- FUNCIONES. DERIVACIÓN.- CONCEPTO DE DERIVADA Tasa d variación mdia S llama tasa d variación mdia d una función f n l intrvalo [a, b] al cocint. La tasa d variación
Más detallesTema 13. Aplicaciones de las derivadas
Tma 3. Aplicacions d las drivadas. Monotonía. Crciminto y dcrciminto d una función.... Etrmos rlativos... 3 3. Optimización... 6. Curvatura... 7 5. Puntos d Inflión... 8 6. Propidads d las funcions drivabls,
Más detallesLÍMITES, CONTINUIDAD, ASÍNTOTAS 11.1 LÍMITE DE UNA FUNCIÓN LÍMITE DE UNA FUNCIÓN EN UN PUNTO. Límite de una función en un punto
LÍMITES, CONTINUIDAD, ASÍNTOTAS. LÍMITE DE UNA FUNCIÓN.. LÍMITE DE UNA FUNCIÓN EN UN PUNTO Límit d una función n un punto f ) = l S l: El it cuando tind a c d f) s l c Significa: l s l valor al qu s aproima
Más detalles= 6 ; -s -4 s = 6 ; s= - 1,2 m. La imagen es real, invertida respecto del objeto y de mayor tamaño.
F F a) La lnt s convrgnt l objto stá situado ants dl foco objto: β = = = 4 ; = 4 s ; s + = 6 ; -s -4 s = 6 ; s= -, m s, 4,8 ; ; = = = s f 4,8. f, 4,8 f f =0,96 m. La imagn s ral, invrtida rspcto dl objto
Más detallesMatemáticas II TEMA 11 La integral definida Problemas Propuestos y Resueltos
Análisis Intgral dfinida Matmáticas II TEMA La intgral dfinida Problmas Propustos y Rsultos Intgrals dfinidas Halla l valor d: 7 a) ( + ) d b) 5 + d c) + d d) Para hallar una primitiva d cada función hay
Más detallesMatemáticas Avanzadas para Ingeniería Funciones reales extendidas al Plano Complejo, problemas resueltos
. Considr los siguints númros compljos: ) z = 3 i 2) z 2 = 2 3 i 3) z 3 = + 3 i ) z = i π Matmáticas Avanzadas para Ingniría Funcions rals xtndidas al Plano Compljo, problmas rsultos Dtrmin la part ral
Más detallesPrimer Examen Parcial Tema A Cálculo Vectorial Septiembre 26 de 2017
Primr Examn Parcial Tma A Cálculo Vctorial Sptimbr 6 d 17 Est s un xamn individual, no s prmit l uso d libros, apunts, calculadoras o cualquir otro mdio lctrónico Rcurd apagar y guardar su tléfono clular
Más detalles