Distribucioncontinua
Upcoming SlideShare
Loading in...5
×
 

Distribucioncontinua

on

  • 595 views

 

Statistics

Views

Total Views
595
Views on SlideShare
595
Embed Views
0

Actions

Likes
0
Downloads
8
Comments
0

0 Embeds 0

No embeds

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

Distribucioncontinua Distribucioncontinua Presentation Transcript

  • Bioestadística PROGRAMA DE DOCTORADO EN SALUD PÚBLICA
  • Contactos
    • Mirko Zimic Jefe de la Unidad de Bioinformática y Biología Computacional, Facultad de Ciencias, UPCH
    • 3190000 anexo 2604
    • [email_address] [email_address]
    • http://www.upch.edu.pe/facien/dbmbqf/docentes.htm http://www.abeperu.net/
  • Summarizing
    • The ‘randomness’ of a random variable resides on:
    • The variability of the initial conditions
    • The dynamical instability
    • The perturbation suffered during a measurement
  • Important Conclusion: Determinism and Random Behavior are not actually divorced, but they are connected through the Dynamical Equations. Therefore, Random Behavior is a consequence of determinism under special conditions
  • Clasificación general : Categórica Cuantitativa o numérica Nominal Ordinal Discreta Continua
  • Las variables continuas
    • El carácter continuo de una variable lo da la naturaleza intrínseca del observable físico y es independiente de la manera cómo se mida (i.e. del instrumento utilizado) ó de la manera cómo se reporte la medición
  • Efecto de la manera ‘cómo se mide’ una variable
    • Imaginemos que medimos la induración del PPD en varios pacientes, y para ello utilizamos una regla milimetrada. Las dimensiones medidas para diferentes personas fueron:
    • 5mm, 12mm, 9mm, 32mm, 21mm
    • Aparentemente estamos frente a una variable discreta, aunque en realidad la induración (longitud) es y debe tratarse de manera continua.
  • Categorización/discretización :
    • Las variables continuas pueden ser convertida en variables discretas y hasta en categóricas
    • En este proceso se pierde información (precisión)
    • La información debe obtenerse al mayor nivel de precisión posible y luego agruparse si fuera necesario (discretización)
  • Perfil de la distribución
    • Describe cómo los Datos están Distribuídos
    • Caracterización del perfil de la distribución:
    • Simétrica o sesgada
  • Recordemos las características de una variable continua con distribución normal… Figure 10.10 6
  • Dos bases de datos hipotéticas… Es importante tener una imagen visual de la distribución de la variable La media provee una buena representación de los valores en la base de datos. Datos de baja variabilidad Datos con alta variabilidad La media ya NO provee ahora una buena información de los datos como sucedía anterioremente Al incrementar datos la distribución cambia..
  • El Teorema del Límite Central da validez a los intervalos de confianza
    • La media de una muestra “grande” de datos de cualquier tipo sigue una distribución normal
    • Esto aún se cumple para datos binomiales (sexo, prevalencia, sensibilidad, etc)
    • Qué es una muestra grande? Eso varía según cada tipo de dato (entre otras cosas)
    • A medida que el tamaño de muestra crece, la distribución de la media muestral se hace más normal
  • AN ILLUSTRATION OF THE CENTRAL LIMIT THEOREM Bioestadística Aplicada
  • Continuous Models on the Line
    • Normal
    • Logistic
    • Cauchy
    • Laplace
    • Student
    • Non-central Student
    Bioestadística Aplicada
  • Normal Distribution
    • Mean= 0
    • SD = 0.5, 1, 2
    Bioestadística Aplicada
  • Logistic distribution
    • Mean=0
    • SD=0.5, 1
    Bioestadística Aplicada
  • Student distribution
    • Degrees of freedom= 1,10,100
    Bioestadística Aplicada
  • Laplace distribution
    • Mean=0
    • SD=0.5, 1, 5
    Bioestadística Aplicada
  • Continuous Models on the Half Line
    • Exponential
    • Gama
    • Chi-square
    • Non central Chi-square
    • F
    • Non central F
    • Weibull
    Bioestadística Aplicada
  • Exponential distribution
    • Scale parameter = 0.5, 1, 2
    Bioestadística Aplicada
  • Chi-square distribution
    • Degrees of freedom = 3, 5, 10,15
    Bioestadística Aplicada
  • F distribution
    • Degrees of freedom =
    • (3,3), (10,10), (30,30)
    Bioestadística Aplicada
  • Continuous Models on a Finite Interval
    • Beta
    • Uniform
    Bioestadística Aplicada
  • Uniform distribution
    • P = 1/3
    Bioestadística Aplicada
  • Beta distribution
    • Parameters:
    • (2,15), (5,15), (15,5)
    Bioestadística Aplicada
  • Discrete Models
    • Binomial
    • Poisson
    • Negative Binomal
    • Uniform
    Bioestadística Aplicada
  • Binomial distribution
    • N=10
    • P= 0.2, 0.5, 0.8
    Bioestadística Aplicada
  • Poisson distribution
    • Intensity parameter =
    • 1, 3, 7
    Bioestadística Aplicada
  • Negative Binomial
    • P N
    • 0.5 10
    • 0.4 3
    • 0.4 6
    Bioestadística Aplicada
  • Distribuciones sesgadas
  • Perfil de la distribución (skewness coefficient)
    • Describe cómo los Datos están Distribuídos
    • Caracterización del perfil de la distribución:
    • Simétrica o sesgada
  • Perfil de la distribución
    • Describe cómo los Datos están Distribuídos
    • Caracterización del perfil de la distribución:
    • Simétrica o sesgada
    Sesgada izquierda Simétrica Mean = Median = Mode Mean Median Mode
  • Perfil de la distribución
    • Describe cómo los Datos están Distribuídos
    • Caracterización del perfil de la distribución:
    • Simétrica o sesgada
    Sesgada derecha Sesgada izquierda Simétrica Media = Mediana = Moda Media Mediana Moda Mediana Media Moda
  • Análisis de OUTLIERS:
    • Datos sesgados:
      • Valores que se exceden de 3 rangos intercuartiles por debajo del primer cuartil Q1 o por encima del tercer cuartil (Q3) (percentiles 25 y 75 respectivamente)
    Sesgada izquierda Sesgada Positiva Q 1 – 3(Q 3 – Q 1 ) Q 1 Q 3 Q 1 Q 3 Q 3 + 3(Q 3 – Q 1 ) outlier region outlier region
  • Uso de la Teoría de Propagación Errores
    • Se aplica cuando tenemos una o muy pocas mediciones y deseamos presentar un rango de variabilidad en nuestras conclusiones
    Bioestadística Aplicada