bioestadística
DESCRIPTION
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 protected] [email protected] - PowerPoint PPT PresentationTRANSCRIPT
![Page 1: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/1.jpg)
Bioestadística
PROGRAMA DE DOCTORADO EN SALUD PÚBLICA
![Page 2: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/2.jpg)
Contactos
Mirko Zimic Jefe de la Unidad de Bioinformática y Biología Computacional, Facultad de Ciencias, UPCH
3190000 anexo 2604
[email protected]@gmail.com
http://www.upch.edu.pe/facien/dbmbqf/docentes.htm
http://www.abeperu.net/
![Page 3: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/3.jpg)
Summarizing
The ‘randomness’ of a random variable resides on:
- The variability of the initial conditions- The dynamical instability- The perturbation suffered during a
measurement
![Page 4: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/4.jpg)
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
![Page 5: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/5.jpg)
Clasificación general:
Categórica Cuantitativa o numérica
Nominal Ordinal Discreta Continua
![Page 6: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/6.jpg)
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
![Page 7: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/7.jpg)
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.
![Page 8: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/8.jpg)
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)
![Page 9: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/9.jpg)
Perfil de la distribución
Describe cómo los Datos están Distribuídos Caracterización del perfil de la
distribución: Simétrica o sesgada
![Page 10: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/10.jpg)
Recordemos las características de una variable continua con distribución normal…
Figure 10.10
66
![Page 11: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/11.jpg)
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 comosucedía anterioremente
Al incrementar datos la distribución cambia..
![Page 12: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/12.jpg)
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
![Page 13: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/13.jpg)
Bioestadística Aplicada
AN ILLUSTRATION OF THECENTRAL LIMIT THEOREM
13
![Page 14: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/14.jpg)
Bioestadística Aplicada
Continuous Models on the Line
Normal Logistic Cauchy Laplace Student Non-central Student
![Page 15: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/15.jpg)
Bioestadística Aplicada
Normal Distribution
Mean= 0 SD = 0.5, 1, 2
![Page 16: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/16.jpg)
Bioestadística Aplicada
Logistic distribution
Mean=0 SD=0.5, 1
![Page 17: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/17.jpg)
Bioestadística Aplicada
Student distribution
Degrees of freedom= 1,10,100
![Page 18: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/18.jpg)
Bioestadística Aplicada
Laplace distribution
Mean=0
SD=0.5, 1, 5
![Page 19: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/19.jpg)
Bioestadística Aplicada
Continuous Models on the Half Line Exponential Gama Chi-square Non central Chi-square F Non central F Weibull
![Page 20: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/20.jpg)
Bioestadística Aplicada
Exponential distribution
Scale parameter = 0.5, 1, 2
![Page 21: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/21.jpg)
Bioestadística Aplicada
Chi-square distribution
Degrees of freedom = 3, 5, 10,15
![Page 22: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/22.jpg)
Bioestadística Aplicada
F distribution
Degrees of freedom =
(3,3), (10,10), (30,30)
![Page 23: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/23.jpg)
Bioestadística Aplicada
Continuous Models on a Finite Interval Beta Uniform
![Page 24: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/24.jpg)
Bioestadística Aplicada
Uniform distribution
P = 1/3
![Page 25: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/25.jpg)
Bioestadística Aplicada
Beta distribution
Parameters:
(2,15), (5,15), (15,5)
![Page 26: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/26.jpg)
Bioestadística Aplicada
Discrete Models
Binomial Poisson Negative Binomal Uniform
![Page 27: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/27.jpg)
Bioestadística Aplicada
Binomial distribution
N=10 P= 0.2, 0.5, 0.8
![Page 28: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/28.jpg)
Bioestadística Aplicada
Poisson distribution
Intensity parameter =
1, 3, 7
![Page 29: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/29.jpg)
Bioestadística Aplicada
Negative Binomial
P N
0.5 10
0.4 3
0.4 6
![Page 30: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/30.jpg)
Distribuciones sesgadas
![Page 31: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/31.jpg)
Perfil de la distribución (skewness coefficient)
Describe cómo los Datos están Distribuídos Caracterización del perfil de la
distribución: Simétrica o sesgada
![Page 32: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/32.jpg)
Perfil de la distribución Describe cómo los Datos están Distribuídos Caracterización del perfil de la distribución: Simétrica o sesgada
Sesgada izquierda SimétricaMean = Median = ModeMean Median Mode
![Page 33: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/33.jpg)
Perfil de la distribución
Describe cómo los Datos están Distribuídos Caracterización del perfil de la distribución: Simétrica o sesgada
Sesgada derechaSesgada izquierda SimétricaMedia = Mediana = ModaMedia Mediana Moda Mediana MediaModa
![Page 34: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/34.jpg)
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
Q1 – 3(Q3 – Q1)Q1 Q3 Q1 Q3 Q3 + 3(Q3 – Q1)
outlier region outlier
region
![Page 35: Bioestadística](https://reader034.vdocument.in/reader034/viewer/2022051000/56813861550346895da00e91/html5/thumbnails/35.jpg)
Bioestadística Aplicada
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