tópicos en análisis de datos y bioestadística. samples and populations: inference and probability...
TRANSCRIPT
Tópicos en Análisis de Datos y Bioestadística
SAMPLES AND POPULATIONS:INFERENCE AND PROBABILITY
Population
P1
P2
P15
P3
PN
Sample
S1
S2
Sn
InferenceProbability
2
The probabilistic concept produces a natural classification:
Fixed Numbers (Constants)
Random Variables (unfixed, may change with a certain probability distribution)
A random variable has a PROBABILITY DISTRIBUTION
The probability distribution can be seen as a ‘frequency plot’ or as an ‘histogram’
Just to remind:
To MEASURE is nothing else than to ‘assign’ a NUMBER to a certain characteristic of a physical observable, and for that we need to use a MEASUREMENT INSTRUMENT
A Clarification…
A RANDOM VARIABLE has a probability distribution, BUT its realization (the value obtained once it’s measured) is then a CONSTANT (fixed value)
What causes randomness?
How do we know if an observable is determined by a random variable or a constant?
Remember that to ‘know’ something is equivalent to measure it several times and make predictions and inferences on it
Classical Physics is deterministic
According to Newton’s laws, we can ‘predict’ how a system is going to behave in the future
Remember that in order to solve for the dynamics of any system, we need to ‘know’ the initial conditions
How can we ‘know’ the initial conditions?
Just ‘measuring them’… and after measuring, we inevitably introduce uncertainty
What about ‘giving’ the initial conditions instead of measuring them?
Can we then use our computational capacity to ‘predict’ how the system is going to evolve?
So, if a robot arm can always throw an ace, what happened to the randomness of the process?
What can we conclude about it?
The randomness is due to the variability on the initial conditions
Many systems are very sensible even to extremely small variations on the initial conditions: This is called Dynamical Instability or CHAOS
Atan Method Fractals
Summarizing
The ‘randomness’ of a random variable resides on:
- The variability of the initial conditions- The dynamical instability- The perturbation suffered during a
measurement
Clasificación general:
Categórica Cuantitativa o numérica
Nominal Ordinal Discreta Continua
Ejemplos:
Nominales: Sexo, estado civil, presencia de morbilidad, resultado del tratamiento
Ordinales: Severidad de morbilidad, riesgo quirúrgico, resistencia a antibioticos
Discretas: Cociente intelectual, tiempo de tratamiento u hospitalización
Contínuas: concentración de alcohol en la sangre
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.
Efecto de la manera ‘cómo se reporta’ una variable
Imaginemos que medimos la duración de la permanencia en UCI de pacientes en un hospital. Los tiempos medidos para diferentes pacientes fueron:15días, 2días, 9días, 12días, 31días
Aparentemente estamos frente a una variable discreta, aunque en realidad el tiempo es y debe tratarse de manera continua.
En sus trabajos, que tipo de dato es su
variable respuesta, resultado o desenlace
principal?
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)
DESCRIBIENDO VARIABLES
DICOTOMICAS
Variables dicotómicas:
Pero, nos interesa realmente la muestra o la población? Esta exploración es parte de un proceso de
inferencia estadística
Queremos extrapolar conclusiones a la población
Nuestro primer objetivo es hacer una estimación a nivel de la población:– Cálculo numérico de un cierto parámetro en la
población
– En forma puntual y con intervalo de variabilidad
Perfil de la distribución
Describe cómo los Datos están Distribuídos Caracterización del perfil de la
distribución: Simétrica o sesgada
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..
Recordemos las características de una variable continua con distribución normal…
Figure 10.10
66
Perfil de la distribución
Describe cómo los Datos están Distribuídos Caracterización del perfil de la distribución: Simétrica o sesgada
SimétricaMedia = Mediana = Moda
Bioestadística Aplicada
How does the standard deviation affect the shape of f(x)?
= 2
=3 =4
= 10 = 11 = 12How does the expected value affect the location of f(x)?
Fenómenos tipo Bernoulli: Se aplican a variables dicotómicas
Representan la ocurrencia o no ocurrencia de UN evento, por ejemplo: el sexo de CADA UNA de las personas encuestadas
Toman solamente dos posibles valores o estados: hombre (1) o mujer (2)
Solo se aplican a nivel unitario: un dato, persona u observación
Distribución Binomial:
Es un conjunto de variables Bernoulli del mismo tipo, por ejemplo, el sexo de las 4,850 personas encuestadas
La variable en estudio (sexo) tiene también dos valores (hombre/mujer), los cuales ocurren con frecuencias relativas (p) y (1-p) simétricas
El valor p es la frecuencia relativa o proporción de hombres entre las personas encuestadas
0.2
.4.6
Fra
ctio
n
0 .25 .5 .75 1(mean) dichotomous
0.2
.4.6
Fra
ctio
n
0 .25 .5 .75 1(mean) dichotomous
0.2
.4.6
Fra
ctio
n
0 .25 .5 .75 1(mean) dichotomous
0.2
.4.6
Fra
ctio
n
0 .25 .5 .75 1(mean) dichotomous
0.2
.4.6
Fra
ctio
n
0 .25 .5 .75 1(mean) dichotomous
0.2
.4.6
Fra
ctio
n
0 .25 .5 .75 1(mean) dichotomous
n=2
n=5
n=30
n=3
n=15
n=60
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
Bioestadística Aplicada
AN ILLUSTRATION OF THECENTRAL LIMIT THEOREM
36
ATENCION !
STATA puede identificar un tipo de variable de manera erronea !
Debemos apoyarnos en la ciencia, en nuestro conocimiento previo de la variable con que estamos trabajando.
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
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 SimétricaMean = Median = ModeMean Median Mode
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
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