Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
9 de mayo
¿Me
enfermaré
si como un
fruto como
ese?
¿¿Me enfermaré si Extrapolación
“Predicción”
como un fruto rojo??
Dudas:
¿todos los frutos rojos semejantes son
indigestos? ¿influye el tamaño del
fruto?
¿el tono de rojo?
¿la época del año?
¿el tipo de árbol o arbusto?
¿la persona que lo consume?
etcétera.
¿Qué es ser semejante o “igual”?
Extrapolación
Elementos
Elementos semejantes
a los
estudiados
Extrapolación estudiados
Predicción
Poblaciones y
Muestras
Muestra Población
Extrapolación
Poblaciones y Muestras
¿ Es la Extrapolación(predicion) Válida?
Nos preguntamos:
¿la extrapolación no se equivoca?,
¿cómo hacer que no se equivoque?
La respuesta es sí , se puede
equivocar, pero frecuentemente no se
equivoca.
Poblaciones y
Muestras
Ejemplo:
Considere el esquema siguiente donde
se tienen datos de desarrollo de
enfermedad cardiovascular en 50,000
personas.
Aquí hay dos tipos de extrapolación,
una es a toda la población de la cual los
50,000 se consideran una muestra; y la
otra a una persona en el futuro que es
considerada un elemento tomado al
azar de la población.
Aleatoriedad e indeterminismo
muestra población
Se estudian 5,000 personas
Se tiene una población
de 40 años que fuman (20
de un millón de personas
cigarros al día o más) y
que fuman,semejantes a
con colesterol elevado. Se
las estudiadas.
encuentra que 15% de ellas extrapolación
Se espera “alrededor” de
desarrolla enfermedad
150,000 con enfermedad
cardiovascular antes de
cardiovascular antes de
cumplir 50 años.
los 50 años.
extrapolación
X2 Y2
Hipótesis Empírica (s)
X3 Y3
Relaciones entre
Indicadores de los X4 Y4
conceptos. ... ...
Xk Ym
CONCEPTOS DE CAUSALIDAD
Causalidad determinística
La causa es necesaria y
Trisomía Sx.
21 Down suficiente para el efecto. La
configuración del mundo está
X Y totalmente determinada por la
configuración anterior.
Deficiencia Fe Anemia
Causa suficiente pero no
X Y necesaria
CONCEPTOS DE CAUSALIDAD
Tabaquismo
X Y
Cáncer pulmonar
Causalidad probabilística
•Causa no necesaria ni suficiente
•Asociación estadística
•Las probabilidades de Y cambian al
cambiar X
Se decubren leyes que describen matemáticamente
las variables importantes de un proceso, sin incluir
consideraciones aleatorias. E=mc2 , f=ma,
mecánica clásica, ecuaciones diferenciales para muy
variados fenómenos, fluidos, dinámica poblacional,
etc.
Lim p=P
→∝
n→∝
P
La proporción de
ellos con A es p
La proporción de
p Liga con elementos con A es P
A representatividad
Muestra aleatoria
de n elementos de las muestras
REGULARIDAD ESTADISTICA EN VARIABLES DICOTOMICAS
1 × 1 × × 1 × ×
Fre(S)
×
p p .66 p
0 0 0
1 n 1 2 n 1 2 3 n
Pudo ocurrir
así o de otro
1 × × modo, es 1 × × pocos cambios
× impredecible × en la frecuencia
.66
p ×
Fre(S) p × × ... × × ×
.5
P(S)
0 0
1 2 3 4 n 1 2 3 4 100 ∞
Predecible
El valor en el que se estabilizan las proporciones se le
conceptualiza como la probabilidad de sobrevida para esos
pacientes con esa técnica quirúrgica, la población
REGULARIDAD ESTADÍSTICA
Al estudiar un fenómeno aleatorio muchas veces, en condiciones
casi constantes (población), los diferentes resultados ocurren con
una proporción estable.
A esa proporción le llamamos probabilidad de cada resultado.
... ...
¿Se muere el
paciente, dentro del La proporción de pacientes muertos
próximo año? es estable, en la población
Población de Autos
El auto durante el
recorrido de 80,000Km., 1
¿se descompone de 0.8
clutch, frenos, motor o Frenos P1
0.6 P2
P(F)
Clutch
no se descompone? 0.4 Motor P3
No
0.2
P4
X
Regularidad estadística, base de la
probabilidad frecuentista
• Al estudiar un fenómeno muchas veces en condiciones
constantes o casi (la población), la frecuencia de los
posibles resultados es muy estable.
• La definición de los resultados de interés (espacio
muestral) y las condiciones de estudio (población) es
subjetiva, sin embargo, los valores en los que se
estabilizan las frecuencias relativas o probabilidades
son objetivos.
• Para entender, describir y predecir fenómenos
aleatorios, se pretende conocer esas probabilidades
Uso de modelos en la regularidad
estadística
Para describir, entender y predecir los fenómenos
aleatorios, frecuentemente se recure a postular
modelos probabilísticos.
Estos pueden haber surgido por tres vías:
f (x θ )
1. Experiencias empíricas previas.
2. Consideraciones teóricas sobre la
naturaleza del fenómeno estudiado, y
3. Combinaciones de las dos anteriores.
4. Simplicidad
FUMAR Y ENFERMEDAD CARDIACA
Relación causal determinada en forma no experimental
En un estudio de seguimiento por varios años de toda una
población de personas, se construyó el modelo logístico
que permite concluir, que en hombres de 45 años la
probabilidad de ataque cardiaco dentro de 12 años se
estima como sigue:
0.03, si no fuma, con presión y colesterol normales
0.05. si fuma 20 cigarros al día
0.075, si fuma y tiene presión 140/88
0.15, si fuma, tiene presión 140/88 y nivel sérico de
colesterol 250 mg/dL
En estadística es común que se plantee un
modelo para explicar las características de
generación de los datos. El modelo puede
representar la situación esperada de una
hipótesis de causalidad, o bien puede ser el
modelo de negación de una hipótesis dada
(Hipótesis de nulidad)
En ambos casos, se evalúa la concordancia entre
los datos observados, O y los esperados E, si el
modelo es cierto. Usualmente esta discordancia
se valora de acuerdo a la probabilidad de una
discordancia como la obtenida o aún mayor
suponiendo cierto el modelo. Es el ”Valor de P”
Significancia Estadística
¿ Que tanto es tantito?
¿ Cuándo las diferencias entre los datos
obtenidos y los esperados bajo un modelo
probabilistico son “grandes”?
100 0.200
0.150
0.100
trabajadores es una variable
0.050 0.400
0.350 confusora para la presencia de asma y
0 otros padecimientos. Estimación de
20 30 40 50 60
0.6
Esf-
0.5
0.4
EsfAb
...
0.3
0.2 --
0.1
20 30 40 50 60 70
EDAD
Datos de la Encuesta Nacional de Nutrición.1999. Gráfica 5.
Probabilidades de bajo peso para la edad y desmedro (baja talla para la
edad), y también de emaciación (bajo peso para la talla).
18
16 Glibenclamida
Glucosa
14
final
12
V-411
10
4
7 8 9 10 11 12 13 14 15 16 17 18 19 20
FBG
Glucosa beg
inicial Los dos fármacos producen
Linear Fit Treatment=="Glibencamide" disminuciones semejantes de
Linear Fit Treatment=="Placebo" glucosa, y el placebo produce
Linear Fit Treatment=="V-411" ligeros aumentos