Вы находитесь на странице: 1из 54

Predicción y Estadística

Jornadas de Estadística 2007

IIMAS

9 de mayo

Dr. Ignacio Méndez Ramírez IIMAS UNAM

Panorama de la Plática

• Extrapolación - predicción

• Causalidad. Conceptos

• Modelos.

• Aleatoriedad y probabilidad

• Cuatro ejemplos de modelos estadísticos, con predicción

La palabra riesgo deriva del latín risicare, que significa “atreverse”. En este sentido, es una
La palabra riesgo deriva del latín risicare, que significa
“atreverse”.
En este sentido, es una elección, antes que una suerte.
Las acciones que nos atrevemos a tomar,
dependen de que tan libres somos para efectuar
la elección.

El concepto de predecir posibles evoluciones de un fenómeno, para escoger entre alternativas es inherente al ser humano.

para escoger entre alternativas es inherente al ser humano. La expresión de la visión determinística: si
para escoger entre alternativas es inherente al ser humano. La expresión de la visión determinística: si
para escoger entre alternativas es inherente al ser humano. La expresión de la visión determinística: si
para escoger entre alternativas es inherente al ser humano. La expresión de la visión determinística: si
para escoger entre alternativas es inherente al ser humano. La expresión de la visión determinística: si
para escoger entre alternativas es inherente al ser humano. La expresión de la visión determinística: si

La expresión de la visión determinística: si conocemos perfectamente el comportamiento de todas las partículas que existe en el universo, podremos predecir el futuro (Laplace)

¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?
¿Me
enfermaré
si como el
fruto rojo?
¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?

¿Me enfermaré si como el fruto rojo?

¿Me enfermaré si como el fruto rojo?
¿Me enfermaré si como el fruto rojo?
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren

Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, si se mueren todos, concluyo “Todos los frutos rojos son dañinos”. Me enfermaré si como un fruto rojo

a ratones, si se mueren todos, concluyo “Todos los frutos rojos son dañinos”. Me enfermaré si
a ratones, si se mueren todos, concluyo “Todos los frutos rojos son dañinos”. Me enfermaré si
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, se mueren 14%
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, se mueren 14%
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, se mueren 14%
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, se mueren 14%
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, se mueren 14%
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, se mueren 14%
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, se mueren 14%
Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, se mueren 14%

Estudio unos pocos frutos “iguales”, se los doy a comer a ratones, se mueren 14% de ellos, concluyo Es poco probable que me enferme si como el fruto rojo”

Estudio unos pocos frutos “ iguales ”, se extrae un compuesto que interfiere con la
Estudio unos pocos frutos “ iguales ”, se extrae un compuesto que interfiere con la
Estudio unos pocos frutos “ iguales ”, se extrae un compuesto que interfiere con la
Estudio unos pocos frutos “ iguales ”, se extrae un compuesto que interfiere con la
Estudio unos pocos frutos “ iguales ”, se extrae un compuesto que interfiere con la
Estudio unos pocos frutos “ iguales ”, se extrae un compuesto que interfiere con la
Estudio unos pocos frutos “ iguales ”, se extrae un compuesto que interfiere con la
Estudio unos pocos frutos “ iguales ”, se extrae un compuesto que interfiere con la

Estudio unos pocos frutos “iguales”, se extrae un compuesto que interfiere con la digestión en ratones. Concluyo “Esos frutos rojos son dañinos” Me enfermaré si como un fruto rojo

con la digestión en ratones. Concluyo “Esos frutos rojos son dañinos” Me enfermaré si como un
con la digestión en ratones. Concluyo “Esos frutos rojos son dañinos” Me enfermaré si como un
con la digestión en ratones. Concluyo “Esos frutos rojos son dañinos” Me enfermaré si como un
con la digestión en ratones. Concluyo “Esos frutos rojos son dañinos” Me enfermaré si como un
con la digestión en ratones. Concluyo “Esos frutos rojos son dañinos” Me enfermaré si como un
con la digestión en ratones. Concluyo “Esos frutos rojos son dañinos” Me enfermaré si como un
con la digestión en ratones. Concluyo “Esos frutos rojos son dañinos” Me enfermaré si como un
con la digestión en ratones. Concluyo “Esos frutos rojos son dañinos” Me enfermaré si como un
Estudio unos pocos frutos “ iguales ”, se los doy a comer a ratones, se
Estudio unos pocos frutos “ iguales ”, se los doy a comer a ratones, se
Estudio unos pocos frutos “ iguales ”, se los doy a comer a ratones, se
Estudio unos pocos frutos “ iguales ”, se los doy a comer a ratones, se
Estudio unos pocos frutos “ iguales ”, se los doy a comer a ratones, se
Estudio unos pocos frutos “ iguales ”, se los doy a comer a ratones, se
Estudio unos pocos frutos “ iguales ”, se los doy a comer a ratones, se
Estudio unos pocos frutos “ iguales ”, se los doy a comer a ratones, se
Estudio unos pocos frutos “ iguales ”, se los doy a comer a ratones, se
Estudio unos pocos frutos “ iguales ”, se los doy a comer a ratones, se
Estudio unos pocos frutos “ iguales ”, se los doy a comer a ratones, se
Estudio unos pocos frutos “ iguales ”, se los doy a comer a ratones, se
Estudio unos pocos frutos “ iguales ”, se los doy a comer a ratones, se

Estudio unos pocos frutos iguales”, se los doy a comer a ratones, se mueren 92% de ellos, concluyo “Es probable que me enferme, si como el fruto rojo”

Conocimiento

¿Me

enfermaré

si como

un

fruto

como

ese?

Conocimiento ¿ Me enfermaré si como un fruto como ese?
Conocimiento ¿ Me enfermaré si como un fruto como ese?

¿¿Me enfermaré si como un fruto rojo??

Extrapolación

“Predicción”

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 semejantesemejante oo igualigual?

Extrapolación

La CienciaC

hace extrapolaciones y con

ellas predicciones.

Ejemplo de ello son las investigaciones

ciertosciertos

que

elementoselementos (enfermos de amibiasis, fumadores empedernidos, plantas de maíz, cajas de Petri con un medio para crecer bacterias, etcétera), cuyas conclusiones se aplican a otrosotros elementoselementos semejantessemejantes a los estudiados.

llevan

cabo

se

a

con

Elementos

estudiados

Elementos estudiados Extrapolación Predicción Extrapolación Elementos semejantes a los estudiados

Extrapolación

Predicción

Extrapolación

Elementos semejantes a los estudiados

Poblaciones y Muestras

que lo

estudiado, o experiencia previa, es

una muestramuestra de todo un conjunto

nuevas

los

de

Se puede

considerar

otros

elementos

o

experiencias

estudiados.

semejantes

a

Este conjunto no estudiado es la poblacipoblacióónn.

Muestra

Poblaciones y Muestras

Población

Muestra Poblaciones y Muestras Población Extrapolación

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 ssíí ,, se puede equivocar, pero frecuentemente nono se equivoca.

Poblaciones y Muestras

Si

deterministasdeterministas que expresen relaciones (necesarias y suficientes) entre

encontrar leyes

pueden

se

propiedades de las instancias estudiadas (muestrasmuestras), entonces:

o

se

pueden

aplicar

los

resultados

conclusiones

a

todas

las

instancias

(poblacipoblacióónn)

no

estudiadas

aún,

que

cumplan con las propiedades requeridas.

Poblaciones y Muestras

Aquí están muchas leyes de la naturaleza, principalmente inorgánicas, como la física clásica, termodinámica (macroscópica), etcétera.

Así la experiencia (traducida en leyes) con ciertos planetas, se aplica a otros; con ciertos gases se aplica a otros; con ciertas moléculas se aplica a otras; etcétera.

ALEATORIEDAD

ALEATORIEDAD No hay modelos matemáticos que liguen todos los elementos del fenómeno No se puede predecir
ALEATORIEDAD No hay modelos matemáticos que liguen todos los elementos del fenómeno No se puede predecir

No hay modelos matemáticos que liguen todos los elementos del fenómeno

No se puede predecir con certeza el resultado de un estudio o evento

predecir con certeza el resultado de un estudio o evento ¿Por que hay aleatoriedad? 1. Complejidad
predecir con certeza el resultado de un estudio o evento ¿Por que hay aleatoriedad? 1. Complejidad
predecir con certeza el resultado de un estudio o evento ¿Por que hay aleatoriedad? 1. Complejidad
¿Por que hay aleatoriedad? 1. Complejidad de los fenómenos y no se conoce todos los
¿Por que hay aleatoriedad? 1. Complejidad de los fenómenos y no se conoce todos los
¿Por que hay aleatoriedad? 1. Complejidad de los fenómenos y no se conoce todos los

¿Por que hay aleatoriedad?

1. Complejidad de los fenómenos y no se conoce todos los aspectos y leyes

involucradas, pero el mundo es determinado.

aspectos y leyes involucradas, pero el mundo es determinado. 2. Hay aleatoriedad intrínseca. 3. Pequeños cambios

2. Hay aleatoriedad intrínseca.

3. Pequeños cambios de condiciones iniciales tienen efectos muy grandes (t. Caos)

Rechazar la aleatoriedad. Einstein: “Diós no juega dados”

Admitir la aleatoriedad. Heisenberg

Bifurcaciones, atractores Para estudiar fenómenos aleatorios se usa la probabilidad
Bifurcaciones, atractores
Para estudiar fenómenos aleatorios se usa la probabilidad

AleatoriedadAleatoriedad ee indeterminismoindeterminismo

Aleatoriedad Aleatoriedad e e indeterminismo indeterminismo Hay procesos o fenómenos en los que no no se

Hay procesos o fenómenos en los que nono se pueden encontrar relaciones entre sus propiedades, que sean necesarias y suficientes.

Hay mucha variabilidadvariabilidad, hay indeterminismoindeterminismo.

Se pueden encontrar ciertas “leyes” pero son de naturaleza probabilprobabilíísticastica y no determinística.

Aleatoriedad e indeterminismo

hacer

extrapolaciones, pero nunca son seguras, siempre hay la posibilidadposibilidad de equivocarse.

La estadística lo que busca es que la probabilidadprobabilidadde equivocarse sea pequepequeññaa.

Estas

leyes

permiten

nos

Ejemplo:

Aleatoriedad e indeterminismo

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

Se estudian 5,000 personas de 40 años que fuman (20 cigarros al día o más) y con colesterol elevado. Se

encuentra que 15% de ellas desarrolla enfermedad cardiovascular antes de cumplir 50 años.

extrapolación

cardiovascular antes de cumplir 50 años. extrapolación extrapolación población Se tiene una población de un
cardiovascular antes de cumplir 50 años. extrapolación extrapolación población Se tiene una población de un

extrapolación

población

Se tiene una población de un millón de personas que fuman,semejantes a las estudiadas. Se espera “alrededor” de 150,000 con enfermedad cardiovascular antes de los 50 años.

elemento

Una persona de 40 años que fuma, con colesterol elevado,semejante a los estudiados, tiene unaprobabilidad de 0.15 de enfermedad cardiovascular antes de cumplir 50 años.

Aleatoriedad e indeterminismo

En la primera inferencia o extrapolación se puede predecir con poco error cucuáántasntas personas en ese millón desarrollarán la enfermedad; en cambio en el caso de una persona nono sese puedepuede predecirpredecir con poco error, únicamente se le asignan las probabilidades de desarrollar la enfermedad de la población a que pertenece.

En estos razonamientos es crucial la validez del supuesto que las condiciones de la muestra seansean semejantessemejantes a las de la población o individuo.

tiempo Predicción Predicción : si se da esa configuración va a ocurrir el efecto. La
tiempo Predicción Predicción : si se da esa configuración va a ocurrir el efecto. La
tiempo Predicción Predicción : si se da esa configuración va a ocurrir el efecto. La
tiempo Predicción Predicción : si se da esa configuración va a ocurrir el efecto. La
tiempo Predicción Predicción : si se da esa configuración va a ocurrir el efecto. La
tiempo Predicción Predicción : si se da esa configuración va a ocurrir el efecto. La
tiempo Predicción Predicción : si se da esa configuración va a ocurrir el efecto. La
tiempo Predicción Predicción : si se da esa configuración va a ocurrir el efecto. La
tiempo Predicción Predicción : si se da esa configuración va a ocurrir el efecto. La
tiempo Predicción Predicción : si se da esa configuración va a ocurrir el efecto. La
tiempo Predicción Predicción : si se da esa configuración va a ocurrir el efecto. La
tiempo Predicción Predicción : si se da esa configuración va a ocurrir el efecto. La

tiempo

PredicciónPredicción: si se da esa configuración va a ocurrir el efecto. LaLa causalidadcausalidad determinísticadeterminística

tiempo Predicción Predicción : si se da esa configuración van a ocurrir los efectos con
tiempo Predicción Predicción : si se da esa configuración van a ocurrir los efectos con
tiempo Predicción Predicción : si se da esa configuración van a ocurrir los efectos con
tiempo Predicción Predicción : si se da esa configuración van a ocurrir los efectos con
tiempo Predicción Predicción : si se da esa configuración van a ocurrir los efectos con
tiempo Predicción Predicción : si se da esa configuración van a ocurrir los efectos con
tiempo Predicción Predicción : si se da esa configuración van a ocurrir los efectos con
tiempo Predicción Predicción : si se da esa configuración van a ocurrir los efectos con
tiempo Predicción Predicción : si se da esa configuración van a ocurrir los efectos con
tiempo Predicción Predicción : si se da esa configuración van a ocurrir los efectos con
tiempo Predicción Predicción : si se da esa configuración van a ocurrir los efectos con

tiempo

PredicciónPredicción: si se da esa configuración van a ocurrir los efectos con ciertas probabilidades. LaLa causalidadcausalidad probabilísticaprobabilística

 

CAUSALIDAD

 

Ejemplos

Pobreza

Represión

Educación

SaludPobreza Represión Educación Agresión Ingresos

Agresión Pobreza Represión Educación Salud Ingresos Pobreza Represión Educación Salud Ingresos

Ingresos

Pobreza Represión Educación Salud Agresión Ingresos

Hipótesis Teórica. Un concepto influye en otro(s)-

 
 

x

   

y

ConceptosConceptos oo “Constructos”“Constructos”

   
 

X

1

X

Y Y 1 2

Y

Y

1

2

     

2

Hipótesis Empírica (s)

 
Hipótesis Empírica (s)    
 

Relaciones entre Indicadores de los conceptos.

 

X

3

Y

3

X

4

Y

4

   
   
 

X

k

Y

m

CONCEPTOS DE CAUSALIDAD

Trisomía 21
Trisomía
21
Sx. Down
Sx.
Down

X

CONCEPTOS DE CAUSALIDAD Trisomía 21 Sx. Down X Y Causalidad determinística La causa es necesaria y

Y

Causalidad determinística La causa es necesaria y suficiente para el efecto. La configuración del mundo está

totalmente determinada por la configuración anterior.

Amiba
Amiba

X

determinada por la configuración anterior. Amiba X Y Amibiasis Causa necesaria pero no suficiente Deficiencia
determinada por la configuración anterior. Amiba X Y Amibiasis Causa necesaria pero no suficiente Deficiencia

Y

Amibiasis
Amibiasis

Causa necesaria pero no suficiente

Deficiencia Fe
Deficiencia Fe
Anemia
Anemia

X

YAmiba X Y Amibiasis Causa necesaria pero no suficiente Deficiencia Fe Anemia X Causa suficiente pero

Amiba X Y Amibiasis Causa necesaria pero no suficiente Deficiencia Fe Anemia X Y Causa suficiente

Causa suficiente pero no necesaria

CONCEPTOS DE CAUSALIDAD

Tabaquismo
Tabaquismo

X

CONCEPTOS DE CAUSALIDAD Tabaquismo X Y Cáncer pulmonar Causalidad probabilística •Causa no necesaria ni suficiente
CONCEPTOS DE CAUSALIDAD Tabaquismo X Y Cáncer pulmonar Causalidad probabilística •Causa no necesaria ni suficiente

Y

Cáncer pulmonar
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

Se decubren leyes que describen matemáticamente las variables importantes de un proceso, sin incluir consideraciones aleatorias. E=mc 2 , f=ma, mecánica clásica, ecuaciones diferenciales para muy variados fenómenos, fluidos, dinámica poblacional, etc.

variados fenómenos, fluidos, dinámica poblacional, etc. No se encuentran leyes que sin incluir consideraciones

No se encuentran leyes que sin incluir consideraciones aleatorias, describan matemáticamente a las variables del proceso. Se encuentran modelos, pero ahora son probabilísticos

aleatorias, describan matemáticamente a las variables del proceso. Se encuentran modelos, pero ahora son probabilísticos
aleatorias, describan matemáticamente a las variables del proceso. Se encuentran modelos, pero ahora son probabilísticos
aleatorias, describan matemáticamente a las variables del proceso. Se encuentran modelos, pero ahora son probabilísticos
aleatorias, describan matemáticamente a las variables del proceso. Se encuentran modelos, pero ahora son probabilísticos
aleatorias, describan matemáticamente a las variables del proceso. Se encuentran modelos, pero ahora son probabilísticos
aleatorias, describan matemáticamente a las variables del proceso. Se encuentran modelos, pero ahora son probabilísticos
aleatorias, describan matemáticamente a las variables del proceso. Se encuentran modelos, pero ahora son probabilísticos
aleatorias, describan matemáticamente a las variables del proceso. Se encuentran modelos, pero ahora son probabilísticos

• Con un modelo matemático, determinístico o probabilístico podemos derivar consecuencias siguiendo su lógica interna y en esta medida, efectuar predicciones. Estas siempre están sujetas a la validez del modelo. En el caso de los modelos probabilísticos, además se debe tener una idea del grado de incertidumbre en predicciones individuales.

El uso de los modelos en el trabajo de investigación se da de acuerdo al esquema:

El uso de los modelos en el trabajo de investigación se da de acuerdo al esquema:
El uso de los modelos en el trabajo de investigación se da de acuerdo al esquema:
El uso de los modelos en el trabajo de investigación se da de acuerdo al esquema:
El uso de los modelos en el trabajo de investigación se da de acuerdo al esquema:
El uso de los modelos en el trabajo de investigación se da de acuerdo al esquema:
El uso de los modelos en el trabajo de investigación se da de acuerdo al esquema:
El uso de los modelos en el trabajo de investigación se da de acuerdo al esquema:
El uso de los modelos en el trabajo de investigación se da de acuerdo al esquema:
El uso de los modelos en el trabajo de investigación se da de acuerdo al esquema:
El uso de los modelos en el trabajo de investigación se da de acuerdo al esquema:
El uso de los modelos en el trabajo de investigación se da de acuerdo al esquema:

2. Probabilidad clásica o de “juegos”

probabilidad de un

evento A es el cociente del número de posibles resultados favorables al evento entre el número total de resultados posibles.

La

(

P A

) =

resultados

 

con

A

_

_

resultados

totales

_

Espacio muestral:

conjunto que comprende

a todos los resultados posibles

El

Supone un “espacio muestral” equiprobable. Todos los posibles resultados son igualmente probables. Por esto es “a priori” y “subjetiva”.

En el mundo no hay espacios equiprobables exactos.

2. Probabilidad clásica o de “juegos”

• Probabilidad de “águila” al lanzar una moneda es igual a ½, que resulta de tener un caso favorable entre dos posibles.

• Probabilidad de un número mayor de 4 al lanzar un dado, es 2/6=1/3, ya que el 5 y el 6, dos resultados son mayores que 4, y hay 6 posibles resultados.

• Se dice que debe ser una moneda “ honesta “ o un dado “honesto”. ¿Qué es esto? Que sean igualmente probables los posibles resultados.

¿Hay dados y monedas honestos en el mundo?

¿Se aplica a aspectos biológicos, sociales, económicos, etc.

3.- MODELACION BASADA EN LA REGULARIDAD ESTADISTICA

La regularidad estadística consiste en el hecho universalmente observado ,que funciona como un supuesto muy apoyado, que al estudiar un número grande de veces un fenómeno en condiciones constantes (o casi ) las proporciones en las que ocurren los posibles resultados son muy estables (casi no cambian ) .

Es decir, no se puede predecir el resultado al estudiar uno o unos pocos elementos, pero en conjuntos grandes de elementos si es posible la predicción con poco error de las proporciones o porcentajes con los que ocurren los diversos resultados.

J. Bernoulli, Ars Conjectandi, 1713
J. Bernoulli, Ars Conjectandi, 1713
J. Bernoulli, Ars Conjectandi, 1713
J. Bernoulli, Ars Conjectandi, 1713
J. Bernoulli, Ars Conjectandi, 1713

J. Bernoulli, Ars Conjectandi, 1713

Población muy grande o infinita o un proceso que genera elementos

Lim P p-P< ε

proceso que genera elementos Lim P │ p-P │ < ε = 1 PP Liga con

= 1

PP
PP

Liga con

A

A representatividad de las muestras

µn µµµ

Lim p=P µn µµµ
Lim
p=P
µn µµµ

La proporción de ellos con A es p

pp
pp

Muestra aleatoria de n elementos

La proporción de elementos con A es P

Fre(S)

Fre(S)

REGULARIDAD ESTADISTICA EN VARIABLES DICOTOMICAS

1

0

1

.66

.5

0

p

1

n

1

 

1   0 p     1 2 n

0

p

 
 

1

2

n

1

.66

0

 
   

 

    p     1 2 3 n

p

 
 

1

2

3

n

1 .66 0     p     1 2 3 n Pudo ocurrir así o

Pudo ocurrir así o de otro modo, es impredecible

p
p
3 n Pudo ocurrir así o de otro modo, es impredecible p 1 2 3 4
3 n Pudo ocurrir así o de otro modo, es impredecible p 1 2 3 4

1

2

3

4

n

1

0

ocurrir así o de otro modo, es impredecible p 1 2 3 4 n 1 0

pocos cambios en la frecuencia

 
   
   
 

p

p
p
p

   

 
P(S)

P(S)

1

2

3

4

100

    p       P(S) 1 2 3 4 100 ∞∞∞∞ Predecible El valor

∞∞∞∞

Predecible

El valor

conceptualiza como la probabilidad de sobrevida para esos pacientes con esa técnica quirúrgica, la población

le

el

estabilizan

las

proporciones

en

que

se

se

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.

proporción le llamamos probabilidad de cada resultado. ¿Se muere el paciente, dentro del próximo año? La
proporción le llamamos probabilidad de cada resultado. ¿Se muere el paciente, dentro del próximo año? La

¿Se muere el paciente, dentro del próximo año?

resultado. ¿Se muere el paciente, dentro del próximo año? La proporción de pacientes muertos es estable,
resultado. ¿Se muere el paciente, dentro del próximo año? La proporción de pacientes muertos es estable,
resultado. ¿Se muere el paciente, dentro del próximo año? La proporción de pacientes muertos es estable,
resultado. ¿Se muere el paciente, dentro del próximo año? La proporción de pacientes muertos es estable,
resultado. ¿Se muere el paciente, dentro del próximo año? La proporción de pacientes muertos es estable,
resultado. ¿Se muere el paciente, dentro del próximo año? La proporción de pacientes muertos es estable,
resultado. ¿Se muere el paciente, dentro del próximo año? La proporción de pacientes muertos es estable,

La proporción de pacientes muertos es estable, en la población

de pacientes muertos es estable, en la población En el futuro, el paciente se muere o
de pacientes muertos es estable, en la población En el futuro, el paciente se muere o

En el futuro, el paciente se muere o no se muere; si se llega a morir, se muere “todito”, no el 32%.

¡Se le aplica a un elemento una característica de la población a la que pertenece.!

P(F)

Regularidad Estadística

Variables Categóricas

P(F) Regularidad Estadística Variables Categóricas El auto durante el recorrido de 80,000Km., ¿se descompone de

El auto durante el recorrido de 80,000Km., ¿se descompone de clutch, frenos, motor o no se descompone?

Población de Autos
Población de Autos
1 0.8 0.6 0.4 0.2 0
1
0.8
0.6
0.4
0.2
0

Frenosse descompone? Población de Autos 1 0.8 0.6 0.4 0.2 0 Motor No P P 1

MotorPoblación de Autos 1 0.8 0.6 0.4 0.2 0 Frenos No P P 1 3 P

NoPoblación de Autos 1 0.8 0.6 0.4 0.2 0 Frenos Motor P P 1 3 P

P

P

1

3

P 4

Constancia de Proporciones = Probabilidadesde clutch, frenos, motor o no se descompone? Población de Autos 1 0.8 0.6 0.4 0.2

ClutchP 2

P

2

Los diámetros del pecho de los soldados se modelan bien con una distribución normal X
Los diámetros del pecho de los soldados se modelan bien con una distribución normal X
Los diámetros del pecho de los soldados se modelan bien con una distribución normal X
Los diámetros del pecho de los soldados se modelan bien con una distribución normal X
Los diámetros del pecho de los soldados se modelan bien con una distribución normal X
Los diámetros del pecho de los soldados se modelan bien con una distribución normal X
Los diámetros del pecho de los soldados se modelan bien con una distribución normal X
Los diámetros del pecho de los soldados se modelan bien con una distribución normal X
Los diámetros del pecho de los soldados se modelan bien con una distribución normal X
Los diámetros del pecho de los soldados se modelan bien con una distribución normal X
Los diámetros del pecho de los soldados se modelan bien con una distribución normal X
Los diámetros del pecho de los soldados se modelan bien con una distribución normal X
Los diámetros del pecho de los soldados se modelan bien con una
distribución normal
X = Diámetro del pecho
/2 =0.025
0.475
0.475
-4
-3
-2
-1
0
1
2
3
4
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

UsoUso dede modelosmodelos enen lala regularidadregularidad estadísticaestadística

Para describir, entender y predecir los fenómenos aleatorios, frecuentemente se recure a postular modelos probabilísticos. Estos pueden haber surgido por tres vías:

1. Experiencias empíricas previas.

2. Consideraciones teóricas sobre la naturaleza del fenómeno estudiado, y

3. Combinaciones de las dos anteriores.

4. Simplicidad

sobre la naturaleza del fenómeno estudiado, y 3. Combinaciones de las dos anteriores. 4. Simplicidad f

f (x )

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
En estadística es común que se plantee un modelo para explicar las características de generación
En estadística es común que se plantee un modelo para explicar las características de generación
En estadística es común que se plantee un modelo para explicar las características de generación
En estadística es común que se plantee un modelo para explicar las características de generación
En estadística es común que se plantee un modelo para explicar las características de generación
En estadística es común que se plantee un modelo para explicar las características de generación
En estadística es común que se plantee un modelo para explicar las características de generación
En estadística es común que se plantee un modelo para explicar las características de generación
En estadística es común que se plantee un modelo para explicar las características de generación
En estadística es común que se plantee un modelo para explicar las características de generación
En estadística es común que se plantee un modelo para explicar las características de generación
En estadística es común que se plantee un modelo para explicar las características de generación
En estadística es común que se plantee un modelo para explicar las características de generación
En estadística es común que se plantee un modelo para explicar las características de generación

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”

a la probabilidad de una discordancia como la obtenida o aún mayor suponiendo cierto el modelo.
a la probabilidad de una discordancia como la obtenida o aún mayor suponiendo cierto el modelo.
a la probabilidad de una discordancia como la obtenida o aún mayor suponiendo cierto el modelo.
Significancia Estadística ¿ Que tanto es tantito? ¿ Cuándo las diferencias entre los datos obtenidos
Significancia Estadística ¿ Que tanto es tantito? ¿ Cuándo las diferencias entre los datos obtenidos

Significancia Estadística

¿ Que tanto es tantito? ¿ Cuándo las diferencias entre los datos obtenidos y los
¿ Que tanto es tantito?
¿ Cuándo las diferencias entre los datos
obtenidos y los esperados bajo un modelo
probabilistico son “grandes”?
Razonamiento de Fisher : Se supone que el modelo es
cierto, se evalúa la probabilidad de una discrepancia
entre los datos observados y los esperados, como la
obtenida o aun mayor. Este es el llamado Valor de P.
Si la P es menor de .05 , es decir 5%, se considera que
¿QUE?
el modelo no es compatible con los datos. Se dice las
diferencias son significativassignificativas
Reaccionamos ante lo improbable
! Es improbable encontrar tres
elefantes en la calle !
La significancia estadística, no demuestra que el modelo sea falso, solo que los datos son
La significancia estadística, no demuestra que el modelo sea falso, solo que los datos son

La significancia estadística, no demuestra que el modelo sea falso, solo que los datos son incompatibles (poco probables) con ese modelo.

estadística, no demuestra que el modelo sea falso, solo que los datos son incompatibles (poco probables)
estadística, no demuestra que el modelo sea falso, solo que los datos son incompatibles (poco probables)
estadística, no demuestra que el modelo sea falso, solo que los datos son incompatibles (poco probables)
estadística, no demuestra que el modelo sea falso, solo que los datos son incompatibles (poco probables)
estadística, no demuestra que el modelo sea falso, solo que los datos son incompatibles (poco probables)
estadística, no demuestra que el modelo sea falso, solo que los datos son incompatibles (poco probables)
estadística, no demuestra que el modelo sea falso, solo que los datos son incompatibles (poco probables)
estadística, no demuestra que el modelo sea falso, solo que los datos son incompatibles (poco probables)
estadística, no demuestra que el modelo sea falso, solo que los datos son incompatibles (poco probables)
0.350 P(asma, mv) 0.300 0.450 0.250 100 0.200 0.150 0.100 0.050 0.350 0.400 0 20
0.350
P(asma, mv)
0.300
0.450
0.250
100
0.200
0.150
0.100
0.050
0.350
0.400
0
20
30
40
50
60
NUEVA

EDAD

413 trabajadores de una industria del cemento, con su historia de trabajo por varios años, se construyó un índice del grado de exposición a los polvos de la caliza y otros componentes del cemento, se le llamó “nueva”. Además la edad de los trabajadores es una variable confusora para la presencia de asma y

otros padecimientos. Estimación de probabilidades de asma en modelo

logístico. Se

interacción en trabajador sano”

claramente la “efecto del

nota

el

800 trabajadores de una empresa siderúrgica. (Datos del Dr. Mariano Noriega, Maestría “Salud en el Trabajo”, UAM-X). Entre varios diagnósticos y varias exigencias de trabajo, se selecciona la relación entre la edad, el trabajo aburrido y con esfuerzos como factores de riesgo (causa) para el diagnóstico de patología del corazón. Esta relación se selecciona por que es donde hay una fuerte interacción triple. Las probabilidades aumentan con la edad pero mucho más si sólo hay trabajo aburrido, un poco menos con sólo esfuerzos y poco con ambos, casi nada cuando no esta ninguna de las dos exigencias. Hay un efecto antagónico, la presencia de ambos riesgos produce menores probabilidades de diagnóstico corazón, que cada uno de ellos por separado

0.9 -Abu 0.8 Probabilidades de Corazón 0.7 Máxima Verosimilitud Interacción Edad*Esf*Abu 0.6 Esf- 0.5 0.4
0.9
-Abu
0.8
Probabilidades de Corazón
0.7
Máxima Verosimilitud
Interacción Edad*Esf*Abu
0.6
Esf-
0.5
0.4
EsfAb
0.3
0.2
--
0.1
20
30
40
50
60
70
Prob[cor.mv]

EDAD

Datos de la Encuesta Nacional de Nutrición.1999. Gráfica 5. Probabilidades de bajo peso para la

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).

 

Variable

Bajo peso y desmedro %

Emaciación %

Grupo nivel socioeconómico

   

1

(intermedio)

18.8

2.7

2

(Peor condición)

30.5

2.4

3

(mejor condición)

10.3

1.8

Indigenismo

   

no

14.4

2.1

si

47.6

2.0

Estrato

   

Urbano

12.4

2.1

Rural

26.0

2.2

Ensayo clínico doble ciego para probar dos fármacos y un placebo para disminuir glucosa en diabéticos

28 Placebo: FBG end = -2.43 + 1.16 FBG beg 26 24 glibencamide: FBG end
28
Placebo: FBG end = -2.43 + 1.16 FBG beg
26
24
glibencamide: FBG end = 2.7 + 0.63 FBG beg
22
V-411: FBG end = 1.8 + 0.62 FBG beg
Placebo
20
18
16
Glibenclamida
Glucosa
14
final
12
V-411
10
8
6
4
7
8
9
10
11
12
13
14
15
16
17
18
19
20
Glucosa inicial
Linear Fit Treatment=="Glibencamide"
Linear Fit Treatment=="Placebo"
Linear Fit Treatment=="V-411"
Los dos fármacos producen
disminuciones semejantes de
glucosa, y el placebo produce
ligeros aumentos