

Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Prepara tus exámenes
Prepara tus exámenes y mejora tus resultados gracias a la gran cantidad de recursos disponibles en Docsity
Prepara tus exámenes con los documentos que comparten otros estudiantes como tú en Docsity
Encuentra los documentos específicos para los exámenes de tu universidad
Estudia con lecciones y exámenes resueltos basados en los programas académicos de las mejores universidades
Responde a preguntas de exámenes reales y pon a prueba tu preparación
Consigue puntos base para descargar
Gana puntos ayudando a otros estudiantes o consíguelos activando un Plan Premium
Comunidad
Pide ayuda a la comunidad y resuelve tus dudas de estudio
Ebooks gratuitos
Descarga nuestras guías gratuitas sobre técnicas de estudio, métodos para controlar la ansiedad y consejos para la tesis preparadas por los tutores de Docsity
Asignatura: Bioestadística i Anàlisi de Dades, Profesor: Ferran Ferran, Carrera: Ciències Biomèdiques, Universidad: UAB
Tipo: Apuntes
1 / 3
Esta página no es visible en la vista previa
¡No te pierdas las partes importantes!


Caracteritzar la distribució conjunta de dues variables aleatòries. Existeix o no associació entre dues variables?
Dades independents: relació bivariant. Ex : pes-sexe, files i columnes representen diferents subjectes.
Dades aparellades (mesures repetides): si a l'anar agafant una d'elles diferents valors, es modificaran els valors que va agafant l'altra variable. Cada fila és un mateix subjecte en dues situacions diferents. Ex : pes-efecte del tractament, pes inici- pes final.
Es representen amb taules de contingència. El recompte comptarà la freqüència d'ingesta de carn de cadascú i si compleix o no a ingesta proteica. El % de freqüència d'ingesta de carn es calcula a partir del recompte de NO/SI entre el total de la fila. El % de “cumple el patrón” és el recompte de NO/SI entre els valors de la columna. El % del total és la divisió del recompte entre el total de mostres.
Els valors totals s'anomenen marginals.
Com la variable “proteïnes totals” és una variable quantitativa, hem de representar-ho en un histograma.
- Ex: proteïnes totals en funció de l'edat (en intervals).
“L'edat” és una variable qualitativa i les “proteïnes totals” és quantitativa discreta, per això hem de representar-ho mitjançant un histograma. En aquest cas podem fer un histograma per cada interval d’edat per poder veure la variació de la variable “proteïnes totals” en els diferents grups d’edat.
- Ex: concentració de proteïna en sang en diferents tractaments (placebo, fàrmac A, fàrmac B).
El gràfic 1 permet observar la diferent distribució de la variable quantitativa continua en cadascun dels grups de variable qualitativa (o quantitativa discreta), però el 2 no.
El núvol de punts permet observar la correlació lineal entre dues variables aleatòries mitjançant una línia recta, és a dir, veure el grau de relació entre elles. No volem predir el valor d'una a partir de l'altra, només veure com canvia una en funció de l'altra. En un model no lineal, encara que les dues variables tinguin relació perquè quan x augmenta y augmenta, no podem considerar el valor de r. Es mesura amb el coeficient de correlació de Pearson, que dóna com a valor de relació “r”. * No cal saber-se la fórmula.
- Ex: pes del nen i freqüència d'ingesta de carn → 1 variable aleatòria amb 1 variable dissenyada. La variable que hem dissenyat és “freqüència d’ingesta de carn” ja que hem establert que entre 1 i 2 vegades per setmana no existeix cap valor possible. Per això observem salts i no es pot avaluar la variable de manera contínua. Aquesta variable dissenyada s’estableix per predir el valor d’una variable aleatòria, com el pes. Una “r” propera a 1 indicarà que podem fer una predicció correcta. Regressió lineal: y= a + bx → La pendent o inclinació de la recta marcarà el tipus de relació. Pot ser positiva o negativa.
És un error considerar valors de mostra que estiguin molt separats l’un de l'altre. Exemples de bons i mals models:
Com més proper estiguin r 2 a 1 millor. Ex : una r=0,7 pot semblar bastant bona però la seva r 2 = 0,49 només indica que expliques el 49% de la variabilitat entre les variables.
El valor de R quadrat explica el tant per cent de la variabilitat entre dues variables. Mai pot ser negatiu.
En el núvol de punts, un punt molt allunyat respecte un altre conjunt de valors pot produir un canvi important en la recta de regressió.
És erroni considerar dos grups d'estudi diferents dins el mateix estudi de correlació. Ex : com més petit és l’ocell més llarg és el bec.
•Ex: efecte d'un fàrmac ansiolític en una mostra de 120 pacients.