📐 Modelo Logit
log(p/(1-p)) = β₀ + β₁x₁ + ... + βₖxₖ. La función logit transforma la probabilidad p (0,1) a una escala lineal (-∞, +∞). P(Y=1|X) = 1/(1 + e^{-(β₀+β₁X)}).
📊 Odds Ratio (OR)
OR = e^{β₁}. Representa el cambio en los odds de Y=1 por cada unidad de X. OR > 1: la probabilidad aumenta. OR < 1: disminuye. OR = 1: no hay efecto. Ejemplo: OR = 2 significa que los odds se duplican.
✅ Clasificación Binaria
Se clasifica como 1 si p̂ ≥ τ (umbral, típicamente 0.5). Matriz de confusión: VP, FP, VN, FN. Precisión = (VP+VN)/total. Sensibilidad = VP/(VP+FN). Especificidad = VN/(VN+FP).
📈 Curva ROC y AUC
La curva ROC grafica sensibilidad vs 1-especificidad para todos los umbrales posibles. AUC (área bajo la curva) mide la capacidad discriminativa general: 0.5 = aleatorio, 0.8 = bueno, 1.0 = perfecto.
Explora los conceptos con ejemplos practicos disponibles en la simulacion interactiva de este modulo.
Intuicion
La inferencia estadistica permite extraer conclusiones sobre una poblacion basandose en una muestra.
Formula clave
Las formulas de inferencia se basan en distribuciones muestrales y el TCL.
Paso a paso
Aprende el procedimiento sistematico para realizar inferencias correctas.
Error comun
Identifica y evita los errores mas frecuentes en interpretacion.
Ejemplo concreto
Aplica los conceptos a problemas reales de inferencia.
Conexion
Fundamental para modelos predictivos (Curso 4).