Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 102 vistas

    Curva Roc

    Cargado por

    Bailafamilia Bernal
    La curva ROC es una técnica estadística que clasifica la información de dos posibles resultados (positivo/negativo) a partir de una condición. Representa la relación entre la sensibilidad y especificidad de una prueba al variar el punto de corte. Cuanto mayor sea el área bajo la curva ROC, mejor será la capacidad de clasificación de la prueba.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Curva Roc

    Cargado por

    Bailafamilia Bernal
    102 vistas1 página
    La curva ROC es una técnica estadística que clasifica la información de dos posibles resultados (positivo/negativo) a partir de una condición. Representa la relación entre la sensibilidad y especificidad de una prueba al variar el punto de corte. Cuanto mayor sea el área bajo la curva ROC, mejor será la capacidad de clasificación de la prueba.

    Título original

    CURVA ROC

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    La curva ROC es una técnica estadística que clasifica la información de dos posibles resultados (positivo/negativo) a partir de una condición. Representa la relación entre la sensibilidad y especificidad de una prueba al variar el punto de corte. Cuanto mayor sea el área bajo la curva ROC, mejor será la capacidad de clasificación de la prueba.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    102 vistas1 página

    Curva Roc

    Cargado por

    Bailafamilia Bernal
    La curva ROC es una técnica estadística que clasifica la información de dos posibles resultados (positivo/negativo) a partir de una condición. Representa la relación entre la sensibilidad y especificidad de una prueba al variar el punto de corte. Cuanto mayor sea el área bajo la curva ROC, mejor será la capacidad de clasificación de la prueba.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 1

    TÉCNICO EN MÍNERIA DE DATOS Nivel 4

    CURVA ROC

    La curva ROC (Receiver Operating Characteristic) es una técnica estadística que


    permite discriminar en pruebas dicotómicas, es decir, clasifica la información de
    dos posibles resultados a partir de una condición.
    Por lo regular, se usa para el
    diagnóstico médico, pero
    tiene diversas aplicaciones.
    Por ejemplo

    Si se quiere distinguir, en un grupo de pacientes, los que están sanos de los enfermos, se
    podría hacer la siguiente combinación.

    Tipo de prueba/Resultado
    Prueba + = y = 1 Verdadero positivo Falso positivo
    Prueba - = y = 0 Falso negativo Verdadero negativo

    Punto de corte
    El punto de corte delimita si
    es errónea la clasificación, lo Punto de corte

    que representa que, al hacer Distribución Distribución


    la prueba, ésta dé positivo y de sanos de enfermos

    el paciente esté sano o que Distribución


    de sanos
    Distribución
    de enfermos
    la prueba salga negativa y el
    paciente esté enfermo.
    c
    Valores de la variable x
    c
    FFP: área y
    Variable de decisión FVP: área y
    FVN: área y
    Gráficamente se aprecia de la FFN: área

    siguiente manera.

    El punto de corte está relacionado a estos dos términos.

    Sensibilidad: se refiere a la probabilidad de Especificidad: es la probabilidad de que dado


    que dado un éxito; la prueba lo clasifique un fracaso; la prueba lo clasifique como fracaso.
    como éxito.
    P ( y = 0 D = 0(
    E = Pr ( y = 0 D = 0 ( = r
    Pr ( D = 0 (

    Tipos de curvas ROC


    Relacionando los términos con Al graficar la relación del cam-
    el punto de corte, implica que bio de la sensibilidad, respecto 1
    buena
    al mover la variable de decisión a los pacientes falsos positivos, 0,8
    Sensibilidad

    regular
    0,6
    a la derecha disminuyen los se muestra lo que llamamos
    0,4 mala
    falsos positivos, pero aumentan curva ROC. 0,2
    los falsos negativos, lo que es 0
    equivalente a mencionar que 0 0,2 0,4 0,6 0,8 1

    incrementa la especificidad y Donde dependiendo su forma 1- Especificidad

    disminuye la sensibilidad. o el área bajo la curva (AUC) [0.5, 0.6): Test malo
    [0.6, 0.75): Test regular
    se considera una mejor clasifi- [0.75, 0.9): Test bueno
    [0.9, 0.97): Test muy bueno
    cación de resultados. [0.97, 1): Test excelente

    Este tipo de análisis es válido para pruebas paramétricas y no paramétricas.

    También podría gustarte