María Eugenia Castañeda L

Slides:



Advertisements
Presentaciones similares
DESARROLLO DE UN SISTEMA DE COMUNICACIÓN AUMENTADA Y ALTERNATIVA PARA PERSONAS CON DIFICULTADES DE HABLA BASADO EN WINDOWS Rafael Monroy Rodríguez M. en.
Advertisements

Curso de Bioestadística Parte 10 Inferencias de una proporción
Curso de Bioestadística Parte 1 ¿Qué es estadística?
Curso de Bioestadística Parte 15 Correlación
El estudio de Casos en la Investigación Cualitativa
Administración de Proyectos de desarrollo de Software Ciclo de vida de un proyecto Enfoque moderno Tema Asociaciones Asociaciones en Casos de Uso.
PROPIEDADES DE LOS ESTIMADORES DE MÍNIMOS CUADRADOS ORDINARIOS
Regresión mínimo cuadrada (I)
Director: Julio Pindado Profesorado: Dr. Julio Pindado
TOMOGRAFÍA DE ESTADOS FOTÓNICOS
Competencias, objetivos y contenidos
“Entrenamiento de habilidades colaborativas” Doctorando: Rosanna Costaguta Directora: Analía Amandi Workshop Inteligencia Artificial en Educación Tandil.
Una Introducción Básica a Sistemas de Tipos Estáticos
UNIVERSIDAD NACIONAL AGRARIA DE LA SELVA
Kernels en reconocimiento de caras de caras Juan M. Enríquez (dc), M.Laura González Silva (df) y Alejo Salles (df). Seminario de Neurociencia Depto. Computación/Física.
Sistemas computarizados de información
Covarianza muestral Sean x1, x2, ..., xn e y1, y2, ..., yn dos muestras aleatorias independientes de observaciones de X e Y respectivamente. La covarianza.
Introducción a las Señales Aleatorias ISAL
INFERENCIA ESTADISTICA
PROPIEDADES ESTADÍSTICAS DE LOS ESTIMADORES
MODELO DE REGRESIÓN MÚLTIPLE
¿Es especial nuestro universo?
Econometria 2. Modelo de Regresión Lineal Simple
Junta de Trabajo- TACIB A 15 de Mayo del ¡Muchas felicidades a todos!
Análisis de valores perdidos
ALGUNOS CONCEPTOS PREVIOS
ANÁLISIS DISCRIMINANTE
UNIVERSIDAD DE PANAMÁ FACULTAD DE CIENCIAS NATURALES Y EXACTAS DEPARTAMENTO DE MATEMATICA COLOQUIOS MATEMÁTICOS OPERADORES EN ESPACIOS DE HILBERT. REPRESENTACION.
TEMA 0.
METABOLOMICS PCA – Principal Component Analysis. Modelos y Datos  Todos los estudios arrojan datos  En cada estudio se miden variables.
Estadística Descriptiva: 4. Correlación y Regresión Lineal
Uso de modelos Mixed Logit en modelación de elecciones discretas
Estadística Descriptiva: 4. Correlación y Regresión Lineal Ricardo Ñanculef Alegría Universidad Técnica Federico Santa María.
Fundamentos de Programación Matemática y Casos de Estudio en Economía.
REGRESION LINEAL En la búsqueda de mejoras o en la solución de problemas es necesario, frecuentemente, investigar la relación entre factores (o variables).
A signal processing approach to Pharmacokinetics, Pharmacodynamics and Biopharmaceutics Data Analysis Carlos Óscar Sorzano Sánchez Directores: Dr. Antonio.
Prueba Suficiencia Investigadora Doctorando: Rosa Filgueira Vicente Tutor: David Expósito Singh 27 Febrero 2007.
Definiciones Biodisponibilidad: Velocidad y cantidad total de un medicamento activo que es absorbido y está disponible en el lugar de acción. Bioequivalencia:Dos.
Análisis Discriminante
Impact Evaluation 4 Peace March 2014, Lisbon, Portugal 1 Métodos No- experimentales Latin America and the Caribbean’s Citizen Security Team Victor.
Modelos Lineales Julio Di Rienzo
Dr. Víctor Aguirre Depto. De Estadística, ITAM
Una introducción al modelo y programa SIENA Miranda Lubbers
3. Funciones discriminantes para la f.d.p normal.
Research and multivariate analysis in WOP Psychology
Curso de Geoestadística 3. Análisis Estructural
Flujo óptico Omar Ocegueda 24 de Noviembre de 2003.
TEMA I.
Logística APLICADA coordinación de Inventarios Wilson Adarme Jaimes Ing. Ind. Esp. Prod. M.Sc. Logística Candidato a Doctor - énfasis logística Profesor.
La estimacion de parametros
Act. Carlos Vladimir Rodríguez Caballero HSBC MÉXICO Facultad de Ciencias Riesgo de CréditoUNAM AME p.1/16.
TOPICOS DE ECONOMETRIA APLICADA Sistemas de Ecuaciones y Variables dependientes limitadas Estimación de Sistemas de Demanda con Corrección de Sesgo por.
Análisis de datos correlacionados
Análisis y diseño de experimentos
Eje temático: 3. LA INVESTIGACIÓN Y EL POSGRADO, SOPORTES PARA LA FORMACIÓN Y LA VINCULACIÓN (El posgrado y la investigación y formación de recursos humanos.
PARÁMETROS GENÉTICOS Y RESPUESTA A LA SELECCIÓN EN UNA POBLACIÓN DE GALLINAS DE RAZA CASTELLANA NEGRA Archivos de Zootecnia vol. 55, Nº 209, Pág
6. ANÁLISIS DISCRIMINANTE
Discriminant Analysis. Two classification problems Discrimination Cluster.
Identificación de Sistemas El problema de la Identificación de Sistemas.
LOS QUEHACERES DE JORGE
L A ESTIMACION DE PARAMETROS 1. /31 CONTENIDO Principio fundamental de la estimación de parámetros Un metodo grafico para la estimacion de parametros.
1 Y MODELO DE REGRESIÓN SIMPLE Suponemos que una variable Y es una función lineal de otra variable X, con parámetros desconocidos  1 y  2 que queremos.
PROCESOS DE DECISION DE MARKOV EN EL DISEÑO DE AGENTES INTELIGENTES GERMAN HERNANDEZ Ing. de Sistemas, Universidad Nacional-Bogota
Escuela Politécnica Superior Departamento de Ingeniería Eléctrica Directores: Edgardo D. Castronuovo Pablo Ledesma Fecha de inicio: Noviembre de 2011 Fecha.
Unidad 4 Análisis de los Datos.
1 El estudio de Casos en la Investigación Cualitativa Dra. Rosita Puig Díaz del Universidad del Turabo.
CONTRASTE DE HIPÓTESIS Dimensiones Largo275mm. 169 mm 2 Ancho175mm.49 mm 2 Alto175mm.49 mm 2 Peso16 Kg.1 Kg 2. SITUACIÓN PROBLEMA.
Departamento de Informática Universidad Técnica Federico Santa María EconometríaEconometría Capitulo II.
Robótica Móvil CC5316 Clase 13: EKF y UKF Semestre Primavera 2012 Profesor: Pablo Guerrero.
Conclusiones: En este trabajo se ha demostrado que se pueden aplicar los algoritmos OCH al ajuste de los parámetros de un modelo borroso mediante la discretización.
Transcripción de la presentación:

Diseños Óptimos para Estimación y Discriminación en Modelos no Lineales Mixtos María Eugenia Castañeda L. Candidata a Doctora Escuela de Estadística Universidad Nacional de Colombia Medellín

Contenido 1. Modelo de Efectos Mixtos 2.Modelo Lineal Mixto Matriz de Información, Diseño poblacional 3.Modelo no Lineal Mixto Linealización, Matriz de Información Aproximada 4.Diseños óptimos para estimación Diseños D-óptimos 5. Diseños óptimos para discriminación Diseños T-óptimos Diseño D-óptimo producto 6. Diseños óptimos para estimación y discriminación

Modelos de Efectos Mixtos Davidian, M. and Giltinan, D. (1995). Nonlinear models for repeated measurement data. Chapman & Hall/CRC. Florida. Pinheiro, J. and Bates, D. (2000). Mixed-effects models in S and S-plus. Springer-Verlag, New York. Diseños Óptimos Retout, S., Duffull, S. and Mentré, F. (2001). Development and implementation of the population Fisher information matrix for the evaluation of population pharmacokinetic designs. Computer Methods and Programs in Biomedicine 65, pág 141-151. Entholzner, M. and Schmelter, T. (2007). A note on designs for estimating population parameters. Schmelter, T. (2007). The optimality of single-group designs for certain mixed models. Metrika 65, pág 183-193.

-Estimación de parámetros PK -AUC, Tmax, Cmax Farmacocinética -Estimación de parámetros PK -AUC, Tmax, Cmax

1. Modelo de Efectos Mixtos Error aleatorio i.i.d Observación i: individuo j: réplica Función de Respuesta variable explicativa parámetro individual

Parámetro Individual Efectos Fijos Parámetro Poblacional Covariables Efectos Aleatorios Independientes

Ejemplo: M1: SIN COVARIABLES Retout, S. and Mentré, F. (2003). Further developments of the Fisher Infomation Matrix in nonlinear mixed effects models with evaluation in population pharmacokinetics

M2: CON COVARIABLES Retout, S. and Mentré, F. (2003). Further developments of the Fisher Infomation Matrix in nonlinear mixed effects models with evaluation in population pharmacokinetics

2. Modelo Lineal Mixto Matrices de Diseño Matriz de Covarianza Individual Matriz de Información total

Diseño Poblacional Matriz de Información Diseños Elementales Matriz de Información Objetivo: seleccionar de la región de diseño que minimicen o funcionales de ésta.

Modelo linealizado alrededor de E(b)=0 3. Modelo no Lineal Mixto Modelo linealizado alrededor de E(b)=0

Matriz de Información (aproximada) Diseños óptimos locales

4. Diseños óptimos para estimación D-óptimos Diseños Exactos Diseños Continuos

Ejemplo 1: Diseño Exacto – 2 Grupos Gabrielsson, J. and Weiner, D. (2000). Pharmacokinetic and Pharmacodynamic Data Analysis. Swedish Pharmaceutical Press, Sweden.

Diseño D-óptimo poblacional

Ejemplo 2: Diseño Continuo Diseño Poblacional Matriz de Información Sup. Independencia a nivel individual Patan, M. and Bogaka, B. (2010). Optimum group designs for random-effects nonlinear dynamic processes. Chenometrics and Intelligent Laboratory Systems 101 pág 73-86

5. Diseños para Discriminación entre dos Modelos Competitivos Diseños T-Óptimos (Modelos de efectos fijos) Modelo correcto Modelo alternativo Un diseño es T-óptimo si maximiza

Generalización del criterio de T-optimalidad Un diseño es T-óptimo si maximiza Criterio Producto Kuczewski, B., Bogacka, B. and Ucinski, D. (2008). Optimum designs for discrimination between two nonlinear multivariate dynamic mixed effects models. Biometrical Letters, vol 45, No 1, pág 1-28. Waterhouse, T., Redmann, S., Duffull, S. and Eccleston, J. (2005). Optimal design for model discrimination and parameter estimation for Itraconazole population pharmacokinetics. Journal of Pharmacokinetics and Pharmacodynamics, Vol 32, No 4.

Ejemplo 3:

Jamsen, K. , Duffull, S. , Tarning, J. , Lindegardh, N. , White, N Jamsen, K., Duffull, S. , Tarning, J., Lindegardh, N., White, N. and Simpson, J. (2011). Optimal designs for population pharmacokinetic studies of oral artesunate in patients with uncomplicated falciparum malaria. Jamsen et al. Malaria Journal 10:181

Diseños T-eficiencias

6. Diseños Óptimos para Estimación y Discriminación Composición de Criterios Criterio Propuesto

Bibliografía