Spline cúbico natural (B-spline) usando cuantiles Se elige un “array blanco”(“array basal”), v Intensidad blanco: i: spot, j: array, m: nº de arrays X.

Slides:



Advertisements
Presentaciones similares
SPLINES CÚBICOS Autor: Marcos, ZAMARREÑO JUANAS
Advertisements

Validez Interna Dr. P. Ventayol Servei de Farmàcia HUSD.
Reusabilidad de los Objetos de Aprendizaje almacenados en Repositorios de Libre Acceso Salvador Sánchez Alonso Universidad de Alcalá.
Tamaño muestral para estimar una media
Introducción En toda investigación, y antes de extraer conclusiones acerca de los objetivos e hipótesis planteados, es necesario llevar a cabo un análisis.
Aplicaciones de Data Mining en ciencia y tecnología Bioinformática
Introducción a los Algoritmos
METRICAS DE PROCESO Y PROYECTO
METODOLOGÍAS ÁGILES “PROCESO UNIFICADO ÁGIL (AUP)
COLEGIO NACIONAL DE EDUCACIÓN PROFESIONAL TÉCNICA
K-Means Integrantes Natalia Merino (85828) Gastón Sabatelli (85523)
Muestreo para la inspección por atributos
K-Means Integrantes Natalia Merino (85828) Gastón Sabatelli (85523)
IWeb-CEP Control Estadístico de Procesos Sin errores. Acceso de acuerdo a la función. Cálculos de Estabilidad Online. Contribuyendo a los procesos de mejora.
Papel de la biometría en la evaluación de PFNM Wong, Jenny., Thonber, K y Baker, N Evaluación de los recursos forestales no madereros. FAO, Roma,
Nombre: Israel Espinosa Jiménez Matricula: Carrera: TIC Cuatrimestre: 4 Página 1 de 5.
Unidad 4. Muestreo de Aceptación
¿Cómo hacer más rentables nuestras decisiones?. Rentabilidad Monto de cada préstamo $ Costo Fijo Total $ Gastos Adm por crédito $ 130 Tasa.
PLANEACION DE UNA ESTRUCTURA ORGANIZACIONAL
UNIVERSIDAD CATÓLICA DEL MAULE FACULTAD DE CIENCIAS DE LA INGENIERÍA ESCUELA DE INGENIERÍA CIVIL INFORMÁTICA PROFESOR GUÍA: HUGO ARAYA CARRASCO. ALUMNO.
Proceso de la investigación de mercado
Control estadístico de Proceso
Curvas y superficies en 2D y 3D
Población y Muestra.
Medidas de expresión para microarrays de Affimetrix.
Trabajo de Fin de Grado Realizado por FRANCISCO LUNA PEREJON Dirigido por OCTAVIO RIVERA ROMERO MIRA: Elaboración de herramientas para la experimentación.
INSTITUTO TECNOLOGICO DE VILLAHERMOSA
GRAFICOS DE CONTROL POR ATRIBUTOS
CALIFICACIONES. Calificaciones Podemos descargar las calificaciones en distintos formatos Recoge las puntuaciones obtenidas por todos los estudiantes.
Comprendiendo sus datos de RA y RC. Al final de esta lección usted será capaz de:  Identificar y entender que datos de RA y RC se deben recopilar en.
José Ángel González Fraga, Erika. M. Ramos Michel, Facultad de Telemática, Universidad de Colima V TALLER DE PROCESAMIENTO.
Redes Competitivas.
Unidad V: Estimación de
1 M. en C. Gal Vargas Neri. 2 Planeación del curso TEMACAP.TITULODÍASSEMFEC FIN TEMA 00MOTIVACION Y PLANEACION1111/01 TEMA I1-2ESTADISTICA Y MEDICION2115/01.
Introducción Scalable Edge Enhancement With Automatic Optimization For Digital Radiographic Images Procesamiento de Imágenes Digitales 1.
Estimación e intervalos de confianza
(Métodos de aleatorización)
Simular: Representar una cosa, fingiendo o imitando lo que no es.
Alineamiento.
ANALISIS DE SERIES TEMPORALES
Herramientas básicas.
Una introducción a la computación evolutiva
Repaso de clase anterior
Límites y Continuidad.
Capítulo 1. Conceptos básicos de la Estadística
UNIDAD 1.- EVALUACIÓN DE DATOS ANALITICOS
METODO DE TURNER Heyleen Sidney Palacios Diaz Hernando Ramirez Jimenez
Donuts, Scratches and Blanks: Robust Model-Based Segmentation of Microarray Images Qunhua Li, Chris Fraley, Roger E. Bumgarner, Ka Yee Yeung, Adrian E.
Pruebas de hipótesis.
INGENIERÍA DEL SOFTWARE GESTIÓN DE PROYECTOS
Medición y Métricas del Software
Clasificación visual con fotos aéreas
PC BD Alexandra Buri H José Rivera De La Cruz.
Herramientas avanzadas. Lo primero: abrir el modelo.
Cómo hacer una programación docente de Educación Primaria
METODOLOGÍAS ÁGILES “PROCESO UNIFICADO ÁGIL (AUP)
Bases Metodológicas de la Programación
Cómo hacer una programación docente de Educación Primaria
Muestreo Probabilístico
P y E 2012 Clase 14 Gonzalo Perera 1 Repaso de clase anterior Estimación de parámetros por el método de Máxima Verosimilitud.
Aspectos generales de la investigación educativa en el SNIT
Límites y Continuidad. Límite de una función cuando X  ∞ Resultados posibles:
Objetivos de la prueba Los objetivos principales de realizar una prueba son: Detectar un error. Tener un buen caso de prueba, es decir que tenga más probabilidad.
Caso práctico de fiscalización Método de Márgenes Transaccionales de Utilidad de Operación Lic. Sergio Luis Pérez Cruz ACFPT / AGGC / SAT.
Programación multicriterio: Métodos multicriterio discretos
ESTADISTICA DESCRIPTIVA BIVARIADA MEDIDAS DE RELACIÓN ENTRE VARIABLES CUANTITATIVAS.
Clustering Pablo Palacios 1.  Introducción  Clasificación de Clustering  Clusters de particionamiento ◦ N-means  Clusters difusos ◦ GFN-means ◦ Gath-Geva.
Yuly Vanessa Agudelo Jessy Carolina Buitrago Edwin Salazar Henao.
1 GRADO CALCULO.
Transcripción de la presentación:

Spline cúbico natural (B-spline) usando cuantiles Se elige un “array blanco”(“array basal”), v Intensidad blanco: i: spot, j: array, m: nº de arrays X puede ser R o G

Se extraen 100 percentilos para cada array (incluso el target), se desestima el resto de los datos target array

Se ajusta una función spline cúbica natural s j = f(cuantil x j, cuantil v) para cada array j Definición spline: es una función polinomial fragmentada en intervalos S: [a,b] → R d consite en la piezas polinómicas P i : [t i,t i+1 ) → R d donde a = t 0 < t 1 < … < t k-1 = b Spline natural: spline de grado 3 con continuidad C2. “Natural” porque: En nuestro caso definimos al spline para el intervalo k, array j:

Se puede calcular con R o S-plus. Se minimiza: (S-plus)

Selección de un set invariante: –Se calcula para cada array a los rangos de intensidad correspondientes al spot i (r ia ) –Selección del set invariante: PRD i = ( r i1 – r i2 ) / n < ó –Obtenemos un nuevo set y repetimos –Paramos cuando no decrece más el tamaño del set –Se aplica spline usando como “array basal” al set invariante

Normalización de escala

Datasets

Inspección visual Bias global Bias local

MA plots (lymphoma)

Clasificación k-NN Validación cruzada por “LOOCV” Suficientemente sensible para evaluar la pérdida de variabilidad biológica Disponible en varios paquetes Empíricamente aceptables No hace suposiciones sobre la distribución Algoritmo sencillo Se aplico a TODOS los spots (sin selección) Los artefactos son más fáciles de detectar Se incluyeron spots de baja intensidad ¡porque son importantes también!

Conclusiones Métodos simples mejoran los datos Métodos dobles mejoran a los simples IGLOESS-SLFILTERW7, ISTSPLINE-SLLOESS y IGLOESS-SLLOESS fueron los mejores La elección del mejor método aún depende mucho del array (artefactos, verdaderas diferencias biológicas?) Normalización de escala no tiene efectos benéficos La normalización tiene un impacto fuerte en el subsiguiente análisis

Software R language Bioconductor MAANOVA tware/download.htmlhttp:// tware/download.html tRMA braju