8/23/2014

Dosis y Reaccin
Mini-Curso de Riesgo Microbiano
25 29 de agosto, 2014
Universidad Mayor de San Simn
Cochabamba, Bolivia
Matthew E. Verbyla

Dosis y Reaccin
Agenda
1. Modelos de Dosis-Reaccin

Exponencial
Beta-Poisson (Aproximado)
Beta-Poisson (Exacto)

2. Ajuste de los Modelos con

la Prueba Chi-Cuadrado
3. El Mtodo Bootstrapping
4. Intervalos de Confianza para los Parmetros del
Modelo

8/23/2014

Modelos Dosis-Reaccin
Por qu se tiene que
utilizar un modelo?
No es posible hacer un
estudio de laboratorio
con voluntarios
humanos
Tenemos que encontrar
un modelo adecuado,
interpolar y extrapolar
para saber la dosis que
corresponde a una
probabilidad de
infeccin suficiente baja

Un Modelo
Teorticamente Acertado
Los patgenos son microorganismos discretos.
El modelo tiene que considerar que la persona tiene
que ingerir por lo menos un microorganismo
(no es posible ingerir la mitad de una bacteria)
El ser humano tiene un sistema de autodefensas.
El modelo tiene que considerar que, al ser ingerido,
los microorganismos tienen que llegar al sitio en el
cuerpo donde pueden iniciar una infeccin. Hay una
probabilidad de que solamente una fraccin de los
microorganismos ingeridos llegan exitosamente,
pasando todas las autodefensas del cuerpo humano.

8/23/2014

Modelos Dosis-Reaccin
Beta Poisson

Exponencial
= 1

= 1 1 1 , + ,

+ !

=1
=0

Alternativamente, se puede usar la aproximacin:

= 1 1 +
Pero slo cuando
y cuando

21

1
50

50
1
1
50
1
2
1
21

El modelo exponencial es un
caso especial del Beta Poisson
El modelo exponencial slo tiene un parmetro,
la probabilidad de supervivencia: k
Para el modelo Beta Poisson, en vez de ser un
constante, se modela la supervivencia con la
distribucin Beta (con parmetros y )
Se hace una transformacin al modelo Beta
Poisson aproximado para expresarlo en
trminos de y N50

=1 1+

=1 1+

21

1
50

8/23/2014

Dosis
Sabemos la dosis promedio
administrado a los voluntarios
Se asume que la dosis tiene
una distribucin Poisson
Distribucin Poisson:
Funcin de Densidad de Probabilidad

, = 0, 1, 2
!
Media (Promedia): Varianza:
=

Ajuste de los Modelos

Dosis-Reaccin a los Datos
Cada grupo de voluntarios que recibe la misma dosis
(en los experimentos dosis-reaccin) representa una
muestra de una distribucin binomial
Tienen cierta probabilidad de infectarse con esa dosis de
microorganismos
x = nmero total de voluntarios

n = nmero de voluntarios que se infectan con esa dosis de

microorganismos

!
1
! !

8/23/2014

Ajuste de Modelo
!
=
1
! !

ln 1 , 2 , =
=1

= voluntarios infectados
= total de voluntarios
= probabilidad de infeccion
= grupos de voluntarios

!
1
! !

el mejor ajuste del modelo (valor mximo de ln(L))

Desviacin del modelo: ( porque
)
es cuando el modelo pasa exactamente por los datos

= 2

ln
=1

1
+ ln

= 1 1 +

21

1
50

Probar el Ajuste
(Prueba de 2)
Estadstica Crtica 2
Grados de libertad = k m
k es la cantidad de grupos de
voluntarios (numero de datos)
m es la cantidad de parmetros
en el modelo

Se considera que el 2 critico

es la mxima desviacin que
se debe tener para un buen
ajuste del modelo

8/23/2014

Estadsticas Crticas de 2
(mxima desviacin aceptable)
( = 0.05)

Grados de Libertad
2
3
4
5
6
7
8
9

Estadstica Crtica 2
5.99
7.81
9.49
11.07
12.59
14.07
15.51
16.92

Trabajo de Gabinete
Objetivos:
1. Encontrar los parmetros que dan el mejor ajuste a los dos
modelos de dosis-reaccin, utilizando los datos de un estudio de
dosis-reaccin con voluntarios
2. Determinar cual de los dos modelos es el ms adecuado y
determinar el valor p para probar el ajuste (prueba de 2)

8/23/2014

Mtodo Bootstrapping
Es un mtodo de
estadstica que
consiste en el
remuestreo de una
muestra pequea de
datos
Se utiliza para
aproximar la
distribucin en el
muestreo de un
estadstico

Visualizacin de Bootstrapping
Datos Originales
1

3.0

Repeticiones
2
4

2.4

3.0

3.4

3.4

2.6

8/23/2014

Ventaja de Bootstrapping:
Incorporacin de la Incertidumbre
en los Modelos Dosis-Reaccin

Trabajo de
Gabinete
Objetivos:
1. Utilizar el mtodo bootstrap
(10 repeticiones) con los
datos dosis-reaccin de
Rotavirus
2. Encontrar los parmetros
y N50 para cada repeticin
del boostrap, utilizando el
mtodo Mxima
Verosimilitud
3. Calcula el 95% intervalo de
confianza para y N50