INSTITUTO POLITCNICO NACIONAL Unidad Profesional Interdisciplinaria de Ingeniera y Tecnologas Avanzadas

Asignatura: Bioestadstica. Profesora: Prez Hernndez Jos Rubn. Alumnos: Aranda Bjorges Gibrn Humberto. Rivas Valadez Sergio. Grupo: 1BM3 Trabajo: Anlisis de Mallas, Nodos y Principio de Superposicin.

Anlisis de Supervivencia.
Formulacin General. Funcin de Supervivencia. El objeto de inters principal es la funcin de supervivencia, convencionalmente denotado S, que se define como: = ( > ) donde t es el tiempo, T es una variable aleatoria que denota el momento de la muerte, y "Pr" se refiere a la probabilidad. Es decir, la funcin de supervivencia es la probabilidad de que el tiempo de la muerte es ms tarde de lo que algunos se especifica el tiempo t. La funcin de supervivencia tambin se llama la funcin de supervivencia o la funcin de supervivencia en los problemas de la supervivencia biolgica, y la funcin de fiabilidad en los problemas de la supervivencia mecnica. En este ltimo caso, la funcin de fiabilidad se denota R (t). Por lo general, se asume S (0) = 1, aunque podra ser inferior a 1 si hay la posibilidad de muerte inmediata o el fracaso. La funcin de supervivencia no debe ser mayor: S (u) S (t), si u t. Esta propiedad se deriva directamente de F (t) = 1 - S (t) es la integral de una funcin no negativa. Esto refleja la idea de que la supervivencia a una edad ms avanzada slo es posible si todas las edades ms jvenes sean alcanzadas. Teniendo en cuenta esta propiedad, la funcin de distribucin de toda la vida y la densidad de eventos (F y F a continuacin) estn bien definidas. La funcin de supervivencia es por lo general supone que se acercan a cero a medida que aumenta la edad sin lmite, es decir, S (t) 0 cuando t , si bien el lmite puede ser mayor que cero si la vida eterna es posible. Por ejemplo, podramos aplicar el anlisis de supervivencia a una mezcla de istopos de carbono estables e inestables, istopos inestables decaera, tarde o temprano, pero los istopos estables iba a durar indefinidamente. Vida til: Funcin de Distribucin y la Densidad de Eventos. Las cantidades correspondientes se definen en trminos de la funcin de supervivencia. La funcin de distribucin de toda la vida, F denota convencionalmente se define como el complemento de la funcin de supervivencia, = = 1 () y la derivada de F, que es la funcin de densidad de la distribucin de toda la vida, que convencionalmente se denota f, = =

La funcin f se llama a veces la densidad de eventos, es la tasa de eventos de muerte o el fracaso por unidad de tiempo. La funcin de supervivencia se define a menudo en trminos de funciones de distribucin y la densidad

= > =

() = 1 ()

Del mismo modo, un evento de supervivencia funcin de densidad se puede definir como = = = () = 1 = () Funcin de Riesgo y Funcin de Riesgo Acumulado. La funcin de riesgo, denota convencionalmente , se define como la tasa de eventos en el tiempo t condicionada a la supervivencia hasta el tiempo t, o ms tarde (es decir, T t), () () = < + ) = = () () La fuerza de la mortalidad es sinnimo de funcin de riesgo que se utiliza sobre todo en la demografa y la ciencia actuarial, donde se denota por . La tasa de riesgo plazo es otro sinnimo. La funcin de riesgo no debe ser negativo, (t) 0, y su integral sobre *0, ] debe ser infinita, pero es de otra manera no limitada, ya que puede ser creciente o decreciente, no montona, o discontinua. Un ejemplo es la curva de la baera funcin de riesgo, que es grande para pequeos valores de t, disminuyendo a un mnimo, y, posteriormente, volver a aumentar, lo que puede modelar la propiedad de algunos sistemas mecnicos que no sea pronto despus de la operacin, o mucho ms tarde, como las edades del sistema. La funcin de riesgo, alternativamente, se puede representar en trminos de la funcin de riesgo acumulado, convencionalmente denotado : = log Transportando los signos y exponenciacin = () O diferenciando () = = () () El nombre de "funcin de riesgo acumulado" se deriva del hecho de que

=
0

()

que es la "acumulacin" de la amenaza a travs del tiempo. De la definicin de (t), vemos que aumenta sin lmite cuando t tiende a infinito (suponiendo que S (t) tiende a cero). Esto implica que (t) no debe disminuir demasiado rpido, ya que, por

definicin, el riesgo acumulado tiene que divergen. Por ejemplo, no es la funcin de riesgo de cualquier distribucin de la supervivencia, una debido a que su integral converge a 1. Cantidades Derivadas de la Distribucin de Supervivencia. La vida futura en un momento dado t0 es el tiempo que queda hasta la muerte, la supervivencia dada la edad de t0. Por lo tanto, es T - t0 en la notacin actual. El tiempo de vida previsto en el futuro es el valor esperado de la vida futura. La probabilidad de muerte en o antes de la edad t + t0, la supervivencia hasta la edad de t0 dado, es slo (0 < 0 + ) 0 + (0 ) 0 + > 0 ) = = ( > 0 ) (0 ) Por lo tanto la densidad de probabilidad de vida futura es 0 + (0 ) (0 + ) = (0 ) () y el tiempo de vida previsto en el futuro es 1 1 + 0 = () 0 0 (0 ) 0 en la segunda expresin se obtiene mediante la integracin por partes. Para t0 = 0, es decir, al nacer, lo que reduce el tiempo de vida esperado. En los problemas de fiabilidad, la vida til se llama el tiempo medio de fallo, y el tiempo de vida previsto en el futuro se llama el tiempo de vida residual media. Como la probabilidad de un individuo que sobrevivieron hasta la edad t o posterior S (t), por definicin, el nmero esperado de los sobrevivientes a la edad t, de una poblacin inicial de los recin nacidos es n n S (t), asumiendo la funcin de supervivencia misma para todas las personas. As, la proporcin esperada de los sobrevivientes es de S (t). Si la supervivencia de los diferentes individuos es independiente, el nmero de sobrevivientes a la edad t tiene una distribucin binomial con parmetros n y S (t), y la varianza de la proporcin de supervivientes es de S (t) x (1-S (t) ) / n. La edad en que un determinado porcentaje de los sobrevivientes quedan se encuentran resolviendo la ecuacin S (t) = q para t, donde q es el cuantil de que se trate. Por lo general uno est interesado en la vida media, por lo que q = 1 / 2, o de otros cuantiles como q = 0,90 o q = 0,99. Tambin se pueden hacer inferencias ms complejas de la distribucin de la supervivencia. En los problemas de fiabilidad mecnica, se puede llevar los costos (o, ms generalmente, de servicios pblicos) en consideracin, y as resolver los problemas relativos a la reparacin o sustitucin. Esto nos lleva al estudio de la teora de la renovacin y la teora de la confiabilidad del envejecimiento y la longevidad.

Censura. La censura es una forma de problema de falta de datos que es comn en el anlisis de supervivencia. Lo ideal sera que tanto el nacimiento y las fechas de la muerte de un sujeto se conocen, en cuyo caso el tiempo de vida que se conoce. Si se sabe slo que la fecha de la muerte es, despus de una fecha, esto se llama censura a la derecha. Censura a la derecha se produce para aquellos sujetos cuya fecha de nacimiento se desconoce, pero que an estn vivos cuando se han perdido durante el seguimiento o cuando se termine el estudio. Si la vida de un sujeto que se conoce en menos de una cierta duracin, la vida se dice que es de izquierda censurado. Truncada a la izquierda de datos es comn en el trabajo actuarial del seguro de vida y pensiones (Richards, 2010). Tambin puede suceder que los sujetos con una vida til inferior a un umbral que no se puede observar en absoluto: esto se llama truncamiento. Tenga en cuenta que el truncamiento es diferente a la censura de la izquierda, desde un punto de referencia para las izquierdas censuradas, sabemos que el sujeto existe, pero para un dato truncado, que puede ser totalmente inconsciente del sujeto. Truncamiento es tambin comn. En una entrada en el estudio denominado retraso, los sujetos no se observen en todo hasta que hayan alcanzado una cierta edad. Por ejemplo, la gente no se puede observar hasta que hayan alcanzado la edad para ingresar a la escuela. Ninguno de los sujetos fallecidos en el grupo de edad pre-escolar se desconoce. Estimacin No Paramtrica. El estimador de Nelson-Aalen se puede utilizar para proporcionar una estimacin no paramtrica de la funcin de riesgo de tasas acumuladas. El Anlisis de Supervivencia usa diferentes distribuciones: Distribucin Exponencial. Distribucin de Weibull. Anlisis de Supervivencia con Distribucin de Weibull. Anlisis de Weibull. El procedimiento del Anlisis de Weibull est diseado para ajustar una distribucin de Weibull a un conjunto den observaciones. Es comnmente usado para analizar datos representando tiempos de vida o tiempos hasta que se presente error. Los datos pueden incluir censura en los cuales algunas veces los errores no son conocidos exactamente debido al desplazamiento de algunos objetos de la prueba. La distribucin se grafica y los percentiles estimados son mostrados.

La distribucin de Weibull de 3 parmetros tiene una funcin de densidad de probabilidad definida por
( ) =

Tiene tres parmetros: 1. Parmetro forma > 0 2. Parmetro Escala > 0 3. Parmetro Inicio El rango de los valores para la variable aleatoria . La media y la varianza de la distribucin de Weibull son: 1 = + ( ) 2 2 1 1 = 2

Frecuentemente el parmetro se fija en 0, lo que resulta en la distribucin de Weibull de dps parmetros. Grfica de Weibull. La grfica de Weibull muestra cmo los momentos de error no censurados graficados sobre una escala logartmica en el eje horizontal X. Las posiciones del graficacin del eje vertical se define en las Oposiciones del Anlsis.

Si los datos provienen de una distribucin de Weibull, los puntos deben caer aproximadamente a lo largo de una lnea recta sobre esta grfica, la cual corresponder a la distribucin de Weibull ajustada. Funcin de Supervivencia Log. La funcin de Supervivencia Log es el logaritmo natural de la funcin de supervivencia.

Funcin de Riesgo. La funcin de riesgo es una estimacin de la tasa instantnea de error

Las unidades de tiempo de la funcin de riesgo son la fraccin de errores por unidad de tiempo. Si el parmetro de forma estimado < 1, la funcin de riesgo ser monotticamente decreciente. Si > 1, la funcin de riesgo ser monotticamente creciente. Si = 1, la funcin de riesgo ser constante. Funcin Gamma. El modelo gamma est definido por la funcin de probabilidad 1 = ; , = cte > 0 () siendo G(a) la funcin gamma, definida como:

=
0

1 ; para > 0

Como G(1) = 1, la funcin de probabilidad gamma cuando a = 1 es la exponencial. Otro caso particular de esta funcin es t = 1/2 y a = r/2, siendo r un nmero natural, que recibe el nombre de ji-cuadrado con r grados de libertad. Del mismo modo que la variable tiempo hasta que ocurra el primer evento de un proceso es de Poisson es exponencial, la variable tiempo hasta que ocurra el evento k-simo es gamma con a = k La estimacin de esta funcin slo es sencilla en el caso de que no haya prdidas y sta es la que implementa el PRESTA. Estimador de Kapla-Meier que estimador de Kaplan-Meier, tambin conocido como el estimador lmite del producto, es un estimador de la estimacin de la funcin de supervivencia a partir de datos de toda una vida. En la investigacin mdica, a menudo es usado para medir la fraccin de pacientes que viven por un cierto perodo de tiempo despus del tratamiento. En economa, se puede utilizar para medir la longitud de tiempo que las personas siguen sin empleo despus de la prdida del empleo. En ingeniera, se puede utilizar para medir el tiempo hasta la falla de piezas de la mquina. En ecologa, se puede utilizar para estimar cunto tiempo permanecen los frutos carnosos de las plantas antes de ser retirados por los frugvoros. El estimador es el nombre de Edward L. Kaplan y Meier Paul. Un grfico de la estimacin de Kaplan-Meier de la funcin de supervivencia es una serie de medidas horizontales de magnitud decreciente que, cuando una muestra suficientemente grande se toma, se acerca a la verdadera funcin de supervivencia para esa poblacin. El valor de la funcin de supervivencia entre las sucesivas observaciones distintas muestras ("clicks") se supone que es constante.

Una ventaja importante de la curva de Kaplan-Meier es que el mtodo puede tener en cuenta algunos tipos de datos censurados, en particular el derecho-la censura, la cual ocurre cuando un paciente se retira de un estudio, es decir, se pierde de la muestra antes de que el resultado final se observa . En la parcela, pequea vertical garrapatas marcas indican las prdidas, donde el tiempo de supervivencia de un paciente ha estado en lo cierto-censura. Cuando no hay truncamiento o censura se produce, la curva de Kaplan-Meier es equivalente a la funcin de distribucin emprica. En las estadsticas mdicas, una aplicacin tpica podra suponer la agrupacin de los pacientes en categoras, por ejemplo, aquellos con un perfil de genes y los genes con el perfil de B. En el grfico, los pacientes con Gene B mueren mucho ms rpidamente que aquellos con el gen A. Despus de dos aos, alrededor del 80% de los genes A los pacientes sobrevive, pero menos de la mitad de los pacientes con Gene B. Formulacin: Sea S (t) la probabilidad de que un elemento de una poblacin determinada, tendr una vida til superior a t. Para una muestra de esta poblacin de tamao N que los tiempos observados hasta la muerte de miembros de la muestra N es: 1 2 3 Correspondientes a cada ti es ni el nmero "en riesgo" justo antes de tiempo ti, y di el nmero de muertes en el momento de ti.

Tenga en cuenta que los intervalos entre cada vez que por lo general no son uniformes. Por ejemplo, un pequeo conjunto de datos puede comenzar con 10 casos, una muerte en el da 3, una prdida (caso censurado) en el da 9, y otra muerte en el da 11. Entonces tenemos que (t 1 = 3, t2 = 11), (n1 = 10, n2 = 8) y (d1 = 1, d2 = 1). El estimador de Kaplan-Meier es la estimacin de mxima verosimilitud no paramtrica de S (t). Es un producto de la forma =
<

Cuando no hay censura, ni es slo el nmero de supervivientes justo antes de tiempo ti. Con la censura, ni es el nmero de supervivientes a menos que el nmero de prdidas (casos censurados). Es slo en los casos sobrevivientes que an estn siendo observados (que an no han sido censurados) que estn "en riesgo" de una muerte (observados). No hay una definicin alternativa que se utiliza a veces, es decir, =

Las dos definiciones difieren slo en el horario de los eventos observados. Esta ltima definicin es continua por la derecha, mientras que la definicin anterior es continua por la izquierda. Sea T la variable aleatoria que mide el momento de la falla y sea F (t) su funcin de distribucin acumulada. Tenga en cuenta que = > = 1 = 1 () En consecuencia, la definicin continua por la derecha de () puede ser preferible para hacer la estimacin compatible con una estimacin continua por la derecha de (). Consideraciones Estadsticas. El estimador de Kaplan-Meier es una estadstica, y varios estimadores se utilizan para aproximar su varianza. Uno de los estimadores de este tipo ms comn es la frmula de Greenwood: Var =
2

=
<

En algunos casos, puede ser til para comparar las diferentes curvas de Kaplan-Meier.