Tema 8

Mtodos de ajuste de curvas:

regresin lineal y no lineal

Fco. Javier Burguillo

Universidad de Salamanca

Ajuste de curvas
 Etapas de una investigacin

Anlisis : tests estadsticos,

ajuste de curvas , A. multivariante.

Exploracin de datos

Obtencin datos, calibrados, etc.

Diseo de experimentos

Antecedentes Bibliogrficos

Ajuste de curvas
 Ajuste de curvas
[S] : 1.2 5.2 6.3 7.2 9.4
v : 4.3 5.4 7.2 8.4 9.5
v
v = f[S]

[S]

Modelo Emprico Modelo Terico

E S ES P E
v a b[S] c[S]2
Vmax [S]
v
KM [S]
En matemticas: y = f(x)
Ajuste de curvas
 Modelos empricos (y = f(x))

Polinomios y a bx cx2
Datos sin mucho ruido, curvas suaves
Cuidado porque son demasiado flexibles (hiperajuste)

Cubic splines y (a bx cx2 dx3 )i

Nudo 2

Nudo 1 Nudo 3

Adecuados para datos con ruido en calibracin

Subjetividad al elegir el n de nudos (hiperajuste)

Ajuste de curvas
 Ejemplo de ajustes por cubic splines
(para comparacin de curvas: reas, pendientes...)

rea bajo la curva 1 (B1) = 2.69E+00

rea bajo la curva 2 (B2) = 2.63E+00
Integral |curva1 - curva2| (AA) = 2.62E-01

Porcentaje de diferencias entre las curvas:

100*AA/(B1 + B2) = 4.92 %

Ajuste de curvas
 Modelos tericos
En ecuaciones algebraicas En ecuaciones diferenciales
+L +L E*S
E* + S
K1 K2
M0 M1 M2
E E P
[M1] [M2]
K1 K2
[M0] [L] [M1] [L] d[ES*]
k1[S][E*] - (k - 1 kcat)[ES*]
dt

K1[L] 2K1K2[L]2
y d[P]
kcat [ES*]
2(1 K1[L] K1K2[L]2 ) dt

fraccin de sitios ocupados .......... . etc

Ajuste de curvas
 Ecuaciones de inters en Biomedicina

Decaimientos exponenciales: [A] [A]1 e -k1t [A]2 e -k2t

Suma de Michaelis-Menten: Vmax(1) [S] Vmax(2) [S]

v
Km(1) [S] Km(2) [S]
Unin de Ligandos a macromolculas:
K1[L] 2K1K2[L] 2 ..... nK1K2.....Kn[L] n
y
n(1 K1[L] K1K2[L] 2 ..... K1K2.....Kn[L] n )
Curvas de crecimiento y curvas dosis-respuesta (modelo Logstico):
A
y
1 Be kx
Ajuste de curvas
 Otras ecuaciones algebraicas

De dos variables y varios parmetros :

u ( x, y ) f ( x, y, p1, p2, .....p n )
Ejemplos :
Vmax [S]
Inhibicin competitiv a : v
[I]
Km 1 [S]
KI

Vmax [A][B]
Ping Pong Bi Bi : v
K B [ A] K A [ A] [A][B]

Ajuste de curvas
 Concepto de linealidad
Linealidad en las variables
Ecuacin lineal Ecuacin no lineal
y y

x x
Linealidad en los parmetros
Ecuacin lineal Ecuacin no lineal
y a bx cx 2 y Ae - k x
Ejemplos
y a bx y a bx cx 2 y Ae -kx

(Lineal en variables, (No lineal en variables, (No lineal en variables,

lineal en parmetros) lineal en parmetros) no lineal en parmetros)

Ajuste de curvas
 Previo: Comparacin cualitativa entre la forma
de los datos y el tipo de curva a ajustar
1) Ordenada en el origen y bx cx 2
(mal)
Y=f(x)+C y a bx cx 2
C Y=f(x) (bien)
a
(0,0)
(0,0)
(Correccin por lnea base)

2) Maximos, mnimos, puntos de inflexin y asntotas

Asntota Vmax [S]
v (mal)
KM [S]

ap
Vmax [S]
v ap
(bien)
KM [S] K -SI1 [S]2
(Mximos, mnimos)
Ajuste de curvas
 Estimacin de los parmetros
Ecuacin lineal Datos Ecuacin no lineal Datos
2 x y [L] y
y= a+bx+cx 2
1 8.4 K1 [L] +2 K1 K2 [L]
y= 2 0.1 0.9
2 5.6 n ( 1+K1 [L] + 2 K1 K2 [L]
0.2 0.6
Encontrar los valores
3 3.4
0.5 0.4
de los parmetros ... .. . ... ...
que mejor ajustan
Optimizar los parmetros que mejor
la ecuacin a los datos
ajustan la ecuacin a los datos:

y y

Regresin lineal Regresin no lineal

x [L]

Ajuste de curvas
 Criterio de ajuste
(de una ecuacin a unos datos)
Minimizar los residuales al cuadrado (Mnimos Cuadrados)

SSQ ((y i f ( p , xi ))2

residual

residual
y
residual

residual Curva suave debida a la

ecuacin con los parmetros
residual optimizados

x
Ajuste de curvas
 Regresin por mnimos cuadrados
Encontrar las mejores estimas de los parmetros
Objetivos
Cuantificar precisin parmetros usando lmites de confianza
Regresin lineal simple Regresin no lineal
(Ecuaciones no lineales en parmetros,
(Ecuaciones lineales en los parmetros, por ej. y =Ae-kx)
por ej. y= a+bx, polinomios en x, .)
SSQ (yi Ae-kxi ))2
SSQ (y i ( a bx i )) 2

( SSQ)
............... 0 A ?
(SSQ) A
............... 0 a .........
a ( SSQ)
............... 0 k ?
(SSQ) k
............... 0 b ..........
b
No se pueden explicitar los parmetros,
Se puede explicitar cada parmetro, solucin aproximada.
solucin nica, mtodo exacto Mtodos iterativos tipo:
Bsqueda (Random Search)
Regresin lineal mltiple Gradiente (Gauss-Newton)

y C B1x1 B2 x 2 B3 x 3

Ajuste de curvas
 Clculos en regresin lineal (simple y
mltiple) usando notacin matricial
y p0 p1 x1 p 2 x 2 p 3 x 3......... pnxn u
Y X P U

Y XPR

( Y X P )( Y X P ) SSQ
(SSQ)

0 ( X) ( Y X P ) ( Y X P )T ( X ) 0
T

P

2 X ( Y X P ) 0 ( X X ) P X Y
T T T

P ( X X )1 X Y
T T

Solucin nica, mtodo exacto

Ajuste de curvas
 Regresin lineal simple
Slo una variable independie nte :
por ejemplo lnea recta y C Bx

p< 0.05 , luego los dos parmetros son

significativamente distintos de cero

Absorbanci a 0.157 3.73 [ Fosfato]

Ajuste de curvas
 Regresin lineal mltiple

Ms de una variab le independie nte : y C B1x1 B2x 2 B3 x 3

Ajuste de curvas
 Bondad de un ajuste en regresin lineal
(Respecto a los residuales)

Sumatorio de residuales al cuadrado :

SSQ (y i f (p, x i )) 2

Varianza y desviacin estndar del ajuste :

SSQ
S2 y S S2
nm

Coeficient e de determinac in : R 2 1
SSQ regresin
1- (y i y i ) 2

SSQtotal i
(y y ) 2

(R2 = 0.95 significara que el modelo explica el 95% de la variabilidad)

Representacin de los residuales:

Residual
+ Test de las rachas
0 Test de los signos
-
Ajuste de curvas
 Bondad de un ajuste en regresin lineal
(Respecto a los parmetros) (1/2)

Matriz de varianza - covarianza : VAR(P) (X T X) -1S2 Matriz de correlacin

var(p1) pi p j Covpi , p j var pi var p j

cov(p(1), p(2)) var(p2)
1.0 0.98 0.56
.. .. .. 0.98 1.0 0.17

cov(p(1), p(n)) .. .. var(pn) 0.56 0.17 1.0

Lmites de confianza : pi t (n-m, 1- ) var( pi )

Coeficient e de variacin : CV%(p i ) VAR(p i ) pi 100

p -0
Test de redundancia de un parmetro : t
var( p j )
Si p 0.05 parmetro 0 Si p 0.05 parmetro 0

Ajuste de curvas
 Regresin no lineal: Mtodos iterativos,
mnimo global y mnimos locales
Ecuacin no lineal
y Ae - k x

1. No existe una solucin nica,

no son mtodos exactos
SSQ

2. Ningn algoritmo garantiza el

encontrar el mnimo global. Se
Mnimo local
puede caer en mnimos locales
Mnimo
global 3. Lo recomendable es alcanzar
un mismo mnimo a partir de
diferentes estimas iniciales de
los parmetros

Ajuste de curvas
 Algoritmos iterativos en regresin no lineal

De bsqueda (Random Search) Gradiente (Gauss-Newton, Marquardt)

pi 1 pi i ui
p x
p
x x x u
x x x x x
x x x x x
x
u
x x x
x x x
WSSQ
p p

Importancia de las estimas iniciales de los parmetros:

lmite inferior, valor inicial, lmite superior
(1, 100, 10000)

Ajuste de curvas
 Bondad de un ajuste en
regresin no-lineal

Los parmetros se obtienen por mtodos

aproximados (iterativos)

No obstante se toma como vlida la estadstica de la regresin

lineal ( slo cierto en condiciones asintticas de n )

Hincapi: la estadstica asociada a la regresin no lineal se

suele interpretar de una manera ms flexible que en la
regresin lineal (por ejemplo se admiten coeficientes de variacin
de los parmetros de hasta el 50%)

Ajuste de curvas
 Estadstica asociada a la regresin no lineal

En resumen, lo mismo que en lineal pero con mayor flexibilidad:

Lmites de confianza : pj t var( p j )

(n -m, )

Coeficient e de variacin : CV(p j ) VAR(p j ) pj 100

p-0
Test de redundanci a de un parmetro : t
var( p j )

Si t t( , 0.05) Si t t( , 0.05)

parmetro 0 (p 0.05) parmetro 0 (p 0.05)

Ajuste de curvas
 Anlisis de datos
(Ajuste de curvas) Discriminacin entre modelos

En Ciencias Experimentales lo habitual es que se dude entre modelos

alternativos dentro de una secuencia:

Vmax (1)[ S] Vmax (2)[ S] V (n)[ S]

v ......... max
K M (1) [ S] K M (2) [ S] K M (n) [ S]

1) Conviene comparar la bondad de los 2 ajustes rivales:

WSSQ, R2, distribucin residuales, test de las rachas,
lmites de confianza de los parmetros..etc
2) Se debe aplicar el test F:
Si F F(95%)

F
SSQ1 SSQ2 m2 m1 se acepta modelo 2

SSQ2 n - m2 Si F F(95%)
se acepta modelo 1

Ajuste de curvas
 Discriminacin por superposicin de ajustes

(Basado en Bardsley 2011, SIMFIT statistical package)

Ajuste de curvas
 Superposicin de ajustes en otros espacios

Ajuste de curvas
 Regresin con pesos estadsticos
El criterio de mnimos cuadrados asume que:
La variable x no tiene error
El error en la respuesta es aditivo : yi = f ( p , xi ) + u i
Los errores u i y u j son independientes
Todos los errores (ui, u j , ... ) siguen una distribucin normal de media
cero y varianza constante (todas las medidas tienen la misma precisin )

La ltima suposicin no se suele cumplir y hay que normalizar

los residuales con un factor llamado peso estadstico:

i w 1 s2
i
(estas varianzas si2 se determinan
a partir de rplicas)
(weight)

El criterio de optimizacin es ahora :

WSSQ (1 si2 )(y i f (p, x i )) 2
(weighted sum of squares)

Ajuste de curvas
 Ajustar siempre ecuaciones directas y nunca
transformaciones lineales

Ecuacin Michaelis-Menten Linealizacin Lineweaver -Burk

1 1 K 1
M
Vmax [ S] v Vmax Vmax [ S]
v
K M [ S] 1
wi
VAR (1 v i )
1
wi pero VAR( 1 v i )
VAR(v i)
VAR(v i ) v i4

v i4
wi
VAR(v i )
Conclusin: Lo ortodoxo para determinar parmetros es la
regresin no lineal con pesos estadsticos a la ecuacin directa

Ajuste de curvas
 Ejemplo de regresin no lineal con SIMFIT
Con una preparacin enzimtica de dos isoenzimas se realiz el siguiente estudio:
8 puntos experimentales, en el margen de concentraciones de 0.05 a 50 mM,
espaciados logartmicamente y realizndose 5 rplicas por punto (40 datos en total).

[S] v s
Tienen las 2 isoenzimas la misma Vmax y Km?
0.050 0.0530 0.0006
0.050 0.0531 0.0006
0.050 0.0523 0.0006 Vmax (1)[S] Vmax ( 2 )[S]
v
0.050 0.0522 0.0006 K m (1) [S] K m ( 2 ) [S]
0.050 0.0520 0.0006
.. .. ..
50.0
50.0
1.73
1.86
0.06
0.06
wi 1 2
si
WSSQ (1 si2 )(vi f ( p, Si )2
50.0 1.86 0.06
50.0 1.77 0.06
50.0 1.76 0.06

Ajuste de curvas
 Ajuste a 1 Funcin de Michaelis-Menten

Iteracin WSSQ (1:1) Algoritmo Bsqueda al azar

0 3.627E+04
1 7.945E+03
14 1.308E+03
Bsqueda 1 terminada (Sigma = 1.00)
43 1.131E+03
46 6.811E+02
61 6.444E+02
Bsqueda local terminada (Sigma = 0.10, 0.20)
WSSQ antes de la bsqueda = 3.627E+04
WSSQ despus de la bsqueda = 6.444E+02

Estimas iniciales de los parmetros Algoritmo Cuasi-Newton

Vmax(1) = 1.609E+00
Km(1) = 1.669E+00
WSSQ antes del ajuste = 6.444E+02 0 - pi
WSSQ despus del ajuste = 2.428E+02 redundanci a : t
var( pi )
N Parmetro Valor Err. estnd. ...Lm.conf.95%.. p
1 Vmax(1) 1.617E+00 2.90E-02 1.56E+00 1.68E+00 0.000 (p<0.05)
2 Km(1) 1.525E+00 3.68E-02 1.45E+00 1.60E+00 0.000

Ajuste de curvas
 Matriz de correlacin de los parmetros
1.000
0.876 1.000
yexp. yajus. yexp.- yajus.
si
Var.indep. Err.estnd. Var.dep. Teora Residuales Resids.pond.
5.000E-02 6.381E-04 5.295E-02 5.133E-02 1.618E-03 2.536E+00
5.000E-02 6.381E-04 5.309E-02 5.133E-02 1.759E-03 2.757E+00
5.000E-02 6.381E-04 5.226E-02 5.133E-02 9.279E-04 1.454E+00
5.000E-02 6.381E-04 5.219E-02 5.133E-02 8.599E-04 1.348E+00
5.000E-02 6.381E-04 5.151E-02 5.133E-02 1.809E-04 2.836E-01

......... ......... ......... ......... ......... .........

......... ......... ......... ......... ......... .........

5.000E+01 5.995E-02 1.729E+00 1.569E+00 1.600E-01 2.669E+00*

5.000E+01 5.995E-02 1.865E+00 1.569E+00 2.958E-01 4.934E+00**
5.000E+01 5.995E-02 1.855E+00 1.569E+00 2.865E-01 4.779E+00**
5.000E+01 5.995E-02 1.773E+00 1.569E+00 2.041E-01 3.404E+00**
5.000E+01 5.995E-02 1.763E+00 1.569E+00 1.937E-01 3.231E+00**

(Err.rel.resid.: ****** >160%,***** >80%,**** >40%,*** >20%,** >10%,* >5%)

Ajuste de curvas
 Anlisis global de los residuales (importante)
Anlisis de Residuales
Anlisis de residuales: WSSQ = 2.428E+02 weighted sum of squares
P(Ji-cuadrado >= WSSQ) = 0.000 Rechazar al 1% significancia
R-cuadrado, cc(teora-datos)^2 = 0.982 Test c2 (p < 0.01)
Mayor err. rel. en residuales = 17.23 %
Menor err. rel. en residuales = 0.35 %
Media de err.rel. en residuales = 5.66 %
Residuales con err.rel. 10-20 % = 15.00 %
Residuales con err.rel. 20-40 % = 0.00 %
Residuales con err.rel. 40-80 % = 0.00 %
Residuales con err.rel. > 80 % = 0.00 %
Nmero residuales < 0 (m) = 21
Nmero residuales > 0 (n) = 19
Nmero de rachas observadas (r) = 7
P(rachas =< r , dados m y n) = 0.000 Rechazar al 1% significancia
Valor en cola inferior al 5% = 15
Valor en cola inferior al 1% = 13 Test rachas (p < 0.01)
P(rachas =< r , asumiendo m+n) = 0.000
P(signos =< menor n observado) = 0.875
Estadstico de Durbin-Watson = 0.250 <1.5 (correlacin valores +)
W de Shapiro-Wilks (resid.pond.) = 0.974
Nivel de significancia de W = 0.476
Test AIC de Akaike (SC Schwarz) = 2.237E+02 ( 2.234E+02)
Veredicto sobre bondad ajuste: bueno cualitativo (poco valor)

Ajuste de curvas
 Hay 7 rachas (pocas para 40
residuales), eso significa un ajuste
sesgado (los residuales debieran
estar al azar y no en racimos)

Ajuste de curvas
Ajuste de curvas
 Ajuste a 2 Michaelis-Menten
Iteracin WSSQ (2:2)
0 3.627E+04
1 1.045E+04
Algoritmo bsqueda al azar
7 3.393E+03
21 1.262E+03
30 8.976E+02
143 5.505E+02
Bsqueda 1 terminada (Sigma = 1.00)
185 5.462E+02
195 4.145E+02
202 3.354E+02
222 2.044E+02
Bsqueda local terminada (Sigma = 0.10, 0.20)

Para la bsqueda al azar 2:2

N de mejoras en 320 ciclos = 9
WSSQ antes de la bsqueda = 3.627E+04
WSSQ despus de la bsqueda = 2.044E+02

Estimas iniciales de los parmetros

Vmax(1) = 1.530E+00 Algoritmo Cuasi-Newton
Vmax(2) = 6.222E-01
Km(1) = 1.500E+00
Km(2) = 1.091E+02
WSSQ antes del ajuste = 2.044E+02
WSSQ despus del ajuste = 3.442E+01

Ajuste 2:2 Funcin de Michaelis-Menten

N Parmetro Valor Err. estnd. ...Lm.conf.95%.. p Las 4 p

1 Vmax(1) 9.317E-01 6.70E-02 7.96E-01 1.07E+00 0.000
son < 0.05 ,
2 Vmax(2) 1.033E+00 8.81E-02 8.55E-01 1.21E+00 0.000
3 Km(1) 9.823E+00 2.39E+00 4.97E+00 1.47E+01 0.000 parmetros
4 Km(2) 1.033E+00 6.43E-02 9.03E-01 1.16E+00 0.000 distintos 0

Ajuste de curvas
 Matriz de correlacin de los parmetros
1.000
-0.834 1.000
0.990-0.869 1.000
0.930-0.593 0.882 1.000

Var.indep. Err.estnd. Var.dep. Teora Residuales Resids.pond.

5.000E-02 6.381E-04 5.295E-02 5.242E-02 5.310E-04 8.322E-01
5.000E-02 6.381E-04 5.309E-02 5.242E-02 6.720E-04 1.053E+00
5.000E-02 6.381E-04 5.226E-02 5.242E-02 -1.590E-04 -2.491E-01
5.000E-02 6.381E-04 5.219E-02 5.242E-02 -2.270E-04 -3.557E-01
5.000E-02 6.381E-04 5.151E-02 5.242E-02 -9.060E-04 -1.420E+00
....... ...... ....... ...... ....... ......
....... ...... ....... ...... ....... ......
5.000E+01 5.995E-02 1.729E+00 1.791E+00 -6.235E-02 -1.040E+00
5.000E+01 5.995E-02 1.865E+00 1.791E+00 7.345E-02 1.225E+00
5.000E+01 5.995E-02 1.855E+00 1.791E+00 6.415E-02 1.070E+00
5.000E+01 5.995E-02 1.773E+00 1.791E+00 -1.825E-02 -3.044E-01
5.000E+01 5.995E-02 1.763E+00 1.791E+00 -2.865E-02 -4.779E-01

(Err.rel.resid.: ****** >160%,***** >80%,**** >40%,*** >20%,** >10%,* >5%)

Ajuste de curvas
 Anlisis global de los residuales para 2 MM
Anlisis de Residuales
Anlisis de residuales: WSSQ = 3.442E+01 (disminuy (antes 2.43E+02))
P(Ji-cuadrado >= WSSQ) = 0.544
R-cuadrado, cc(teora-datos)^2 = 0.998
Test c2 (buen ajuste p > 0.05)
Mayor err. rel. en residuales = 6.64 %
Menor err. rel. en residuales = 0.21 %
Media de err.rel. en residuales = 1.96 % (disminuy (antes 5.66 %))
Residuales con err.rel. 10-20 % = 0.00 %
Residuales con err.rel. 20-40 % = 0.00 %
Residuales con err.rel. 40-80 % = 0.00 %
Residuales con err.rel. > 80 % = 0.00 %
Nmero residuales < 0 (m) = 21
Nmero residuales > 0 (n) = 19
Nmero de rachas observadas (r) = 18 (aument (antes 7 ))
P(rachas =< r , dados m y n) = 0.217 (test rachas (buen ajuste ( p > 0.05 ))
Valor en cola inferior al 5% = 15
Valor en cola inferior al 1% = 13
P(rachas =< r , asumiendo m+n) = 0.261
P(signos =< menor n observado) = 0.875
Estadstico de Durbin-Watson = 2.019
W de Shapiro-Wilks (resid.pond.) = 0.982
Nivel de significancia de W = 0.776
Test AIC de Akaike (SC Schwarz) = 1.495E+02 ( 1.489E+02)
Veredicto sobre bondad ajuste: increible

Ajuste de curvas
 Los residuales estn ms al azar (18 rachas frente a 7 de antes).
El ajuste no est sesgado (es mejor ajuste)

Ajuste de curvas
Ajuste de curvas
 Discriminacin estadstica entre los 2 modelos rivales
Resultados del test F

WSSQ previo = 2.428E+02 (disminuye, pero hay que

WSSQ actual = 3.442E+01 probar que es significativo )
N parmetros previos = 2
N parmetros actuales = 4
N de valores x = 40
Akaike AIC previo = 2.237E+02 (disminuye AIC, rechazar modelo previo)
Akaike AIC actual = 1.495E+02
Schwarz SC previo = 2.234E+02
Schwarz SC actual = 1.489E+02
Mallows Cp (Cp/M1) = 2.180E+02 ( 1.090E+02) (Cp/M > 1 rechazar modelo previo )
1
Grad. lib. numerador = 2
Grad. lib. denominador = 36
Estadstico F (EF) = 1.090E+02
P(F >= EF) = 0.0000 (p < 0.05, la disminucin en WSSQ es significativa )
P(F =< EF) = 1.0000
Cola superior al 5% = 3.259E+00
Cola superior al 1% = 5.248E+00

Conclusin basada en el test F

Rechace el modelo previo al 1% de significancia.
Existe un gran fundamento para los parmetros extra.
Acepte tentativamente el modelo actual de ajuste.

Ajuste de curvas
 (Basado en Bardsley 2011, SIMFIT statistical package)

Ajuste de curvas
 Anlisis de datos
(Ajuste de curvas) Ejemplo: Curvas Dosis-Respuesta

A
y
1 Be kx

Parmetro Valor Error est. ..95% conf. lim. ..

A 9.989E-01 7.86E-03 9.83E-01 1.01E+00
B 9.890E+00 3.33E-01 9.21E+00 1.06E+01
k 9.881E-01 2.68E-02 9.33E-01 1.04E+00

Parmetro Valor Error est. ..95% conf. lim. ..

C(50%) 2.319E+00 4.51E-02 2.23E+00 2.41E+00

(Basado en Bardsley 2011, SIMFIT statistical package)

Ajuste de curvas
 Anlisis de datos
(Ajuste de curvas) Curvas de 2 tratamientos

A Test Mahalanobis Ji-cuadrado

y =====================================================
1 Be kx Q = (A-B)^T(Ca+Cb)^(-1)(A-B) = 2.806E+03
parametros A, B y k N grados de libertad = 3
Prob.(Ji-cuadr. >= Q) = 0.0000
Tratamiento A
Tratamiento B
Test t entre parmetros
para 2 tratamientos(A,B) con covarianzas (Ca,Cb).
======================================================
Param. A B A - B p
1 (A) 1.397E+00 9.989E-01 3.981E-01 0.9750
2 (B) 1.295E+01 9.890E+00 3.060E+00 0.0000 *****
3 (k) 1.306E+00 9.881E-01 3.179E-01 0.3781

Test t con varianzas distintas para H0: CE50_1 = CE50_2

==================================================================
estimado err.est. ...95% lim.conf. ... npts npar
2.319E+00 4.510E-02 2.227E+00 2.411E+00 33 3
1.961E+00 1.710E-02 1.926E+00 1.996E+00 33 3
C (test t corregido) = 7.422E+00
Grados de libertad = 38
P(t=<-|C|) + P(t>=|C|) = 0.0000 Reject H0 at 1% sig.level

Ajuste de curvas
 Ajuste a ecuaciones de 2 variables
Ecuacin:
Vmax [S]
Inhibicin competitiv a : v
[I ]
Km 1 [S]
KI
Datos:

Inhibidor : 1 1 1 1 2 2 2 2 .......

Sustrato : 2 4 6 8 2 4 6 8 ......

velocidad : 5.2 6.3 7.1 9.1 3.2 5.2 6.4 7.5 ........

Ajuste de curvas
 Superficie ajustada

Vmax [S]
v
[I ]
Km 1 [S]
K I

Ajuste de curvas
 Anlisis de datos
(Ajuste de curvas) Regr. Lineal generalizada

No es vlido el criterio de los mnimos cuadrados

Los errores en y no siguen una distribucin normal
sino una distribucin binomial, de Poisson etc.

Existe una funcin predictora que es funcin lineal de las variables:

a a X a X a X .....
0 1 2 2 1 3

Distribucin de Poisson: Distribucin Binomial:

Logaritmo f. Logstica
Recproco f. probit

Ajuste de curvas
 Anlisis de datos
(Ajuste de curvas) Ej: Regr. logstica binaria

1=vivo variables: X1 , X2 , X3 ,......

y(i)
0=muerto p(1) = probabilidad de que y = 1

p( 1 )
log a 0 a1 X 1 a 2 X 2 a1 X 3.....
1 p( 1 )
L
La aplicacin importante es estimar p(1) para un caso nuevo
del que se conocen X1, , X2, , X3, .
1
p(1) (ej: p(1) = 0.73 de sobrevivir)
1 e L

Ajuste de curvas
 Anlisis de datos Ej. : DL50 por regresin logstica,
(Ajuste de curvas) probit o log-log complementario

N(i) = n animales, y(i) =n muertos, pi = y(i)/N(i), X(i) = concentracin de txico

Se ajustan: Funcin Logstica, funcin probit o log-log complementario

Funcin logstica

p
log a 0 a1 X
1 p

DL50 = 4.66

Ajuste de curvas
 Anlisis de datos
(Ajuste de curvas) Modelos en ec. dif.
Ecuaciones diferenciales simultneas
(varias variables dependientes)
Ejemplo : Epidemia
k1 k2
Susceptibles Infectados Recuperados
S I R
dS
= k1 . S . I
dt
dI
= k1 . S . I k2 . I
dt
dR
= k2 . I
dt
Integran numricamente (Adams, Gear)

Ajuste de curvas
 Anlisis de datos
(Ajuste de curvas) Ej: Modelos en ec. dif.

Ejemplo : Epidemia

k1 k2
Suscept. Infect. Recup.

dS
= k1 . S . I
dt
dI
= k1 . S . I k2 . I
dt
dR
= k2 . I
dt

(Basado en Bardsley 2011, SIMFIT statistical package)

Ajuste de curvas
 Anlisis de datos
(Ajuste de curvas) Ej: Modelos en ec. dif.
Ejemplo : Epidemia

k1 k2
Suscept. Infect. Recup.

dS
= k1 . S . I
dt
dI
= k1 . S . I k2 . I
dt
dR
= k2 . I
dt

Ajuste de curvas
 Tcnicas especiales Anlisis de supervivencia

Curvas de supervivencia de Kaplan-Meier

Tratados: tiempo, cdigo (0,1) Placebo: tiempo, cdigo (0,1)

Test Mantel-Haenszel
QMH=16.79
(p<0.01)
(supervivencia
diferente)

Ajuste de curvas