Revista Integración, temas de matemáticas.
Vol. 32 Núm. 1 (2014): Revista Integración, temas de matemáticas
Artículos científicos

Modelo unibimodal simétrico-asimétrico con aplicación al estudio del RNA VIH-1

Guillermo Martínez Flórez
Universidad de Córdoba
Germán Moreno Arenas
Universidad Industrial de Santander

Publicado 2014-05-22

Palabras clave

  • Bimodalidad,
  • asimetría,
  • curtosis,
  • función de riesgo proporcional,
  • censura,
  • límite de detección,
  • ARN VIH-1,
  • HAART.
  • ...Más
    Menos

Cómo citar

Martínez Flórez, G., & Moreno Arenas, G. (2014). Modelo unibimodal simétrico-asimétrico con aplicación al estudio del RNA VIH-1. Revista Integración, Temas De matemáticas, 32(1), 1–18. Recuperado a partir de https://revistas.uis.edu.co/index.php/revistaintegracion/article/view/4059

Resumen

Se definen dos nuevas distribuciones de probabilidad: modelo unibimodal simétrico con función de riesgo proporcional a la distribución normal y modelo unibimodal asimétrico con función de riesgo proporcional a la distribución normal asimétrica. Estos modelos permiten ajustar datos censurados con comportamiento bimodal y altos (o bajos) niveles de curtosis comparado con la curtosis de la distribución normal y altos (o bajos) niveles de asimetría. Además, se estiman los parámetros de los modelos por máxima verosimilitud y se determina la matriz de información observada. La flexibilidad de la nueva distribución se ilustra ajustando un conjunto de datos reales: el número de moléculas de ARN VIH-1 por mililitros de sangre medida en personas con pruebas confirmadas de presencia del VIH. 

Para citar este artículo: G. Martínez-Flórez, G. Moreno-Arenas, Modelo unibimodal simétrico-asimétrico con aplicación al estudio del RNA VIH-1, Rev. Integr. Temas Mat. 32 (2014), no. 1, 1–18.

Descargas

Los datos de descargas todavía no están disponibles.

Referencias

  1. Amplicor HIV-1 MONITOR R . Test, version 1.5, Branchburg, NJ: Roche Molecular Systems, Inc., 2002.
  2. Arnold B., Gómez H. and Salinas H., “On multiple constraint skewed models”, Statistics 43 (2009), no. 3, 279–293.
  3. Azzalini A. “A class of distributions which includes the normal ones”, Scandinavian Journal of Statistics 12 (1985), 171–178.
  4. Biomarkers Definitions Working Group: Biomarkers and surrogate endpoints. Preferred definitions and conceptual framework. Clin. Pharmacol. Ther. 69 (2001), 89–95.
  5. Chiogna M., “Some results on the scalar skew-normal distribution”, Journal of the Italian Statistical Society 1 (1998), 1–14.
  6. COBAS R AmpliPrep/COBAS R TaqMan R HIV-1 Test, version 2.0. Branchburg, NJ: Roche Molecular Systems, Inc., 2010.
  7. Cordeiro G. and de Castro M., “A new family of generalized distributions”, J. Statist. Comput. Simul. 81 (2012), 883–898.
  8. Durrans S.R., “Distributions of fractional order statistics in hydrology”, Water Resources Research 28 (1992), no. 6, 1649–1655.
  9. Gómez H., Venegas O., and Bolfarine H., “Skew-symmetric distributions generated by the distribution function of the normal distribution”, Environmetrics 18 (2007), 395–407.
  10. Gómez H., Elal-Olivero D., Salinas H., and Bolfarine H., “Bimodal extension based on the Skew-Normal distribution with application to pollen data”, Environmetrics 22 (2009),
  11. –62.
  12. Hartigan J.A. and Hartigan P.M., “The dip test of unimodality”, Ann. Stat. 13 (1985), 70–84.
  13. Hartigan P.M., “Computation of the dip statistics to test for unimodality”, Appl. Stat. 34 (1985), 320–325.
  14. Henze N., “A probabilistic representation of the skew-normal distribution”, Scandinavian Journal of Statistics 13 (1986), 271–275.
  15. Kim H., “On a class of two-piece skew-normal distribution”, Statistic 39 (2005), no. 6, 537–553.
  16. Li X., Chu H., Gallant J., Hoover D., Mack W., Chmiel J., and Muñoz A., “Bimodal virological response to antiretroviral therapy for HIV infection: an application using a mixture model with left censoring”, Journal Epidemiol. Community Health 60 (2006), no. 9, 811–818.
  17. Lim T., Bakri R., Morad Z., and Hamid M., “Bimodality in blood glucose distribution. Is it universal?”, Diabetes Care 25 (2002), 2212–2217.
  18. O’Hagan A. and Leonard T., “Bayes estimation subject to uncertainty about parameter constraints”, Biometrika 63 (1976), 201–203.
  19. Pewsey A., “Problems of inference for Azzalini’s skew-normal distribution”, Journal of Applied Statistics 27 (2000), no. 7, 859–870.
  20. R Development Core Team, R: A Language and Environment for Statistical Computing, R Foundation for Statistical Computing, Vienna, Austria, 2012.
  21. Stasinopoulos M.D. and Rigby R.A., “Generalized Additive Models for Location Scale and Shape (GAMLSS) in R”, Journal of Statistical Software 23 (2007), no. 7, 1–46
  22. Schneider M., Margolick J., Jacobson L., Reddy S., Martinez–Maza O., and Muñoz A.,“Improved estimation of the distribution of suppressed plasma HIV-1 RNA in men receiving
  23. effective antiretroviral therapy”, Journal Acquir. Immune. Defic. Syndr. 59 (2012), no. 4, 389–392.
  24. Tobin J., “Estimation of relationships for limited dependent variables”, Econometrica 26 (1958), no. 1, 24–36.
  25. Zhang C., Mapes B.E., and Soden B.J., “Bimodality in tropical water vapour”, Q. J. R. Meteorol. Soc. 129 (2003), 2847–2866.