Inferencia Estadística con Restricciones

 

Presentación

 

El grupo se dedica a la investigación y el desarrollo de metodología estadística con el objetivo de resolver problemas pertenecientes a diferentes ámbitos, ya que los modelos matemáticos y estadísticos, y en particular los métodos de la inferencia con restricciones,  son una herramienta fundamental en el análisis y estudio de procesos en muy diferentes disciplinas, como la medicina, la bioinformática y la biología. De forma paralela al desarrollo de los métodos realizamos en muchos casos la implementación de los métodos en el entorno R.

Durante varios años hemos trabajado resolviendo problemas en el diagnóstico médico, en el análisis de datos de expresiones de genes y en la estimación de diversos parámetros de interés en la estadística oficial. En el diagnóstico médico el conocimiento de que determinados parámetros biológicos aumentan o disminuyen debido al proceso de la enfermedad es la información que permite desarrollar métodos de diagnóstico automático que discriminan mejor entre enfermos y sanos. En el caso de datos de expresiones de genes, el conocimiento del orden circular en que los genes asociados a ciclos celulares se expresan, se utiliza para estimar de forma más eficiente las fases de expresión que permiten a su vez explicar los cambios observados por ejemplo en las células cancerígenas. Por último, en la estadística oficial, se utiliza la información de variables en registros administrativos para dar una estimación más eficiente de la tasas de paro a niveles de disgregación territorial más bajos que la provincia o la región.

Actualmente trabajamos en el estudio de sistemas fisiológicos complejos asociados a procesos oscilatorios, en tres ámbitos principalmente: la cronobiología, la electrofisiología y la neurociencia. Ejemplos de tales procesos en biología y medicina son el latido del corazón, el ciclo celular, los ritmos circadianos o el disparo regular y repetitivo observado en algunas neuronas. Los modelos son necesarios para comprender tales sistemas, para predecir su evolución, para averiguar cómo interactúan con otros y para generar nuevos experimentos e hipótesis. En el primer caso sobre todo con  el análisis de datos de expresión génica. En el segundo caso, proponemos modelos para estudiar la trasmisión eléctrica en el corazón analizando inicialmente las señales del

Electrocardiograma (ECG) y en el tercer caso tratamos de modelar la dinámica neuronal, en particular analizando las señales que miden el cambio de voltaje en la membrana de una célula. Los resultados tienen una aplicación inmediata en la

salud porque permitirán avanzar en el diagnóstico, prevención y tratamiento de diversas enfermedades, de manera muy directa en el caso de las enfermedades cardiovasculares.

Por otro lado, en otro ámbito completamente diferente, tratamos también al problema de estimación de la brecha salarial.

Investigadores

Coordinadora: Cristina Rueda Sabater. 983423000 ext. 4168  cristina.rueda@uva.es

Otros investigadores:

Miguel A. Fernández Temprano

Bonifacio Salvador González

David Conde del Río

Yolanda Larriba González

Itziar Fernández Martínez

Adrián Lamela Pérez

Alejandro Rodriguez Collado

Líneas de Investigación

Proyecto The FMM Project

Principales líneas de investigación

  • Reglas de clasificación isotónicas.
  • Modelos para la estimación de áreas pequeñas con restricciones.
  • Métodos de selección de modelos mixtos.
  • Métodos con restricciones en modelos circulares.
  • Metodología para el análisis de señales oscilatorias.
  • Análisis de datos en cronobiología.
  • Diseño de modelos para análisis de datos en Electrofisiología.
  • Modelos estadísticos para el análisis de la dinámica neuronal.
  • Metodología para la estimación de la Brecha salarial.

Proyectos Financiados

TITULO : » Desarrollo de técnicas de representación y aproximación en Estadística matemática con énfasis es su aplicación a Métodos Robustos e Inferencias con Restricciones «.
ENTIDAD FINANCIADORA: DGICYT (PB87-0905-C02-00)
DURACION DESDE: 1988 HASTA: 1991.

TITULO : » Sobre la estimación y el contraste de hipótesis con restricciones para funcionales del parámetro, en modelos normales, y en particular para las aplicaciones coordenadas «.
ENTIDAD FINANCIADORA: DGICYT
DURACION DESDE: 1992 HASTA: 1995.

TITULO : «Alternativas a procedimientos clásicos de regresión y análisis multivariante cuando se incorpora información parcial sobre los parámetros del modelo».
ENTIDAD FINANCIADORA: DGES
DURACION DESDE: 1998 HASTA: 2001.

TITULO DEL PROYECTO: «Aplicación de Modelos estadísticos con restricciones para resolver problemas de Discriminación y áreas pequeñas».
ENTIDAD FINANCIADORA: DGI. Ministerio de Educación y Ciencia.
DURACION DESDE: 2004 HASTA: 2007

TITULO DEL PROYECTO: «Diseño de Métodos Estadísticos Isotónicos con Aplicaciones en bioinformatica y en estimación de áreas pequeñas».
ENTIDAD FINANCIADORA: DGI. Ministerio de Ciencia e Innovación.
DURACION DESDE: 2009 HASTA: 2012

TITULO DEL PROYECTO: «Contribuciones de la inferencia con restricciones en regresión, clasificación, datos circulares y procedimientos robustos, y aplicaciones a la biomedicina».
ENTIDAD FINANCIADORA: DGI. Ministerio de Ciencia e Innovación.
DURACION DESDE: 2012 HASTA: 2016

TITULO DEL PROYECTO: « Diseño e implementación de nuevos procedimientos de inferencia estadística con restricciones para resolver aplicaciones en biomedicina y otros ámbitos».
ENTIDAD FINANCIADORA: DGI. Ministerio de Educación y Ciencia.
DURACION DESDE: 2016 HASTA: 2020

TITULO DEL PROYECTO: « Modelos estadísticos para resolver problemas en cronobiología, electrofisiología, neurociencia y otras disciplinas».
ENTIDAD FINANCIADORA: Ministerio de Ciencia, Innovación e Universidades.
DURACION DESDE: 2020 HASTA: 2024

Publicaciones Recientes

 

  1. Larriba, Y., Rueda, C., Fernández, M.A. and Peddada, S. (2020) Order Restricted Inference in Cronobiology. Statistics In Medicine. vol. 39, no 3, p. 265-278.
  2. , D. Fernández, M.A., Rueda, C., and Salvador, B. (2020). Supervised isotonic clustering. Accepted for publication in Advances in Data Analysis and Classification .
  3. Rueda, C., Lombardía, M.A, and López E. (2020). Selection model for domains across time. Accepted for publication in TEST.
  4. Rueda, C., Larriba,Y. and Peddada, S. (2019) A Frequency Modulated Mobius Model Accurately Predicts Rhythmic Signals in Biological and Physical Sciences. Scientific Reports, 9, 1. pag 1-10
  5. Rueda, O., Sammut, S., Seoane, J.., Chin,S., Caswell-Jin, J., Callari, M., Batra, Pereira, B., Bruna, A., Ali, H., Provenzano, E., Liu, B., Gillett, C., McKinney, S., Green, A., Murphy, L., Purushotham, A., Ellis, J., Pharoah,P., Rueda, C., Aparicio, S., Caldas, C. and Curtis. C. (2019) Dynamics of breast cancer relapse reveal late recurring ER-positive genomic subgroups. Nature. Vol 567, pp 399–404.
  6. Larriba, Y., Rueda, C., Fernández, M.A. and Peddada,S. (2019) Microarray Data Normalization and Robust Detection of Rhythmic Features. En la Obra : Microarray Bioinformatics. Springer.
  7. Rueda, C., Lombardía, M.J. and López, E.(2018)   Selection of Small Area Estimators.  En la Obra : Statistics and Applications Volumen 16, No,1. Wiley.
  8. Larriba, Y., Rueda, C., Fernández, M.A. and Peddada, S. (2018). A Bootstrap Based Measure Robust to the Choice of Normalization Methods for Detecting Rhythmic Features in High Dimensional Data. Frontiers in Genetics.9 (24) pp 1-10.
  9. Barragan, S., Rueda, C., and Fernández, M.A. (2017). Circular Order Aggregation and its Application to Cell-cycle Genes Expressions. IEEE/ACM Transactions on Computational Biology and Bioinformatics.Vol14,no 4, pp 819-829.
  10. Lombardía, M.A, López E and Rueda, C. (2017) Mixed Generalized Akaike Information (xGAIC) for Small Area Models. J. R. Statist. Soc. A. No 180, Part 4, pp. 1229–1252.
  11. Larriba, Y., Rueda, C., Fernández, M.A. and Peddada, S. (2016). Order Restricted Inference for Oscillatory Systems for Detecting Rhythmic Signals. Nucleic Acids Res. 2016 Dec 15; 44(22): e163.
  12. Rueda, C., Fernández, Barragán,S. M.A. Peddada, S. and Mardia, K. (2016). Circular Piecewise Regression with an application to cell-cycle gene Biology . Biometrics 72(4), pp 1266-1274 .