Aplicación de la teoría de cópulas al modelado estadístico de dos biomarcadores

En este trabajo exploramos el uso de cópulas bivariantes para modelar la dependencia entre dos biomarcadores, con el objetivo de mejorar el rendimiento diagnóstico respecto al uso individual de cada uno. A través del estudio teórico y práctico de la teoría de cópulas, implementamos un algoritmo basa...

Descripción completa

Detalles Bibliográficos
Autor: Rellán Vega, César
Tipo de recurso: tesis de maestría
Fecha de publicación:2025
País:España
Institución:Universidad Nacional de Educación a Distancia
Repositorio:e-spacio. Repositorio Institucional de la UNED
Idioma:español
OAI Identifier:oai:e-spacio.uned.es:20.500.14468/29343
Acceso en línea:https://hdl.handle.net/20.500.14468/29343
Access Level:acceso abierto
Palabra clave:1203.04 Inteligencia artificial
cópula
biomarcador
dependencia
ROC
AUC
FGM
GB
copula
biomarker
dependence
id ES_a4ccbe36aa77d3a2a5e2aacca08b5d13
oai_identifier_str oai:e-spacio.uned.es:20.500.14468/29343
network_acronym_str ES
network_name_str España
repository_id_str
spelling Aplicación de la teoría de cópulas al modelado estadístico de dos biomarcadoresRellán Vega, César1203.04 Inteligencia artificialcópulabiomarcadordependenciaROCAUCFGMGBcopulabiomarkerdependenceROCAUCFGMGBEn este trabajo exploramos el uso de cópulas bivariantes para modelar la dependencia entre dos biomarcadores, con el objetivo de mejorar el rendimiento diagnóstico respecto al uso individual de cada uno. A través del estudio teórico y práctico de la teoría de cópulas, implementamos un algoritmo basado en el teorema de Sklar y la generación condicional, asumiendo distribuciones marginales normales para los biomarcadores. Aplicamos el método tanto a datos simulados como a tres conjuntos de datos reales relacionados con la diabetes, el cáncer de páncreas y el cáncer de próstata. Nuestros resultados muestran que, cuando se verifica la normalidad marginal, el modelo conjunto mejora los valores de AUC en comparación con el análisis univariante. Además, identificamos limitaciones derivadas de la suposición de normalidad y proponemos líneas de trabajo futuras para extender el método a otros tipos de distribuciones, métricas y familias de cópulas. Con este trabajo buscamos ofrecer tanto una aplicación práctica como una introducción accesible a una herramienta estadística poderosa y poco utilizada. In this work, we explore the use of bivariate copulas to model the dependence between two biomarkers, with the aim of improving diagnostic performance compared to using each biomarker individually. Through both theoretical and practical study of copula theory, we implement an algorithm based on Sklar's theorem and conditional sampling, assuming normal marginal distributions for the biomarkers. We apply the method to both simulated data and three real-world datasets related to diabetes, pancreatic cancer, and prostate cancer. Our results show that, when marginal normality holds, the joint model improves AUC values compared to univariate analysis. Additionally, we identify limitations derived from the normality assumption and propose future research directions to extend the method to other types of distributions, metrics and copula families. With this work, we aim to provide both a practical application and an accessible introduction to a powerful yet underutilized statistical tool.Universidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería InformáticaLetón Molina, Emilioe-Spacio UNED20252025-07-0920252025-06-0120252025-06-01master thesishttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisapplication/pdfhttps://hdl.handle.net/20.500.14468/29343reponame:e-spacio. Repositorio Institucional de la UNEDinstname:Universidad Nacional de Educación a DistanciaEspañolspaopen accesshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-nd/4.0/deed.esoai:e-spacio.uned.es:20.500.14468/293432026-06-06T12:38:31Z
dc.title.none.fl_str_mv Aplicación de la teoría de cópulas al modelado estadístico de dos biomarcadores
title Aplicación de la teoría de cópulas al modelado estadístico de dos biomarcadores
spellingShingle Aplicación de la teoría de cópulas al modelado estadístico de dos biomarcadores
Rellán Vega, César
1203.04 Inteligencia artificial
cópula
biomarcador
dependencia
ROC
AUC
FGM
GB
copula
biomarker
dependence
ROC
AUC
FGM
GB
title_short Aplicación de la teoría de cópulas al modelado estadístico de dos biomarcadores
title_full Aplicación de la teoría de cópulas al modelado estadístico de dos biomarcadores
title_fullStr Aplicación de la teoría de cópulas al modelado estadístico de dos biomarcadores
title_full_unstemmed Aplicación de la teoría de cópulas al modelado estadístico de dos biomarcadores
title_sort Aplicación de la teoría de cópulas al modelado estadístico de dos biomarcadores
dc.creator.none.fl_str_mv Rellán Vega, César
author Rellán Vega, César
author_facet Rellán Vega, César
author_role author
dc.contributor.none.fl_str_mv Letón Molina, Emilio
e-Spacio UNED
dc.subject.none.fl_str_mv 1203.04 Inteligencia artificial
cópula
biomarcador
dependencia
ROC
AUC
FGM
GB
copula
biomarker
dependence
ROC
AUC
FGM
GB
topic 1203.04 Inteligencia artificial
cópula
biomarcador
dependencia
ROC
AUC
FGM
GB
copula
biomarker
dependence
ROC
AUC
FGM
GB
description En este trabajo exploramos el uso de cópulas bivariantes para modelar la dependencia entre dos biomarcadores, con el objetivo de mejorar el rendimiento diagnóstico respecto al uso individual de cada uno. A través del estudio teórico y práctico de la teoría de cópulas, implementamos un algoritmo basado en el teorema de Sklar y la generación condicional, asumiendo distribuciones marginales normales para los biomarcadores. Aplicamos el método tanto a datos simulados como a tres conjuntos de datos reales relacionados con la diabetes, el cáncer de páncreas y el cáncer de próstata. Nuestros resultados muestran que, cuando se verifica la normalidad marginal, el modelo conjunto mejora los valores de AUC en comparación con el análisis univariante. Además, identificamos limitaciones derivadas de la suposición de normalidad y proponemos líneas de trabajo futuras para extender el método a otros tipos de distribuciones, métricas y familias de cópulas. Con este trabajo buscamos ofrecer tanto una aplicación práctica como una introducción accesible a una herramienta estadística poderosa y poco utilizada.
publishDate 2025
dc.date.none.fl_str_mv 2025
2025-07-09
2025
2025-06-01
2025
2025-06-01
dc.type.none.fl_str_mv master thesis
http://purl.org/coar/resource_type/c_bdcc
dc.type.openaire.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
dc.identifier.none.fl_str_mv https://hdl.handle.net/20.500.14468/29343
url https://hdl.handle.net/20.500.14468/29343
dc.language.none.fl_str_mv Español
spa
language_invalid_str_mv Español
language spa
dc.rights.none.fl_str_mv open access
http://purl.org/coar/access_right/c_abf2
info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
rights_invalid_str_mv open access
http://purl.org/coar/access_right/c_abf2
http://creativecommons.org/licenses/by-nc-nd/4.0/deed.es
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería Informática
publisher.none.fl_str_mv Universidad Nacional de Educación a Distancia (UNED). E.T.S. de Ingeniería Informática
dc.source.none.fl_str_mv reponame:e-spacio. Repositorio Institucional de la UNED
instname:Universidad Nacional de Educación a Distancia
instname_str Universidad Nacional de Educación a Distancia
reponame_str e-spacio. Repositorio Institucional de la UNED
collection e-spacio. Repositorio Institucional de la UNED
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1869415544681136128
score 15,808905

Similares en LA Referencia