En estadística , la técnica bootstrap de muestra única ajustada por error ( BEST o BEAST ) es un método no paramétrico que está destinado a permitir una evaluación de la validez de una sola muestra. Se basa en estimar una distribución de probabilidad que representa lo que se puede esperar de muestras válidas. [1] Esto se hace mediante un método estadístico llamado bootstrapping , que se aplica a muestras anteriores que se sabe que son válidas.
Metodología
BEST proporciona ventajas sobre otros métodos, como la métrica de Mahalanobis , porque no supone que para todos los grupos espectrales tengan covarianzas iguales [ aclaración necesaria ] o que cada grupo se extrae para una población distribuida normalmente . [2] Un enfoque cuantitativo implica BEST junto con un algoritmo de análisis de conglomerados no paramétrico . Se calculan las desviaciones estándar multidimensionales [ aclaración necesaria ] (MDS) entre conglomerados y puntos de datos espectrales [ aclaración necesaria ] , donde BEST considera que cada frecuencia se toma de una dimensión separada. [ aclaración necesaria ] [3]
BEST se basa en una población, P, relativa a algún hiperespacio, R, que representa el universo de posibles muestras. P * son los valores obtenidos de P basados en un conjunto de calibración, T.T se usa para encontrar todas las variaciones posibles en P. P * está limitado por los parámetros C y B. C es el valor esperado de P, escrito E (P) , y B es una distribución de arranque llamada aproximación de Monte Carlo . La desviación estándar se puede encontrar usando esta técnica. Los valores de B proyectados en el hiperespacio dan lugar a X. La hiperlínea de C a X da lugar a la desviación estándar ajustada por sesgo que se calcula en ambas direcciones de la hiperlínea. [4]
Solicitud
BEST se utiliza en la detección de manipulación de muestras en productos farmacéuticos. Las muestras válidas (inalteradas) se definen como aquellas que caen dentro del grupo de puntos de ajuste de entrenamiento cuando el BEST se entrena con muestras de productos inalteradas. Las muestras falsas (manipuladas) son aquellas que caen fuera del mismo grupo. [1]
Los métodos como ICP-AES requieren que las cápsulas [ aclaración necesaria ] se vacíen para su análisis. Un método no destructivo es valioso. Un método como NIRA [ aclaración necesaria ] se puede acoplar al método BEST de las siguientes formas. [1]
- Detecte cualquier producto alterado determinando que no es similar al producto inalterado previamente analizado.
- Identifique cuantitativamente el contaminante de una biblioteca de adulterantes conocidos en ese producto.
- Proporcione una indicación cuantitativa de la cantidad de contaminante presente.
Referencias
- ↑ a b c Lodder, Robert A .; Selby, Mark .; Hieftje, Gary M. (1987). "Detección de manipulación de cápsulas mediante análisis de reflectancia del infrarrojo cercano". Química analítica . 59 (15): 1921-1930. doi : 10.1021 / ac00142a008 .
- ^ Efron, B .; Gong, G. (1983). "Una mirada tranquila a Bootstrap, Jackknife y Cross-Validation". El estadístico estadounidense . 37 (1): 36–48. doi : 10.2307 / 2685844 . JSTOR 2685844 .
- ^ Joseph Mendendorp y Robert A. Lodder (2006) "Espectrometría de resonancia acústica como tecnología analítica de proceso para la identificación rápida y precisa de tabletas" AAPS PharmSciTech , 7 (1) Artículo 25.
- ^ Sara J. Hamilton y Robert Lodder, "Tecnología de imagen hiperespectral para el análisis farmacéutico", Sociedad de ingenieros de instrumentación fotoóptica [ cita completa necesaria ]
Otras lecturas
- Lodder, R .; Hieftje, G. (1988). "Quantile BEAST ataca el problema de muestra falsa en el análisis de reflectancia del infrarrojo cercano" . Espectroscopia aplicada . 42 (8): 1351-1365. Código Bibliográfico : 1988ApSpe..42.1351L . doi : 10.1366 / 0003702884429652 . S2CID 67835182 .
- Y. Zou, Robert A. Lodder (1993) "An Investigation of the Performance of the Extended Quantile BEAST in High Dimensional Hyperspace", artículo 885 en la Conferencia de Pittsburgh sobre Química Analítica y Espectroscopía Aplicada, Atlanta, GA
- Y. Zou, Robert A. Lodder (1993) "The Effect of Different Data Distributions on the Performance of the Extended Quantile BEAST in Pattern Recognition", artículo 593 en la Conferencia de Pittsburgh sobre Química Analítica y Espectroscopía Aplicada, Atlanta, GA