📊 statistics

Central Limit Theorems for Functionals of Persistence Diagrams in Germ-Grain Random Set Models with Applications to Goodness-of-Fit Testing

Este artículo establece un teorema del límite central para funcionales de diagramas de persistencia en modelos de conjuntos aleatorios de tipo germen-grano utilizando métodos de estabilización, aplicando estos resultados de normalidad asintótica para desarrollar pruebas de bondad de ajuste para detectar interacciones espaciales en imágenes de tejido mamario histológico.

Autores originales: Vesna Gotovac {\DJ}ogaš, Marcela Mandarić

Publicado 2026-07-13

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Vesna Gotovac {\DJ}ogaš, Marcela Mandarić

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que eres un detective tratando de averiguar cómo se comporta una multitud de personas en un parque gigante. ¿Se están agrupando en grupos apretados (agrupamiento o clustering) o están evitando activamente a los demás para mantener su espacio personal (repulsión)? En el mundo de las matemáticas, este "parque" es un modelo de conjunto aleatorio, y las "personas" son formas diminutas como discos o granos.

Durante mucho tiempo, los matemáticos tuvieron herramientas para observar estas multitudes y adivinar su comportamiento, pero carecían de una forma fiable de decir: "Estoy seguro de que este patrón es diferente de aquel otro". Ahí es donde entra este artículo. Las autoras, Vesna Gotovac Ðogaš y Marcela Mandarić, han construido un nuevo "supermicroscopio" matemático que demuestra, con alta confianza, que si observas suficientes de estas multitudes aleatorias, los patrones que dejan tras de sí siguen una curva de campana predecible. Esto se llama Teorema del Límite Central, y es el boleto dorado que convierte una corazonada en una prueba estadística sólida.

El Mapa Mágico: Diagramas de Persistencia

Para entender la multitud, las autoras no se limitan a contar cabezas. Utilizan una técnica llamada Análisis de Datos Topológicos (TDA). Imagina tomar una foto del parque y convertirla en un mapa topográfico. A medida que elevas lentamente el nivel del agua (un proceso llamado "filtración"), aparecen y se fusionan islas (grupos conectados) y los lagos (huecos) se forman y se llenan.

Las autoras rastrean cada una de las islas y los lagos, anotando exactamente cuándo "nacieron" (aparecieron) y cuándo "murieron" (se fusionaron o se llenaron). Representan estos momentos en un mapa especial llamado Diagrama de Persistencia. En este mapa:

El eje x es el tiempo de nacimiento.
El eje y es el tiempo de muerte.
La distancia entre ambos te dice cuánto duró la característica.

Las características que duran mucho tiempo son las "importantes": los grandes cúmulos o los enormes huecos. Las autoras se centran en las características "M-acotadas", que es una forma elegante de decir que solo les importan las características que no son infinitamente grandes ni están infinitamente lejos unas de otras. Esto mantiene las matemáticas manejables.

El Gran Descubrimiento: La Campana de las Formas

El principal hallazgo del artículo es la demostración de que, si tomas estos diagramas de persistencia de tipos específicos de modelos aleatorios (llamados modelos de grano-germen) y calculas ciertos resúmenes de ellos, los resultados eventualmente formarán una curva de campana perfecta (una distribución normal) a medida que tu ventana de observación se agranda.

Piensa en esto como lanzar dados. Si lanzas un dado, el resultado es aleatorio. Pero si lanzas un millón de dados y los sumas, el total siempre seguirá una curva de campana predecible. Las autoras demostraron que estos complejos resúmenes de formas actúan igual que esos millones de dados. Esto es enorme porque significa que ahora podemos usar pruebas estadísticas estándar para preguntar: "¿Esta imagen de una muestra de tejido proviene de un modelo de 'agrupamiento' o de uno de 'repulsión'?"

Las Reglas del Juego

Las autoras son muy cuidadosas con las reglas. Demostraron que esto funciona específicamente para modelos donde las "personas" (los granos) tienen un decaimiento exponencial de las correlaciones. En lenguaje sencillo, esto significa que si dos granos están lejos, realmente no les importa lo que esté haciendo el otro; su influencia se desvanece rápidamente.

Lo que descartaron: No se limitaron a suponer que esto funciona para cualquier patrón aleatorio. Demostraron específicamente que funciona para modelos como el modelo Booleano (discos esparcidos aleatoriamente), los procesos de agrupación de Matérn (grupos de cúmulos) y los procesos de puntos determinantes (que naturalmente se repelen entre sí).
Lo que no demostraron: No afirmaron que esto funcione para cada posible forma extraña o interacción en el universo. Se ciñeron a modelos donde la "memoria" del sistema muere rápidamente con la distancia.

El Laboratorio de Simulación

Para ver si su nuevo "supermicroscopio" realmente funciona, las autoras realizaron un laboratorio de simulación masivo. Crearon parques digitales con 7 tipos diferentes de multitudes:

Booleano: Discos aleatorios.
Elipse Booleana: Elipses aleatorias.
Repulsivo: Formas que se empujan entre sí.
Agrupamiento (Cluster): Formas que se abrazan entre sí.
Agrupación de Matérn: Padres con hijos agrupados.
Celda: Formas dispuestas en una estructura de rejilla o celda.
DPP: Un patrón matemáticamente "repulsivo".

Luego intentaron engañar a la prueba alimentándola con datos de un modelo y preguntándole: "¿Es esto del modelo Booleano?".

Los Resultados: La prueba fue una superestrella. Cuando los datos provenían de un modelo de "Agrupamiento" o "Repulsivo", la prueba gritaba correctamente "¡NO!" casi el 100% de las veces.
El Fallo: La prueba a veces se confundía entre el modelo Booleano y el modelo de Elipse Booleana. ¿Por qué? Porque los "sujetos" subyacentes (los centros de las formas) estaban dispuestos exactamente de la misma manera en ambos; solo cambió la forma de la "ropa" (círculos frente a elipses). La prueba, que observa los huecos entre las personas, no pudo notar la diferencia. Esto no fue un fallo de las matemáticas; fue una limitación de la pregunta específica planteada.

Aplicación en el Mundo Real: Tejido Mamario

Finalmente, las autoras llevaron su método fuera del laboratorio de simulación y al mundo real. Observaron 40 imágenes histológicas de cáncer de mama (maligno) y 40 imágenes de mastopatía (benigno).

Trataron las células en las imágenes como si fueran los "granos" en sus modelos.
Utilizaron su nueva prueba estadística para ver si el tejido canceroso se veía diferente al tejido benigno.
El Resultado: La prueba fue bastante buena para distinguir ambos. Cuando asumieron que el tejido benigno era el modelo "normal", la prueba identificó correctamente las imágenes de cáncer como "diferentes" entre el 92.5% y el 100% de las veces (dependiendo de la medición específica). Cuando invirtieron la lógica, también detectó el tejido benigno como "diferente" del cáncer entre el 85% y el 90% de las veces.

Sin embargo, las autoras fueron honestas sobre los límites. Señalaron que, para algunas de las funciones de resumen que probaron, los datos no se comportaban exactamente como una curva de campana perfecta todavía. Esto podría deberse a que las imágenes del mundo real no eran "suficientemente grandes" (la ventana de observación era pequeña) o porque los patrones de los tejidos son simplemente demasiado complejos para encajar perfectamente en las reglas simples.

La Conclusión

Este artículo no pretende afirmar que ha resuelto el misterio del cáncer o que posee una varita mágica que diagnostica enfermedades instantáneamente. En cambio, proporciona una base matemática rigurosa y demostrada para el uso del análisis de formas en la estadística. Demuestra que, para una amplia clase de patrones aleatorios, ahora podemos confiar en nuestros "detectores de formas" para decirnos si estamos ante un agrupamiento, una repulsión o algo completamente distinto. Convierte el arte de observar patrones en una ciencia con una regla fiable.

Resumen Técnico: Teorema del Límite Central para Funcionales de Diagramas de Persistencia en Modelos de Conjuntos Aleatorios de Tipo Germen-Grano

Planteamiento del Problema
Los modelos de conjuntos aleatorios, particularmente los modelos de germen-grano, se utilizan ampliamente para describir estructuras geométricas complejas en campos que van desde la ecología hasta la histología médica. Si bien el Análisis de Datos Topológicos (TDA), específicamente mediante diagramas de persistencia (PD), ha demostrado ser una herramienta exploratoria eficaz para distinguir entre diferentes modelos de conjuntos aleatorios (por ejemplo, detectar agrupamiento o repulsión), carecía de una base teórica rigurosa para la inferencia estadística. El trabajo previo estableció métodos para probar la bondad de ajuste utilizando PD, pero no proporcionó la teoría de distribución asintótica necesaria para justificar estos tests de forma formal. Este artículo aborda esta brecha estableciendo un Teorema del Límite Central (CLT) para funcionales de diagramas de persistencia derivados de modelos de conjuntos aleatorios de tipo germen-grano.

Metodología
Los autores desarrollan un marco teórico que vincula los resúmenes topológicos de conjuntos aleatorios con teoremas de límites probabilísticos. La metodología central implica los siguientes pasos:

Definición del Modelo: El estudio se centra en modelos de conjuntos aleatorios de germen-grano en $\mathbb{R}^2$ , donde un proceso de puntos marcados $\tilde{P} = \{(X_i, M_i)\}$ genera un conjunto aleatorio $X = \bigcup (X_i + M_i)$ . Las marcas $M_i$ son conjuntos compactos aleatorios (granos), tales como discos o elipses.
Construcción Topológica: Los diagramas de persistencia se construyen a partir de la función de distancia con signo del conjunto aleatorio resultante. Los autores introducen el concepto de características M-acotadas, restringiendo el análisis a características topológicas (componentes conexas y ciclos) cuyos tiempos de nacimiento y muerte están determinados por interacciones locales dentro de un diámetro acotado $M$ . Esta localización es crucial para las subsiguientes pruebas probabilísticas.
Estabilización y Derivación del CLT: Basándose en avances recientes en métodos de estabilización para procesos de puntos marcados (específicamente haciendo referencia a [26]), los autores definen funciones de puntuación $\xi$ que asignan un valor a cada punto del proceso basándose en su vecindario local. Demuestran que la integral de una función medible acotada $f$ sobre el diagrama de persistencia M-acotado puede expresarse como una suma de estas funciones de puntuación.
Condiciones de Convergencia: El artículo demuestra que, si el proceso de puntos marcados subyacente exhibe un decaimiento exponencial de correlaciones y satisface condiciones específicas de momento y dependencia local (denotadas como condición $(\star)$ ), el funcional estandarizado del diagrama de persistencia converge en distribución a una variable aleatoria normal estándar a medida que aumenta la ventana de observación.

Contribuciones Clave

Justificación Teórica: La contribución principal es la demostración de un Teorema del Límite Central para funcionales de diagramas de persistencia M-acotados derivados de modelos de germen-grano. Esto proporciona el fundamento teórico necesario para el uso de estadísticas basadas en PD en pruebas de hipótesis formales.
Extensión de la Teoría de Estabilización: El trabajo adapta las técnicas de estabilización de los procesos de puntos marcados al contexto específico de los resúmenes topológicos, gestionando la complejidad de asignar la responsabilidad de "nacimiento" y "muerte" a puntos específicos del proceso subyacente.
Marco de Pruebas de Bondad de Ajuste: Los autores proponen dos enfoques distintos para las pruebas de bondad de ajuste basadas en el derivado CLT:
- Partición Rectangular: Dividir el diagrama de persistencia en regiones rectangulares y probar la suma de los tiempos de vida dentro de estas regiones frente a una distribución $\chi^2$ .
- Resúmenes Funcionales: Utilizar la Función de Persistencia Acumulada (APF) y la función de soporte del zonoides de elevación (lift zonoid), que agregan información topológica en resúmenes escalares o funcionales adecuados para el CLT.

Resultos
La metodología fue validada mediante un estudio de simulación exhaustivo y una aplicación a datos del mundo real:

Estudio de Simulación: Los autores simularon varios modelos de germen-grano, incluyendo modelos booleanos (germens de Poisson), procesos de clúster de Matérn, procesos de puntos determinantes (DPP) y procesos de interacción de Quermass (que modelan agrupamiento y repulsión).
- Los resultados de la simulación confirmaron que los estadísticos de prueba propuestos generalmente siguen la normalidad asintótica predicha por el CLT.
- En las pruebas de bondad de ajuste, los estadísticos distinguieron con éxito modelos con diferentes patrones de interacción (por ejemplo, agrupamiento vs. repulsión) y diferentes procesos de puntos subyacentes.
- El estudio señaló limitaciones para distinguir modelos que comparten el mismo proceso de puntos subyacente pero difieren solo en la forma del grano (por ejemplo, discos booleanos vs. elipses booleanas) al usar características de dimensión 1, ya que la prueba depende fuertmente de la disposición espacial de los germenes.
Aplicación al Mundo Real: El marco se aplicó a imágenes histológicas de tejido mamario, comparando tejido de cáncer de mama (maligno) y mastopatía (benigno).
- Utilizando el método de partición rectangular, las pruebas alcanzaron altas tasas de rechazo (hasta el 100% para la dimensión 0) al contrastar un tipo de tejido contra el otro, demostrando la capacidad de distinguir entre las dos condiciones patológicas basadas en sus firmas topológicas.
- Los autores observaron que los resúmenes funcionales (APF y funciones de soporte del zonoides de elevación) no exhibieron un comportamiento normal para los datos reales, probablemente debido al tamaño limitado de la ventana de observación o al desconocimiento de la distribución de las muestras, lo que limita la aplicabilidad de esos resúmenes específicos en este contexto.

Significancia y Reivindicaciones
El artículo afirma que el establecimiento del CLT para los funcionales de los diagramas de persistencia cierra la brecha entre el análisis de datos topológicos y la inferencia estadística rigurosa para conjuntos aleatorios. Al demostrar la normalidad asintótica, los autores permiten el uso de pruebas estadísticas estándar (como las pruebas $\chi^2$ ) para la selección de modelos y la bondad de ajuste, yendo más allá del TDA puramente exploratorio.

Los autores sostienen que sus estadísticas basadas en TDA ofrecen una "información adicional valiosa" para distinguir modelos de germen-grano con diferentes interacciones y que estas nuevas pruebas son "menos laboriosas" que los métodos previos de prueba de envolvente global. El éxito de la aplicación en la histología de tejido mamario sugiere que estos resúmenes topológicos pueden servir como biomarcadores efectivos para diferenciar entre estructuras de tejido maligno y benigno, siempre que la ventana de observación sea lo suficientemente grande para satisfacer las condiciones asintóticas. El trabajo enfatiza que, aunque sus resultados teóricos dependen del decaimiento exponencial de las correlaciones, la simulación sugiere que el CLT puede cumplirse incluso cuando esta condición no se cumple estrictamente, aunque esto sigue siendo un área de investigación futura.