Aplicaciones

Diagnstico mdico (en general clasificaciones no biunvocas): El diagnstico consiste en establecer la enfermedad de un paciente, a partir de una serie de sntomas. Pero los sntomas y las enfermedades no estn ligados de un modo biunvoco.

Llamemos Ei al conjunto de enfermedades E1: tuberculosis pulmonar; E2 :cncer de pulmn; E3: bronquitis obstructiva; etc. y Si a los sntomas y sndromes asociados con las mismas. S1: tos; S2: estado febril; S3: hemotisis; etc. La informacin accesible en los libros de patologa, o en un archivo de historias clnicas es del tipo. Para E1: algunos (digamos el 20%) tienen hemotisis; muchos (80%) tienen tos; etc. y lo mismo para las dems enfermedades.

En trminos de probabilidad condicionada, esta informacin es p(S3|E1) = 0,2; p(S1|E1) = 0,8 etc. para diagnosticar la tuberculosis se ha de evaluar, para los sntomas que presenta el paciente p(E 1|Si) para lo que se puede usar el teorema de Bayes si las enfermedades forman una particin (son mutuamente excluyentes y se consideran todas las enfermedades compatibles con el sntoma) y se conocen sus prevalencias. Ntese que un mismo conjunto de sntomas podra dar lugar a un diagnstico diferente en poblaciones en las que las prevalencias fueran diferentes.

Pruebas diagnsticas: Supngase una prueba diagnstica, por ejemplo nivel de glucosa en sangre, en ayunas, para diagnosticar la diabetes. Se considera que la prueba es positiva si se encuentra un nivel por encima de un cierto valor, digamos 120 mg/l.

Para evaluar la prueba, (habr que hacerlo para distintos valores de corte) se somete a la misma a una serie de individuos diabticos diagnosticados por otro procedimiento (el patrn de oro o "gold standar") y a una serie de individuos no diabticos. Los resultados se pueden representar en una tabla de doble entrada

Patrn de oro NE Prueba + c t d u s a E b r

Si la prueba fuera perfecta b=c=0, desgraciadamente nunca ocurre. Se denomina coeficiente falso-positivo (CFP) al cociente c/t, y es una estimacin de la probabilidad condicionada p(+|NE), se denomina coeficiente falso-negativo (CFN) al cociente b/u, y es una estimacin de la probabilidad condicionada p(-|E). Estos dos coeficientes cuantifican los dos errores que la prueba puede cometer y caracterizan a la misma. Simtricamente, los coeficientes que cuantifican los aciertos son la sensibilidad, p(+|E), y la especificidad p(-|NE).

Cuando la prueba se usa con fines diagnsticos (o de "screening") interesa calcular p(E|+) y/o p(NE|-). Como E y NE son una particin, usando el Teorema de Bayes

Ntese que ambas dependen de la prevalencia de la enfermedad: una prueba diagnstica que funciona muy bien en la clnica Mayo, puede ser intil en el Hospital Ramn y Cajal.

Ejemplo 9: una prueba diagnstica para la diabetes tiene un CFP de 4% y un CFN del 5%. Si la prevalencia de la diabetes en la poblacin donde se usa es del 7% cul es la probabilidad de que sea diabtico un individuo en el que la prueba d positiva? y de que no lo sea uno en el que d negativo?

p(+|NE) = 0,04 p(-|NE) = 0,96 p(-|E) = 0,05 p(+|E) = 0,95 p(E) = 0,07 p(NE) = 0,93

Pruebas en serie: Cuando se aplican pruebas en serie, para cada prueba p(E) y p(NE), sern la p(E|+) y p(NE|+) de la prueba anterior (si dio positiva) o p(E|-) y p(NE|-) si dio negativa.

Partiendo de este pequeo repaso al teorema de Bayes, que en esencia es un razonamiento plasmado en una frmula que nos permite, como en el ejemplo anterior, modificar la probabilidad conocida de que ocurra un suceso cuando tenemos nueva informacin al respecto.

http://www.seh-lelha.org/bayes1.htm http://www.hrc.es/bioest/Probabilidad_18.html Una variable aleatoria es continua si los posibles resultados o el espacio de estado no "se puede numerar". Pensemos por ejemplo en la medicin de la estatura de los 1200 alumnos del colegio. Se puede proponer como espacio de estado el conjunto [0, 3]. Puede parecer una exageracin los extremos de este intervalo (0 metros y 3 metros), pero lo interesante es que no podemos descartar ningn resultado, es decir entre los resultados posibles de 1.734 metros y 1.735 metros, no podemos descartar el resultado de 1.7345 metros, y entre los resultados 1.734 metros y 1.7345 no podemos descartar el resultado de 71.73444 metros. Con este ejemplo estamos diciendo que no podemos "numerar" el conjunto de posibles resultados asociados a este experimento aleatorio, y la variable que describe estos resultados "continuos" se dice que es una variable aleatoria continua. No obstante para el caso de los resultados descritos por una variable aleatoria continua, en realidad siempre se "discretizan" los resultados por no tener un instrumento que realice las mediciones con precisin "infinita"; en la prctica esto significa, por ejemplo en el caso de las mediciones de estatura, que uno obtendr los resultados con dos dgitos significativos, de manera que si X representa la estatura de los 1200 chicos del colegio, entonces X toma valores en el conjunto {0, ... , 1.50, 1.51, 1.52, ... , 3} Este conjunto de resultados es en esencia un conjunto discreto. Sin embargo lo que ocurre es que con cada una de estos valores estamos diciendo que el verdadero valor del resultado se encuentra en un intervalo de 0.005. De tal forma que cada una de las observaciones de X representa ms bien un intervalo que un valor preciso. Tal como hemos citado anteriormente, las modalidades o resultados son las diferentes situaciones posibles que puede presentar la variable. A veces stas son muy numerosas (por ejemplo cuando una variable es continua) y conviene reducir su nmero, agrupndolas en una cantidad inferior de subconjuntos del espacio de estado que llamaremos clases. Estas clases deben ser construidas de modo que sean no traslapadas y exhaustivas, es decir, cada modalidad o resultado posible debe pertenecer a una y slo una de las clases

Ejercicio 8-1:

Tres mquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente, del total de las piezas producidas en una fbrica. Los porcentajes de produccin defectuosa de estas mquinas son del 3%, 4% y 5%.

a. b. c.

Seleccionamos una pieza al azar; calcula la probabilidad de que sea defectuosa. Tomamos, al azar, una pieza y resulta ser defectuosa; calcula la probabilidad de haber sido producida por la mquina B. Qu mquina tiene la mayor probabilidad de haber producido la citada pieza defectuosa?

Solucin:

en el diagrama de rbol adjunto.

Sea D= "la pieza es defectuosa" y N= "la pieza no es defectuosa". La informacin del problema puede expresarse

a.

Para calcular la probabilidad de que la pieza elegida sea defectuosa, P(D), por la propiedad de la probabilidad total,

P(D) = P(A) P(D/A) + P(B) P(D/B) + P(C) P(D/C) = = 0.45 0.03 + 0.30 0.04 + 0.25 0.05 = 0.038

b.

Debemos calcular P(B/D). Por el teorema de Bayes,

c.

Calculamos P(A/D) y P(C/D), comparndolas con el valor de P(B/D) ya calculado. Aplicando el teorema de Bayes, obtenemos:

La mquina con mayor probabilidad de haber producido la pieza defectuosa es A

Ejercicio 8-2:

Tenemos tres urnas: A con 3 bolas rojas y 5 negras, B con 2 bolas rojas y 1 negra y C con 2 bolas rojas y 3 negras. Escogemos una urna al azar y extraemos una bola. Si la bola ha sido roja, cul es la probabilidad de haber sido extrada de la urna A?

Solucin:

Llamamos R= "sacar bola roja" y N= "sacar bola negra". En el diagrama de rbol adjunto pueden verse las distintas probabilidades de ocurrencia de los sucesos R o N para cada una de las tres urnas.

La probabilidad pedida es P(A/R). Utilizando el teorema de Bayes, tenemos:

http://thales.cica.es/rd/Recursos/rd98/Matematicas/28/sol8-2.html El teorema de Bayes posee muchas aplicaciones mdicas y epidemiolgicas. As, podemos decir en trminos sencillos que, si sabemos que una determinada causa puede producir un efecto, el teorema de Bayes permite obtener, si se presenta el efecto, una medida de la probabilidad de que haya actuado la causa. En medicina, por ejemplo, a partir de la prevalencia de la enfermedad P(E) y de las verosimilitudes del sntoma P(S/E) y P(S/nE), da una estimacin de la probabilidad (a posteriori) p(E/S) de estar presente (o ausente) la enfermedad E en un sujeto despus de explorar la presencia (o ausencia) de sntomas. En investigacin nos permite combinar las evidencias subjetivamente acumuladas (que todo investigador posee) con la informacin objetiva obtenida de un experimento particular.

Consideremos como ejemplo un caso clnico en el que una gestante se somete a la prueba de sobrecarga oral con 50 gramos de glucosa para explorar la presencia de diabetes gestacional, obtenindose un resultado positivo. Es sabido que dicho test presenta unos valores aproximados de sensibilidad y especificidad en torno al 80% y al 87%, respectivamente. Si se conoce adems que la prevalencia de diabetes gestacional en la poblacin de procedencia es aproximadamente de un 3%, por medio del teorema de Bayes podemos conocer la probabilidad de que el diagnstico sea correcto o, equivalentemente, el valor predictivo positivo:

Se puede concluir por lo tanto que, a pesar de obtener un resultado positivo en la prueba, existe slo una probabilidad de un 15,9% de que la paciente padezca diabetes gestacional.

Supongamos que adems dicha paciente tiene ms de 40 aos de edad. Se sabe que en grupos de edad ms avanzada la prevalencia de diabetes gestacional entre las gestantes llega a aumentar hasta aproximadamente un 8%. En este caso, el valor predicativo positivo asociado vendr dado por:

En este caso las posibilidades de un diagnstico de diabetes gestacional aumentan hasta un 34,86%.

En un caso como este, en que se realiza una prueba para obtener informacin sobre un diagnstico, suele hablarse de probabilidad a priori, que es la disponible antes de realizar la prueba (la prevalencia, en este caso) y probabilidad a posteriori, que es la obtenida despus de realizarla (los valores predictivos). A su vez, se suele denominar verosimilitudes a las probabilidades de un suceso bajo distintas hiptesis. El teorema de Bayes permite as obtener los valores de las probabilidades a posteriori a partir de las probabilidades a priori mediante una multiplicacin proporcional a las verosimilitudes.

http://www.fisterra.com/mbe/investiga/index.asp http://books.google.com.pe/books? id=0VYkub0HvJwC&pg=PA78&lpg=PA78&dq=aplicaciones+teorema+de+bayes&source=web&ots=hcOwg2uSqv&sig=RSJebqjLHw1GELJEliJqfA8ggUk&hl=es&sa=X&oi =book_result&resnum=10&ct=result#PPA106,M1