Documente Academic
Documente Profesional
Documente Cultură
Introduccin
Bioestadstica
Tema 5: Probabililidad. Teorema de Bayes. Pruebas Diagnsticas
En este tema aplicaremos el concepto de probabilidad condicionada para derivar el teorema de Bayes Este teorema posee importantes aplicaciones en Ciencias de la Salud. En trminos sencillos, si se sabe que una determinada causa puede producir un determinado efecto, el teorema de Bayes permite calcular la probabilidad de que haya actuado la causa si se ha producido el efecto
p ( A B ) = p ( A) p ( B | A) p ( B A) = p ( B) p ( A | B) p ( A) p ( B | A) = p ( B) p ( A | B) p ( A) p ( B | A) p( A | B) = p( B)
Frmula de inversin de las condiciones
A
2
A1 Suceso seguro A2 A3
A
3
A
4
A4
TEOREMA DE BAYES
Son una coleccin de sucesos tales que la unin de todos ellos forman el espacio muestral, y sus intersecciones son disjuntas. Sistema exhaustivo Sistema excluyente
12/02/2011
A
2
A1 Suceso seguro A2 A3
A
3
A
4
A4
A3
A4 B nB B nB B nB B nB
P(B|A1) P(nB|A1) P(B|A2) P(nB|A2) P(B|A3) P(nB|A3) P(B|A4) P(nB|A4)
A1 A2 A3 A4
A1 A2 A3 A4
nB
B P(B|A2) nB P(nB|A2) B B
P(B|A3) P(B|A4)
A1 A2 A3 A4
nB B nB B nB B nB
nB P(nB|A3) nB P(nB|A4)
A3
A4
P(A4)
Si conocemos la probabilidad de B en cada uno de los componentes de un sistema exhaustivo y excluyente de sucesos, entoncespodemos calcular la probabilidad de B.
Verosimilitudes
Ejemplo
En este aula el 70% de los alumnos son mujeres. De ellas el 10% son fumadoras. De los hombres, son fumadores el 20%.
Teorema de la probabilidad total Hombres y mujeres forman un sist. Exh. Excl. de sucesos
0,1 Fuma
Teorema de Bayes
A1 A2
Si conocemos la probabilidad de B en cada uno de los componentes de un sistema exhaustivo y excluyente de sucesos, entonces si ocurre B, podemos calcular la probabilidad (a posteriori) de ocurrencia de cada Ai.
A4
P(Ai | B) =
= 0,13 =13%
Hombre
12/02/2011
Ejemplo
Teorema de Bayes
Si conocemos la probabilidad de B en cada uno de los componentes de un sistema exhaustivo y excluyente de sucesos, entonces si ocurre B, podemos calcular la probabilidad (a posteriori) de ocurrencia de cada Ai.
En este aula el 70% de los 100 alumnos son mujeres. De ellas el 10% son fumadoras. De los varones, son fumadores el 20%. Qu porcentaje de fumadores hay?
P(F) = =0,7 x 0,1 + 0,3 x 0,2 = 0,13 (Resuelto antes)
P(Ai | B) =
P( H | F ) =
Hombre
Ejemplo
0,1
p(D|G)=0,3
p(nD|G)=0,7
Imaginad que el 10% de las personas adultas tienen gota. Adems sabemos que el 30% de los pacientes con gota presenta dolor en el primer dedo del pie, y que de las personas que no tienen gota el 8% presenta dolor de dedo de pie Cul es la probabilidad de que una persona con dolor en el primer dedo tenga gota?
No Dolor p(nD|nG)=0,92
p (Gota | Dolor ) =
p ( Dolor ) = nP(D) = P(GnD) + P(nGnD) = P(G)P(D | G) + P(nG)P(D | nG) = 0,1 x 0,3 + 0,9 x 0,08 = 0,102 p (Gota | Dolor ) = 0,1 0,3 = 0,294 0,102
p( A) p( B | A) p ( A | B) = p( A) p( B | A) + p(nA) p( B | nA)
Sabemos la prevalencia de una enfermedad (probabilidad a priori) y tambin las prevalencias de determinado sntoma en esa enfermedad. Si viene a la consulta un paciente con un sntoma podemos saber con ms precisin la probabilidad de que tenga la enfermedad (probabilidad a posteriori)
p ( Espina bfida ) = 0,2 p ( Parestesias | o espina bfida ) = 0,1 p ( Parestesias | Espina bfida ) = 0,6
Probabilidad a priori
12/02/2011
E.bfida Datos epidemiolgicos: informacin muestral previa (probabilidad frecuentista) 0,8 No E.bfida Parestesias No Parestesias 0,2 Poblacin p(P|nEb)=0,1 Poblacin E.bfida No Parestesias p(nP|nEb)=0,9 No E.bfida E.bfida No Parestesias p(nP|Eb)=0,4 Parestesias No E.bfida
p(nEb|P)
Teorema de Bayes
p(Eb|nP) p(nEb|nP)
Verosimilitudes
p(nP|nEb)=0,9
p ( Espina bfida | Parestesia s ) = 0,2 0,6 = 0,6 0,2 0,6 + 0,8 0,1
PRUEBAS DIAGNSTICAS
Probabilidad a posteriori
Observaciones
Al llegar un individuo a la consulta tenemos una idea a priori sobre la probabilidad de que tenga una enfermedad. A continuacin se le pasa una prueba diagnstica que nos aportar nueva informacin: Presenta glucosuria o no. En funcin del resultado tenemos una nueva idea (a posteriori) sobre la probabilidad de que est enfermo.
Nuestra opinin a priori ha sido modificada por el resultado de un experimento.
-Qu probabilidad tengo de estar enfermo? - En principio un 7%. Le haremos unas pruebas.
PRUEBAS DIAGNSTICAS
Una prueba diagnstica ayuda a mejorar una estimacin de la probabilidad de que un individuo presente una enfermedad. En principio tenemos una idea subjetiva de P(Enfermo). Nos ayudamos de estudios de
Incidencia: porcentaje de nuevos casos de enfermedad en la poblacin.
12/02/2011
PRUEBAS DIAGNSTICAS
Para confirmar la sospecha, usamos una prueba diagnstica. Ha sido evaluada con anterioridad sobre dos grupos de individuos: sanos y enfermos. As de modo frecuentista se ha estimado:
P(+ | Enfermo)= Sensibilidad = Tasa de acierto sobre enfermos.
PRUEBAS DIAGNSTICAS
A partir de lo anterior y usando el teorema de Bayes, podemos calcular las probabilidades a posteriori (en funcin de los resultados del test): ndices predictivos
P(Enfermo | +) = ndice predictivo positivo P(Sano | -) = ndice predictivo negativo
Pruebas diagnsticas
P. a priori de enfermedad: incid., preval., intuicin, Verdaderos + Test+ Sensibilidad (+/E)
PRUEBAS DIAGNSTICAS
Enfermos Prueba + Prueba Verdadero positivo (VP) Falso negativo (FN) Enfermos = VP+FN Sanos Falso positivo (FP) Verdadero negativo (VN) Sanos = FP+VN FP S TestSanos Especificidad (-/S) Pacientes E Enfermos VN Test VP Test + FN Test Especificidad (-/S) Test + Sensibilidad (+/E) Prueba + =VP+FP Prueba =FN+VN
Falsos Test-
Falsos +
Test+
Verdaderos -
PRUEBAS DIAGNSTICAS
SENSIBILIDAD
Probabilidad de que una prueba diagnstica clasifique correctamente a un individuo como enfermo
S Pacientes E Enfermos FN Enfermos Prueba + Prueba Verdadero positivo (VP) Falso negativo (FN) Enfermos = VP+FN FP Sanos VN VP Test + Test Test + Test -
PRUEBAS DIAGNSTICAS
ESPECIFICIDAD
Probabilidad de que una prueba diagnstica clasifique correctamente a un individuo como sano
FP S Pacientes E Enfermos Sanos VN VP FN Test Enfermos Prueba + =VP+FP Prueba - =FN+VN Prueba + Prueba Verdadero positivo (VP) Falso negativo (FN) Enfermos = VP+FN Test + Test Test +
P(+ | E ) =
P(+ E) P( E )
P(- | S ) =
P( S) P( S )
12/02/2011
Enfermos Prueba + Verdadero positivo (VP) Falso negativo (FN) Enfermos = VP+FN
Sanos Falso positivo (FP) Verdadero negativo (VN) Sanos = FP+VN Prueba + =VP+FP Prueba =FN+VN
Sanos Falso positivo (FP) Verdadero negativo (VN) Sanos = FP+VN Prueba + =VP+FP Prueba =FN+VN
VALOR PREDICTIVO NEGATIVO Es la probabilidad de que un individuo con un resultado negativo no tenga la enfermedad P( S) P(S | ) = P() VPN (S/-) = VN/(VN+FN)
Enfermos Prueba + Prueba Verdadero positivo (VP) Falso negativo (FN) Enfermos = VP+FN Sanos Falso positivo (FP) Verdadero negativo (VN) Sanos = FP+VN Prueba + =VP+FP Prueba =FN+VN
Prueba -
Sensibilidad (+/E) = VP/(VP+FN) Especificidad (-/S) = VN/(VN+FP) VPP (S/+) = VP/(VP+FP) VPN (E/-) = VN/(VN+FN)
Probabilidad de acierto:
Para enfermos
Verdadero positivo (sensibilidad)
Para sanos
Verdadero negativo (especificidad)
Probabilidad de error
Para enfermos
Falso
Para sanos
Falso +
12/02/2011
Individuo
0,93
0,07
Sanos
Enfermos
Test+
P(+ | E )
P( | S ) P(+ | S )
0,977
0,023
0,055
0,945
No es simple. No es posible aumentar sensibilidad y especificidad al mismo tiempo. Hay que elegir una solucin de compromiso: Aceptable sensibilidad y especificidad.
Ejemplo
VPN = (sano|T-)
Individuo
0,93
0,07
Ejemplo
VPP = (enf|T+)
Individuo
0,93
0,07
Sanos
Enfermos
Sanos
Enfermos
Test -
Test+
Test P( | E )
Test+
P(+ | E )
Test -
Test+
Test P( | E )
Test+
P(+ | E )
P( | S ) P(+ | S )
P( | S ) P(+ | S )
0,977
0,023
0,055
0,945
0,977
0,023
0,055
0,945
P( Sano | T ) =
P (Sano T ) P (Sano T ) + P (Enf T ) 0,93 0,977 = = 0,996 0,93 0,977 + 0,07 0,055
P( Enf | T + ) =
P(Enf T + ) P(Enf T + ) + P(Sano T + ) 0,07 0,945 = = 0,756 0,07 0,945 + 0,93 0,023
Qu hemos visto?
Teorema de Bayes:
probabilidad a priori Verosimilitudes prob a posteriori
Pruebas diagnsticas:
A priori: Incidencia, prevalencia. Eficacia de la prueba: Sensibilidad, especificidad. A posteriori: ndices predictivos.