Anlisis Bayesiano

Maestra en Ciencias en Salud Pblica

Facultad de Ciencias Mdicas
Universidad de San Carlos
Dr. Jorge Alejandro Rogel

Introduccin
La objetividad es un deseo natural y justificado, pero

inalcanzable en muchos casos.

Y la estadstica siempre tiene un componente

subjetivo dentro de ella misma.

Las tcnicas estadsticas podran llegar a

decepcionar al usuario.

Introduccin
La estadstica puede despertar expectativas que no

se cumplen.
Fisher en los aos 20 y Neyman y Pearson en la d-

cada de los 30 nos muestran el contraste de significacin, que responde al paradigma frecuentista.
Valor de p y prueba de hiptesis.

Introduccin
Las pruebas de hiptesis, enfrentan cierta crisis; y el

enfoque bayesiano se vislumbra como una alternativa prometedora.

Introduccin
El paradigma clsico (frecuentista):
Obliga a una decisin dicotmica
Un efecto pequeo con una muestra grande puede

corresponder a el mismo valor p que un efecto grande

con una muestra pequea.

Introduccin
Se toman decisiones sin considerar la informacin

externa, las observaciones o el experimento.

No toma en cuenta informacin anterior, estudios

previos o experiencia emprica.

Considera que la probabilidad es el lmite de

frecuencias relativas de eventos observables.

Introduccin
Probabilidad subjetiva
Es el resultado de una construccin mental del

observador.
Corresponde al grado de certeza racional
Construda de certidumbres personales, credibilidad,

probabilidades personales o grados de creencia.

Introduccin
El reverendo Thomas Bayes naci en Londres en

1702 y falleci el 17 de abril de 1761 en Tunbridge

Wells, Kent. Distinguido como Fellow de la Royal
Society en 1742. Su artculo simblico se titulaba
Ensayo hacia la solucin de un problema en la
doctrina del azar el cual fue publicado pstumamente.

Objetivo
Pretende descubrir que circunstancias determinaron

que los datos fueran esos y no otros.

La diferencia esencial del pensamiento clsico

reside en que se pronuncia sobre los datos a partir

de supuestos (valor de p), mientras que el bayesiano se pronuncia sobre los supuestos de los datos.

Discusin
El Reverendo Thomas Bayes resolvi cuantitativamente

por entonces el problema de determinar cul de varias

hiptesis es ms probable sobre la base de sus datos.

Su descubrimiento bsico se conoce como el Teorema

de Bayes.

Discusin
El pensamiento bayesiano tiene ms similitud que el

frecuentista con el tipo de situaciones en que se ve el

cientfico.

Teorma de Bayes se deriva de manera inmediata a

partir de la definicin de probabilidad condicional:

Discusin
Probabilidad Conjunta
Corresponde a la probabilidad de que se presenten

resultados comunes a los eventos A y B y se denota

como P(AB)

Teorema de la Probabilidad Total.

Se llama particin al conjunto de eventos Ai tales

que:
A1 U A2 U A3 U ..=
A1 interseccin A2 = conjunto vaci

Discusin
La probabilidad condicional se da cuando se tienen

dos sucesos A y B (donde A y B son ambos sucesos

posibles, es decir, con probabilidad no nula),
entonces la probabilidad condicional de A dado B,
como es bien conocido, se define del modo
siguiente:

Discusin
Auxilindonos con Diagramas de Venn podemos

ilustrar esta definicin de la manera siguiente:

No es otra cosa ms que
comparar que tanto la
probabilidad del evento
interseccin est en
relacin con la
probabilidad del evento
B.

Discusin
Anlogamente si ahora comparamos que tanto la

probabilidad del evento interseccin est en relacin

con la probabilidad del evento A tenemos:

Discusin
El Teorema de Bayes produce probabilidades inver-

sas, en el sentido de que expresa P(A|B) en trminos

de P(B|A).
La terminologa convencional para P(A|B) es la proba-

bilidad a posteriori de A dado B y para P(A) es la probabilidad a priori de A, dado que se aplica antes, sin
estar condicionada por la informacin de que B ocurri.

Discusin
Existe otra alternativa de presentacin de la forma

sencilla del Teorema de Bayes, pero antes de verla,

expresemos al evento B de la siguiente manera:

Discusin
Si ilustramos esta ltima expresin con Diagramas

de Venn tenemos:

Discusin
Entonces:
Que es lo mismo que:

As el teorma de Bayes puede presentarse asi:

Conclusin
Ejemplo:
Anlisis diagnsticos
Se quiere saber si el nivel de glucosa en la sangre

sirve para diagnosticar la diabetes.

Se considera que el anlisis es positivo si se

encuentra un nivel por encima de un cierto valor,

digamos 120 mg/l.

Conclusin
Para evaluarlo se somete a este anlisis 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.

Conclusin
Expresemos por:
NE = a los individuos no enfermos
E = a los individuos enfermos
Se denomina coeficiente falso-positivo, a la

estimacin de la probabilidad condicionada p(+|NE).

Conclusin
Se denomina coeficiente falso-negativo a la

estimacin de la probabilidad condicionada p(-|E).

Estos dos coeficientes cuantifican los dos errores

que la prueba puede cometer y caracterizan a la

misma.

Conclusin
Simtricamente, los coeficientes que cuantifican los

aciertos son:

Sensibilidad, p(+|E)
Especificidad p(-|NE)

Conclusin
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 de eventos

mutuamente excluyentes se puede usar el Teorema

de Bayes para calcular p(E|+) y/o p(NE|-).

Conclusin

Si p(+|NE) es del 4% y p(-|E) es del 5% y si la

prevalencia de la diabetes en la poblacin donde se

aplica el anlisis clnico es del 7% cul es la
probabilidad de que sea diabtico un individuo en el
que el anlisis d positivo? y de que no lo sea si el
anlisis da negativo?

Conclusin
p(+|NE) = 0,04
p(-|E) = 0,05
p(E) = 0,07

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

Conclusin
Por lo general, la probabilidad condicional de que

ocurra A dado que haya ocurrido B no tiene por que

coincidir con la probabilidad (incondicional) de A.
Es decir, saber que ha ocurrido B generalmente

hace cambiar la probabilidad de ocurrencia de A.

Cuando P(A|B) es igual a P(A), se dice que A es

independiente de B.

Conclusin
Puesto que

P(AB) = P(A|B) P(B)

Se deduce que:
Los eventos A y B son independientes si:

Esto es, la probabilidad de que uno de ellos ocurra

no se ve afectada por la informacin de que el otro

haya ocurrido o no.