Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Probabilidad Bioestadística 2020 Probabilidad y aleatoriedad • La probabilidad asociada a un suceso o evento aleatorio es una medida del grado de certidumbre de que dicho suceso pueda ocurrir. • La probabilidad busca estudiar los resultados aleatorios de un experimento (ojo, no siempre “experimento” en términos científicos!) • Un proceso es ALEATORIO si su resultado es incierto (no se conoce a priori). • Lo opuesto a esto es un proceso DETERMINISTA (ya conocemos de antemano su resultado) à no es de interés para nosotros Probabilidad y aleatoriedad • Ej, lanzar una moneda es un exp. aleatorio: A priori no sabemos de qué lado caerá • Peeero… podemos asignar probabilidades! (1/2 cara, 1/2 ceca = probabilidad teórica) • Notar que si en una tirada sale cara, eso NO quiere decir que la otra saldrá ceca. • No obstante, si repitiéramos el proceso infinitas veces, la relación final cara:ceca será ~1/2 § Un proceso es ALEATORIO si su resultado es incierto (no se conoce a priori) § Ej, lanzar una moneda una vez. A priori no sabemos si saldrá cara o ceca… § Sin embargo, si la tiramos una y otra vez, la distribución es predecible: esperamos que salga cara el 50% de las veces y ceca el 50% de las veces ‘‘Probability theory is nothing but common sense reduced to calculation.” (Pierre-Simon Laplace ) De hecho eso ya lo hizo alguien… • En 1900 el estadístico Pearson realizó el experimento, lanzando 24000 veces la moneda. • Obtuvo un resultado de 12012 caras (y 11988 cecas). • Esto significa P(cara) = 12012/24000 = 0.5005 ~0.5 § En 1900 el estadístico Pearson realizó el experimento, lanzando 24000 veces la moneda. § Obtuvo un resultado de 12012 caras (y 11988 cecas). § Esto significa P(cara) = 12012/24000 = 0.5005 ~0.5 Convergencia a 1/2 de la frecuencia relativa del número de caras obtenido en lanzamientos sucesivos de una moneda Fijense cómoen las primeras tiradas (números bajos en el eje X), la frecuencia de caras (proporción de caras sobre cecas) era más fluctuante, pero al avanzar en el número de tiradas, la frecuencia se fue estabilizando alrededor de 0.50 Valores de probabilidad • Las probabilidades siempre están entre 0 y 1. • Un suceso con P = 0 es un suceso IMPOSIBLE • Un suceso con P = 1 es un suceso SEGURO • Las probabilidades comprendidas entre (0 y 1) corresponden a sucesos aleatorios (de interés en estadística) § Las probabilidades siempre están entre 0 y 1. § Las probabilidades P=0 y P=1 corresponden a sucesos imposible y seguros, respectivamente à sucesos deterministas § Las probabilidades comprendidas entre (0 y 1) corresponden a sucesos aleatorios à de interés en estadística 0 1 Qué tipo de suceso es “ganar la lotería”? determinista Dos conceptos: espacio muestral y evento • Espacio muestral: El conjunto, que contiene todos los posibles resultados de un experimento. • Evento: Un subconjunto del espacio muestral es lo que se conoce como. A cada evento le podemos asignar probabilidades. Ejemplo para ilustrar esos conceptos • Experimento : tomar un fragmento al azar de ADN (ácido desoxirribonucleico) y saber con qué base (adenina, timina, guanina o citosina; de ahora en más A, T, G, C) comienza. àEspacio muestral: A, T, G, C àTamaño del espacio muestral: 4 àUn posible evento: que la primera base sea “G”. • Podemos entonces querer conocer la probabilidad de nuestro evento “que la primera base sea “G”. Cálculo teórico de probabilidad • Si cada evento del espacio muestral tiene la misma probabilidad de ocurrir, entonces la probabilidad de un evento puntual, P(E), se calcula como: el número de resultados favorables (n) sobre el número total de casos posibles (N, tamaño del espacio muestral). P(Evento) = número de resultados favorablesnúmero total de casos posibles • En notación: P(E) = 𝑛𝑁 Ejemplos para ilustrar lo anterior usando eventos simples • Probabilidad de que la primera base sea G: P(G) = 𝑛 𝑁 = 1 4 • Probabilidad de obtener 4 al tirar un dado: P(4) = % & = ' ( • Probabilidad de que salga una carta de “espada” en una baraja de 40 cartas P(Espada) = % & = ') *) = ' * Ejemplos para ilustrar lo anterior usando combinaciones de eventos • Probabilidad de que la primera base sea purina (A,G): P(A, G) = 𝑛 𝑁 = + 4 = ' + • Probabilidad de obtener número par al tirar un dado (2, 4, 6): P(par) = % & = , ( = ' + • Probabilidad de que salga una carta de “espada u oro” en una baraja de 40 cartas P(Espada) = % & = +) *) = ' + Probabilidad de eventos combinados • Los resultados en eventos se pueden combinar de varias maneras para formar nuevos eventos. • Por ejemplo, podríamos estar interesados en la probabilidad de que dos eventos ocurran simultáneamente, al menos uno de los dos eventos ocurre, un evento no ocurre, o uno de los eventos ocurre si ocurre el otro. Ejemplo para ilustrar lo anterior • Se está llevando a cabo una prueba de la efectividad de vacuna contra COVID-19 • De 200 voluntarios, a 102 se les suministró la vacuna y a 98 un placebo (se les inyectó solución fisiológica). • Se registró cuantas de cada grupo se enfermaron de COVID-19 vacuna placebo Total Se Enfermó 31 88 119 No se enfermó 71 10 81 Total 102 98 Ejemplo para ilustrar lo anterior • Podríamos preguntarnos: si tomo una persona al azar, a)Cuál es la probabilidad de que haya recibido la vacuna? b)Cuál es la probabilidad de que haya recibido el placebo y NO se haya enfermado? c)Cuál es la probabilidad de que esa persona se haya enfermado? vacuna placebo Total Se Enfermó 31 88 119 No se enfermó 71 10 81 Total 102 98 Ejemplo para ilustrar lo anterior Podemos calcular las probabilidades computando proporciones a)Cuál es la probabilidad de que haya recibido la vacuna? De los 200 voluntarios, 102 recibieron la vacuna, es decir: Nro casos favorables (recibir vacuna) = 102 Nro casos posibles (total de voluntarios) = 200 entonces P(vacuna)= ')++)) b) Cuál es la probabilidad de que haya recibido el placebo y NO se haya enfermado? En la tabla, vemos que hay 10 personas que recibieron el placebo y no se enfermaron, entonces P(placebo que no se haya enfermado)= ')+) c) Cuál es la probabilidad de que esa persona se haya enfermado? En la tabla, vemos que 119 personas en total se enfermaron, entonces P(enf) = ''-+)) vacunaplacebo Total Se Enfermó 31 88 119 No se enfermó 71 10 81 Total 102 98 Cálculos de probabilidades para eventos combinados • Es posible realizar operaciones básicas para el cálculo de probabilidades: - Unión - Intersección - Complemento Notación Significado Terminología A y B El evento debe satisfacer ambas condiciones Intersección A o B El evento puede satisfacer cualquiera de las dos condiciones (o ambas) Unión no A El evento A no ocurre Complemento B dado que A El evento B ocurre solo si A ocurrió antes Condicional Operaciones 1: Unión de eventos (A o B) • La unión de dos eventos A y B (A o B) en el mismo espacio muestral, es aquel evento que se da cuando tanto A como B, como ambos simultáneamente pueden ocurrir. • Es decir, implica que al menos unos de ellos ocurra. En nuestro ejemplo anterior, podemos estar interesados en conocer la probabilidad de que una persona, seleccionada al azar, haya recibido el placebo O se haya enfermado. Unión de dos eventos: “recibir placebo”, “enfermarse”. Operaciones 2: Intersección (A y B) • La intersección de dos eventos en el mismo espacio muestral, A y B, es el evento que contiene todos los resultados que son comunes a A y B. • Es decir, aquel que se da cuando simultáneamente ocurren A y B. En nuestro ejemplo anterior, podemos estar interesados en conocer la probabilidad de que una persona, seleccionada al azar, haya recibido el placebo Y se haya enfermado. Intersección de dos eventos: “recibir placebo”, “enfermarse”. Caso especial: Sucesos disjuntos (o mutuamente excluyentes) • Dos sucesos disjuntos o mutuamente excluyentes son dos posibleseventos de un espacio de muestral que no pueden producirse simultáneamente. • En otras palabras, no tienen ningún elemento en común, por tanto su intersección es vacía. En nuestro ejemplo anterior, podemos estar interesados en conocer la probabilidad de que una persona, seleccionada al azar, haya recibido el placebo y la vacuna… los eventos “recibir placebo” y “recibir la vacuna” son mutuamente excluyentes, no pueden ocurrir juntos en la misma persona. Operaciones 3: complemento (𝐴̅) • El complemento del evento A, representado como 𝐴0, representa aquel evento en el que A no ocurre. • Es decir, contiene todas las salidas del espacio muestral que NO son A. • Tener esto en cuenta es muy útil en estadística: cuando la probabilidad de A es difícil de calcular, a veces resulta más sencillo calcular la probabilidad del complemento de A (lo cual equivale a 1 menos la probabilidad de A): P (𝐴0) = 1 – P (A) Reglas de la probabilidad • Veremos algunas reglas de la probabilidad, que nos ayudarán al cálculo de la misma: Regla 1: La probabilidad siempre es un valor positivo Regla 2: Para un espacio muestral dado, la suma de probabilidades da uno (1) Regla 3: para eventos disjuntos (mutuamente excluyentes), la probabilidad del suceso unión A o B, P(A o B) = P(A) + P(B) Regla 4: Regla del producto (para eventos independientes). Regla 1: La probabilidad siempre es un valor positivo • Los valores de probabilidad para un evento cualquiera son siempre positivos y están entre 0 y 1. • Esto refleja la noción de que la probabilidad de una medida de proporción. • En notación, la probabilidad de un evento A se denota P (A), y siempre, siempre se cumple que 0 ≤ P (A) ≤ 1. § Las probabilidades siempre están entre 0 y 1. § Las probabilidades P=0 y P=1 corresponden a sucesos imposible y seguros, respectivamente à sucesos deterministas § Las probabilidades comprendidas entre (0 y 1) corresponden a sucesos aleatorios à de interés en estadística 0 1 Regla 2: Para un espacio muestral dado, la suma de probabilidades da uno (1) • A modo de ejemplo, retomemos el experimento de seleccionar un nucleótido al azar, de un espacio muestral que contiene los 4 posibles nucleótidos (A, T, G, C). Si asumimos que los 4 nucleótidos en el espacio muestral tienen igual frecuencia, tenemos que: P (A) = P (T) = P (C) = P (G) = '* • Ver que la suma de todas las probabilidades para este espacio muestral es 1. • En cambio, si el espacio muestral contiene 6 nucleótidos (G, C, A, T, A, C), las probabilidades individuales cambian, de manera tal que P (A) = P (C) = +( = ' , y P (T) = P(G) = ' (. • Pero la suma de probabilidades de eventos en el espacio muestral sigue siendo 1 De este modo, las probabilidades de los nucleótidos individuales cambian para reflejar la composición de eventos en el espacio muestral. Regla 2: Para un espacio muestral dado, la suma de probabilidades da uno (1) • Este axioma también permite calcular el complemento de un evento. Suponga en el ejemplo de 4 nucleótidos que solo se conoce la probabilidad de adenina, P(A), y queremos calcular la probabilidad de cualquier otro nucleótido (que es el evento del complemento de A). Usando la fórmula P (𝑨0) = 1 – P (A) • esta es una tarea sencilla. Por ejemplo, si P (A) = 0,25, entonces P (𝐴0) = 1 - 0,25 = 0,75. Regla 3: para eventos disjuntos, la probabilidad del suceso unión A o B, P(A o B) = P(A) + P(B) • En el caso de eventos mutuamente excluyentes, ya vimos que no hay intersección. • De este modo, la probabilidad de su unión es igual a la suma de sus probabilidades individuales. • De este modo, si queremos calcular la probabilidad del suceso unión de dos eventos A B: P (A o B) = P (A) + P (B). Regla 3: caso especial (Eventos no disjuntos) • Para eventos que NO son mutuamente excluyentes (es decir, la intersección es distinta de cero), el cálculo del suceso unión debe tener en cuenta esta área de intersección. De este modo, si A y B no son mutuamente excluyentes, tenemos que: P (A o B) = P (A) + P (B) – P (A y B) • Como verán, se le resta el área correspondiente a la intersección (porque sino la estaríamos contando dos veces). Ejemplo para ilustrar la regla 3 • Retomando el ejemplo de COVID, • Si tomo una persona al azar, cuál es la probabilidad de que esté vacunada que no se haya enfermado? P (A o B) = P (A) + P (B) – P (A y B) unión de sucesos no excluyentes • P(vacuna) = ')+ +)) • P (No enfermo) = 4' +)) • P (Vacuna y no enfermo) = 5' +)) P (V o NE) = ')+ +)) + 4' +)) - 5' +)) = ''+ +)) vacunaplacebo Total Se Enfermó 31 88 119 No se enfermó 71 10 81 Total 102 98 Ejemplo para ilustrar la regla 3 • Retomando el ejemplo de COVID, • Si tomo una persona al azar, cuál es la probabilidad de que esté vacunada y no enferma o que haya recibido el placebo y este enferma? P (A o B) = P (A) + P (B) unión de sucesos disjuntos (no hay intersección) • P (Vacuna y no enfermo) = 5' +)) • P (placebo y enfermo) = 44 +)) P (VNE o PE) = 5' +)) + 44 +)) = '(- +)) vacunaplacebo Total Se Enfermó 31 88 119 No se enfermó 71 10 81 Total 102 98 Regla 4: Regla del producto para eventos independientes. • Se dice que dos eventos son independientes cuando la ocurrencia de uno no está relacionada con la ocurrencia del otro. • En este caso, la probabilidad de la intersección (es decir, la ocurrencia simultanea de ambos eventos) es el producto de las probabilidades individuales: P (A y B) = P (A) x P (B) (si o solo si A, B son independientes) Ejemplo para ilustrar la regla del producto: genética mendeliana • Consideremos un cruzamiento entre dos individuos heterocigotos (Aa). ¿Cuál es la probabilidad de obtener un individuo aa en la siguiente generación? à La única manera de obtener un individuo aa es si la madre contribuye un gameto “a” y el padre contribuye un gameto “a”. Cada padre tiene una probabilidad de 1/2 de hacer un gameto “a”. Entonces, la probabilidad de un descendiente aa es: P (aa) = P (madre contribuya “a”) x P (padre contribuya “a”) P (aa) = 1/2 x 1/2 = 1/4 Cuadro de Punnet • Para un único locus, quizá les siga resultando más simple hacer el cuadro de Punnet que aprendieron en biología general. Pero que pasa si estamos interesados en 3 loci o más? La regla del producto es la solución… Cómo determinar si dos eventos son independientes • Es importante ver que esta “regla del producto” es también útil para determinar si dos eventos son independientes o no. • Si dos eventos son independientes, el producto de sus probabilidades individuales será igual al suceso intersección (es decir, a la probabilidad conjunta). Si no lo son, no son independientes. • En notación: Si P(A) x P(B) = P(A y B) à A y B son independientes Si P(A) x P(B) ≠ P(A y B) à A y B NO son independientes Ejemplo para ilustrar lo anterior: determinar si dos eventos son independientes • Son independientes el hecho de recibir la vacuna y no enfermarse? Si P(A) x P(B) = P(A y B) à A y B son independientes Si P(A) x P(B) ≠ P(A y B) à A y B NO son independientes P(vacuna) = ')++)) P (no enfermarse) = 4'+)) P (vacuna y no enfermarse) = 5'+)) = 0,355 P (vacuna) x P (no enfermarse) = ')++)) x 4' +)) = 4+(+ *)))) = 0,206 como P(A) x P(B) ≠ P(A y B) à A y B NO son independientes vacunaplacebo Total Se Enfermó 31 88 119 No se enfermó 71 10 81 Total 102 98 Probabilidad condicional • Si dos eventos A B NO son independientes (es decir, están relacionados), la ocurrencia de A afecta la probabilidad de ocurrencia de B. • De este modo, se define la probabilidad condicionada de que ocurra un suceso B, dado que ha ocurrido otro suceso A como: P (B | A) = 𝑃 (𝐵 𝑦 𝐴)𝑃 (𝐴) • Esta expresión viene a ser equivalente a calcular la probabilidad de B cuando el espacio muestral queda reducido sólo al suceso A Ejemplo para ilustrar probabilidad condicional • Queremos saber cuál es la probabilidad de queuna persona, tomada al azar entre los enfermos, haya recibido el placebo. • Ver que aquí nuestro espacio muestral ya no es el total de voluntarios (200) sino el total de enfermos (119) • Entonces P (recibió placebo dado que está enfermo) = ; (< = >) ; (>) = 44 ''- vacuna placebo Total Se Enfermó 31 88 119 No se enfermó 71 10 81 Total 102 98 Regla 4 (extendida): Regla general del producto (para eventos no independientes) • Si despejamos el término P (A y B) pasando el término P (A) al otro lado de la igualdad en la ecuación de la probabilidad condicionada, tenemos que: P (A y B) = P (B | A) x P (A) • Y también, P (A y B) = P (A | B) x P (B) • Esta es la probabilidad de que dos eventos NO independientes ocurran juntos. Resumen de reglas básicas de la probabilidad • Complemento: P (𝐴0) = 1 – P (A) • Suma: P (A o B) = P (A) + P (B) – P (A y B) • Suma (si A y B son mutuamente excluyentes): P (A o B) = P (A) + P (B) • Multiplicación: P (A y B) = P (A) x P (B|A) = P (B) x P (A|B) • Multiplicación (si A y B son independientes): P (A y B) = P (A) x P (B) • Probabilidad Condicional: P (B | A) = 𝑃(𝐴 𝑦 𝐵)𝑃 (𝐴) y P (A | B) = 𝑃(𝐴 𝑦 𝐵) 𝑃 (𝐵) Teorema de la probabilidad total • Aquí se presenta un rectángulo (espacio muestral) particionado en varios eventos A1, …, An de distinto tamaño. No hay solapamiento (intersección) entre ellos y la suma de todos ellos ocupa la totalidad del espacio muestral. Además, vemos otro evento, el óvalo B, que se solapa con varios elementos de A. • Queremos calcular la P(B) pero sólo conocemos las P(Ai) Teorema de la probabilidad total • P(B) = P (B y A1) + P (B y A2) + P (B y A3) + … + P (B y An) (regla de la suma p/ disjuntos) = • P(B) = P (B|A1) P(A1) + P (B|A2) P(A2) + P (B|A3) P(A3) + … + P (B|An) P(An) (regla del producto para eventos no independientes) Teorema de la probabilidad total • El teorema de la probabilidad total nos permite calcular la probabilidad de un suceso a partir de probabilidades condicionadas. • Este teorema combina la regla de la suma de probabilidades (válida sólo si estamos seguros de que A1, A2, A3, …, An son eventos mutuamente excluyentes) y del producto para sucesos no independientes. • Notación P(B) = P(A1) x P (B| A1) + P(A2) x P (B| A2) + … + P(An) x P (B| An) = ∑ 𝑷 𝑨𝒊 𝒙 𝑷 𝑩 𝑨𝒊)𝒏𝒊E𝟏 Ejemplo del teorema de la probabilidad total: aplicaciones y métodos • En un bioterio se tienen 3 cepas de ratones (Mus musculus); el 40% son de la cepa BALB/c, 35% son de la cepa AKR y el 25% restante C57BL. De BALB/c, el 30% son machos; de la cepa AKR el 40% son hembras, y de C57BL hay igual porcentaje de machos y hembras. ¿Cuál es la probabilidad de que un ratón elegido aleatoriamente en el bioterio sea macho? Ejemplo del teorema de la probabilidad total: aplicando el teorema Tenemos 3 eventos A1, A2 y A3, que forman una partición del espacio muestral (cepas de ratones del bioterio): • A1: que un ratón elegido aleatoriamente sea de la cepa BALB/c. • A2: que un ratón elegido aleatoriamente sea de la cepa AKR. • A3: que un ratón elegido aleatoriamente sea de la cepa C57BL. A partir del enunciado, sabemos que • P(A1) = 0,40 • P(A2) = 0,35 • P(A3) = 0,25 Ejemplo del teorema de la probabilidad total: aplicando el teorema • También sabemos, del enunciado que: De BALB/c, el 30% son machos. De este modo, la probabilidad condicionada de que un ratón sea macho, dado que es de la cepa BALB/c es de: P(B | A1) = 0,30 De la cepa AKR el 40% son hembras (o sea que el 60% restante son machos). De este modo, la probabilidad de que un ratón sea macho, dado que es de la cepa AKR es de: P(B | A2) = 0,60 De C57BL hay igual porcentaje de machos y hembras (es decir, 50% de cada uno). De este modo, la probabilidad condicionada de que un ratón sea macho, dado que es de la cepa C57BL es de P(B | A3) = 0,50 • Reemplazando en el teorema de la probabilidad total: P(B) = P(A1) x P (B| A1) + P(A2) x P (B| A2) + P(A3) x P (B| A3) P(Macho) = 0,40 x 0,30 + 0,35 x 0,60 + 0,25 x 0,50 = 0,455 Ejemplo del teorema de la probabilidad total: Usando diagrama de árbol • Podemos armar un árbol con los datos Biotetio BALB/c (0,40) Macho (0,30) Hembra (0,70) AKR (0,35) Macho (0,60) Hembra (0,40) C57BL (0,25) Macho (0,50) Hembra (0,50) Ejemplo del teorema de la probabilidad total: Usando diagrama de árbol • Truco para calcular probabilidades usando el diagrama de árbol: cuando avanzamos de izquierda a derecha, multiplicamos las probabilidades; cuando avanzamos de arriba hacia abajo, sumamos las probabilidades. • De este modo, P (Macho) = P (BALB/c) x P (Macho) + P (AKR) x P (Macho) + P (C57BL) x P (Macho) P (Macho) = 0,40 x 0,30 + 0,35 x 0,60 + 0,25 x 0,50 = 0,455 Biotetio BALB/c (0,40) Macho (0,30) Hembra (0,70) AKR (0,35) Macho (0,60) Hembra (0,40) C57BL (0,25) Macho (0,50) Hembra (0,50) Teorema de Bayes • El teorema de Bayes es consecuencia directa de los axiomas de probabilidades condicionales. Su intención es determinar la probabilidad de un suceso con respecto a la probabilidad de otro suceso diferente. • El teorema de Bayes es utilizado para calcular la probabilidad de un suceso, teniendo información de antemano sobre ese suceso. • El teorema de Bayes entiende la probabilidad de forma inversa al teorema de la probabilidad total. El teorema de la probabilidad total hace inferencia sobre un suceso B, a partir de los resultados de los sucesos A. Por su parte, Bayes calcula la probabilidad de A condicionado a B. Teorema de Bayes • Hemos visto que, si tenemos dos sucesos A y B, podemos estimar la probabilidad condicional de Aj, dado que pasó B, P(Aj| B) como: P(Aj|B) = 𝑃(𝐴𝑗 𝑦 𝐵) 𝑃 (𝐵) • Además, por la regla de la multiplicación, sabemos que: P (Aj y B) = P (Aj) x P (B|Aj) • Reemplazando en el numerador, nos queda que: P(Aj|B) = P (Aj) x P (B|Aj) 𝑃 (𝐵) Fórmula básica del Teorema de Bayes Teorema de Bayes • Esto se puede extender, ya que A puede tener múltiples particiones (A1, A2, …, An). • Por el teorema de la probabilidad total sabemos que: P(B) = ∑ 𝑃 𝐴𝑖 𝑥 𝑃 𝐵 𝐴𝑖)𝑛𝑖=1 • Reemplazando en el denominador de la ecuación anterior, nos queda la fórmula extendida del teorema de Bayes: P(Aj|B) = 𝐏 (𝐀𝐣) 𝐱 𝐏 (𝐁|𝐀𝐣) ∑ 𝑷 𝑨𝒊 𝒙 𝑷 (𝑩|𝑨𝒊)𝒏𝒊=𝟏 Teorema de Bayes en pruebas diagnósticas: Ej: determinación de enfermedad renal crónica • La Enfermedad Renal Crónica (ERC) se caracteriza por ser silenciosa en etapas tempranas y, en ausencia de tratamiento adecuado, conduce al fallo irreversible de la función del órgano y requerimiento de tratamiento sustitutivo (diálisis o trasplante renal). • La prevalencia de ERC (en la población adulta) se estima en 10 % (Sociedad Argentina de Nefrología) • La presencia de concentraciones elevadas de proteínao albúmina en orina de modo persistente (proteinuria), es un signo de lesión renal y es la mejor estrategia para el diagnóstico y pronósticode la ERC. • Para determinar la pérdidade proteínas o albúmina en orina se suelen pueden utilizar tiras reactivas, en muestras de orina. àEl cambio de color de un indicador al contacto con la orina suele usarse como indicador (resultado del test positivo) Teorema de Bayes en pruebas diagnósticas: ejemplo • Una tira reactiva de orina es un instrumento de diagnóstico básico, que tiene por finalidad detectar, durante un examen rutinario de orina, algunos de los cambios patológicosque pueden aparecer en la orina de un paciente. • Las tiras reactivas utilizadas en la actualidad proporcionan un medio rápido y simple para llevar a cabo el análisis químicode la orina, algo muy importante desde el punto de vista médico. Este análisis abarca pH, presencia de proteína, glucosa, cetonas, hemoglobina, bilirrubina, entre otros. § Una tira reactiva de orina es un instrumento de diagnóstico básico, que tiene por finalidad detectar, durante un examen rutinario de orina, algunos de los cambios patológicosque pueden aparecer en la orina de un paciente. § Las tiras reactivas utilizadas en la actualidad proporcionan un medio rápido y simple para llevar a cabo el análisis químico de la orina, algo muy importante desde el punto de vista médico. Este análisis abarca pH, presencia de proteína, glucosa, cetonas, hemoglobina, bilirrubina, entre otros. Teorema de Bayes en pruebas diagnósticas: conceptos de sensibilidad y especificidad • Para que una prueba diagnóstica sea aceptable ha de tener alta sensibilidad y alta especificidad. Estos conceptos se definen del siguiente modo (se entiende que dar positivo en la prueba significa que ésta detecta la presencia de proteina en orina, como indicador de proteinuria): • Sensibilidad: Tasa de verdaderos positivos P (la prueba de positivo | el individuo tiene la enfermedad) P (+ | Enf) • Especificidad: Tasa de verdaderos negativos P (la prueba de negativa | el individuo esté sano) P (- | Sano) Teorema de Bayes en pruebas diagnósticas: coeficientes • Como las pruebas diagnósticas no son exactas, puede ocurrir que den positivo a individuos sanos (falsos positivos) y negativos a individuos enfermos (falsos negativos) De este modo, podemos definir: à Coeficiente de falso positivo= 1-Especificidad = P(+ | Sano) à Coeficiente de falso negativo= 1 – Sensibilidad = P(- | Enf) • Por lo general, la sensibilidad y especificidad de una prueba diagnóstica ya se conocen, y se obtienen de estudios poblacionales previos (es decir, esto es información previa). Teorema de Bayes en pruebas diagnósticas: concepto de prevalencia de una enfermedad • Otra cosa que normalmente se conoce, es la incidencia o prevalencia de determinada enfermedad en una población. Vamos a introducir también el concepto de prevalencia, ya que lo vamos usar bastante. • Prevalencia: En epidemiología, se denomina prevalencia a la proporción de individuos de un grupo o una población, que presentan una característica o evento determinado (en medicina, enfermedades). Por lo general, se expresa como una fracción, un porcentaje o un número de casos por cada 10000 o 100000 personas. Teorema de Bayes en pruebas diagnósticas: ejemplo • La prevalencia de ERC (en la población adulta) se estima en 10 % • Las tiras reactivas tienen una especificidad de 0.98 (“verdaderos negativos”) y una sensibilidad de 0.93 (“verdaderos positivos”) • Si tomamos al azar una persona de la población argentina, cuál es la probabilidad de que tenga la enfermedad? à 0.10, es decir, la prevalencia de la enfermedad en esa población • Cuál es la probabilidad de que un paciente, al que el test le dio positivo, realmente tenga la enfermedad? à se resuelve con teorema de Bayes Teorema de Bayes en pruebas diagnósticas: ejemplo • Este teorema describe como una probabilidad previa (o “a priori”, en este caso la prevalencia de la enfermedad), es actualizada por la evidencia (es decir, por los datos, el resultado del test diagnóstico), generando un nuevo nivel de probabilidad (“a posteriori”): § Esta expresión describe como una probabilidad previa (o “a priori”, en este caso la prevalencia de la enfermedad), es actualizada por la evidencia (es decir, por los datos, el resultado del test diagnóstico), generando un nuevo nivel de probabilidad (“a posteriori”) P(enf|+) = I(O|\R])I(\R])I(O) A priori: la PREVALENCIA de la enfermedad en la población Probabilidad a posteriori: La probabilidad de estar enfermo de ERC, dado que el test dio positivo La evidencia: La probabilidad de dar positivo, si está enfermo (SENSIBILIDAD) La probabilidad GENERAL de la evidencia (es decir de que el test de positivo) Teorema de Bayes en pruebas diagnósticas: ejemplo Datos: P(enf) = 0,10 P(+ | enf) = sensibilidad = 0,93 P(+ | sano) = 1 – especificidad = 1-0,98 = 0,02 • Por teorema de Bayes: P(Enf|+) = P (Enf) x P (+|Enf)P Enf x P + Enf)+ P Sano x P + Sano) P(Enf|+) = 0,1 x 0,930,1 x 0,93 + 0,9 x 0,)+= 0,093 ),-5` = 0,84 Si el test dio positivo, la persona tiene una probabilidad de 0,84 de tener la enfermedad Teorema de Bayes en pruebas diagnósticas: ejemplo (otra forma de resolverlo: árbol) • Sabemos que, por teorema de Bayes: P(Enf|+) = P (Enf) x P (+|Enf)𝑃 (+) P(enf) = 0,10 P(+ | enf) = sensibilidad = 0,93 • Usamos diagrama de árbol para calcular la probabilidad de que el test de positivo Paciente P(Sano) =0,9 P(+|sano) = 0,02 P(-| sano) = 0,98 P(Enf)= 0,1 P(+|enf) = 0,93 P(-| enf) = 0,07 P (+) = P (Enf) x P (+| Enf) + P (Sano) x P (+| Sano) P (+) = 0,1 x 0,93 + 0,9 x 0,02 = 0,111 P(Enf|+) = ).') c ).-, ).''' = 0,84 Teorema de Bayes en pruebas diagnósticas: Probabilidades a priori y a posteriori § En este ejemplo, cuando el paciente consulta al médico, él ya tiene una idea a priori (previa) acerca de la probabilidad de que tenga ERC (esa idea previa es la prevalenciade la enfermedad en la población). § A continuación se le pasa un test diagnóstico que aporta nueva información: si presenta o no proteinuria (indicador de la enfermedad). § En función del resultado el médico tiene una nueva idea (a posteriori) sobre la probabilidad de que el paciente esté enfermo. § La idea que se tenia a priori se modificó por el resultado de un experimento. Paciente: ¿Qué probabilidad tengo de tener ERC? Médico: En principio un 10%. Le haremos unas pruebas. Médico: El test de orina dio positivo. La probabilidad de que tenga ERC es del 84%. § En este ejemplo, cuando el paciente consulta al médico, él ya tiene una idea a priori (previa) acerca de la probabilidad de que tenga ERC (esa idea previa es la prevalenciade la enfermedad en la población). § A continuación se le pasa un test diagnóstico que aporta nueva información: si presenta o no proteinuria (indicador de la enfermedad). § En función del resultado el médico tiene una nueva idea (a posteriori) sobre la probabilidad de que el paciente esté enfermo. § La idea que se tenia a priori se modificó por el resultado de un experimento. Paciente: ¿Qué probabilidad tengo de tener ERC? Médico: En principio un 10%. Le haremos unas pruebas. Médico: El test de orina dio positivo. La probabilidad de que tenga ERC es del 84%. Ideas! • Uno de los principales objetivos de la biotecnologíaes generar productos. • Test diagnósticos para enfermedades varias. • Complementos tecnológicos • Ej DIP UTI test, para infección urinaria. § Uno de los principales objetivos de la biotecnología es generar productos. § Test diagnósticos para enfermedades varias § Complementos tecnológicos § Ej DIP UTI test, para infección urinaria. Ideas! • Uno de los principales objetivos de la biotecnologíaes generar productos. • Test diagnósticos para enfermedades varias. • Complementos tecnológicos • Ej DIP UTI test, para infección urinaria. Todos estos test necesitan describir sensibilidad, especificidad….
Compartir