Aula de Exerc cios - Teorema de Bayes

Aula de Exerc cios - Teorema de Bayes

Organiza c ao : Rafael Tovar Digita c ao : Guilherme Ludwig

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagi arios

Tr es pessoas ser ao selecionadas aleat oriamente de um grupo de dez estagi arios administrativos. Esses tr es formar ao um comit e com tr es cargos diferentes: o primeiro ser a nomeado coordenador, o segundo scal e o terceiro secret ario. Metade do grupo s ao estudantes de u ltimo ano de gradua c ao, sem nenhuma experi encia dentro da empresa. Os outro cinco s ao estagi arios h a um semestre, e j a concorrem por uma vaga efetiva na empresa.

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagi arios

O espa co de congura c oes poss veis para a forma c ao do comit e e: H = {NNN , NNA, NAN , ANN , NAA, ANA, AAN , AAA} Onde a ordem representa os cargos (coordenador, scal, secret ario) e A indica um estagi ario antigo, enquanto N um estagi ario novo. Dena o evento A = { O coordenador e um estagi ario antigo }, de modo que Ac = { O coordenador e um estagi ario novo }. Dena tamb em os eventos B0 , B1 , B2 e B3 , associados ao n umero de estagi arios novos no comit e. Bk = {k estagi arios novos no comit e}

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagi arios

Para cada congura c ao, temos uma probabilidade associada: Evento NNN NNA NAN ANN NAA ANA AAN AAA Probabilidade 5/10 4/9 3/8 = 3/36 5/10 4/9 5/8 = 5/36 5/10 5/9 4/8 = 5/36 5/10 5/9 4/8 = 5/36 5/10 5/9 4/8 = 5/36 5/10 5/9 4/8 = 5/36 5/10 4/9 5/8 = 5/36 5/10 4/9 3/8 = 3/36

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagi arios

Observando os pontos amostrais na tabela anterior (NNN, NNA, etc.), construimos uma tabela de distribui c ao conjunta de A e B . B0 3/36 0 3/36 B1 10/36 5/36 15/36 B2 5/36 10/36 15/36 B3 0 3/36 3/36 Total 18/36 18/36 18/36

A Ac Total

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagi arios

(1) Qual e a probabilidade de que o comit e tenha pelo menos dois estagi arios novos? Resp.: O evento e B2 B3 . Note que e uma uni ao disjunta, isto e, B2 B3 = . Ent ao P (B2 B3 ) = P (B2 ) + P (B3 ) = 18/36. (2) Qual e a probabilidade de ter um coordenador antigo no comit e? Resp.: P (Ac ) = 18/36 = 1/2.

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagi arios

(3) Qual e a probabilidade de ter dois estagi arios novos no comit e, e um deles ser o coordenador? Resp.: A conjun c ao e indica intersec c ao de eventos. No caso, P (B2 Ac ), que e a probabilidade conjunta, ou simplesmente P (B2 Ac ) = 10/36. (4) Qual e a probabilidade de ter pelo menos um estagi ario novo no comit e e um deles ser o coordenador? Resp.: P (Ac {B1 B2 B3 }) = P (Ac B1 ) + P (Ac B2 ) + P (Ac B3 ) = 18/36

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagi arios

(5) Se sabemos que o coordenador e um estagi ario antigo, qual e a probabilidade de que o comit e tenha dois estagi arios novos? Resp.: Queremos P (B2 |A). Pela deni c ao de probabilidade 5/36 condicional, P (B2 |A) = P (B2 A)/P (A) = 18 /36 = 5/18 (6) Se o comit e tem dois estagi arios novos, qual e a probabilidade que o coordenador seja um estagi ario antigo? Resp.: Queremos agora P (A|B2 ). Novamente pela deni c ao, P (A|B2 ) = P (B2 A)/P (B2 ) = 5/15

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagi arios

(7) Se o comit e tem pelo menos dois estagi arios novos, qual ea probabilidade de que o coordenador seja um estagi ario antigo? Resp.: {B2 B3 }) B2 )+P (AB3 ) P (A|{B2 B3 }) = P (A = P (A = 5/18 P (B2 B3 ) P (B2 )+P (B3 ) (8) Se o comit e tem pelo menos um estagi ario novo, qual ea probabilidade de que o coordenador seja um esgati ario novo? Resp.: De modo semelhante ao item anterior, P (Ac |{B1 B2 B3 }) = 18/33

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagi arios - Exerc cio

(9) S ao independentes os eventos A e Bi , i = 0, 1, 2, 3? Lembre-se da deni c ao de independ encia: os eventos G e H s ao independentes se, e somente se, P (G H ) = P (G )P (H ). (10) Dena, a partir da tabela, dois eventos mutuamente exclusivos.

Aula de Exerc cios - Teorema de Bayes

Segundo Exemplo - Controle de Qualidade

Uma companhia multinacional tem tr es f abricas que produzem o mesmo tipo de produto. A f abrica I e respons avel por 30% do total produzido, a f abrica II produz 45% do total, e o restante vem da f abrica III. Cada uma das f abricas, no entanto, produz uma propor c ao de produtos que n ao atendem aos padr oes estabelecidos pelas normas internacionais. Tais produtos s ao considerados defeituosos e correspondem a 1%, 2% e 1,5%, respectivamente, dos totais produzidos por f abrica. No centro de distribui c ao, e feito o controle de qualidade da produ c ao combinada das f abricas.

Aula de Exerc cios - Teorema de Bayes

Segundo Exemplo - Controle de Qualidade

(1) Qual e a probabilidade de encontrar um produto defeituoso durante a inspe c ao de qualidade? Resp.: Seja o evento A = {Produto Defeituoso} e Fi = {Produto da F abrica i }. Sabemos, pelo enunciado, que P (F1 ) = 0,3, P (F2 ) = 0,45 e P (F3 ) = 0,25. Al em disso, sabemos que P (A|F1 ) = 0,01, P (A|F2 ) = 0,02 e P (A|F3 ) = 0,015. Ent ao, pela lei da probabilidade total, P (A) = P (A|F1 )P (F1 ) + P (A|F2 )P (F2 ) + P (A|F3 )P (F3 ) = = 0,3 0,01 + 0,45 0,02 + 0,25 0,015 = 0,01575

Aula de Exerc cios - Teorema de Bayes

Segundo Exemplo - Controle de Qualidade

(2) Se durante a inspe c ao, encontramos um produto defeituoso, qual e a probabilidade que ele tenha sido produzido na f abrica II? Resp.: Aqui, aplicaremos o Teorema de Bayes usando o item anterior para encontrar P (A): P (F2 |A) = 0,02 0,45 P (A|F2 )P (F2 ) = = 0,5714 P (A) 0,01575

Aula de Exerc cios - Teorema de Bayes

Terceiro Exemplo - PSA com um padr ao de ouro imperfeito

Considere novamente os dados sobre rastreamento de c ancer de pr ostata. Recorde os eventos associados aos experimentos: A = DRE+ Ac = DREB = PSA+ Bc = PSAC = Paciente tem c ancer Cc = Paciente n ao tem c ancer

Aula de Exerc cios - Teorema de Bayes

Terceiro Exemplo - PSA com um padr ao de ouro imperfeito

Suponha que temos uma informa c ao con avel da preval encia de c ancer de pr ostata na popula c ao atrav es de dados do censo do Minist erio da Sa ude ou seja, conhecemos P (C ). Denimos tamb em a sensibilidade do PSA (dada por P (B |C )), e a especicidade (dada por P (B c |C c )). Dena VPP = P (C |B ) o Valor Preditivo Positivo, a propor c ao de indiv duos doentes dentre aqueles que tiveram um resultado positivo no teste. Analogamente, dena VPN = P (C c |B c ) o Valor Preditivo Negativo.

Aula de Exerc cios - Teorema de Bayes

Terceiro Exemplo - PSA com um padr ao de ouro imperfeito

Se um outro teste tem um padr ao de ouro perfeito, isto e, se somos capazes de determinar com 100% de seguran ca se um indiv duo est a doente ou n ao atrav es dele, podemos determinar a especicidade, sensitividade, VPP e VPN do PSA usando esse outro teste como refer encia, tudo atrav es da tabela 2x2 dos dados observados.

Aula de Exerc cios - Teorema de Bayes

Terceiro Exemplo - PSA com um padr ao de ouro imperfeito

Se por outro lado, n ao temos um padr ao de ouro perfeito, apenas um teste convencional (ou standard) que e usado para diagnosticar a doen ca (mas que normalmente e mais caro ou de mais dif cil acesso - como a bi opsia ou m etodos invasivos para o paciente), ent ao devemos aplicar o Teorema de Bayes para obter os valores preditivos do teste novo. P (C |B ) = = P (C )P (B |C ) P (B , C ) = = P (B ) P (B )

P (C )P (B |C ) P (C )P (B |C ) + P (C c )P (B |C c )

Aula de Exerc cios - Teorema de Bayes

Terceiro Exemplo - PSA com um padr ao de ouro imperfeito

Neste caso, precisamos do valor da preval encia (probabilidade a priori), que pode ser tomado de uma fonte externa Como o Minist erio da Sa ude. Suponha que encontramos como preval encia c o valor de 0,097 = P (C ) P (C ) = 0,903 Sensitividade = P (B |C ) = 481/1881 = 0,26 Especicidade = P (B c |C c ) = 16699/17595 = 0,949 Probabilidade total: P (B ) = 0,097 0,26 + 0,903 0,051 = 0,071

Aula de Exerc cios - Teorema de Bayes

Terceiro Exemplo - PSA com um padr ao de ouro imperfeito

Denotaremos o Valor Preditivo Positivo por VPP, e o Valor Preditivo Negativo por VPN, para o caso do c ancer de pr ostata. VPP = P (C |B ) = 0,02522 = 0,3542 0,071 P (C c B c ) = P (B c )

VPN = P (C c |B c ) = =

P (C c )P (B c |C c ) 0,8724 = = 0,9235 P (C c )P (B c |C c ) + P (C )P (B c |C ) 0,9446

Aula de Exerc cios - Teorema de Bayes

Terceiro Exemplo - Interpretando os resultados

Na popula c ao de homens com mais de 50 anos, se espera que 9,7% deles tenham c ancer de pr ostata. Sensitividade: Dos indiv duos doentes, 26% s ao positivos no teste. Especicidade: Dos indiv duos s aos, 94% s ao negativos no teste. VPP: Dos indiv duos com teste positivo, 35,4% s ao doentes. VPN: Dos indiv duos com teste negativo, 92,3% n ao s ao doentes.

Aula de Exerc cios - Teorema de Bayes

Terceiro Exemplo - Combinando Diagn osticos

Podemos analisar a combina c ao de dois testes diagn osticos. Seja Dx o evento pelo menos algum teste e positivo, ou seja, DRE+, PSA+ = A B DRE+, PSA = A B c Dx = DRE, PSA+ = Ac B
c Dx = DRE, PSA = Ac B c

Aula de Exerc cios - Teorema de Bayes

Terceiro Exemplo - Combinando Diagn osticos

Nos interessa a probabilidade de c ancer, dado Dx . P (C Dx ) P (C Dx ) = P (Dx ) P (C )P (Dx |C ) + P (C c )P (Dx |C c )

P (C |Dx ) =

P (Dx |C ) = P (A B |C ) + P (A B c |C ) + P (Ac B |C ) = 189 145 292 626 + + = = 0,33 1881 1881 1881 1881 P (Dx |C c ) = P (A B |C c ) + P (A B c |C c ) + P (Ac B |C c ) = = = 141 1002 755 1757 + + = = 0,09985 17595 17595 17595 17595

Aula de Exerc cios - Teorema de Bayes

Terceiro Exemplo - Combinando Diagn osticos

E portanto, o valor preditivo positivo ser a: VPP = P (C |Dx ) = 0,097 0,33 = 0,2637 0,097 0,33 + 0,903 0,09985

Fica como exerc cio vericar que o valor preditivo negativo ser a:
c VPN = P (C c |Dx ) = 0,926