Aula de Exerc cios - Teorema de Bayes

Aula de Exerc cios - Teorema de Bayes

Organizao: Rafael Tovar ca Digitao: Guilherme Ludwig ca

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagirios a

Trs pessoas sero selecionadas aleatriamente de um grupo de e a o dez estagirios administrativos. Esses trs formaro um comit a e a e com trs cargos diferentes: o primeiro ser nomeado coordenador, e a o segundo scal e o terceiro secretrio. a Metade do grupo so estudantes de ultimo ano de graduao, sem a ca nenhuma experincia dentro da empresa. Os outro cinco so e a estagirios h um semestre, e j concorrem por uma vaga efetiva a a a na empresa.

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagirios a

O espao de conguraes poss c co veis para a formao do comit : ca ee H = {NNN, NNA, NAN, ANN, NAA, ANA, AAN, AAA} Onde a ordem representa os cargos (coordenador, scal, secretrio) a e A indica um estagirio antigo, enquanto N um estagirio novo. a a Dena o evento A = { O coordenador um estagirio antigo }, de e a modo que Ac = { O coordenador um estagirio novo }. Dena e a tambm os eventos B0 , B1 , B2 e B3 , associados ao nmero de e u estagirios novos no comit. a e Bk = {k estagirios novos no comit} a e

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagirios a

Para cada congurao, temos uma probabilidade associada: ca 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 - Estagirios a

Observando os pontos amostrais na tabela anterior (NNN, NNA, etc.), construimos uma tabela de distribuio conjunta de A e B. ca 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 - Estagirios a

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

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagirios a

(3) Qual a probabilidade de ter dois estagirios novos no e a comit, e um deles ser o coordenador? e Resp.: A conjuno e indica interseco de eventos. No ca ca caso, P(B2 Ac ), que a probabilidade conjunta, ou e simplesmente P(B2 Ac ) = 10/36. (4) Qual a probabilidade de ter pelo menos um estagirio novo e a no comit e um deles ser o coordenador? e 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 - Estagirios a

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

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagirios a

(7) Se o comit tem pelo menos dois estagirios novos, qual a e a e probabilidade de que o coordenador seja um estagirio antigo? a Resp.: 2 B 2 )+P(AB P(A|{B2 B3 }) = P(A{BB3 )3 }) = P(AB2 )+P(B3 ) 3 ) = 5/18 P(B2 P(B (8) Se o comit tem pelo menos um estagirio novo, qual a e a e probabilidade de que o coordenador seja um esgatirio novo? a Resp.: De modo semelhante ao item anterior, P(Ac |{B1 B2 B3 }) = 18/33

Aula de Exerc cios - Teorema de Bayes

Primeiro Exemplo - Estagirios - Exerc a cio

(9) So independentes os eventos A e Bi , i = 0, 1, 2, 3? a Lembre-se da denio de independncia: os eventos G e H ca e so independentes se, e somente se, P(G H) = P(G )P(H). a (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 trs fbricas que produzem o e a mesmo tipo de produto. A fbrica I responsvel por 30% do total a e a produzido, a fbrica II produz 45% do total, e o restante vem da a fbrica III. Cada uma das fbricas, no entanto, produz uma a a proporo de produtos que no atendem aos padres estabelecidos ca a o pelas normas internacionais. Tais produtos so considerados a defeituosos e correspondem a 1%, 2% e 1,5%, respectivamente, dos totais produzidos por fbrica. a No centro de distribuio, feito o controle de qualidade da ca e produo combinada das fbricas. ca a

Aula de Exerc cios - Teorema de Bayes

Segundo Exemplo - Controle de Qualidade

(1) Qual a probabilidade de encontrar um produto defeituoso e durante a inspeo de qualidade? ca Resp.: Seja o evento A = {Produto Defeituoso} e Fi = {Produto da Fbrica i}. Sabemos, pelo enunciado, que a P(F1 ) = 0,3, P(F2 ) = 0,45 e P(F3 ) = 0,25. Alm disso, e sabemos que P(A|F1 ) = 0,01, P(A|F2 ) = 0,02 e P(A|F3 ) = 0,015. Ento, pela lei da probabilidade total, a 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 inspeo, encontramos um produto defeituoso, ca qual a probabilidade que ele tenha sido produzido na fbrica e a 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 padro de ouro imperfeito a

Considere novamente os dados sobre rastreamento de cncer de a prstata. Recorde os eventos associados aos experimentos: o A = DRE+ Ac = DREB = PSA+ Bc = PSAC = Paciente tem cncer a Cc = Paciente no tem cncer a a

Aula de Exerc cios - Teorema de Bayes

Terceiro Exemplo - PSA com um padro de ouro imperfeito a

Suponha que temos uma informao convel da prevalncia de ca a e cncer de prstata na populao atravs de dados do censo do a o ca e Ministrio da Sade ou seja, conhecemos P(C ). e u Denimos tambm a sensibilidade do PSA (dada por P(B|C )), e a e especicidade (dada por P(B c |C c )). Dena VPP = P(C |B) o Valor Preditivo Positivo, a proporo de ca 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 padro de ouro imperfeito a

Se um outro teste tem um padro de ouro perfeito, isto , se a e somos capazes de determinar com 100% de segurana se um c indiv duo est doente ou no atravs dele, podemos determinar a a a e especicidade, sensitividade, VPP e VPN do PSA usando esse outro teste como referncia, tudo atravs da tabela 2x2 dos dados e e observados.

Aula de Exerc cios - Teorema de Bayes

Terceiro Exemplo - PSA com um padro de ouro imperfeito a

Se por outro lado, no temos um padro de ouro perfeito, apenas a a um teste convencional (ou standard) que usado para diagnosticar e a doena (mas que normalmente mais caro ou de mais dif c e cil acesso - como a bipsia ou mtodos invasivos para o paciente), o e ento devemos aplicar o Teorema de Bayes para obter os valores a 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 padro de ouro imperfeito a

Neste caso, precisamos do valor da prevalncia (probabilidade a e priori), que pode ser tomado de uma fonte externa Como o Ministrio da Sade. Suponha que encontramos como prevalncia e u e c ) = 0,903 o valor de 0,097 = P(C ) P(C 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 padro de ouro imperfeito a

Denotaremos o Valor Preditivo Positivo por VPP, e o Valor Preditivo Negativo por VPN, para o caso do cncer de prstata. a o 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 populao de homens com mais de 50 anos, se espera que ca 9,7% deles tenham cncer de prstata. a o Sensitividade: Dos indiv duos doentes, 26% so positivos no a teste. Especicidade: Dos indiv duos sos, 94% so negativos no a a teste. VPP: Dos indiv duos com teste positivo, 35,4% so doentes. a VPN: Dos indiv duos com teste negativo, 92,3% no so a a doentes.

Aula de Exerc cios - Teorema de Bayes

Terceiro Exemplo - Combinando Diagnsticos o

Podemos analisar a combinao de dois testes diagnsticos. ca o Seja Dx o evento pelo menos algum teste positivo, ou seja, e 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 Diagnsticos o

Nos interessa a probabilidade de cncer, dado Dx . a 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 Diagnsticos o

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