A NÁLISIS BAYESIANO PARA EL ESTUDIO DE LOS NIVELES DE

TIROGLOBULINA ( CÁNCER DE TIROIDES ).

Sebastian Barrios - Kevin Quinto

Universidad del Valle

Septiembre 3, 2019

Barrios - Quinto UV Caso 2 Septiembre 3, 2019 1 / 12

I NTRODUCCIÓN

Se analizará un caso de estudio cuyo propósito es observar los niveles de tiroglobulina

en la sangre a 52 individuos de la ciudad de Cali un año después de ser sometidos
a quimioterapia. Se realiza el análisis bayesiano correspondiente para examinar que
método a priori simularía mas eficientemente el comportamiento de nuestro parámetro
de interés. Para la comparación entre métodos se hace uso del Error Cuadrático Medio
(ECM).

Barrios - Quinto UV Caso 2 Septiembre 3, 2019 2 / 12

P ROBLEMATICA

Para este caso se tiene que un médico oncólogo desea analizar los niveles de tiroglobu-
lina en la sangre en un grupo de 52 individuos de un centro médico de la ciudad de Cali
desde el momento del diagnóstico (Medición inicial de los niveles de tiroglobulina en
sangre) y un año después de ser sometido a radioterapia. Por experiencia se sabe que
los niveles de tiroglobulina en sangre después de recibir la terapia deberían ser poco
o nada. Se consideró que el tratamiento fue exitoso si los niveles de tiroglobulina en
sangre disminuyen a niveles de 2 ng/ml o menos. En caso contrario, el médico podría
recetar terapia con radioyodo adicional para eliminar las células cancerosas restantes.

Barrios - Quinto UV Caso 2 Septiembre 3, 2019 3 / 12

M ODELACIÓN

Proceso generador de Datos: Condiciones en las que se encuentra el individuo un

año despues de la quimioterapia.
Interes: Observar los individuos con tiroglobulina entre 0 y 2 ng/ml un año despues del
tratamiento.
Indicador: Tasa de individuos que presentan tiroglobulina entre 0 y 2 ng/ml un año
despues del tratamiento.
Eventos: Nivel de tiroglobulina en la sangre un año despues del tratamiento.
V.A: Sea X la variable aleatoria que me represente el nivel de tiroglobulina en la sangre
un año despues del tratamiento (Debido a la asimetria).

X ∼ Gamma(α, β)
α= k-esimo exito.
β= tasa de fallo por unidad de tiempo.

Barrios - Quinto UV Caso 2 Septiembre 3, 2019 4 / 12

A JUSTE DE DATOS
Debido a la asimetria y nuestros exitos [0,2] ng/ml, la distribución Gamma∼(2,2) se
ajusta correctamente a nuestros datos. En base a esto obtenemos la estimación de la
mediana y varianza para la obtencion de los parametros de densidad:
α α
0, 84 = 0, 5 = (1)
β β2

X ∼ Gamma(α = 1.4042, β = 1.6717)

Funcion de densidad
0.8

Media
Mediana
0.6
Densidad

0.4
0.2
0.0

0 2 4 6 8

Xi
Barrios - Quinto UV Caso 2 Septiembre 3, 2019 5 / 12
M AXIMA V EROSIMILITUD

Inicalmente tenemos que la función de verosimilitud está dada por:

n
Y β (α) α−1 −βxi
L(β|α, x ) = X e (2)
∼ Γ(α) i
i=1

Y al aplicar el logaritmo para obtener la función log de la verosimilitud, obtenemos:

ln(L(β|, x )) = n[ln(β) − ln(Γ(α))] (3)

∼

Derivando parcialmente para nuestro parámetro de interés e igualando a 0 obtenemos:

σ(ln(L)) α
=n −t = (4)
σβ β
Finalmente, el estimador por EMV de β es:

α
β̂ = (5)
X̂

Barrios - Quinto UV Caso 2 Septiembre 3, 2019 6 / 12

A PRIORI CONJUGADA (F LIA E XPONENCIAL )

Se considera una distribución gamma(α = 1.4042, β) con parametro β desconocido.

Dado ésto, la distribución a priori la obtuvimos por medio de la conjugada de la familia
exponencial de la siguiente manera:

g(x) = 52 h(β) = β α b(xi ) = 52

Q P P
i=1 xi φ(β) = β Ci = 1 i=1 xi

A priori:

π(β|τ0 , τ1 , x) ∼ Gamma(nα + 1, t)
A Posteriori:

h(β|x ) ∼ Gamma(2nα + 1, 2t)

∼
.

Barrios - Quinto UV Caso 2 Septiembre 3, 2019 7 / 12

A PRIORI NO INFORMATIVAS

A priori de Jeffreys:
Se apoya en la información de fisher para su ejecución.

Para x ∼ Gamma(α, β), la información de fisher está dada por:

α α
I(β) = −E[− ]= 2 (6)
β2 β

A priori:
1
I(β) = α 2 β −1
p
π(β|x ) =
∼
.
A posteriori:
h(β|x ) ∼ Gamma(nα; t)
∼

. A priori de Laplace:
Dado que β{0, .., ∞}
1
π(β|x ) = α 2 β −1 (7)
∼

h(β|α, x ) ∼ Gamma(nα + 1, t) (8)

∼

Barrios - Quinto UV Caso 2 Septiembre 3, 2019 8 / 12

S IMULACIÓN

Se consideró un tamaño de muestra; n= 52, descrito por el caso planteado. Realizamos

un muestreo no directo por medio del metodo de muestreo de MCMC Metropolis Hast-
ing, tomando 15000 muestras con valor inicial β = 1.6717:

Est. Conj. Laplace Jeffreys EMV

Media 1,5 1.490388 1.467349 1.690478
SD 0,1237 0.1756 0.172453 0.1984
Mediana 1,496 1.4848 1.4848 1.676819
ECM 0.04420 0.062 0.070 0.039805

Table: Estadisticas

Barrios - Quinto UV Caso 2 Septiembre 3, 2019 9 / 12

R ESULTADOS G RÁFICOS

Densidadad a priori conjugada

3.0
A priori
Verosimilitud

2.0
Densidad
A posteriori
1.0
0.0

1.0 1.5 2.0 2.5

Densidadad (a priori de Jeffreys)

3.0

A priori
Verosimilitud
2.0
Densidad

A posteriori
1.0
0.0

0.5 1.0 1.5 2.0 2.5

Densidadad (a priori de Laplace)

3.0

A priori
Verosimilitud
2.0
Densidad

A posteriori
1.0
0.0

1.0 1.5 2.0 2.5

Barrios - Quinto UV Caso 2 Septiembre 3, 2019 10 / 12

C ONCLUSIONES

Los resultados gráficos ilustran que la distribución del método de maxima

verosimilitud tiene un intervalo de credibilidad menor, lo que se traduce en menos
variabilidad de valores más posibles del parámetro, permitiendo así inferir con
estimaciones posteriores más precisas en datos con distribución gamma. Esto
cuando no se cuenta con información a priori consistente.
Cuando se cuenta información por el experto, el metodo a priori conjugado seria
el mas eficiente a la hora de realizar análisis bayesiano en este caso de estudio.

Barrios - Quinto UV Caso 2 Septiembre 3, 2019 11 / 12

R EFERENCIAS

Fernando Antonio Moala1, Pedro Luiz Ramos1, Jorge Alberto Achcar.

"INFERENCIA BAYESIANA PARA LA DISTRIBUCIÓN GAMMA DE 2
PARAMETROS ASUMIENDO A PRIORI NO INFORMATIVAS", 2013.
Indira Arroyo1, Luis C. Bravo M.2, Dr. Ret. Nat. Humberto Llinás.3, Msc. Fabián L.
Muñoz.4. "DISTRIBUCIONES POISSON Y GAMMA: UNA DISCRETA Y
CONTINUA RELACIÓN ", Dieciembre 18 del 2013.
sociedad americana contra el cancer. "QUIMIOTERAPIA PARA EL CANCER DE
TIROIDES", marzo 14 del 2019.
Juan Manuel González Camacho, Paulino Pérez Rodríguez, Pierre Ruelle,
"ESTIMACIÓN DE INDICES NORMALIZADOS EN LLUVIA MEDIANTE LA
DISTRIBUCIÓN GAMMA" DE DOS PARÁMETROS ASUMIENDO
DISTRIBUCIÓN A PRIORI NO INFORMATIVA, Diciembre 2013.
Evert Leonardo Durán1, María Beatriz Soto2, Milagrosa Aldana1.
METROPOLIS-HASTING Y GIBBS POR BLOQUES: UTILIZACIÓN DE
ALGORITMOS DE MONTE CARLO VIA CADENAS DE MARKOV EN EL
MODELADO DE COLUMNAS ESTRATIGRÁFICAS, CAMPO LAMA, LAGO DE
MARACAIBO. Diciembre del 2014.

Barrios - Quinto UV Caso 2 Septiembre 3, 2019 12 / 12