“AÑO DE LA UNIDAD, LA PAZ Y EL DESARROLLO”

UNIVERSIDAD NACIONAL “HERMILIO VALDIZAN”

FACULTAD DE OBSTETRICIA
ESCUELA PROFESIONAL DE OBSTETRICIA

ARTÍCULO
TEMA: SISTEMA PRODUCTIVO QUE COMPONEN EL
SISTEMA BAYESIANO

ASIGNATURA: ANATOMÍA HUMANA GENERAL

DRA. MARÍA DEL PILAR MELGAREJO FIGUEROA

INTEGRANTES:

-BAYLÓN LLIUYA, BELÉN ALMENDRA.

-BOZA VALDIVIEZO, ZOILA STEFFANY.
-DEUDOR MILLA, SARAIT MERALDY.
-DOMÍNGUEZ FERNÁNDEZ, MIRIAN ESTEFANI.
-GARCÍA AGUILAR, ARELI CIELO.
-INCHE LEÓN, LIZETH LUCÍA.
-LEÓN JULCA, DANNA.
-MUNGUÍA GARCÍA, LEIDY ESTHER.
-RÍOS MORENO, KRISSTELL YADIRA.
-ROJAS TARAZONA, SHERLY CAMELIA.
-VALLE ISIDRO, CRISTHINA

Huánuco-Perú 2023
RESUMEN

La estadística bayesiana, requiere recolectar información que sea

considerada similar u opuesta de una hipótesis, además trabaja con la nueva

evidencia, considerando lo recolectado de la información previa, su objetivo es

probar ciertas hipótesis y establecer relaciones, a su vez la evidencia del estudio se

mide con el factor bayes, que en otras palabras es motivo de compatibilidad de los

datos teniendo en cuenta las hipótesis ya planteadas. Una combinación de las

probabilidades nos anticipa a calcular los efectos posteriores. Así como también la

interferencia bayesiana es un tipo de interferencia estadística en la que las

evidencias u observaciones se emplean para actualizar o inferir la probabilidad de

que una hipótesis pueda ser cierta. La gran ventaja de la estadística bayesiana es

que no opera en el vacío, todo lo contrario se basa en conocimientos previos que

proporcionan un marco de análisis, por lo que le da más libertad al investigador para

que pueda valorar hasta qué punto es probable que se produzcan determinados

resultados. Hoy en día uno de los campos de aplicación es en la teoría de la

decisión, visión artificial y reconocimiento de patrones por ordenador.(1)

PALABRAS CLAVE: BAYESIANO - PRODUCTIVO - SISTEMA

INTRODUCCIÓN

La estadística bayesiana valora de manera probabilística cualquier incertidumbre

que esté asociado a un estudio de estadística y para actualizar la información

generada en diferentes fases de estudio de manera secuencial se utiliza el teorema

de Bayes. Las características de la inferencia bayesiana se hacen especialmente

útiles para tratar datos cardiológicos que proceden de estudios experimentales y

observacionales que contienen distintas fuentes de complejidad y variabilidad. En

este trabajo se presentan los conceptos importantes de la estadística bayesiana(2)

En 1763 se publicó el artículo An essay towards solving a problem in the doctrine of

chances, (Un ensayo hacia la solución de problemas en la disciplina del azar. T. del

Ed.) escrito por el reverendo Thomas Bayes (1701-1761). En dicho artículo, Bayes

presentó una sencilla demostración de la teoría de la probabilidad cuyas

consecuencias difícilmente podía prever. Con esa demostración, Bayes estableció

los principios de la estadística bayesiana, la cual después cayó en el olvido y fue

marginada por muchos años, hasta su resurgimiento y utilización para resolver todo

tipo de problemas, desde la interpretación de mensajes en la Segunda Guerra

Mundial hasta la actual decodificación del material genético.

El de Bayes es un teorema válido del "cálculo de probabilidades", lo que hoy

llamamos "Teoría Matemática de la Probabilidad" (TMP). Este teorema conocido

también como teorema de la Probabilidad Inversa, ya que explica cómo obtener la

probabilidad de un evento “A” dada la información “B” calculándola al revés, esto es,

estableciendo la probabilidad a priori del evento A, y la probabilidad de que hubiese

ocurrido el evento B dado el evento A(3).

ANTECEDENTES

Aunque la estadística bayesiana surgió antes que la frecuentista (o clásica), hasta

años recientes ha sido retomada como una herramienta más intuitiva en la

inferencia estadística para la toma de decisiones en la validez de los resultados de

una investigación.1,2,3 En esta revisión mostramos cómo trabaja la prueba de

hipótesis bayesiana para respaldar cuál hipótesis (nula o alterna) es más creíble con

base en la evidencia obtenida en un estudio. Se incluyen tres ejemplos de estudios

simulados sobre diferencias de medias, correlación y asociación. En los tres

ejemplos se muestra cómo interpretar el factor Bayes (FB) y la probabilidad

posterior o a posteriori de la veracidad de las hipótesis actualizadas con la

información de los resultados, así como el efecto de las expectativas previas

(probabilidad a priori) en esta probabilidad posterior.

En 1654, el Chevalier de Meré le plantea a Blaise Pascal el siguiente problema:

¿cómo dividir las apuestas en un juego de azar que acaba prematuramente si uno

de los jugadores lleva la ventaja? Este problema había confundido a los

matemáticos durante 200 años. Pascal discutió el problema con Pierre de Fermat,

un abogado y matemático aficionado, pero no por ello menos brillante. Su solución

al problema sentó las bases de la teoría de la probabilidad. Con el paso de los años,

los matemáticos transformaron esta teoría, de una curiosidad de jugadores, en una

poderosa herramienta para organizar, interpretar y utilizar información con el fin de

tomar mejores decisiones.

En 1713 se publicó un tratado de Jacob Bernoulli en el que introduce la ley de los

grandes números. Este resultado puede considerarse la base de la interpretación

frecuentista de la probabilidad. Cincuenta años más tarde, Richard Price publicó -de

manera póstuma- un trabajo en el que Thomas Bayes introduce el concepto de

probabilidad inversa y demuestra una versión del teorema que lleva su nombre. Este

trabajo condujo a la interpretación subjetiva de la probabilidad y permitió entender

cómo cambian los juicios de una persona acerca de la ocurrencia de un evento a la

luz de información (evidencia) adicional.

Consideremos el siguiente ejemplo. Una prueba clínica permite detectar el VIH con

una sensibilidad de 95% y una especificidad de 98%. En una población con una

prevalencia de VIH de 1/1000, ¿cuál es la probabilidad de que una persona cuya

prueba resulte positiva realmente tenga el VIH? Sea A el evento “la persona tiene el

VIH” y Ac el evento complementario, “la persona no tienen el VIH”. Denotemos por B

al evento “la prueba resulta positiva”. Entonces, sensibilidad de 95% significa que

Pr(B | A) = 0.95, mientras que especificidad de 98% quiere decir que Pr(B | Ac) =

0.02. Queremos calcular Pr(A | B). El teorema de Bayes nos dice cómo obtenerla:

Pr( A | B ) = Pr( A ) Pr( B | A ) / Pr(B)

donde Pr(B) = Pr( A ) Pr( B | A ) + Pr( Ac ) Pr( B | Ac ). En otras palabras

Pr( A | B ) = (0.001)(0.95) / 0.021 = 0.045

Por lo tanto, ¡más del 95% de las personas cuya prueba resulta positiva en realidad

no tienen el VIH! Lo anterior a pesar de las buenas características (sensibilidad y

especificidad) de la prueba de diagnóstico.

A finales del siglo XVIII, Pierre-Simon de Laplace redescubrió el teorema de Bayes

y lo aplicó de manera sistemática al análisis de datos. Su trabajo dominó la

estadística durante los siguientes 100 años.(3)

 -En un estudio ampliamente reconocido, se realizó una encuesta a 20

residentes, 20 estudiantes de medicina en su último año y 20 médicos especialistas.

Estos participantes fueron seleccionados de forma aleatoria en los pasillos de cuatro

hospitales de renombre afiliados a la Escuela de Medicina de Harvard. El objetivo

era evaluar su conocimiento y comprensión en relación a una situación

específica.(4)

Podemos escenificar un hipotético ejemplo de la tragedia bayesiana:

“¡Lo siento, tiene usted cáncer de mama!” Con expresión de

consternación y compasión, da el médico este diagnóstico a una mujer de 40

años, sin datos clínicos anormales, a la que se le realizó un procedimiento de

tamiz, diseñado para la subpoblación de su edad. La sensibilidad de la prueba

es de 99%, la especificidad de la prueba es de 98% y la prevalencia de la

enfermedad es 1 de cada 1000 mujeres, en la subpoblación a la que pertenece

la paciente. Suponiendo que el escenario es cierto, ¿qué probabilidad le

asignaría el lector a que la paciente tenga cáncer de mama?(5)

Los resultados revelaron que la mayoría de los médicos, alrededor del 85%,

dieron una respuesta incorrecta a este problema en particular. Es interesante

observar que solo alrededor del 15% de los participantes respondieron

correctamente.(4)
 En términos más simples, la sensibilidad de una prueba se refiere a su

capacidad para detectar correctamente una enfermedad en un paciente que la

padece. Por otro lado, la especificidad de una prueba se refiere a su capacidad para

descartar correctamente una enfermedad en un paciente que no la padece.(6)

En una muestra de mujeres de 40 años sin datos clínicos anormales, se

encontró que aproximadamente una de cada 1000 pacientes tiene cáncer. Si

seleccionamos al azar a 100 000 pacientes de esta subpoblación, se estima que

alrededor de 100 de ellas serán diagnosticadas con cáncer.(6)

Si consideramos que la sensibilidad de la prueba es del 99%, significa que

tiene la capacidad de diagnosticar correctamente a 99 de cada 100 pacientes que

realmente tienen cáncer. Si aplicamos esta prueba a un grupo de 100,000

pacientes, solo 99 de las 100 pacientes que realmente tienen cáncer serán

correctamente diagnosticadas como positivas, lo cual se conoce como verdaderos

positivos. Por otro lado, la paciente a la que la prueba resulta negativa, pero que en

realidad tiene cáncer, se considera un falso negativo, representando la diferencia

entre el total de pacientes y los verdaderos positivos. (6)

De las 100,000 pacientes que se sometieron a la prueba, se estima que

99,900 (100,000 - 100) no tienen cáncer. De estas pacientes, dado que la

especificidad de la prueba es del 98%, aproximadamente el 98% (97,902) obtendrán

un resultado negativo, lo que indica que son verdaderos negativos. Las 1,998

pacientes restantes (99,900 - 97,902) que no tienen cáncer son consideradas falsos

positivos. Esto significa que alrededor del 2% de las pacientes sanas reciben un

resultado positivo incorrectamente, ya que la prueba tiene una tasa de error del 2%

para pacientes sin la enfermedad (99,900 x 0.02).(6)

 Para evaluar la precisión de la prueba, se utiliza un cálculo matemático que

involucra la suma de los verdaderos positivos y los verdaderos negativos, dividida

por el total de pacientes sometidos a la prueba. En este caso, se obtiene un

resultado de 98% de precisión ((99 + 97,902) / 100,000), lo cual no debe

confundirse con la probabilidad de que una paciente tenga cáncer.(6)

La agrupación de los elementos positivos está conformada por los positivos

reales, que suman 99, además de los falsos positivos, que ascienden a 1998, en

total 2097. Es crucial destacar que en esta situación la cantidad de falsos positivos

es considerablemente mayor que la de los verdaderos positivos.(6)

El valor predictivo positivo se refiere a la probabilidad de que una paciente

tenga cáncer, dado que el resultado de la prueba fue positivo. En el caso específico

mencionado, se encontró que de todos los resultados positivos de la prueba (2097),

solo 99 correspondieron a casos reales de cáncer. Esto representa

aproximadamente el 4.72% (99/2097) de los casos positivos.(6)

En el caso que se está considerando, se concluye que la probabilidad de que

una paciente tenga cáncer, dado que la prueba dio positivo, es inferior al 5%. Esto

significa que, a pesar de la intuición errónea que podría llevar a pensar que existe

una probabilidad cercana al 90% de tener cáncer, en realidad, la probabilidad más

alta (95%) indica que es poco probable que la paciente tenga cáncer.(6)

- Dentro del amplio espectro de industrias de manufactura, el sector

automotriz se ha consolidado a lo largo de la historia como uno de los más

importantes y fundamentales en la economía global ya que sus estructuras

productivas y comerciales se han expandido no solo en los países de origen sino

que han mudado sus cadenas productivas alrededor del mundo y se han convertido

así en redes transnacionales, ayudando así a economías emergentes (Alvarez,

2013) (Sabbagha et al., 2016).

El sector automotriz no solo ha revolucionado la economía global sino

también el desarrollo tecnológico y social en el mundo. Actualmente el mercado de

consumo más grande del mundo es Estados Unidos mientras que China es uno de

los principales productores. En el entorno global y fluctuante, esta industria se

enfrenta a fuertes cambios que, si bien se pensaba que podrían observar en un

futuro lejano, la realidad es que actualmente se están manifestando. Factores como

vehículos autónomos, el Internet de las cosas, impresiones 3D y mayor

customización por parte de los usuarios, representan un gran reto que solo pocas

industrias lograran una buena adaptación (Ferrás-Hernández et al., 2017).

CONCLUSIONES

Mediante los ejemplos anteriores hemos mostrado algunas ventajas de la

estadística bayesiana, constituye un método más intuitivo para comprender cómo

una investigación no modifica, aumenta o disminuye los conocimientos sobre un

problema científico, permite incluir la información previa a un estudio en la

evaluación y conclusiones del mismo. El sistema bayesiano asume que un estudio

puede brindar evidencia para apoyar o no las hipótesis; se enfoca en la confianza y

en nuestras observaciones. También es inductivo, es decir, factible de llegar a

conclusiones con menos ensayos. Por otro lado, aumenta la credibilidad y mejora

nuestra expectativa de cuáles pudieran ser las variaciones del estimado buscado,

pero siempre teniendo en cuenta la certeza sobre el obtenido como el más probable.

La falta de difusión sobre este método estadístico y el escaso conocimiento en su

interpretación y ejecución, hace que no se le dé tanto uso

 BIBLIOGRAFÍA

1. Kruschke JK. Introduction. En: Doing Bayesian data analysis. A tutorial with

R, JAGS, and Stan. EE. UU.: Elsevier; 2015. DOI: 10.1016/C2012-0-00477-2

http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S2448

-91902018000300205

2. Rendón-Macías ME, Riojas-Garza A, Contreras-Estrada D,

Martínez-Ezquerro JD, Rendón-Macías ME, Riojas-Garza A, et al. Análisis

bayesiano. Conceptos básicos y prácticos para su interpretación y uso. Rev Alerg

México. septiembre de 2018;65(3):285-98. Disponible en:

http://www.scielo.org.mx/scielo.php?script=sci_abstract&pid=S2448-9190201800030

0205&lng=es&nrm=iso&tlng=es

3.El desarrollo de la estadística bayesiana [Internet]. [citado 16 de julio de

2023]. Disponible en: https://www.revista.unam.mx/vol.14/num11/art42/

4. Casscells W, Schoenberger A, Graboys T. Interpretation by physicians of

clinical laboratory results. N Engl J Med. 1978;299:999-1001.

5. Yudkowsky E. An intuitive explanation of Bayes’ Theorem. USA; Machine

Intelligence Research Institute: 2017. Disponible en:

http://www.yudkowsky.net/rational/bayes/

6. Lamothe M, Lamothe N, Lamothe D, Lamothe PA. La tragedia

bayesiana desde la iatrogenia clínica hasta la biotecnología. Rev Médica Inst Mex

Seguro Soc. 2017;55(5):641-53. Disponible en:

https://www.redalyc.org/journal/4577/457754996020/html/