Bioestadstica

Unidad: Probabilidades

Tema 4: Probabilidad

Cul es la probabilidad de aprobar Bioestadstica?

Cul es la probabilidad de no atrasarme cuando voy a clase?

Todos los das nos hacemos preguntas sobre probabilidad e

incluso los que hayan visto poco de la materia en cursos
anteriores, tienen una idea intuitiva lo suficientemente correcta
para lo que necesitamos de ella en este curso.

En este tema vamos a ver:

qu entendemos por probabilidad.

Recordar algunas reglas de clculo.
Ver cmo aparecen las probabilidades en CC. Salud.
Aplicarlo a algunos conceptos nuevos de inters en CC. Salud.

Pruebas diagnsticas.

Tema 4: Probabilidad

Nociones de probabilidad

CLASIFICACION OMS

Vlidos

C
L
A
S
I
F
C
A
I
O
N
M
S
N
O
R
M
A
L
O
S
T
E
IO
P
E
N
R
S
01
02
0
3
0
4
0
5
0
P
o
rc
e
n
ta
je

Frecuentista (objetiva): Probabilidad de un suceso es la

frecuencia relativa (%) de veces que ocurrira el suceso
al realizar un experimento repetidas veces.

NORMAL
OSTEOPENIA
OSTEOPOROSIS
Total

Frecuencia
469
467
64
1000

Porcentaje
46,9%
46,7%
6,4%
100,0

Subjetiva (bayesiana): Grado de certeza que se posee sobre

un suceso. Es personal.

En ambos tipos de definiciones aparece el concepto de

suceso. Vamos a recordar qu son y algunas operaciones
que se pueden realizar con sucesos.
Tema 4: Probabilidad

E espacio muestral

Sucesos

Cuando se realiza un experimento aleatorio diversos resultados son

posibles. El conjunto de todos los resultados posibles se llama espacio
muestral (E).
Se llama suceso a un subconjunto de dichos resultados.

Se llama suceso complementario de un suceso A, (A), al formado por

los elementos que no estn en A

Se llama suceso unin de A y B, AUB, al formado por los resultados

experimentales que estn en A o en B (incluyendo los que estn en
ambos.

Se llama suceso interseccin de A y B, AB o simplemente AB, al

formado por los elementos que estn en A y B

E espacio muestral
UNIN
A
B

E espacio muestral
INTERS.
A

E espacio muestral
A
A

E espacio muestral
A
B

B
Tema 4: Probabilidad

Definicin de probabilidad

Se llama probabilidad a cualquier funcin, P, que asigna a

cada suceso A un valor numrico P(A), verificando las
siguientes reglas (axiomas)
E espacio muestral

P(E)=1

100%

E espacio muestral

0P(A) 1
P(AUB)=P(A)+P(B) si AB=
es el conjunto vaco.

Tema 4: Probabilidad

Probabilidad condicionada
Se llama probabilidad de A condicionada a B, o
probabilidad de A sabiendo que pasa B:

tam

P( A B)
P( A | B)
P( B)

ao
uno de
res
pec
t
otro o al

E espacio muestral
A
B

Error frecuentiiiiiisimo:
No confundir probabilidad condicionada con interseccin.
En ambos medimos efectivamente la interseccin, pero

En P(AB) con respecto a P(E)=1

En P(A|B) con respecto a P(B)
Tema 4: Probabilidad

Intuir la probabilidad condicionada

A

P(A) = 0,25
P(B) = 0,10
P(AB) = 0,10

P(A) = 0,25
P(B) = 0,10
P(AB) = 0,08

Probabilidad de A sabiendo que ha pasado B?

P(A|B)=1

P(A|B)=0,8
Tema 4: Probabilidad

Intuir la probabilidad condicionada

A

B
B

P(A) = 0,25
P(B) = 0,10
P(AB) = 0,005

P(A) = 0,25
P(B) = 0,10
P(AB) = 0

Probabilidad de A sabiendo que ha pasado B?

P(A|B)=0,05

P(A|B)=0
Tema 4: Probabilidad

Algunas reglas de clculo prcticas

Cualquier problema de probabilidad puede

resolverse en teora mediante aplicacin de los
axiomas. Sin embargo, es ms cmodo conocer
algunas reglas de clculo:

P(A) = 1 - P(A)

P(AUB) = P(A) + P(B) - P(AB)

P(AB) = P(A) P(B|A)

= P(B) P(A|B)

Prob. de que pasen A y B es la prob. de A y que tambin pase B

sabiendo que pas A.
Tema 4: Probabilidad

Independencia de sucesos

Dos sucesos son independientes si el que

ocurra uno, no aade informacin sobre el
otro.

A es independiente de B
P(A|B) = P(A)
P(AB) = P(A) P(B)

Tema 4: Probabilidad

10

Recuento

Ejemplo (I)
CLASIFICACION
OMS

NORMAL
OSTEOPENIA
OSTEOPOROSIS

Total

MENOPAUSIA
NO
SI
189
280
108
359
6
58
303
697

Total
469
467
64
1000

Se ha repetido en 1000 ocasiones el experimento

de elegir a una mujer de una poblacin muy
grande. El resultado est en la tabla.
Cul

es la probabilidad de que una mujer tenga

osteoporosis?

P(Osteoporosis)=64/1000=0,064=6,4%

Nocin frecuentista de probabilidad

Tema 4: Probabilidad

11

Recuento

Ejemplo (II)
CLASIFICACION
OMS
Total

Son sucesos disjuntos

Osteopenia Osteoporosis=

Probabilidad de tener osteoporosis o menopausia?

P(OsteoporosisUMenopausia)=64/1000+697/1000-58/1000=0,703

Total
469
467
64
1000

Probabilidad de tener osteopenia u osteoporosis?

P(OsteopeniaUOsteoporosis)=467/1000+64/1000=0,531

NORMAL
OSTEOPENIA
OSTEOPOROSIS

MENOPAUSIA
NO
SI
189
280
108
359
6
58
303
697

No son sucesos disjuntos

Probabilidad de una mujer normal? (entindase)

P(Normal)=469/1000=0,469
P(Normal)=1-P(Normal)=1-P(OsteopeniaUOsteoporosis) =1-0,531=0,469
Tema 4: Probabilidad

12

Recuento

Ejemplo (III)
CLASIFICACION
OMS

NORMAL
OSTEOPENIA
OSTEOPOROSIS

Total

Total
469
467
64
1000

Si es menopusica probabilidad de osteoporosis?

MENOPAUSIA
NO
SI
189
280
108
359
6
58
303
697

P(Osteoporosis|Menopausia)=58/697=0,098

Probabilidad de menopausia y osteoporosis?

P(Menop Osteoporosis) = 58/1000=0,058

Otra forma:

P ( Menop Osteoporos is ) P ( Menop) P(Osteoporos is | Menop)

697 58

58 / 1000 0,058
1000 697
Tema 4: Probabilidad

13

Recuento

Ejemplo (IV)
CLASIFICACION
OMS

NORMAL
OSTEOPENIA
OSTEOPOROSIS

Total

MENOPAUSIA
NO
SI
189
280
108
359
6
58
303
697

Total
469
467
64
1000

Son independientes menopausia y osteoporosis?

Una forma de hacerlo

P(Osteoporosis)=64/1000=0,064
P(Osteoporosis|Menopausia)=58/697=0,098

La probabilidad de tener osteoporosis es mayor si ha pasado la

menopausia. Aade informacin extra. No son independientes!

Otra forma?

P(Menop Osteoporosis) = 58/1000 = 0,058

P(Menop) P(Osteoporosis)= (697/1000) x (64/1000) = 0,045

La probabilidad de la interseccin no es el producto de probabilidades. No

son independientes.
Tema 4: Probabilidad

14

Sistema exhaustivo y excluyente de sucesos

Son una coleccin de sucesos
A1

A2

A1, A2, A3, A4

Tales que la unin de todos ellos forman
el espacio muestral, y sus intersecciones
son disjuntas.
Recordis cmo formar intervalos en tablas de
frecuencias?
A1

A3

A4
Suceso
seguro

A2
A3
A4
Tema 4: Probabilidad

15

Divide y vencers

Todo suceso B, puede ser descompuesto

en componentes de dicho sistema.
A2

A1

B = (BA1) U (BA2 ) U ( BA3 ) U ( BA4 )

B
A1
A3

A4

Suceso
seguro

Nos permite descomponer el problema B en

subproblemas ms simples. Creedme . Funciona.

A2

A3

A4

Tema 4: Probabilidad

16

Teorema de la probabilidad total

A2

A1

Si conocemos la probabilidad de B en cada uno de los

componentes de un sistema exhaustivo y excluyente de
sucesos, entonces
podemos calcular la probabilidad de B.

A3

P(A1)

A4

Suceso
seguro

P(A2)
P(A3)

P(A4)
P(B) = P(BA1) + P(BA2 ) + P( BA3 ) + P( BA4 )

A1
A2
A3
A4

P(B|A1)
P(B|A2)
P(B|A3)

B
B
B

P(B|A4)
B

=P(A1) P(B|A1) + P(A2) P(B|A2)+

Tema 4: Probabilidad

17

Ejemplo (I): En este aula el 70% de los alumnos son

mujeres. De ellas el 10% son fumadoras. De los
hombres, son fumadores el 20%.
T. Prob. Total.
Hombres y mujeres forman un sist. Exh. Excl. de sucesos

Qu porcentaje de fumadores hay?

0,7

P(F) = P(MF) + P(HF)

= P(M)P(F|M) + P(H)P(F|H)

Mujer

0,9
No fuma

caminos a travs de nodos representan intersecciones.

bifurcaciones representan uniones disjuntas.

0,2

0,3

= 0,13 =13%

Las

0,1

Estudiante

=0,7 x 0,1 + 0,3 x 0,2

Los

Fuma

Fuma

Hombre
0,8
No fuma
Tema 4: Probabilidad

18

Teorema de Bayes
A2

A1

si ocurre B, podemos calcular la

probabilidad (a posteriori) de ocurrencia
de cada Ai.

A3

Si conocemos la probabilidad de B en
cada uno de los componentes de un
sistema exhaustivo y excluyente de
sucesos, entonces

A4

P(B Ai)
P(Ai | B)
P(B)

donde P(B) se puede calcular usando el teorema de la probabilidad total:

P(B)=P(BA1) + P(BA2 ) + P( BA3 ) + ( BA4 )
=P(B|A1) P(A1) + P(B|A2) P(A2) +
Tema 4: Probabilidad

19

Ejemplo (II): En este aula el 70% de los alumnos son mujeres. De ellas el
10% son fumadoras. De los varones, son fumadores el 20%.

Qu porcentaje de fumadores hay?

P(F) = =0,7 x 0,1 + 0,3 x 0,2 = 0,13

(Resuelto antes)

Fuma

0,1

Se elije a un individuo al azar y es fumador

0,7
Probabilidad de que sea un hombre?

Mujer

0,9
No fuma

Estudiante

P( H F ) P( H ) P( F | H )
P( H | F )

P( F )
P( F )
0,3 0,2

0,46
0,13

0,2

0,3

Fuma

Hombre
0,8
No fuma
Tema 4: Probabilidad

20

Ejemplo de prueba diagnsticas: Diabetes

Los carbohidratos ingeridos terminan como glucosa en la sangre. El exceso

se transforma en glucgeno y se almacena en hgado y msculos. Este se
transforma entre comidas de nuevo en glucosa segn necesidades.

La principal hormona que regula su concentracin es la insulina. La diabetes

provoca su deficiencia o bien la insensibilidad del organismo a su presencia.
Es una enfermedad muy comn que afecta al 2% de la poblacin
(prevalencia)

Una prueba comn para diagnosticar la diabetes, consiste en medir el nivel

de glucosa. En individuos sanos suele variar entre 64 y 110mg/dL.

Valores por encima de 110 mg/dL se asocian con un posible estado prediabtico.

El cambio de color de un indicador al contacto con la orina suele usarse como

indicador (resultado del test positivo)

Pero no es seguro. Otras causas podran ser: hipertiroidismo, cancer de pncreas,

pancreatitis, atracn reciente de comida

Supongamos que los enfermos de diabetes, tienen un valor medio de

126mg/dL.
Tema 4: Probabilidad

21

Funcionamiento de la prueba diagnstica de glucemia

Valor lmite: 110mg/dL

Superior: test positivo.
Inferior: test negativo.

Probabilidad de acierto:
Para enfermos

Para sanos

Verdadero positivo
(sensibilidad)
Verdadero negativo
(especificidad)

Probabilidad de error
Para enfermos

Falso

Para sanos

Falso +

Tema 4: Probabilidad

22

Cmo definir el punto de corte de la prueba diagnstica?

No es simple. No es posible aumentar sensibilidad y especificidad al mismo

tiempo. Hay que elegir una solucin de compromiso: Aceptable sensibilidad y
especificidad.
Tema 4: Probabilidad

23

Una prueba diagnstica ayuda a mejorar una estimacin de la

probabilidad de que un individuo presente una enfermedad.

En pricipio tenemos una idea subjetiva de P(Enfermo). Nos

ayudamos de

Para confirmar la sospecha, usamos una prueba diagnstica. Ha

sido evaluada con anterioridad sobre dos grupos de individuos:
sanos y enfermos. As de modo frecuentista se ha estimado:

Incidencia: Porcentaje de nuevos casos de la enfermedad en la poblacin.

Prevalencia: Porcentaje de la poblacin que presenta una enfermedad.

P(+ | Enfermo)= Sensibilidad (verdaderos +)= Tasa de acierto sobre enfermos.

P(- | Sano) = Especificidad (verdaderos -)= Tasa de acierto sobre sanos.

A partir de lo anterior y usando el teorema de Bayes, podemos

calcular las probabilidades a posteriori (en funcin de los
resultados del test): ndices predictivos

P(Enfermo | +) = ndice predictivo positivo

P(Sano | -) = ndice predictivo negativo
Tema 4: Probabilidad

24

Pruebas diagnsticas: aplicacin T. Bayes.

Sensibilidad,
verdaderos +

T+

P. a priori de enfermedad:
incid., preval., intuicin, Enfermo
Falsos -

T-

Individuo
Falsos +

T+

Sano

Especificidad,
Verdaderos -

T-

Tema 4: Probabilidad

25

Ejemplo: ndices predictivos

La diabetes afecta al 2% de
los individuos.

La presencia de glucosuria
se usa como indicador de
diabetes.

Individuo

0,98

0,02

Su sensibilidad es de 0,945.

La especificidad de 0,977.

Calcular los ndices

predictivos.
P ( Sano | T )

0,977

0,023

T+

TP ( SanoT )
P ( SanoT ) P ( Enf T )

0,98 0,977
0,999
0,98 0,977 0,02 0,055

P( Enf | T )

0,055

0,945

T-

T+

P ( Enf T )
P( Enf T ) P ( SanoT )

0,02 0,945
0,456
0,02 0,945 0,98 0,023
Tema 4: Probabilidad

26

Observaciones

En el ejemplo anterior, al llegar un

individuo a la consulta tenemos una idea
a priori sobre la probabilidad de que
tenga una enfermedad.

A continuacin se le pasa una prueba

diagnstica que nos aportar nueva
informacin: Presenta glucosuria o no.

En funcin del resultado tenemos una

nueva idea (a posteriori) sobre la
probabilidad de que est enfermo.
Nuestra opinin a priori ha sido
modificada por el resultado de un
experimento.

-Qu probabilidad tengo

de estar enfermo?
- En principio un 2%. Le
haremos unas pruebas.

- Presenta glucosuria. La
probabilidad ahora es del
45,6%.

Tema 4: Probabilidad

27

Qu hemos visto?

lgebra de sucesos

Unin, interseccin, complemento

Probabilidad

Nociones

Axiomas
Probabilidad condicionada
Reglas de clculo

Frecuentista
Subjetiva o Bayesiana

Complementario, Unin, Interseccin

Independencia de sucesos
Sistema exhaustivo y excluyente de sucesos

Teorema probabilidad total.

Teorema de Bayes

Pruebas diagnsticas
A priori: Incidencia, prevalencia.
Eficacia de la prueba: Sensibilidad, especificidad.
A posteriori: ndices predictivos.
Tema 4: Probabilidad

28