Estadstica Inferencial

Tema 1: Probabilidades

Estadstica Inferencial

Tema 1: Probabilidades

Cul es la probabilidad de aprobar la asignatura?

Cul es la probabilidad de no sufrir un accidente cuando voy a

clases?

Todos los das nos hacemos preguntas sobre probabilidad e

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

En este tema vamos a:

Estudiar qu entendemos por probabilidad.

Ver algunas reglas de clculo de probabilidades.
Ver cmo se aplican las probabilidades en Ciencias de la Salud.
Aplicarlas a algunos conceptos nuevos de inters en Ciencias de la
Salud.

Test diagnsticos.

Estadstica Inferenc Tema 1: Probabilidades

Nociones de probabilidad

Hay dos maneras principales de entender la probabilidad:

Frecuentista (objetiva): Probabilidad de un suceso es la frecuencia

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

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.

Estadstica Inferenc Tema 1: Probabilidades

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 y
se denota por E.
Se llama suceso a un subconjunto de dichos resultados.

E espacio muestral

Se llama suceso contrario (complementario) de un suceso A,

al formado por los elementos que no estn en A, se anota 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 resultados experimentales que estn simultneamente en A y B

E espacio muestral
A

E espacio muestral
UNIN

A
B

E espacio muestral
INTERSEC.

Estadstica Inferenc Tema 1: Probabilidades

E espacio muestral
A
A

B
4

Definicin de probabilidad y prob. condicional

Se llama probabilidad a cualquier funcin, P, que asigna a cada
suceso A un nmero real P(A), verificando las siguientes reglas
(axiomas)

E espacio muestral
A

100%

P(E)=1

P(AUB)=P(A)+P(B) si A B=

es el conjunto vaco.

Se llama probabilidad de A condicionada a B, o probabilidad de A

sabiendo que ocurri B:
E espacio muestral

P( A B)
PB ( A) P( A / B)
P( B)

ao
uno de
res
pec
t
otro o al

E espacio muestral

0P(A) 1

tam

Estadstica Inferenc Tema 1: Probabilidades

A
B
5

Intuir la probabilidad condicionada

A

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

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

Probabilidad de A sabiendo que ha pasado B?

P(A|B)=1
Estadstica Inferenc Tema 1: Probabilidades

P(A|B)=0,8
6

Intuir la probabilidad condicionada

A

B
B

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

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

Probabilidad de A sabiendo que ha pasado B?

P(A|B)=0,05
Estadstica Inferenc Tema 1: Probabilidades

P(A|B)=0
7

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(B|A)

Dos sucesos son independientes si el hecho de que ocurra uno no afecta

la ocurrencia del otro. En lenguaje probabilstico:

Prob. de que ocurra A y B es la prob. de que ocurra A por la probabilidad de que ocurra B
sabiendo que ocurri A.

A y B independientes P(A|B) = P(A)

Dicho de otra forma:

A y B independientes P(A B) = P(A) P(B)

Estadstica Inferenc Tema 1: Probabilidades

EJEMPLO: En una muestra de 1000 individuos elegidos al azar, entre

una poblacin de enfermos de osteoporosis 760 eran mujeres.
Qu porcentaje de mujeres hay en la muestra?

Si elegimos a un individuo de la poblacin, qu probabilidad hay de que

sea mujer:

(760/1000)*100=0,76*100=76%

La noc. frec. de prob. nos permite aproximarlo a P(Mujer)=076

Cul es la probabilidad de que elegido un individuo de la poblacin sea

hombre:

P(Hombre)=P(Mujer)=1-0,76=0,24

Se sabe de otros estudios que entre los individuos con osteoporosis, aprox. la
cuarta parte de las mujeres y la tercera parte de los hombres fuman.
Elegimos a un individuo al azar de la poblacin de enfermos.
Qu probabilidad hay de que sea mujer fumadora?

P(Mujer Fumar) = P(Mujer) P(Fumar|Mujer) = 0,76 x 0.25 = 0,19

Qu probabilidad hay de que sea un hombre fumador?

P(Hombre Fumar) = P(Hombre) P(Fumar|Hombre) = 0,24 x 1/3 = 0,08

Estadstica Inferenc Tema 1: Probabilidades

Sistema exhaustivo y excluyente de sucesos

Particin
medibleAde un espacio muestral
A
1

Son una coleccin de sucesos

A1, A2, A3, A4

Tales que la unin de todos ellos forman

el espacio muestral, y sus intersecciones
son disjuntas.
A3

A4

Estadstica Inferenc Tema 1: Probabilidades

10

Divide y vencers
A2

A1

Todo suceso B, puede ser descompuesto

en componentes de dicho sistema.

B
B = (BA1) U (BA2 ) U ( BA3 ) U ( BA4 )
A3

A4

Nos permite descomponer el problema B en

subproblemas ms simples. Creanlo . Funciona.
Estadstica Inferenc Tema 1: Probabilidades

11

Probabilidad total
A2

A1

A3

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.

A4

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

=P(B|A1) P(A1) + P(B|A2) P(A2) +
Estadstica Inferenc Tema 1: Probabilidades

12

Ejemplo: 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 en total?

P(F) = P(FH) + P(FM)

= P(F|H) P(H) + P(F|M) P(M)
=0,2 x 0,3 + 0,1 x 0,7

Probabilidad Total.
Hombres y mujeres forman
una particin del espacio
muestral

= 0,13 =13%

Se elije a un individuo al azar y resulta

fumador. Cul es la probabilidad de que sea un hombre?

P(H|F) = P(F H)/P(F)

R. Bayes

= P(F|H) P(H) / P(F)

Mujeres

Varones

= 0x2 x 0,3 / 0,13

= 0,46 = 46%
Estadstica Inferenc Tema 1: Probabilidades

fumadores
13

Expresin del problema en forma de arbol

0,1
0,7

Mujer

Fuma

0,9
No fuma

Estudiante
0,2

0,3

Fuma

Hombre

P(F) = 0,7 x 0,1 + 0,3x0,2

P(H | F) = 0,3x0,2/P(F)
Los caminos a travs de nodos
representan intersecciones.
Las bifurcaciones representan
uniones disjuntas.

0,8
No fuma

Estadstica Inferenc Tema 1: Probabilidades

Puedes resolver los problemas

usando la tcnica de tu
preferencia.
14

Regla de Bayes
A2

A1

Si conocemos la probabilidad de B en
cada uno de los componentes de un
sistema exhaustivo y excluyente de
sucesos, entonces
si ocurre B, podemos calcular la
probabilidad (a posteriori) de ocurrencia
de cada Ai.

PB ( A i ) P ( A i / B )
A3

P( A i B)
P( B)

A4
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) +

Estadstica Inferenc Tema 1: Probabilidades

15

Test diagnsticos
Un test diagnstico sirve para ayudar 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

Incidencia,

Prevalencia,

Porcentaje de la poblacin que presenta una enfermedad.

Por otra parte, para confirmar, usamos una prueba diagnstica. La misma ha
sido evaluada con anterioridad sobre dos grupos de individuos: sanos y
enfermos. As de modo frecuentista se ha estimado:

Porcentaje de nuevos casos de la enfermedad en la poblacin .

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

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

A partir de lo anterior y usando la Regla de Bayes, podemos calcular las

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

P(Enfermo | Test +) = ndice predictivo de verdaderos positivo

P(Sano | Test -) = ndice predictivo de verdaderos negativo

Estadstica Inferenc Tema 1: Probabilidades

16

Test diagnsticos: aplicacin Regla de Bayes.

Sensibilidad,
verdaderos +

T+

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

T-

Individuo
Falsos +

T+

Sano

Especificidad,
Verdaderos Estadstica Inferenc Tema 1: Probabilidades

T-

17

Ejemplo: Test diagnstico y Regla de Bayes

La diabetes afecta al 20% de los individuos que acuden

a una consulta. La presencia de glucosuria se usa como
indicador de diabetes. Su sensibilidad es de 0,3 y la
especificidad de 0,99. Calcular los ndices predictivos.
0,3
0,2

Enfermo

Individuo

0,8

T+

0,7

T-

0,01

T+

Sano

0,99

T-

P ( Enf | T )

Estadstica Inferenc Tema 1: Probabilidades

P ( Enf T ) P ( SanoT )

0,2 0,3
0,88
0,2 0,3 0,8 0,01

P ( Sano | T )

P( Enf T )

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

0,8 0,99
0,85
0,8 0,99 0,2 0,7

18

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 un test

diagnstico 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.
Relacinalo con el mtodo cientfico.
Estadstica Inferenc Tema 1: Probabilidades

-Qu probabilidad tengo

de estar enfermo?
- En principio 0.2. Le
haremos unas pruebas.

- Presenta glucosuria. La
probabilidad ahora es de
0.88

19

Qu hemos visto hasta el momento?

lgebra de sucesos

Unin, interseccin, complemento

Probabilidad

Nociones

Axiomas
Probabilidad condicional
Reglas del clculo de probabilidades

Frecuentista
Subjetiva o Bayesiana

Complementario, Unin, Interseccin

Independencia de sucesos
Sistema exhaustivo y excluyente de sucesos

Probabilidad total.
Regla de Bayes

Test diagnsticos
A priori: Incidencia, prevalencia.
Eficacia de la prueba: Sensibilidad, especificidad.
A posteriori: ndices predictivos.

Estadstica Inferenc Tema 1: Probabilidades

20