You are on page 1of 24

Bioestadstica

Probabilidad
Blaise Pascal y Pierre de Fermat, S. XVII

Cul es la probabilidad de aprobar Bioestadstica?


Todos los das nos hacemos preguntas sobre
probabilidad e incluso los que han visto poco de la
materia en cursos anteriores, tienes una idea intuitiva lo
suficientemente correcta para lo que necesitamos de
ella en este curso.

En este tema vamos a:

Recordar 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.
2

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.

Sucesos

E espacio muestral

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 contrario (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 resultados experimentales que estn
simultneamente en A y B

E espacio muestral

E espacio muestral
UNIN

A
B

E espacio muestral

A
A

E espacio muestral
INTERSEC.

A
B

Sucesos o eventos
Experimento (proceso por medio del cual se obtiene una
medicin): Lanzamiento de un dado y observar el
resultado de la cara superior
E: Observar todos los nmeros posibles del
lanzamiento de un dado
Sucesos simples: E1 =1 , E2 =2 ..... E6 = 6

1.
2.
3.

P (Ei ) = 1/6
P (E1 ) + P(E2 ) + ..... + P( En )= 1
P (E1 O E2 ) = P (E1 =1) + P(E2 =2)
1/6
+
1/6 = 2/6

Suceso A: observar un nmero impar


Suceso B: Observar un nmero menor o igual a 4
Suceso C: Observar el nmero 6

Definicin de probabilidad y prob. condicionada

Se llama probabilidad a cualquier funcin, P, que asigna a cada suceso A un


valor numrico P(A), verificando las siguientes reglas (axiomas)

0P(A) 1

P(E)=1

P(AUC)=P(A)+P(C) si AC=

es el conjunto vaco.

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


que pasa B:

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

2/6
4/6
P( A | B) 0.5
P( A | B)

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(BA) = P(A) P(B|A)=P(B) P(A|B)

Dos sucesos son independientes si la el que ocurra uno no aade


informacin sobre el otro. En lenguaje probabilstico:

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

A indep. B P(A|B) = P(A)

Dicho de otra forma:

A indep. B P(AB) = P(A) P(B)

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=0,76=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 fuman y la tercera parte de los hombres.
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 = 0,19

Qu probabilidad hay de que sea un hombre fumador?

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


8

Sistema exhaustivo y excluyente de sucesos


A1

A2

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

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


problemas ms simples.
10

Teorema de la probabilidad total


A2

A1

podemos calcular la probabilidad de B.

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


=P(B|A1) P(A1) + P(B|A2) P(A2) +
11

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 ) + P( BA4 )

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

13

Ejemplo: En este aula el 70% de los alumnos son mujeres. De ellas el 10%
son fumadoras. De los varones, son fumadores el 20%.
A1=
Mujeres

F+

MF+

A2 =
Hombre
s

H F+

Si conocemos la probabilidad de F+ en cada uno


de los componentes de un sistema exhaustivo y
excluyente de sucesos (Hombres y Mujeres),
entonces

si ocurre F+, podemos calcular la probabilidad (a


posteriori) de ocurrencia de cada Ai.

P( H / F

B. Se alije a un individuo al azar y


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

P( H F )
)
P( F )

P( H ).P( F / H )
P( H / F )
P( M ).P( F / M ) P( H ).P( F / H )

P( H / F ) 0.2 x0.3 / 0.13 0.46


14

Expresin del problema en forma de rbol

0,1
0,7

Mujer

Fuma

0,9
No fuma

Estudiante
0,2

0,3

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.

Fuma

Hombre

Las bifurcaciones representan


uniones disjuntas.
0,8

No fuma

Puede resolver los problemas


usando la tcnica de vuestra
preferencia.
15

Pruebas diagnsticas y Teorema de Bayes


Una prueba diagnstica sirve para ayudar a mejorar una estimacin de la
probabilidad de que un individuo presente una enfermedad.

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

Incidencia,

Prevalencia,

Porcentaje de nuevos casos de la enfermedad en la poblacin.


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:

Sensibilidad (verdaderos +)= Proporcin de acierto sobre enfermos = P (T+/E+) =?


Especificidad (verdaderos -)= Proporcin de acierto sobre sanos = P (T-/E-) = ?

16

Pruebas diagnsticas

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 | Test +) = Valor predictivo positivo = ?


P(Sano | Test -) = Valor predictivo negativo = ?

17

Teorema de Bayes- Pruebas diagnsticas


E

T+

ET+ E T+

Si conocemos la probabilidad de T+ en
cada uno de los componentes de un
sistema exhaustivo y excluyente de
sucesos, entonces
podemos calcular la probabilidad:

P( E / T

P(T+) = P(T+E) + P(T+E)


=P(T+|E) P(E) + P(T+|E) P(E)

P( E T )
)
P (T )

P( E ).P(T / E )
P( E / T )
P( E ).P(T / E ) P( E).P(T / E)

18

Teorema de Bayes- Pruebas diagnsticas


E

T-

ET- E T-

Si conocemos la probabilidad de T- en
cada uno de los componentes de un
sistema exhaustivo y excluyente de
sucesos, entonces
podemos calcular la probabilidad:
P ( E/T

P(T-) = P(T-E) + P(T-E)


=P(T-|E) P(E) + P(T-|E) P(E)

P ( ET )
)
P (T )

P( E).P(T / E ' )
P( E/T )
P( E).P(T / E) P( E ).P(T / E )

19

Pruebas diagnsticas: aplicacin T. Bayes.


Sensibilidad,
verdaderos +

T+

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

T-

Individuo

Falsos +
Sano

T+

Especificidad,
Verdaderos -

T-

20

Ejemplo: Pruebas diagnstica y T. 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.
P( Enf | T )

0,3
0,2

T+

Enfermo

0,7

Individuo

0,01

0,8

TT+

0,99

T-

P( Enf T ) P( Sano T )

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

P( Sano | T )

Sano

P( Enf T )

P( Sano T )

P( Sano T ) P( Enf T )

0,8 0,99
0,85
0,8 0,99 0,2 0,7
21

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.
Relacinalo con el mtodo cientfico.

-Qu probabilidad tengo


de estar enfermo?
- En principio un 20%. Le
haremos unas pruebas.

- Presenta glucosuria. La
probabilidad ahora es del
88%.

22

Un ejemplo con nmeros

Sensibilidad = p (t+ / E+) = 72/90=0,8?


Especificidad = p (t- / E-) = 150/250=0,6?

Valor Predictivo Positivo = p(E+/t+) = 72/172=0,42?


Valor Predictivo Negativo = p(E-/t-) = 150/168=0,89?
23

Qu hemos visto?

lgebra de sucesos

Unin, interseccin, complemento

Probabilidad

Nociones

Frecuentista
Subjetiva o Bayesiana

Axiomas
Probabilidad condicionada
Reglas de clculo

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.
24

Pruebas diagnstica

El nivel de glicemia se distribuye aproximadamente normal en personas sanas y en


personas con diabetes. El promedio en personas con de diabetes es 160
mg/100dl, con una desviacin estndar de 30 mg./100dl. Para el caso de las
personas libres de diabetes, el promedio es 100 mg con una desviacin estndar
de 7.5 mg.
Sensibilidad

0,1

P( Enf | T )

0,933

Prevalencia
p= 0,1

T+
Enfermo

T-

0,067

Individuo

0,023

0,9

T+

1- Prevalencia
q = 1- p

0,977

T-

Especificidad

P( Enf T ) P( Sano T )

0,1 0,933
0,88
0,1 0,933 0,9 0,023

P( Sano | T )

Sano

P( Enf T )

P( Sano T )

P( Sano T ) P( Enf T )

0,1 0,933
0,82
0,1 0,933 0,9 0,023
25

You might also like