Estadstica Inferencial Tema 1: Probabilidades 1

Estadstica Inferencial
Tema 1: Probabilidades
Tema 1: Probabilidades 2
Estadstica Inferencial
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.
Tema 1: Probabilidades 3
Estadstica Inferencial
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.
Tema 1: Probabilidades 4
Estadstica Inferencial
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.
E espacio muestral
Se llama suceso a un subconjunto de dichos resultados.
E espacio muestral
A
Se llama suceso contrario (complementario) de un suceso A,
al formado por los elementos que no estn en A, se anota A
E espacio muestral
A
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
E espacio muestral
A
B
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
B
UNIN
E espacio muestral
A
B
INTERSEC.
Tema 1: Probabilidades 5
Estadstica Inferencial
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)

0P(A) 1

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:
( )
( ) ( / )
( )
B
P A B
P A P A B
P B

E espacio muestral
100%
E espacio muestral
B
A
E espacio muestral
A
B
Tema 1: Probabilidades 6
Estadstica Inferencial
Intuir la probabilidad condicionada
B
A
P(A) = 0,25
P(B) = 0,10
P(A B) = 0,10
B
A
Probabilidad de A sabiendo que ha pasado B?
P(A|B)=1
P(A|B)=0,8
P(A) = 0,25
P(B) = 0,10
P(A B) = 0,08
Tema 1: Probabilidades 7
Estadstica Inferencial
Intuir la probabilidad condicionada
A
B
A
B
Probabilidad de A sabiendo que ha pasado B?
P(A|B)=0,05
P(A|B)=0
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
Tema 1: Probabilidades 8
Estadstica Inferencial
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)

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.

Dos sucesos son independientes si el hecho de que ocurra uno no afecta
la ocurrencia del otro. En lenguaje probabilstico:

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

Dicho de otra forma:
A y B independientes P(A B) = P(A) P(B)
Tema 1: Probabilidades 9
Estadstica Inferencial
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?
(760/1000)*100=0,76*100=76%

Si elegimos a un individuo de la poblacin, qu probabilidad hay de que
sea mujer:
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
Tema 1: Probabilidades 10
Estadstica Inferencial
Sistema exhaustivo y excluyente de sucesos
Particin medible de un espacio muestral
A
1
A
2
A
3
A
4
Son una coleccin de sucesos

A
1
, A
2
, A
3
, A
4



Tales que la unin de todos ellos forman
el espacio muestral, y sus intersecciones
son disjuntas.


Tema 1: Probabilidades 11
Estadstica Inferencial
Divide y vencers
A
1
A
2
A
3
A
4
B
Todo suceso B, puede ser descompuesto
en componentes de dicho sistema.

B = (BA
1
) U (BA
2
) U ( BA
3
) U ( BA
4
)
Nos permite descomponer el problema B en
subproblemas ms simples. Creanlo . Funciona.
Tema 1: Probabilidades 12
Estadstica Inferencial
Probabilidad total
A
1
A
2
A
3
A
4
B
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.

P(B) = P(BA
1
) + P(BA
2
) + P( BA
3
) + ( BA
4
)

=P(B|A
1
) P(A
1
) + P(B|A
2
) P(A
2
) +

Tema 1: Probabilidades 13
Estadstica Inferencial
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

= 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)

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

= 0x2 x 0,3 / 0,13

= 0,46 = 46%
Mujeres
Varones
fumadores
Probabilidad Total.
Hombres y mujeres
forman
una particin del espacio
muestral
R. Bayes
Tema 1: Probabilidades 14
Estadstica Inferencial
Expresin del problema en forma de arbol
Estudiante
Mujer
No fuma
Hombre
Fuma
No fuma
Fuma
0,7
0,1
0,2
0,3
0,8
0,9
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.

Puedes resolver los problemas
usando la tcnica de tu
preferencia.
Tema 1: Probabilidades 15
Estadstica Inferencial
Regla de Bayes
A
1
A
2
A
3
A
4
B
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 A
i
.

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

P(B)=P(BA
1
) + P(BA
2
) + P( BA
3
) + ( BA
4
)

=P(B|A
1
) P(A
1
) + P(B|A
2
) P(A
2
) +

( )
( ) ( / )
( )
i
B i i
P A B
P A P A B
P B

Tema 1: Probabilidades 16
Estadstica Inferencial
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,
Porcentaje de nuevos casos de la enfermedad en la poblacin.
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:
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
Tema 1: Probabilidades 17
Estadstica Inferencial
Test diagnsticos: aplicacin Regla de Bayes.
Individuo
Enfermo
T-
Sano
T+
T-
T+
P. a priori de enfermedad:
incid., preval., intuicin,
Sensibilidad,
verdaderos +
Falsos +
Especificidad,
Verdaderos -
Falsos -
Tema 1: Probabilidades 18
Estadstica Inferencial
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.
88 , 0
01 , 0 8 , 0 3 , 0 2 , 0
3 , 0 2 , 0
) ( ) (
) (
) | (

T Sano P T Enf P
T Enf P
T Enf P
Individuo
Enfermo
T-
Sano
T+
T-
T+
0,3
0,01
0,99
0,7
0,2
0,8
85 , 0
7 , 0 2 , 0 99 , 0 8 , 0
99 , 0 8 , 0
) ( ) (
) (
) | (

T Enf P T Sano P
T Sano P
T Sano P
Tema 1: Probabilidades 19
Estadstica Inferencial
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.

-Qu probabilidad tengo
de estar enfermo?

- En principio 0.2. Le
haremos unas pruebas.
- Presenta glucosuria. La
probabilidad ahora es de
0.88
Tema 1: Probabilidades 20
Estadstica Inferencial
Qu hemos visto hasta el momento?
lgebra de sucesos
Unin, interseccin, complemento
Probabilidad
Nociones
Frecuentista
Subjetiva o Bayesiana
Axiomas
Probabilidad condicional
Reglas del clculo de probabilidades
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.