Clase 3. Probabilidad
Clase 3. Probabilidad
Clase 3. Probabilidad
Tema 3. Probabilidades
Introducción
• Para extender los resultados de la muestra a la población(Inferencia),
es necesario utilizar la idea de modelo probabilístico.
• Al seleccionar una muestra de una población, las conclusiones o
inferencias acerca de la población tienen un grado de incertidumbre.
• El calculo de probabilidades nos suministra las reglas para el estudio
de los experimentos aleatorios o de azar, constituyendo la base para
la estadística inductiva o inferencial.
Definición
• El término probabilidad se refiere al estudio de azar y la
incertidumbre en cualquier situación en la cual varios posibles
sucesos pueden ocurrir; la disciplina de la probabilidad proporciona
métodos de cuantificar las oportunidades y probabilidades asociadas
con varios sucesos,
• La probabilidad de que ocurra un evento es la frecuencia relativa con
la que puede esperarse que ocurra ese evento, si fuera repetido
muchas veces o si esturaríamos sus resultados posibles.
Elementos de la Probabilidad
• Un experimento es cualquier acción o proceso repetible cuyo
resultado está sujeto a la incertidumbre y son independientes (ξ)
Ejemplos
• Lanzar al aire una moneda una vez o varias veces.
• Obtener tipos de sangre de un grupo de individuos
• Presencia o ausencia de UPP
• Medir la PAS y PAD
Elementos de la Probabilidad
• El espacio muestral de un experimento (ξ) denotado por S, es el
conjunto de todos los posibles resultados de dicho experimento
Ejemplos
• Sea el experimento aleatorio de lanzar una moneda tres veces
Ejemplos
• Sea el evento A que sus lados sean iguales
• A = {CCC, SSS}.
Ejemplo Elementos de la Probabilidad
• Una familia compuesta de tres personas, A, B y C, pertenece a una
clínica médica que siempre tiene disponible un doctor en cada una de
las estaciones 1, 2 y 3. Durante cierta semana, cada miembro de la
familia visita la clínica una vez y es asignado al azar a una estación. El
experimento consiste en registrar la estación para cada miembro. Un
resultado es (1, 2, 1) para A a la estación 1, B a la estación 2 y C a la
estación 1.
a. Elabore una lista de los 27 resultados en el espacio muestral.
b. Elabore una lista de todos los resultados en el evento en que los
tres miembros van a la misma estación. Evento A
Ejemplo Elementos de la Probabilidad
c. Elabore una lista de todos los resultados en que los tres miembros
van a diferentes estaciones. Evento B
d. Elabore una lista de los resultados en el evento en que ninguno va a
la estación 2. Evento C
Probabilidad y Teoría de Conjunto
• La unión de dos eventos A y B, denotados por A ꓴ B y leídos “A o B”,
es el evento que consiste en todos los resultados que están en A o en
B o en ambos eventos (de tal suerte que la unión incluya resultados
donde tanto A como B ocurren, así también resultados donde ocurre
exactamente uno), es decir, todos los resultados en por lo menos uno
de los eventos
Probabilidad y Teoría de Conjunto+
• La intersección d dos eventos A y B, denotada por A ꓵ B y leída “A y
B”, es el evento que consiste en todos los resultados que están tanto
en A como en B.
Probabilidad y Teoría de Conjunto
• El complemento de un evento A, denotado por Ac o A´ es el conjunto
de todos los resultados en S que no están contenidos en A.
Probabilidad y Teoría de Conjunto
• Que φ denote el evento nulo (el evento sin resultados).
• Cuando A ꓵ B = φ , se dice que A y B son eventos mutuamente
excluyentes o disjuntos.
Probabilidad y Teoría de Conjunto
• Las operaciones de unión e intersección pueden ser ampliadas a más
de dos eventos.
• Para tres eventos cualesquiera A, B y C, el evento A ꓴ B ꓴ C es el
conjunto de resultados contenidos en por lo menos uno de los tres
eventos, mientras que A ꓵ B ꓵ C es el conjunto de resultados
contenidos en los tres eventos.
• Se dice que los eventos dados A1, A2, A3, . . . , son mutuamente
excluyentes (disjuntos por pares) si ninguno de dos eventos tienen
resultados en común.
Ejemplo Probabilidad y Teoría de Conjunto
• Del ejercicio anterior, calcular las siguientes operatoria de conjuntos
•AꓴB
•AꓵC
• B´
• (B ꓴ C)´
•AꓵBꓵC
Axiomas de Probabilidad
• Dados un experimento y un espacio muestral S, el objetivo de la
probabilidad es asignar a cada evento A un número P(A), llamado la
probabilidad del evento A, el cual dará una medida precisa de la
oportunidad de que A ocurra.
• Axioma 1. Para cualquier evento A, P(A) ≥ 0.
• Axioma 2. P(S ) = 1. P(φ) = 0
• Axioma 3. Si A1, A2, A3, . . . es un conjunto de eventos mutuamente
excluyentes, entonces
Interpretación de la Probabilidad Frecuentista
• Si el experimento se realiza n veces, en algunas de las réplicas el
evento A ocurrirá (el resultado estará en el conjunto A) y en otros, A
no ocurrirá.
• n(A) denota el número de réplicas en las cuales A sí ocurre. Entonces
n(A)
la relación se conoce como la frecuencia relativa de ocurrencia
n
del evento A en la secuencia de n réplicas.
• La evidencia empírica basada en los resultados de muchas de estas
secuencias de experimentos repetibles, indica que a medida que n se
n(A)
hace más grande, se estabiliza em uma frecuencia limite
n
Interpretación de la Probabilidad Frecuentista
• La interpretación objetiva de probabilidad identifica esta frecuencia
relativa límite con P(A).
n(A)
P(A) =
n
Calculo de la Probabilidad Clásica
• En muchos experimentos compuestos de N resultados, es razonable
asignar probabilidades iguales a los N eventos simples.
• Con p = P(Ei) por cada i,
Menopausia
Estrato OMS Total
No Si
Normal 189 280 469
Osteopenia 108 359 467
Osteoporosis 6 58 64
Total 303 697 1000
Ejemplo Reglas Aditivas de Probabilidad
• ¿Cuál es la probabilidad que al seleccionar una mujer, esta presente
osteoporosis o menopausia?
• Solución. P(A) es la probabilidad de sufrir Osteoporosis
P(A)=64/1000. P(B) es la probabilidad de presentar Menopausia
P(B)=697/1000. P(A∩B) la probabilidad de sufrir Osteoporosis y
Menopausia P(A∩B)=58/1000
𝑷(𝑨 ∪ 𝑩) = 𝑷 𝑨 + 𝑷 𝑩 − 𝑷(𝑨 ∩ 𝑩)
𝟔𝟒 𝟔𝟗𝟕 𝟓𝟖 𝟕𝟎𝟑
𝑷 𝑨∪𝑩 = + − = = 𝟎, 𝟕𝟎𝟑
𝟏𝟎𝟎𝟎 𝟏𝟎𝟎𝟎 𝟏𝟎𝟎𝟎 𝟏𝟎𝟎𝟎
Probabilidad de Complemento
• Para cualquier evento A, se cumple que P(A) + P(A’) = 1,
• Entonces la probabilidad del complemento de A es
P(A’) = 1 – P(A).
• Ejemplo. ¿Cuál es la probabilidad que la mujer No Sufra de
Osteoporosis?
• Solución
𝑷 𝑨′ = 𝟏 − 𝑷 𝑨
′
𝟔𝟒 𝟗𝟑𝟔
𝑷 𝑨 =𝟏− =
𝟏𝟎𝟎𝟎 𝟏𝟎𝟎𝟎
Probabilidad Condicional
• La probabilidad de que ocurra un evento B cuando se sabe que ya
ocurrió algún evento A se llama probabilidad condicional y se denota
con P(B|A).
• El símbolo P(B|A) por lo general se lee como la probabilidad de que
ocurra B, dado que ocurrió A, o simplemente, la probabilidad de B,
dado A
Ejemplo Probabilidad Condicional
• ¿Cuál es la probabilidad que dado que se selecciono una mujer con
menopausia esta presente osteoporosis?
• Solución
𝟓𝟖
𝑷(𝑨 ∩ 𝑩 𝟏𝟎𝟎𝟎 𝟓𝟖
𝑷(𝐀|B)= = =
𝑷 𝑩 𝟔𝟗𝟕 𝟔𝟗𝟕
𝟏𝟎𝟎𝟎
Regla del Producto
• Al multiplicar la fórmula anterior por P(A), obtenemos la siguiente
regla multiplicativa importante (o regla de producto), que nos
permite calcular la probabilidad de que ocurran dos eventos.
𝑷 𝑨 ∩ 𝑩 = 𝑷 𝑨 𝑩 ∙ 𝑷(𝑩)
𝟐 𝟑 𝟏
𝑷 𝑨∩𝑩 = ∙ =
𝟑 𝟒 𝟐
Probabilidad Independencia
• Dos eventos A y B son independientes si y sólo si
E+ E-
𝑃(𝐷+∩𝐸+) 𝑎
• Sensibilidad = = D+ a b a+b
𝑃(𝐸+) 𝑎+𝑐
D- c d c+d
a+c b+d
Especificidad
• La especificidad de una prueba es la probabilidad de que una persona
que no tiene la enfermedad (sana) dé un resultado negativo.
E+ E-
D+ a b
𝑃(𝐷−∩𝐸−) 𝑑 a+b
• Especificidad = =
𝑃(𝐸−) 𝑏+𝑑
D- c d c+d
a+c b+d
Valor Predictivo Positivo
• El valor predictivo positivo (VPP) es la probabilidad de que una
persona que da positivo tenga la enfermedad.
E+ E-
D+ a b
𝑃(𝐷+∩𝐸+) 𝑎 a+b
• VPP = =
𝑃(𝐷+) 𝑎+𝑏
D- c d c+d
a+c b+d
Valor Predictivo Negativo
• El valor predictivo negativo (VPN) es la probabilidad de que una
persona que da negativo no tenga la enfermedad.
E+ E-
D+ a b
𝑃(𝐷−∩𝐸−) 𝑑 a+b
• VPN = =
𝑃(𝐷−) 𝑐+𝑑
D- c d c+d
a+c b+d
Prevalencia
• Finalmente, la prevalencia es simplemente la probabilidad de
enfermedad .
E+ E-
D+ a b a+b
• Prevalencia = 𝑃(𝐸+)
D- c d c+d
a+c b+d
Falsos Positivos (FP)
• Es la probabilidad que una persona de positivo no teniendo la
enfermedad.
E+ E-
D+ a b
𝑃(𝐷+∩𝐸−) 𝑏 a+b
• FP = =
𝑃(𝐸−) 𝑏+𝑑
D- c d c+d
a+c b+d
Falsos Negativos (FN)
• Es la probabilidad que una persona de negativo teniendo la
enfermedad.
E+ E-
D+ a b
𝑃(𝐷−∩𝐸+) 𝑐 a+b
• FP = =
𝑃(𝐸+) 𝑎+𝑐
D- c d c+d
a+c b+d
Ejemplo de Prueba Diagnosticas
• En esta tabla se puede ver que 0,015 de la población tiene la
enfermedad y da positivo en la prueba, mientras que 0,970 de la
población no tiene la enfermedad y da negativo. Prevalencia de 0,020
E+ E-
0,020 0,980
Ejemplo de Prueba Diagnosticas
0,015
• Sensibilidad = = 0,75. Sólo el 75% de las personas con la
0,020
enfermedad están debidamente identificadas
0,97
• Especificidad = = 0,99. Esto significa que si usted no tiene la
0,98
enfermedad, es casi seguro (pero no totalmente) que la prueba dé
negativo.
0,015
• VPP = = 0,60. Esto significa que si una persona da posi ti vo en
0,025
la prueba de la enfermedad, la probabilidad de que tenga la
enfermedad es de sólo 60%
Ejemplo de Prueba Diagnosticas
0,970
• VPN = = 0,99. Esto significa que si una persona da negativo en
0,975
la prueba de enfermedad, la probabilidad de que no tenga la
enfermedad es de 99%.
• Prevalencia = 0,02. El 2% de la población presenta la enfermedad.
• FP = 0,010. El 1% de las personas que tienen la enfermedad no son
detectadas por la prueba
• FN = 0,005. El 0,5% de las que no tienen la enfermedad son
detectadas como enfermas.
Tasa de Riesgo
• Las personas expuestas a algún factor de riesgo potencial tienen más
o menos probabilidades de desarrollar una enfermedad que las
personas no expuestas.
• El tabaquismo o trabajar con asbestos incrementa la probabilidad de
enfermedad, en tanto que la exposición a cierta vacuna reduce la
probabilidad de enfermedad.
• Para comparar las probabilidades de enfermedad para personas
expuestas y no expuestas estas se traducen un cociente denominado
Tasa de Riesgo (Risk Ratio, RR),
Tasa de Riesgo
𝑷 𝑬+𝑭
• Tasa de Riesgo (Risk Ratio, RR) =
𝑷 𝑬 + 𝑭𝒄
• Donde E+ se ha definido previamente como la presencia de la
enfermedad, y F está expuesto o factor de riesgo (Fc no lo está
expuesto)
• Una tasa de riesgo de 2 significaría que la probabilidad de
enfermedad para las personas expuestas es dos veces mayor que para
las personas no expuestas.
• Cuando RR es menor que 1 se dice que la exposición es protectora
Ejemplo Tasa de Riesgo
• Utilice la siguiente tabla de probabilidad para calcular la tasa de
riesgo
F+ F-
0,20 0,80
Ejemplo Tasa de Riesgo
𝟎,𝟏𝟓
• 𝑷 𝑫+ 𝑭 = = 𝟎, 𝟕𝟓
𝟎,𝟐𝟎
𝒄 𝟎,𝟏𝟎
• 𝑷 𝑫+ 𝑭 = = 𝟎, 𝟏𝟐𝟓
𝟎,𝟖𝟎
𝟎,𝟕𝟓
• 𝑹𝑹 = =𝟔
𝟎,𝟏𝟐𝟓
• Esto significa que la probabilidad de enfermedad para las personas
expuestas al factor es seis veces mayor que la de las personas no
expuestas.
Razón de Probabilidad
• En algunos entornos de investigación, la tasa de riesgo no aporta una
comparación significativa del grupo expuesto y del no expuesto.
• En tales casos, se utiliza la razón de probabilidad para hacer
comparaciones.
• Las posibilidades de que ocurra un evento están indicadas por el
cociente de la probabilidad de que el evento suceda y la probabilidad
de que el evento no ocurra.
• 𝑃 𝐸 + 𝐸 − Una posibilidad de 2.0 significaría que la probabilidad de
enfermedad es dos veces mayor que la de no tenerla
Razon de Probabilidad
• Si se calculan las posibilidades de dos grupos y se convierten en un
cociente, el resultado es, naturalmente, una razón de probabilidad.
• Si, se compara un grupo expuesto y un grupo no expuesto, la razón de
probabilidad (Odds Ratio, OR) sería:
𝑃 𝐷+ 𝐸+
𝑃 𝐷− 𝐸+ 𝑃 𝐷+ 𝐸+ 𝑃 𝐷− 𝐸−
𝑂𝑅 = = ∙
𝑃 𝐷+ 𝐸− 𝑃 𝐷− 𝐸+ 𝑃 𝐷+ 𝐸−
𝑃 𝐷− 𝐸−
Ejemplo Razón de Probabilidad
• Calcule la razón de probabilidad para la tabla anterior
𝟎,𝟏𝟓
• 𝑷 𝑫+ 𝑭 = = 𝟎, 𝟕𝟓
𝟎,𝟐𝟎
𝟎,𝟎𝟓
• 𝑷 𝑫− 𝑭 = = 𝟎, 𝟐𝟓
𝟎,𝟐𝟎
𝒄 𝟎,𝟏𝟎
• 𝑷 𝑫+ 𝑭 = = 𝟎, 𝟏𝟐𝟓
𝟎,𝟖𝟎
𝒄 𝟎,𝟕𝟎
• 𝑷 𝑫− 𝑭 = = 𝟎, 𝟖𝟕𝟓
𝟎,𝟖𝟎
Ejemplo Razón de Probabilidad
0,75
0,25
𝑂𝑅 = = 21
0,125
0,875
Esto significa que las posibilidades de enfermedad del grupo expuesto
son 21 veces más altas que las del grupo no expuesto