Está en la página 1de 32

Elementos de Probabilidad

Luis Bustos M, Juan Jose Orellana C, Antonio Sanhueza C, Sergio Muoz N.

Introduccin
El concepto p de p probabilidad desempea p un papel importante en el tratamiento de pacientes y en la investigacin cientfica cientfica. Son muy pocas las decisiones sobre pronstico de un tratamiento o sobre p resultados de un experimento que se pueden predecir con certeza absoluta absoluta.
2

Experimento Aleatorio
Experimento que satisface las siguientes condiciones: no se puede predecir un resultado particular del experimento antes de realizarlo se pueden conocer todos los resultados posibles del experimento el l experimento i puede d ser repetido id b bajo j l las mismas condiciones
3

Espacio Muestral
Se define como el conjunto de todos los posibles resultados de un experimento aleatorio, y se denota por S. Ejemplo:
En el lanzamiento de una moneda tenemos S = {c, {c s}. s} En el lanzamiento de un dado tenemos S = {1, 2, 3, 4, 5, 6}

Suceso o Evento (A)


Dado un espacio muestral S S, un suceso (o evento) es un subconjunto de S. Los eventos se denotan con letras maysculas; A, B, C, etc.

Ejemplo

Se selecciona un paciente al azar de un total de 400 pacientes clasificados segn hbitos de fumar y frecuencia de bronquitis. Son eventos de inters:
A = {seleccionar una persona que tenga bronquitis} B = {Seleccionar una persona que fume}

Definiciones
El complemento de un suceso A con respecto al espacio muestral S S, es aquel que contiene a todos los resultados de S que no se encuentran en A, A o Ac El suceso formado por todos los posibles resultados en A1 o A2 o en ambos, recibe el nombre de la unin de A1 y A2, AUB. El suceso formado por todos los resultados comunes tanto A1 como a A2 A2, recibe el nombre de interseccin de A1 y A2, AB.
7

Probabilidad

La probabilidad es una medida matemtica d l de la posibilidad ibilid d d de que ocurra un evento t d de inters.

Definicin Clsica de Probabilidad


Consideremos un experimento aleatorio que tiene un nmero finito de resultados, de tal forma que el espacio muestral puede ser escrito como S = {w1, {w1 w2, , wn}. Si los resultados del experimento son igualmente probables probables, es decir P({wi}) = 1/n, 1/n entonces la probabilidad de un evento A puede ser obtenida utilizando la siguiente frmula: P(A) = # (A) / # (S)
Obs: 0P(A) 1
9

Probabilidad Condicional
Sean A y B dos sucesos cualesquiera de un espacio muestral S, tal que P(B) > 0. La probabilidad condicional de A dado B, denotada por P(A/B) P(A/B), es el cuociente entre la probabilidad conjunta de A y B, simbolizada por P(AB) P(AB), y la probabilidad marginal de B B, digamos P(B). Esto es: P(A/B) = P(AB) / P(B)
10

Cualquier q p problema de p probabilidad p puede resolverse en teora mediante aplicacin de los axiomas. Sin embargo, es ms cmodo conocer algunas reglas de clculo:
P(A P(A) ) = 1 - P(A) P(AUB) = P(A) + P(B) - P(AB) / Regla de la adicin P(AB) = P(A) P(B|A)=P(B) P(A|B) / Regla de la multiplicacin

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

Dos sucesos son independientes si entre ellos no existe ninguna relacin. En lenguaje probabilstico:
A indep. B P(A|B) = P(A)

Dicho de otra forma:


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

11

Teorema de la probabilidad total


A1 A2 Si conocemos la l probabilidad b bilid d d de B en cada uno de los componentes de un sistema exhaustivo y excluyente de t sucesos, entonces podemos calcular la probabilidad de B.

A3

A4

P(B) = P(BA1) + P(BA2 ) + P( BA3 ) + ( BA4 ) =P(B|A1) P(A1) + P(B|A2) P(A2) +


12

Ejemplo j p : En esta aula el 70% % de los alumnos son mujeres. j De ellas, , el 10% son fumadoras. De los varones, son fumadores el 20%. Qu porcentaje de fumadores hay en total?
P(F) ( ) = P(F ( H) ) + P(F ( M) ) = P(F|H) P(H) + P(F|M) P(M) =0,2 , x 0,3 , + 0,1 , x 0,7 , = 0,13 =13%

T. Prob. Total. Hombres y mujeres j forman Un Sist. Exh. Excl. De sucesos

S Se elije lij a un i individuo di id al l azar y resulta lt 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) = 0,2 x 0,3 / 0,13

M j Mujeres

Varones

T Bayes T. B

= 0,46 = 46%

fumadores
13

Expresin del problema en forma de rbol

P(F) = 0,7 x 0,1 + 0,3x0,2=0,13 0,1 0,7 Estudiante 0,3 Hombre 0,8 No fuma 0,2 Fuma Mujer 0,9 No fuma Fuma P(H | F) = (0,3x0,2)/0,13 = 0.46 Los caminos a travs de nodos representan p intersecciones. p Las bifurcaciones representan uniones disjuntas. Podemos resolver los problemas usando la tcnica de vuestra preferencia. p ee e ca
14

Teorema de Bayes
A1 A2 Si conocemos la probabilidad de B en cada uno de los componentes de un sistema exhaustivo y excluyente de sucesos, entonces si si ocurre B B, podemos calcular la probabilidad (a posteriori) de ocurrencia de cada Ai.

A3

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 )
15

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

Ejercicio: Durante los ltimos aos se ha escrito mucho sobre la posible relacin entre el Fumar y el Cncer Pulmonar. Supngase que en un centro mdico mdico, de todos los fumadores el 90% tena cncer pulmonar, mientras que nicamente el 5% de los no fumadores lo padeca. Si la proporcin de fumadores es de 0 45 cul es la probabilidad 0.45, que un paciente con cncer pulmonar, seleccionado al azar, sea fumador?

Personas

16

Pruebas diagnsticas
Una prueba diagnstica sirve para ayudar a mejorar una estimacin de la probabilidad de que un individuo presente una enfermedad (E+). En principio tenemos una idea subjetiva de P(Enfermo). Nos ayudamos de Incidencia, Porcentaje de nuevos casos de la enfermedad en la poblacin. Prevalencia, P l i Porcentaje de la poblacin que presenta una enfermedad. P Por otra t parte, t para confirmar, fi usamos una prueba b diagnstica. di ti L La misma i h ha sido evaluada con anterioridad sobre dos grupos de individuos: sanos (E-) y enfermos (E+). As de modo frecuentista se ha estimado: (verdaderos +)= ) Tasa de acierto sobre enfermos. Sensibilidad ( 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 ( f funcin de los resultados del test): ) ndices predictivos P(Enfermo | Test +) = ndice predictivo positivo P(Sano | Test -) ) = ndice predictivo negativo
17

Tabla de Contingencia Contingencia, 2x2 E f Enfermedad d d + Test VP + (a) FN (c) a+c FP (b) VN (d) b d b+d a+b c+d

18

Pruebas diagnsticas: aplicacin T T. Bayes Bayes.


Sensibilidad, Sensibilidad verdaderos + P. a priori de enfermedad: incid preval., incid., preval intuicin intuicin, Enfermo Falsos Individuo Falsos + Sano T+ T-

T+

Especificidad, Verdaderos -

T19

De la tabla y diagrama de rbol se tiene: a=VP= Verdaderos +, son individuos enfermos que dan el test + b FP= Falsos b= F l + son individuos +, i di id sanos que dan d el l test t t+ c= FN= Falsos -, son individuos enfermos que dan el test d= VN= Verdaderos -, son individuos sanos que dan el test Probabilidad P b bilid d de d un f falso l positivo iti , probabilidad b bilid d que una persona sana se la diagnostique como enferma. P(F+)=P(T+/E-)= b/ (b+d) Probabilidad de un falso negativo, probabilidad que una persona enferma se la diagnostique como sana. P(F-)=P(T-/E+)= ( ) ( ) c/ (a+c) ( )
20

Sensibilidad: Es la proporcin de personas ENFERMAS que tienen un resultado positivo al realizarles un determinado test diagnstico Sn=P(T+/E+) = a/ (a+c) = 1-P(F-) Especificidad: Es la proporcin de personas SANAS que tienen un resultado negativo al realizarles un determinado test diagnstico S P(T /E ) = d/ (b Sp=P(T-/E-) (b+d) d) = 1-P(F+) 1 P(F ) Existe un equilibrio entre la sensibilidad y la especificidad, cuando aumenta la sensibilidad disminuye la especificidad p y viceversa.
21

La significacin del resultado de un test diagnstico no slo depende de su sensibilidad y especificidad, sino tambin de la Prevalencia (tambin llamada Probabilidad Pre-test) Pre test) de la enfermedad en la poblacin en la que se realiza el test. Valor V l predictivo di ti positivo iti , probabilidad b bilid d de d que un individuo i di id con resultado positivo en el test est enfermo. VP+ =P(E+/T+) = a/ (a+b)=(Sn*Prev)/ [(Sn*Prev + (1-Sp)(1-Prev)] Valor predictivo negativo, probabilidad de que un individuo con resultado negativo en el test est sano. VP- =P(E-/T-) ( ) = d/ ( (c+d)=Sp(1-Prev)/ ) p( ) [ [Sp(1-Prev) p( )+( (1-Sn)Prev] ) ]
VP, probabilidad de que la enfermedad est presente (o ausente) despus de obtener los resultados de la prueba depende probabilidad pretest. pretest
22

Ejemplo: j p Pruebas diagnstica g y T. Bayes y

La diabetes afecta al 20% de los individuos que acuden a una consulta. consulta La presencia de glucosuria se usa como indicador de diabetes. Su sensibilidad es de 0,3 y la especificidad p de 0,99. , Calcular los ndices p predictivos.
P( Enf E f T )

0,3 0,2 Enfermo


Individuo

T+ T-

P( Enf | T )

0,7
Sano

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

P( Enf T ) P( Sano T )

0,8

0 01 T+ 0,01 T T-

P ( Sano | T )

0,99

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

P ( Sano T ) P( Enf T )
23

P ( Sano T )

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 no. En funcin del resultado tenemos una nueva idea id (a posteriori t i i) sobre b l la probabilidad de que est enfermo. Nuestra opinin a priori ha sido modificada difi d por el l resultado lt d d de un experimento. Relacinalo con el mtodo cientfico.

-Qu probabilidad t tengo de d estar t enfermo? - En principio un 20% 20%. Le haremos unas pruebas.

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

24

diagti 80 20 90 810 True | disease | Test result status | Neg. Pos. | Total -----------+----------------------+---------Normal | 810 90 | 900 Abnormal | 20 80 | 100 -----------+----------------------+---------Total | 830 170 | 1,000 [95% Confidence Interval] --------------------------------------------------------------------------Prevalence Pr(A) 10% 8.2% 12% --------------------------------------------------------------------------Sensitivity Pr(+|A) 80% 70.8% 87.3% Specificity Pr(-|N) 90% 87.9% 91.9% ROC area (Sens. + Spec.)/2 .85 .809 .891 --------------------------------------------------------------------------Positive predictive value Pr(A|+) 47.1% 39.4% 54.9% Negative predictive value Pr(N|-) 97.6% 96.3% 98.5% --------------------------------------------------------------------------25

Valor predictivo positivo VP+ =(Sn*Prev)/ [(Sn*Prev + (1-Sp)(1-Prev)] =80*10/[80*10+10*90]=47 80 10/[80 10+10 90] 47.1 1

Valor predictivo negativo VP- =Sp(1-Prev)/ [Sp(1-Prev) + (1-Sn)Prev] =90*90/[90*90+20*10]=97 90 90/[90 90+20 10] 97.6 6

26

Ejemplo: Para facilitar la comprensin de los conceptos se utilizarn como ejemplo j p los resultados del estudio Birkebaek N H, , Hansen L K, , Elle B, Andersen P E, Friis M, Egebland M, Damgaard- Pedersen K et al. Chest roentgenogram in the evaluation of heart defects in asymptomatic t ti infants i f t and d children hild with ith a cardiac di murmur: reproducibility and accuracy. Pediatrics 1999; 103: e15. El objetivo de este estudio era determinar la utilidad de la radiografa de trax para confirmar o descartar la presencia de una cardiopata en nios que presentan un soplo cardiaco y que se encuentran clnicamente asintomticos. Para ello, se realiza una radiografa de trax (clasificando sus resultados como presencia- ausencia de enfermedad congnita) y se comparan sus resultados con los de una ECO doppler, doppler prueba que es considerada como el estndar de referencia.
27

Ejercicio:
ECO Doppler D l Enfermo Radiografa Trax Anormal Normal 7 16 No enfermo 11 64 75 Total 18 80 98

Total 23

28

Calcular: 1) Sensibilidad 2) ) Especificidad ifi id d Si la probabilidad pretest es 70%, calcular 5) VP+ 6) VPVP

29

30

31

Referencias 1. U de Malaga. http:/ftp.medprev.uma.es/libro/ 2. Pagano, M. y Gauvreau, K (1993) "Principles of Biostatistics". Editorial Duxbury Press. Belmont California. 3. http://www.fisterra.com/mbe/investiga/pruebas_diagnosticas/pruebas_d iagnosticas.htm 4. S. Puebla, Molina, L. Bustos, M. Valenzuela, M. Hidalgo, C. Alliu, G. Moscoso, N. Mora. La escala de Tal como test diagnstico y el diagnstico g clnico como g gold standard en el sndrome bronquial q obstructivo del lactante. Rev Pedriatr Aten Primaria, 2008; 10:45-53. www.pap.es

32