UNIVERSIDAD NACIONAL MAYOR DE SAN MARCOS

FACULTAD DE MEDICINA HUMANA

V CURSO TERICO PRCTICO DE

ESTADSTICA APLICADA A LAS
CIENCIAS DE LA SALUD

INTRODUCCIN AL ESTUDIO DE LAS

PROBABILIDADES

Probabilidad
El concepto de probabilidad se encuentra con bastante frecuencia
en la comunicacin en el rea de salud.
Ejemplos

Un mdico afirma que un paciente X tiene una oportunidad de

50% de sobrevivir a una operacin; o que un paciente Y tiene
80% de posibilidades de tener una enfermedad particular;

Una fuente autorizada del Ministerio de Salud; declara a la

prensa de que este verano hay 1% de posibilidades de que se
desate una epidemia de clera en la Capital.

Por qu es necesario aprender a

calcular probabilidades ?
La medicina es una ciencia inexacta por lo que el mdico raras
veces puede predecir un resultado con absoluta certeza.
Para formular el diagnstico el mdico debe contar con toda la
informacin posible acerca del paciente
Por ejemplo debe :

Revisar la historia clnica

Realizar un examen fsico del paciente
Solicitar estudios de laboratorio
Resultados de rayos X, etc.

Por qu es necesario aprender

a calcular probabilidades ?
Aunque el resultado de ninguna prueba es absolutamente exacto,
eso no afecta la probabilidad de la presencia o ausencia de una
enfermedad.
Para cuantificar la incerteza inherente al proceso de toma de
decisiones, el mdico se apoya en la teora de las probabilidades
Por lo tanto :
Entender las probabilidades es fundamental para el proceso de
toma de decisiones en el rea de salud.

Por qu es necesario aprender a

calcular probabilidades ?

La teora de probabilidades tambin permite al mdico

extraer conclusiones acerca de una poblacin de
pacientes basado en la informacin acerca de un una
muestra de los mismos extrada de esa poblacin.

Este proceso se denomina inferencia estadstica.

Historia de la probabilidad.
Jacob Berooulli (1654 - 1705), Abraham de Moivre (1667 - 1754), el reverendo
Thomas Bayes (1702 - 1761) y Joseph Lagrange (1736 - 1813) desarrollaron
frmulas y tcnicas para el clculo de la probabilidad. En el siglo XIX, Pierre
Simon, marqus de Laplace (1749 - 1827), unific todas estas primeras ideas y
compil la primera teora general de la probabilidad.
La teora de la probabilidad fue aplicada con xito en las mesas de juego y, lo
que es ms importante, en problemas sociales y econmicos. La industria de
seguros requera un conocimiento preciso acerca de los riesgos de prdida.
Muchos centros de aprendizaje estudiaron la probabilidad como una herramienta
para el entendimiento de los fenmenos sociales.
Nuestra necesidad de tratar con la incertidumbre nos lleva a estudiar y utilizar la
teora de la probabilidad. Al organizar la informacin y considerarla de manera
sistemtica, seremos capaces de reconocer nuestras suposiciones, comunicar
nuestro razonamiento a otras personas y tomar decisiones ms slidas.

Conceptos bsicos sobre

probabilidad.

La probabilidad es la posibilidad de que algo ocurra.

Las probabilidades se expresan como fracciones o como
decimales que estn entre uno y cero.

Tener una probabilidad de cero significa que algo nunca

va
a suceder.
Una probabilidad de uno indica que algo va a suceder
siempre.

Conceptos bsicos sobre

probabilidad
Un experimento aleatorio es aquel en que se conocen todos
los posibles resultados, pero no se sabe cual va a ocurrir
Ejemplo :
El nacimiento de un nio es un experimento aleatorio, se
sabe que el nio puede ser varn o mujer , pero no se sabe
cual ser el resultado.
Un evento es uno o ms de los posibles resultados de un
experimento aleatorio.
Ejemplo :
Los eventos del experimento aleatorio son : varn, mujer

Conceptos bsicos sobre

probabilidad
Al conjunto de todos los resultados posibles de un
experimento se le llama espacio muestral del experimento.
Ejemplo : Espacio muestral

{varn, mujer}

Se dice que dos eventos son mutuamente excluyentes si uno

y slo uno de ellos puede tener lugar a un tiempo.
Cuando en una lista de los posibles eventos que pueden
resultar de un experimento se incluyen todos los resultados
posibles, se dice que la lista es colectivamente exhaustiva.

Definicin de probabilidad
Existen tres maneras bsicas de definir la probabilidad.
Estas tres definiciones presentan planteamientos
conceptuales bastante diferentes:
9
9
9

Definicin clsica.
Frecuencia relativa de ocurrencia.
Probabilidad subjetiva.

Probabilidad clsica
Se define la probabilidad de que un evento ocurra como:

Nmero de resultados en los que se presenta el evento

Probabilidad =
Nmero total de posibles resultados
Cada uno de los resultados posibles debe ser igualmente
posible.
Ejemplo :
Probabilidad de que nazca una nia= 1/2

Probabilidad clsica

La probabilidad clsica, a menudo, se le conoce como

probabilidad a priori, debido a que si utilizamos ejemplos
previsibles como monedas no alteradas, dados no
cargados y mazos de barajas normales, entonces podemos
establecer la respuesta de antemano, sin necesidad de
lanzar una moneda, un dado o tomar una carta. No
tenemos que efectuar experimentos para poder llegar a
conclusiones.
Este planteamiento de la probabilidad tiene serios
problemas cuando intentamos aplicarlo a los problemas de
toma de decisiones menos previsibles.
La probabilidad clsica supone tambin una especie de
simetra en el mundo

Frecuencia relativa de ocurrencia

En el siglo XIX, los estadsticos britnicos,
interesados en la fundamentacin terica del
clculo del riesgo de prdidas en las plizas de
seguros de vida y comerciales, empezaron a
recoger datos sobre nacimientos y defunciones.
En la actualidad, a este planteamiento se le llama
frecuencia relativa de ocurrencia de un evento.

Frecuencia relativa de ocurrencia

Se define la probabilidad como:
La frecuencia relativa observada de un evento durante un

gran nmero de intentos, o

La fraccin de veces que un evento se presenta a la larga,
cuando las condiciones son estables.
Este mtodo utiliza la frecuencia relativa de las ocurrencias
pasadas de un evento como una probabilidad. Determinamos
qu tan frecuentemente ha sucedido algo en el pasado y
usamos esa cifra para predecir la probabilidad de que suceda de
nuevo en el futuro.

Frecuencia relativa de ocurrencia

Ejemplo:
La prevalencia (probabilidad de
enfermedad es calculada como:

ocurrencia)

de

una

Nmero de casos
Prevalencia=
Poblacin en riesgo
Cuando utilizamos el planteamiento de frecuencia relativa para
establecer probabilidades, el nmero que obtenemos como
probabilidad adquirir mayor precisin a medida que aumentan
las observaciones

Probabilidades subjetivas
Las probabilidades subjetivas estn basadas en las
creencias de las personas que efectan la
estimacin de probabilidad.
La probabilidad subjetiva se puede definir como la
probabilidad asignada a un evento por parte de un
individuo, basada en la evidencia que se tenga
disponible. Esa evidencia puede presentarse en
forma de frecuencia relativa de presentacin de
eventos pasados o puede tratarse simplemente de
una creencia meditada.

Probabilidades subjetivas

Las valoraciones subjetivas de la probabilidad permiten

mayor flexibilidad que los otros dos planteamientos. Los
tomadores de decisiones puede hacer uso de cualquier
evidencia que tengan a mano y mezclarlas con los
sentimientos personales sobre la situacin.

Las asignaciones de probabilidad subjetiva se dan con

ms frecuencia cuando los eventos se presentan slo
una vez o un nmero muy reducido de veces.

Como casi todas las decisiones sociales y

administrativas de alto nivel se refieren a situaciones
especficas y nicas, los responsables de tomar
decisiones hacen un uso considerable de la probabilidad
subjetiva

Clculo de probabilidades
Probabilidad se define mejor en cuanto a frecuencia relativa. As,
la probabilidad (P) de un fenmeno A est dada por P(A):
P ( A) =

Nmero de veces que ocurre A

Nmero total de veces que puede ocurrir A

Ejemplo: En una epidemia de intoxicacin alimentara, hubo 99

casos de la enfermedad (A) entre las 158 personas que acudieron
al banquete. La probabilidad de enfermar para una persona
seleccionada al azar es :
99
P ( A) =
= 0.6266
158

Probabilidad condicional
En el ejemplo de intoxicacin alimentara, la probabilidad de que
enfermara una persona dada fue de 0.6266. Sin embargo, la
probabilidad de enfermedad (A) tendra que modificarse si se
supiera que alimento comi (B) la persona. Esto introduce la idea de
probabilidad condicional o, la probabilidad de que A ocurra dado
que B ha ocurrido. La probabilidad condicional para A dado B se
define como

nmero de veces que A y B ocurren juntas

P( A/ B) =
nmero de veces que ocurre B

Ejemplo:
Suponga que 133 personas comieron pavo (B) en el banquete y de
estas; 95 enfermaron (A). Se desea determinar la probabilidad de
enfermedad para personas que comieron pavo en el banquete.
Expresado como una probabilidad condicional, esto es:

P( A / B) =

Nmero de personas que comieron pavo y enfermaron

Nmero de personas que comieron pavo

95
P( A / B) =
= 0.71
133

Fenmenos complejos
Los fenmenos que es expresan como combinaciones especificadas
( A y B ocurren) y
los que se expresan como alternativas
especificadas (A o B ocurren) se denominan fenmenos complejos.
P(A y B) : probabilidad de que A y B ocurran juntos.
Si A y B no pueden ocurrir juntos, se denominan mutuamente
exclusivos, entonces P (A y B)=0
P (A o B) : probabilidad de que A ocurra o de que B ocurra o que ambas
ocurran.
En otras palabras, P (A o B) expresa la probabilidad que al menos una de
los eventos A o B ocurra

Regla de multiplicacin
Dados dos eventos A y B. La probabilidad de que A y B ocurran se define
como:

P(A y B) = P(A/B) P(B)

Cuando los eventos A y B son independientes, se tiene

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

Ejemplo: Los efectos colaterales de un cierto frmaco sobrevienen en un

10% de los pacientes que lo toman. Un mdico tiene dos enfermos que
estn tomando el medicamento. Cul es la probabilidad de que ambos
experimentan efectos colaterales?
La aparicin de efectos colaterales en un paciente no afecta las
probabilidades de haya dichos efectos en el otro (Independencia) .
P(ambos experimentan efectos colaterales)= 0.1 x 0.1 = 0.01

(1% )

Regla de la adicin
Dados dos eventos A y B se define la probabilida de A o B ocurran como :

P(A o B)= P(A) + P(B)- P(A y B)

Cuando A y B son mutuamente exclusivas
P(A o B)= P(A) + P(B)
Ejemplo:
cul es la probabilidad de que al menos uno de los pacientes del
mdico presente efectos colaterales?
Uno de los pacientes A o B o ambos pueden presentar efectos
colaterales (los eventos no son excluyentes P(A y B)=0.01))

P(A o B) = 0.1 + 0.1 0.01 = 0.19

Ejemplo : Dao de rganos

en hipertensos
Se efectu un estudio de dao de rgano terminal (Entwisle y
colaboradores, 1977) en hipertensos atendidos en un hospital
Universitario. Los datos del cuadro se compilaron a partir de 306 casos
de hipertensin recin identificados, y muestra datos de dao de
rgano terminal clasificados por gravedad de la hipertensin.
Responda a las preguntas siguientes
1.

Cul es la probabilidad de que un paciente nuevo con hipertensin

que acude a la clnica tenga antecedentes de angina?

2. Dado que el enfermo presenta hipertensin grave cul es la

probabilidad de que haya antecedentes de angina?
3. Cul es la probabilidad de que el electrocardiograma resulte normal
en un paciente nuevo que acude a la clnica?

Cuadro 1. Dao de rganos terminal en hipertensos

Antecedentes
Angina
Total
Enferm.
Cerebrovasc.
Total
Anormalidad
electrocardiogrfica
Total

Gravedad de hipertensin
Leve/Mod.

Grave

Total

18

25

243

38

281

261

45

306

257

44

301

261

45

306

56

22

78

205

23

228

261

45

306

Variable aleatoria
Es una variable que cuantifica los resultados de un experimento
aleatorio o se puede decir tambin que es una variable que toma
diferentes valores como resultado de un experimento aleatorio.
Si la variable aleatoria puede tomar slo un nmero limitado de

valores, entonces se dice que es una variable aleatoria discreta.

En el otro extremo, si puede tomar cualquier valor dentro de un
intervalo dado, entonces se trata de una variable aleatoria
continua.
Ejemplo
X : Nmero de casos de fiebre amarilla

(Variable aleatoria discreta)

Y : Mediciones de glucosa en sangre

(variable aleatoria continua).

Variables aleatorias y
Distribucin de probabilidad .
Se puede pensar en una variable aleatoria como un valor o una
magnitud que cambia de un sujeto a otro, sin seguir una
secuencia predecible. Los valores de una variable aleatoria son
los valores numricos correspondientes a cada posible resultado
de un experimento aleatorio.
Una distribucin de frecuencias es un listado de las frecuencias
observadas de todos los resultados de un experimento que se
presentaron realmente cuando se efectu el experimento, mientras
que una distribucin de probabilidad es un listado de las
probabilidades de todos los posibles resultados que podran
obtenerse si el experimento se lleva a cabo.
La distribucin de probabilidad de una variable aleatoria
proporciona una probabilidad para cada valor posible, y estas
probabilidades deben sumar 1.

INTRODUCCIN A LAS DISTRIBUCIONES

DE PROBABILIDAD.
Las distribuciones de probabilidad estn relacionadas
con las distribuciones de frecuencias.
Una distribucin de frecuencias terica es una
distribucin de probabilidades que describe la forma en
que se espera que varen los resultados.
Debido a que estas distribuciones tratan sobre
expectativas de que algo suceda, resultan ser modelos
tiles para hacer inferencias y para tomar decisiones en
condiciones de incertidumbre.

Definiciones

Distribucin de probabilidades (X, P(x))

Modelo terico que describe la forma en que varan los
resultados de un experimento aleatorio. Lista de los
resultados de un experimento con las probabilidades que se
esperaran ver asociadas con cada resultado.

Funcin de probabilidad (X, F(x)) :

Funcin que asigna probabilidades a cada uno de los valores
de una variable aleatoria discreta.

Modelo Probabilistico
Un modelo es una simplificacin de la realidad.
Un modelo probabilstico es un modelo matemtico que describe el
comportamiento de una variable aleatoria. Es una funcin que
depende de los valores de la variable aleatoria, y de otras
cantidades que caracterizan a una poblacin en particular y que se
denominan parmetros del modelo.
En el proceso de modelacin, es necesario seguir los siguientes pasos:

1.
2.
3.
4.

Seleccionar el modelo ms apropiado.

Ajustar el modelo (calcular el valor de sus parmetros).
Verificar el modelo.
Decidir su aceptacin o volver al paso 1.

Modelo Probabilistico
En el proceso de modelacin, es necesario seguir los siguientes
pasos:
1.
2.
3.
4.

Seleccionar el modelo ms apropiado.

Ajustar el modelo (calcular el valor de sus parmetros).
Verificar el modelo.
Decidir su aceptacin o volver al paso 1.

Para ejecutar el paso 1, podemos optar por una amplia gama de

modelos de probabilidad, desarrollados para representar distintos
tipos de variables y diferentes fenmenos aleatorios. Por lo tanto, el
problema se reduce a elegir el modelo ms apropiado para el caso
en estudio.
Para ejecutar el paso 2, es necesario recopilar una muestra
representativa de la poblacin en estudio y calcular las cantidades
necesarias como para evaluar los parmetros del modelo.

La distribucin Binomial
Esta distribucin describe una variedad de procesos de inters para
los administradores y describe datos discretos, no continuos, que
son resultado de un experimento conocido como proceso de
Bernoulli.
Proceso de Bernoulli.
1.

Cada repeticin del experimento tiene slo dos resultados

posibles (xito/ fracaso.
2.
La probabilidad del resultado de cualquier repeticin
permanece
fijo con respecto al tiempo (P(xito)= p ; P(fracaso) = 1-p = q
3. Los intentos son estadsticamente independientes.

Distribucin Binomial
Ejemplo :
El experimento consiste en seleccionar aleatoriamente 3 pacientes
y determinar si tienen fiebre amarilla (xito).
1. Slo dos posibles resultados (tiene o no tiene la enfermedad)
2. La probabilidad de que un paciente tenga fiebre amarilla es p
( tasa de prevalencia).
3. La presencia de la enfermedad en un paciente es independiente
de la presencia en otro paciente
La variable aleatoria es :
X: Nmero de pacientes con fiebre amarilla

Distribucin Binomial
Frmula binomial:

n x
P( x) = p (1 p )n x
x

; x=0,1,2,...n

Donde :
p = Probabilidad de exito
1 - p = probabilidad de fracaso
x = nmero de xitos deseados
n = nmero de repeticiones del experimento

Esta distribucin es utilizada para modelar prevalencias

La distribucin de Poisson.
La distribucin de Poisson se utiliza para describir cierto tipo de procesos,
como por ejemplo:

El nmero de bacterias en un medio de cultivo,

Nmero de casos nuevos de una enfermedad en una ciudad
(incidencias),
La demanda (necesidades) de los pacientes que requieren
servicio en una institucin de salud,
El nmero de accidentes registrados en una cierta interseccin
de calles entre las 6 y 7 de la noche, etc.

Estos ejemplos tienen elementos en comn :

Pueden ser descritos mediante una variable aleatoria discreta que toma
valores enteros (0, 1, 2...),
El evento ocurre en un periodo de tiempo, un rea, un volumen.

La distribucin de Poisson.
Frmula binomial:

e x
P( x) =
x!

; x=0,1,2,...

: Nmero medio de ocurrencias del evento

: exponencial (su valor es 2.71828

: Nmero de xitos

Esta distribucin se utiliza para modelar incidencias

Distribucin Poisson
Ejemplo :
El nmero de suicidios en la Lima sigue una distribucin Poisson.
Adems se ha calculado que en promedio ocurren dos suicidios
por semana.
X: Nmero de suicidios
El modelo de probabilidad del nmero de suicidios ser

e 2 2 x
P( x) =
x!

; x=0,1,2,...

La probabilidad de que la prxima semana ocurra1 suicidio se calcula

como:
e2 21 e2
P( x) =
=
= 0.1353
1!
1

FUENTES DE SESGOS EN LA
SELECCIN DE MUESTRAS

FUENTES DE SESGOS EN LA
SELECCIN DE MUESTRAS
Por otro lado, cuando se toma una decisin en base
a la informacin de una muestra siempre existe el riesgo de
cometer un error denominado error de muestreo, No es
posible eliminar este tipo de error a menos que el tamao de
la muestra sea igual a la poblacin (N=n), lo ms que se
puede hacer es tratar de medirlo.
Este riesgo de conclusiones erradas debido a los
errores de muestreo puede ser medido siempre que las
muestras sean probabilsticas (muestras aleatorias).

COMPARACIN DE TIPOS DE
MUESTRAS

Muestra aleatoria
Cada persona (paciente) tiene igual chance (probabilidad)
de se ser seleccionado para la muestra. Dado que la
probabilidad de seleccionar cada elemento de la poblacin
es conocida, el investigador puede usar las diversas reglas
y leyes de la probabilidad para evaluar la confiabilidad de
las conclusiones que se obtengan a partir de muestras
aleatorias.

COMPARACIN DE TIPOS DE
MUESTRAS

Muestra no aleatoria
Las personas (pacientes) no son seleccionados de acuerdo
a un esquema de seleccin aleatoria (muestra no
probabilstica). Este tipo de muestras pueden ser muy tiles
para ciertos estudios; en los cuales no es indispensable que
las muestras sean aleatorias (probabilsticas) de la
poblacin, sino que renan ciertas caractersticas
previamente especificadas

TIPOS DE MUESTRAS
a) Muestras aleatorias
1.
Muestrea simple al azar
2.
Muestra sistemtica
3.
Muestra estratificada
4.
Muestra de conglomerados
5.
Muestra secuencial
b) Muestras no aleatorias
1
Muestra de conveniencia
2.
Muestras dirigidas
3.
Muestra de voluntarios
4.
Muestra de cuotas

TIPOS DE MUESTRAS
Muestreo secuencial
(1)

El nmero unidades seleccionadas (muestra) NO

es fijado

antes el comenzar el proyecto.

(2) Cada unidad de anlisis (elemento de la muestra) es

seleccionada y observada antes de seleccionar la

siguiente unidad.
(3) Cada unidad seleccionada es evaluada con
respecto a

algn criterio, y tan pronto como se logra un

determinado

nivel de este criterio se suspende el muestreo.

TIPOS DE MUESTRAS
Muestreo secuencial
Ejemplo:

Se selecciona dos grupos de

pacientes y se suministra una droga a un grupo y
un placebo o un tratamiento alternativo al otro.
Las personas seleccionadas para el estudio son
asignadas aleatoriamente a cada grupo. El
estudio es descontinuado cuando la droga
muestra una proporcin significativamente mayor
sujetos que muestran mejora comparado con el
grupo placebo u otro tratamiento.

VENTAJAS Y DESVENTAJAS DE LOS

DISEOS MUESTRALES ALEATORIOS Y NO
ALEATORIOS
Diseos
muestrales

Aleatoria

No
aleatoria

Ventajas

Ventajas

Minimiza la influencia del sesgo en

Costoso y consume tiempo.

la seleccin de la muestra.
Las pruebas de hiptesis
estadsticas asumen este tipo de
muestreo.
La generalizacin de los resultados
hacia la poblacin objetivo es ms
simple.

Requiere el uso de mecnismos

Menos costoso

No garantiza que las muestras sean

Administrativamente ms fcil

representativas.
.La generalizacin de los resultados
obtenidos en la muestra es
cuestionable.
Aumenta la posibilidad de que
ocurran sesgos en la seleccin.

Consume menos tiempo

aleatorios para la seleccin de la

muestra.
NO se garantiza que la muestra sea
representativa de la poblacin
especialmente si la muestra es
pequea.

EL TAMAO DE MUESTRA
Cuando decidimos realizar una investigacin, de
inmediato surgen dos preguntas :
1. Cuntos pacientes son necesarios para que la

muestra

represente a la poblacin y se puedan realizar

inferencias

vlidas?
2. Cmo se debe seleccionar los individuos que
conformarn
la muestra de modo que se eviten sesgos de
seleccin
(mtodo de seleccin)?.

EL TAMAO DE MUESTRA

Determinacin del tamao de nuestra depende de aspectos

prcticos como:
Cunto dinero tenemos para realizar el estudio?
De cunto tiempo disponemos para realizar el estudio y
presentar resultados?.
Qu tan grande es la poblacin sobre la cual queremos
hacer las inferencias?
Qu tan accesible es la poblacin ?

EL TAMAO DE MUESTRA

Depende de aspectos estadsticos como:

Qu tan rara es la caracterstica que pretendemos

investigar?
Qu tanta confianza queremos estamos dispuestos a
depositar en los resultados de la muestra?
Cul es el grado de variabilidad de la caracterstica

principal de nuestro estudio?.

EL TAMAO DE MUESTRA
Relacin entre el error y el tamao de muestra

grande
E
R
R
O
R

Pequeo
Pequeo

Grande

TAMAO DE MUESTRA (n )

EL TAMAO DE MUESTRA

El nivel de significacin ( ) y la potencia (1- ).

El parmetro poblacional que se est investigando es

desconocido por lo que el error slo puede ser establecido en
trminos probabilsticos :.
- La potencia de una teste es su habilidad para detectar una
diferencia especificada cuando ella realmente est presente.
Cuanto mayor es la potencia del teste mayor ser si
habilidad para rechazar una hiptesis nula falsa.
- El nivel de significacin es la probabilidad de detectar una
diferencia cuando este no est presente.

EL TAMAO DE MUESTRA

Z
n= 2
E

Z N
n= 2 2
Z + E2 N
2

E : Margen de error
Z : Valor de la variable normal estndar para una probabilidad (1- )

2 : medida de variabilidad de la varible principal

N : Tamao de la poblacin