 UNIVERSIDAD CATÓLICA DE CUYO .

 Facultad de Ciencias de la Alimentación, Bioquímicas y Farmacéuticas .

 Cátedra de Bioestadística .
 Curso: Cuarto Año – Carreras: Licenciatura en Bioquímica y Farmacia .


PROBABILIDAD

LIC.: Mariana L. Gomez

1
El concepto de probabilidad es manejado por
las personas en forma habitual sin notarlo
Frecuentemente se escuchan preguntas
como:

¿ Cuál es la probabilidad de que me saque la

lotería?
¿ Qué posibilidad hay de que me pase un
accidente automovilístico ?
¿ Qué posibilidad hay de que hoy llueva ? para
llevar mi paraguas o no.
¿ Existe alguna probabilidad de que repruebe
el primer parcial ?,

Lic. Mariana Gomez 2

Estas preguntas en lenguaje coloquial
esperan como respuesta una medida de
confianza representativa o práctica de que
ocurra un evento futuro, es decir, intentan
obtener una medida de las chances
(probabilidad) de que ocurra el evento.

Lic. Mariana Gomez 3

 Fenómenos Aleatorios y
Fenómenos Deterministicos.

Fenómeno Determinista.-
Es el fenómeno en el cual de antemano se
sabe cual será el resultado, y éste es único.

Fenómeno o experimento Aleatorio.-

Tiene más de un posible resultado (conocidos
o no) y es el azar el que determina cual de
dichos resultados se obtiene al ocurrir el
fenómeno.
Lic. Mariana Gomez 4
Por lo tanto un experimento es aleatorio si
se verifican las siguientes condiciones:

1. Se puede repetir indefinidamente,

siempre en las mismas condiciones;
2. Antes de realizarlo, no se puede predecir
el resultado que se va a obtener;
3. El resultado que se obtenga pertenece a
un conjunto de resultados posibles.

Lic. Mariana Gomez 5

Ejemplos:
- Tirar dardos en un blanco determinado
- Lanzar un par de dados
- Obtener una carta de una baraja
- Lanzar una moneda
- Medir el nivel de glucosa en sangre de
una persona.
- Ganancias mensuales de un negocio.
- Color de cabello de una persona elegida
al azar.

Lic. Mariana Gomez 6

Espacio Muestral

Es el conjunto de todos los posibles resultados

de interés de un experimento aleatorio dado, y
se le denota normalmente mediante la letra S.
Ejemplos:

1.- Experimento: Se lanza una moneda.

Espacio muestral = total de formas en como
puede caer la moneda, o sea dos formas de
interés, que caiga cara o que caiga seca. (Si
cae de canto no es de interés y se repite el
lanzamiento).
S = { c, se }
Lic. Mariana Gomez 7
Los eventos aleatorios se denotan
normalmente con las letras mayúsculas A, B,
C, ...

Son subconjuntos de S, esto es A, B, C. . S

Los eventos aleatorios son conjuntos que

pueden contener un solo elemento, una
infinidad de elementos, y también no
contener ningún elemento.

Al número de elementos (puntos

muestrales) de S se le representa por n(S)

Lic. Mariana Gomez 8

Eventos aleatorios especiales:

-Evento seguro:
Es un evento que ocurre independientemente
del resultado obtenido en el experimento, es
decir, todos los posibles resultados del
experimento hacen que se cumpla el evento
E=S y n(E) = n(S)

-Evento Imposible:
Es aquel que nunca se verifica como
resultado del experimento aleatorio. No tiene
elementos de interés para su fenómeno. Es un
subconjunto de S, y la única posibilidad es
que el evento imposible sea el conjunto vacío
  S, y n() = 0
Lic. Mariana Gomez 9
- Evento complementario a un evento A: Es
el evento formado por todos los resultados
del experimento que no cumplen con el
evento A.
Ya que los eventos son conjuntos, este
evento se denota con el símbolo Ac o bien Ā.

Lic. Mariana Gomez 10

Operaciones Básicas con Eventos Aleatorios

Ya que los eventos aleatorios son subconjuntos

del espacio muestral S, se pueden aplicar las
operaciones con conjuntos:

-Unión
- Intersección
- Diferencia.

Lic. Mariana Gomez 11

OPERACIÓN EXPRESION DESCRIPCION

UNION AB Unión de eventos

originales: es el evento
que sucede si y solo si
solo A sucede o solo B
sucede o ambos suceden
(o lo que es lo mismo
suceda por lo menos uno
de los eventos)
INTERSECCION AB Es el evento que sucede si
y sólo si A y B suceden
simultáneamente.
DIFERENCIA A-B= La diferencia de los
A Bc eventos originales A y B,
es el evento que sucede
solo A pero no B.
Lic. Mariana Gomez 12
Definición.- Se dice que dos eventos A y B
son mutuamente excluyentes, cuando no
pueden ocurrir simultáneamente, es decir,
A  B = .

Dos eventos no son mutuamente excluyentes

cuando puede suceder que ambos eventos
ocurran simultáneamente.

Lic. Mariana Gomez 13

Ejemplo:
Experimento: Se lanza un dado.
Espacio muestral = total de caras en que
puede caer el dado, o sea seis formas de
interés:
S = { 1,2,3,4,5,6 }, n(S) = 6
Sean A, B, C los eventos:
A: Que caiga un número impar = { 1, 3, 5 } ,
n(A) = 3
B: Que caiga un número mayor de 2 y menor
que 5 = { 3, 4 }, n(B) = 2
C: Que caiga un número par = { 2, 4, 6 } ,
n(C) = 3
Lic. Mariana Gomez 14
 Cálculo de Probabilidades

1) Definición frecuencial de Probabilidad:

Las frecuencias relativas de un evento

tienden a estabilizarse cuando el número de
observaciones se hace cada vez mayor.
Ejemplo: La regularidad estadística en el
experimento del lanzamiento de monedas,
indica que las frecuencias relativas del
evento: “que salga cara”, se tiende a
estabilizar aproximadamente en 1/2.

Lic. Mariana Gomez 15

La probabilidad frecuencial de un evento A,
denotada por P(A), es el cociente entre la
cantidad de veces que ocurrió el evento
cuando se realizó el experimento una
cantidad elevada de veces y la cantidad de
veces que se realizó el experimento:

P(A): nA / n

Donde:
-nA es la cantidad de veces que ocurrió el
evento A.
- n es la cantidad de veces que se realizó el
experimento.

Lic. Mariana Gomez 16

2) Definición clásica de probabilidad:
Sea S un espacio muestral finito y
equiprobable y A un evento de ese espacio.
Se define la probabilidad del evento A,
como:
P(A): n(A) / n(S)
donde
n(S) : Tamaño del espacio muestral. Número
de resultados posibles de obtener en el
experimento.
n(A) : Tamaño del evento A. Número de
resultados del experimento que son
favorables al evento A.
Lic. Mariana Gomez 17
3) Definición axiomática de probabilidad:

Axioma 1.- Sea S un espacio muestral

cualquiera y A un evento de dicho espacio,
entonces se cumple que

0  P(A)  1

esto significa que la probabilidad de cualquier

evento no puede ser más grande que uno, ni
ser menor que cero. Si es igual a 1 se llama
evento seguro, y cuando es cero se llama
evento imposible.
Lic. Mariana Gomez 18
Axioma 2.- La probabilidad del espacio
muestral S. el cual es un evento seguro, es
uno
P(S) = 1

Axioma 3.- Dados dos eventos A y B de

cierto espacio muestral, la probabilidad de
la unión de dichos eventos es:

P(AUB) = P(A) + P(B)

Siempre que A y B sean eventos

mutuamente excluyentes entre si.
Lic. Mariana Gomez 19
 Teoremas:
A partir de la definición axiomática se
pueden demostrar ciertos teoremas,
estos teoremas permiten realizar el
cálculo de probabilidades específicas:

Teorema 1.- Si  es el conjunto vacío,

entonces la probabilidad de  es igual a 0.

Teorema 2.-(Ley Aditiva de la

Probabilidad). Sean A y B dos eventos no
excluyentes, A  B  , entonces

P(A  B) = P(A) + P(B) - P(A  B)

Lic. Mariana Gomez 20
Teorema 3.- Sea A un evento cualquiera y
S un espacio muestral, tal que AS, si Ac es
el complemento del evento A, entonces la
probabilidad de Ac es igual a 1 menos la
probabilidad de A, es decir:

P(Ac) = 1 – P(A)

Lic. Mariana Gomez 21

Cuando se pueden trabajar los eventos como
conjuntos es simple obtener las
intersecciones pero cuando esto no sucede y
la intersección de dos eventos no es conocida
se debe introducir un nuevo concepto:

Eventos Independientes:

Se dice que los eventos A y B son

independientes si se cumplen:

P(A∩B) = P(A)*P(B)
P(A/B) = P(A)
P(B/A) = P(B)

Si no se cumplen, se dice que los eventos son

dependientes.
Lic. Mariana Gomez 22
Probabilidad Condicional.

Sea A un evento arbitrario de un espacio

muestral S, con P(B) > 0. La probabilidad
de que un evento A suceda una vez que B
ha sucedido o en otras palabras, la
probabilidad condicional de A dado B, se
define como:

P(A/B) = P(A∩B) / P(B)

Con lo cual se observa que

P(A∩B) = P(B)*P(A/B)
Lic. Mariana Gomez 23
Si los eventos A y B son independientes se cumple
que P(A∩B) = P(A)*P(B), con lo cual:
P(A/B) = P(A∩B) / P(A) = P(A)*P(B) / P(B) = P(A)
Ejemplo:
Experimento: Lanzar un dado.
A: que al lanzar el dado caiga 3
B: que al lanzar un dado salga un impar
Encontrar la probabilidad de que al lanzar un dado
se obtenga un 3 dado que se obtuvo un impar.
S = {1,2,3,4,5,6}, A = {3}, B = { 1,3,5}, (AB) = {3},
P(A) = 1/6
P(A/B) = P(AB)/ P(B)
= 1/6 / 3/6 = (1)(6)/(6)(3)
= 6/18 = 1/3

Lic. Mariana Gomez 24

Un caso especial en donde no se puede
determinar previamente si existe independencia
es el caso de las tablas de contingencia.

Ejemplo.

En cierta ciudad, las mujeres representan el

50% de la población y los hombres el otro 50%.
Se sabe que el 20% de las mujeres y el 5% de
los hombres están sin trabajo. Un economista
estudia la situación de empleo, elige al azar una
persona desempleada. Si la población total es
de 8000 personas,¿ Cuál es la probabilidad de
que la persona escogida sea ?:
Lic. Mariana Gomez 25
a).- Mujer
b).- Hombre
c).- Alguien con empleo
d).- Un desempleado
e).- Mujer dado que tiene empleo
f).- Un hombre o alguien desempleado
g).- Hombre o mujer

Sean los eventos:

M: Que sea Mujer
H: Que sea Hombre
D: Que sea Desempleado
E: Que sea Empleado
Lic. Mariana Gomez 26
Tabla Número de elementos de los Eventos M, H, D, E y S

Desempleado Empleados Total

s E
D
Mujeres 800 3200 4000
M
Hombres 200 3800 4000
H

Total 1000 7000 8000

Lic. Mariana Gomez 27

P(M) = 4000/8000 = 0.50
P(H) = 4000/8000 = 0.50
P(E) = 7000/8000 = 0.875
P(D) = 1000/8000 = 0.125
P(M/E) = P(ME)/P(E) =
(3200/8000)/(7000/8000) =
0.4571
P(HUD) = P(H) + P(D) – P(H∩D) =
(4000/800) + (1000/8000) -
(200/8000) = 4800/8000
P(MUH) = P(M) + P(H) = 1
Lic. Mariana Gomez 28
Eventos dependientes e independientes:

En el ejemplo anterior se tiene que

P(M) = 0.50
P(H) = 0.50
P(E) = 0.875
P(D) = 0.125
P(ME) = 0.40 P(M) P(E) = 0.4375
P(DH) = 0.025 P(D) P(H) = 0.0625
P(MD) = 0.10 P(M) P(D) = 0.0625
P(EH) = 0.475 P(E) P(H) = 0.4375

Lic. Mariana Gomez 29

Probabilidad total.-
Sean A1, A2, A3..., An eventos
disjuntos (mutuamente excluyentes),
que forman una partición de S. Esto es
Ai  Aj =  para toda i y toda j, y
además:
S = A1  A2  A3  An
A2
A5
A3
A1 A4

A6
An

Lic. Mariana Gomez 30

Y sea B otro evento tal que B  S y B 
Ai  
A2
A5
A3
A1 A4

A6

An

Lic. Mariana Gomez 31

Entonces
B = (A1  A2 A3 An)  B
= (A1  B) (A2  B) (A3 B)
 (An B)

Por lo que:

P(B) = P(A1B) +P(A2B) +P(A3B) +

...+P(An B)

Lic. Mariana Gomez 32

Ejemplo.-
En una pequeña empresa de productos
químicos se obtiene la producción con
tres máquinas M1, M2 y M3 que producen
respectivamente 50%, 30% y el 20% del
número total de artículos producidos.
Los porcentajes de productos
defectuosos producidos por estas
máquinas son 3%, 4% y 5%. Si se
selecciona un artículo al azar,
¿ Cuál es la probabilidad de que el artículo
sea defectuoso ?

Lic. Mariana Gomez 33

Sea
D el evento: Que sea un artículo
defectuoso.
P(M1) = 0.50 P(D/M1) = 0.03
P(M2) = 0.30 P(D/M2) = 0.04
P(M3) = 0.20 P(D/M3) = 0.05

P(D) = P(D/M1) P(M1) + P(D/M2) P(M2) +

P(D/M3) P(M3)
= 0.03(0.50) + 0.04(0.30) +
0.05(0.20) = 0.037

Lic. Mariana Gomez 34

 Pruebas diagnósticas
Diabetes:. La diabetes se debe a una deficiencia de la
hormona insulina o bien la insensibilidad del organismo
a su presencia. Es una enfermedad muy común que
afecta al 2% de la población (prevalencia)

Una prueba común para diagnosticar la diabetes,

consiste en medir el nivel de glucosa. En individuos
sanos suele variar entre 64 y 110mg/dL.
Valores por encima de 110 mg/dL se asocian con un
posible estado pre-diabético.
Pero no es seguro. Otras causas podrían ser:
hipertiroidismo, cáncer de páncreas, pancreatitis,
atracón reciente de comida…
Supongamos que los enfermos de diabetes, tienen un
valor medio de 126mg/dL.

Lic. Mariana Gomez 35

Funcionamiento de la prueba diagnóstica de
glucemia
 Valor límite:
110mg/dL
◦ Superior: test positivo.
◦ Inferior: test negativo.

 Probabilidad de
acierto:
◦ Para enfermos
 Verdadero positivo
(sensibilidad)
◦ Para sanos
 Verdadero negativo
(especificidad)

 Probabilidad de error
◦ Para enfermos
 Falso –
◦ Para sanos
 Falso +

Lic. Mariana Gomez 36

 ¿Cómo definir el punto de corte de la prueba diagnóstica?

No es simple. No es posible aumentar sensibilidad y especificidad al

mismo tiempo. Hay que elegir una solución de compromiso: Aceptable
sensibilidad y especificidad.
Lic. Mariana Gomez 37
Una prueba diagnóstica ayuda a mejorar una
estimación de la probabilidad de que un individuo
presente una enfermedad.
En principio tenemos una idea subjetiva de
P(Enfermo). Nos ayudamos de:

◦ Incidencia: Porcentaje de nuevos casos de la

enfermedad en la población.
◦ Prevalencia: Porcentaje de la población que
presenta una enfermedad.

Para confirmar la sospecha, usamos una prueba

diagnóstica. Ha sido evaluada con anterioridad sobre
dos grupos de individuos: sanos y enfermos. Así de
modo frecuentista se ha estimado:

Lic. Mariana Gomez 38

◦P(+ | Enfermo)= Sensibilidad (verdaderos +)= Tasa
de acierto sobre enfermos.
◦ P(- | Sano) = 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
función de los resultados del test): Índices predictivos

◦P(Enfermo | +) = Índice predictivo positivo

◦ P(Sano | -) = Índice predictivo negativo

Lic. Mariana Gomez 39

 Pruebas diagnósticas: aplicación T. Bayes.

Sensibilidad,
verdaderos +
T+
P. a priori de enfermedad:
incidencia, prevalencia,
intuición,… Enfermo

Falsos - T-
Individuo

Falsos +
T+
Sano

Especificidad,
Verdaderos - T-

Lic. Mariana Gomez 40

 Ejemplo: Índices predictivos

 La diabetes afecta al 2% Individuo

de los individuos.
0,98 0,02
 La presencia de
glucosuria se usa como
indicador de diabetes.

 Su sensibilidad es de
0,945.
0,945
 La especificidad de 0,977 0,023 0,055
0,977.

 Calcular los índices

T- T+
predictivos. T+ T-

Lic. Mariana Gomez 41

 P ( SanoT  ) P ( Sano) P (T |Sano)
P ( Sano | T  )  
P (T  ) P ( Sano) P (T |Sano)  P ( Enf ) P (T | Enf )
0, 980,977
  0, 999
0,980,977 0, 020, 055

P( Enf  T ) P( Enf ) P(T  | Enf )

P( Enf | T )  
P(T ) P(Sano) P(T  | Sano)  P( Enf ) P(T  | Enf )
0,02  0,945
  0,456
0,02  0,945  0,98  0,023

Lic. Mariana Gomez 42

 Observaciones -¿Qué probabilidad
tengo de estar
enfermo?
 En el ejemplo anterior, al llegar un
individuo a la consulta tenemos una idea a - En principio un 2%. Le
priori sobre la probabilidad de que tenga haremos unas pruebas.
una enfermedad.

 A continuación se le pasa una prueba

diagnóstica que nos aportará nueva
información: Presenta glucosuria o no.

 En función del resultado tenemos una

nueva idea (a posteriori) sobre la
probabilidad de que esté enfermo. - Presenta glucosuria.
◦ Nuestra opinión a priori ha sido La probabilidad ahora
modificada por el resultado de un es del 45,6%.
experimento.

Lic. Mariana Gomez 43