Documentos de Académico
Documentos de Profesional
Documentos de Cultura
III.1. Conceptos:
a) Fenómenos deterministas y estocásticos.
¿Qué es un fenómeno determinista? Es un acontecimiento del cual se puede predecir el resultado con
certeza, en virtud de la información de que dispone, (por ejemplo, al lanzar una pelota al aire, podemos
predecir que caerá.) Y además siempre tendrá el mismo resultado.
¿Qué es estocástico? Se denomina estocástico a aquel sistema que funciona, sobre todo, por el azar por lo
que no podemos saber su resultado.
Espacio Muestral.- Se llama espacio muestral (E) asociado a un experimento aleatorio, el conjunto de
todos los resultados posibles de dicho experimento.
Al lanzar una moneda, el espacio muestral es E = {sale cara, sale sello} ó E = {c, s}.
Al lanzar dos monedas, el espacio muestral es E = {(c,c), (c,s), (s,c), (s,s)}.
Al lanzar tres monedas, el espacio muestral es E = {(c,c,c), (c,c,s), (c,s,c), (c,s,s), (s,c,c), (s,c,s), (s,s,c), (s,s,s)}
Evento o Suceso. Se llama evento o suceso a todo subconjunto de un espacio muestral. Por ejemplo en el
espacio muestral E = {1, 2, 3, 4, 5, 6} del lanzamiento de un dado, los siguientes son eventos:
Combinación.- Es todo arreglo de elementos en donde NO nos interesa el lugar o posición que ocupa cada
uno de los elementos que constituyen dicho arreglo.
Ejemplo:
Una ensalada de frutas es una combinación de manzanas, uvas y bananas: no importa en qué orden
pusimos las frutas, podría ser "bananas, uvas y manzanas" o "uvas, manzanas y bananas", es la misma
ensalada.
Digamos que tenemos cinco sabores de helado: plátano, chocolate, limón, fresa y vainilla.
Puedes tomar 3 cucharadas.
¿Cuántas combinaciones hay?
Hay n=5 cosas para elegir, y quieres r=3 de ellas. (El orden no importa, ¡y sí puedes repetir!)
( n+r −1 ) !
Cr=
r ! ( n−1 ) !
Donde n es el número de cosas que puedes elegir, y quieres r de ellas (Se puede repetir, el orden no
importa)
Así funciona la lotería. Los números se eligen de uno en uno, y si tienes los números de
la suerte (da igual el orden) ¡entonces has ganado!
n!
Cs=
r ! ( n−r ) !
Donde n es el número de cosas que puedes elegir, y eliges r de ellas (No se puede repetir, el orden no
importa)
Ejemplo Por ejemplo, ¿cómo podrías ordenar 3 de 16 bolas de billar sin importar el orden?
Son las más fáciles de calcular. Si tienes n cosas para elegir y eliges r de ellas, las permutaciones posibles
son:
Pr= nr
Por ejemplo en la cerradura, hay 10 números para elegir (0, 1, 2,...,9) y eliges 3 de ellos: n r =
103 = 1000 permutaciones
2. Permutación sin repetición (No se repite, el orden importa y se usan todos los números) Estas
agrupaciones se diferencian entre si solo por el orden de sus elementos.
Pn= n!
Ejemplo.- ¿Cuántos números de 4 cifras se pueden formar con los números 2, 3, 5 y 7, sin que ninguno
falte o se repita?
4! = 1 x 2 x 3 x 4 = 24
En el caso de que solo se utilice parte de los n objetos con los que se cuenta se usa esta fórmula, en
donde el orden es importante y que no se puedan repetir objetos dentro del arreglo.
n!
Ps=
( n−r ) !
n = al total de elementos que puedes elegir. r = el número de elementos que vas a tomar.
Ejemplo.- elegir en orden 3 bolas de 16
n= 16 r=3
n! 16 ! 16 ! 20,922,789,888,000
Ps= = = = = 3360
( n−r ) ! ( 16−3 ) ! 13! 6,227,020,800
http://www.disfrutalasmatematicas.com/combinatoria/combinaciones-permutaciones-calculadora.html
d) Probabilidad clásica y frecuentista.
Concepto clásico
Concepto frecuentista
Surge así el concepto frecuentista de la probabilidad de un suceso como un número ideal al que converge
su frecuencia relativa cuando la frecuencia total tiende a infinito.
Así, solemos afirmar que la probabilidad de que salga un seis al tirar un dado es 1/6 porque al hacer un
gran número de tiradas su frecuencia relativa es aproximadamente esa.
En el lanzamiento de una moneda perfecta la probabilidad de cara debe ser igual que la de cruz y, por
tanto, ambas iguales a 1/2...
La probabilidad de cada uno de los seis sucesos elementales asociados al lanzamiento de un dado debe ser
1/6.
a) Ley de la adición
Sean dos eventos A y B mutuamente excluyentes, la Regla de la Adición establece que la Probabilidad de
ocurrencia de A o B se determina sumando sus respectivas probabilidades. P(A o B) = P( A ) + P (B)
Se aplica cuando tenemos dos eventos y se desea conocer la probabilidad de que ocurra al menos uno
de ellos.
Ejemplo
Un servicio de urología en el que el 38,2% de los pacientes a los que se les practica una biopsia prostática
presentan una hiperplasia benigna (HB), el 18,2% prostatitis (PR) y en un 43,6% el diagnóstico es de cáncer
(C).
La probabilidad de que en un paciente que se somete a una biopsia de próstata no se confirme el
diagnóstico de cáncer prostático será igual a:
Si un fenómeno determinado tiene dos posibles resultados A y B y una probabilidad de que ambas ocurran
se usa la expresión:
Supongamos que tenemos los eventos “A” y “B”. Queremos determinar la probabilidad de que suceda
“A” ó suceda “B”; ó bien, Sucedan AMBOS
La respuesta es fácil: tenemos que determinar todos los puntos muestrales que pertenecen a “A”, a “B”
o a ambos; lo que se conoce en teoría de conjuntos como la unión ( A ∪ B)
A
A B
B C
A ∪B A ∪ B ∪C
A
A B
B C
A∩B
Se sabe que en la Unidad de Cuidados Intensivos (UCI) el 6,9% de los pacientes que ingresan lo hacen con
una infección adquirida en el exterior, mientras que el 13,7% adquieren una infección durante su estancia
en el hospital. Se conoce además que el 1,5% de los enfermos ingresados en dicha unidad presentan una
infección de ambos tipos.
¿Cuál será entonces la probabilidad de que un determinado paciente presente una infección de cualquier
tipo en UCI?
Es decir, 19 de cada 100 enfermos registrará alguna infección (ya sea de tipo comunitario o nosocomial)
durante su ingreso en la citada unidad.
A) La probabilidad de que a una persona le guste Coca-Cola es de: p(C) = 20/50 = 0.4 ó 40%
B) La probabilidad de que a una persona le guste Pepsi es de: p(E) = 14/50 = 0.28 ó 28%
D) ¿Cuántas personas toman alguno de los dos?: P(C U E) = P(E) + P(C) - P(C y E)= 14 + 20 - 5 = 29
C ’∩ E’ =21
C ∩ E’ = 20C ∩ E =5C ’∩ E= 14
P (C ∩ E’) + P(C’∩ E) = 34
Ley de multiplicación: Una ley de probabilidad utilizada para calcular la probabilidad de una intersección:
P (A y B) = P(A)*P (B/A) o bien P(A y B) = P (B)*P(A/B).
Calcular la probabilidad de que un varón mayor de 40 años esté casado y tenga más de 2 hijos (suceso
intersección de A y B).
Por lo tanto:
P (A) = 0,35
P (B/A) = 0,30
P (A y B) = 0,35 * 0,30 = 0,105
Es decir, un 10,5% de los varones mayores de 40 años están casados y tienen más de 2 hijos.
Ejemplo.-
Javier tiene 2 acciones, IBM y General Electric (GE). La probabilidad de que las acciones de IBM
incrementen su valor este año, es de 0.5, mientras que la probabilidad de que las acciones de GE suban de
valor es del 0.7. Ambos eventos son independientes.
En pruebas de detección se debe considerar con cuidado que no siempre son pruebas infalibles. Es decir, el
procedimiento puede dar un falso positivo o un falso negativo.
David Blumenthal decía “Si los pacientes no están recibiendo un tratamiento correcto, alguien en su
proceso de diagnóstico y tratamiento está tomando decisiones incorrectas”
Pruebas diagnósticas
Pacientes Pacientes
Enfermos Sanos
Prueba Total
VP FP
Positiva Positivos
Prueba Total
FN VN
Negativa Negativos
Total Total
Enfermos Sanos
Falso positivo (FP): resulta cuando una prueba indica que el estado es positivo, cuando en realidad es
negativo.
Falso negativo (FN): resulta cuando una prueba indica que un estado es negativo, cuando en realidad es
positivo.
Prevalencia (P): es la probabilidad de enfermarse. O sea, es la probabilidad de encontrar la enfermedad en
la población.
Total Enfermos
P=
Población Total
Sensibilidad (S): es la probabilidad condicional de que un paciente sea diagnosticado como enfermo,
cuando se sabe que en realidad está enfermo.
VP
S=
Total Enfermos
Especificidad (E): Es la probabilidad condicional de que un paciente sea diagnosticado como sano, cuando
se sabe que en realidad está sano.
VN
E = Total Sanos
VP +VN
Eficiencia (Ef)=
Poblaci ó ntotal
VP
VPP =
(VP+ FP)
Valor Predictivo Negativo (VPN) Es la probabilidad de que un sujeto con un resultado negativo en la
prueba esté realmente sano.
VN
VPN=
(VN + FN )
De lo contrario
Prevalencia∗sensibilidad
VPP =
Prevalencia∗sensibilidad + ( 1−Prevalencia )∗(1−Especificidad )
(1−Prevalencia )∗Especificidad
VPN =
( 1−Prevalencia )∗Especificidad+ Prevalencia∗(1−Sensibilidad)
Sanos = 70
Sospechosos
negativa
Prueba
Prueba positiva
Sensibilidad (S) probabilidad de que un paciente
sea diagnosticado como enfermo, cuando se sabe
que en realidad está enfermo.
Enfermos =30
Positivos entre los enfermos =21
S= VP/Total Enfermos = 21/30 = 0.7 o 70%
negativa
Prueba
Prueba positiva
Especificidad (E) Es la probabilidad de que un
paciente sea diagnosticado como sano, cuando se
sabe que en realidad está sano.
Sanos =70
Negativos entre los sanos =67
E= VN/Total sanos= 67/70 = 0.95 o 95%
negativa
Prueba
Prueba positiva
Valor predictivo positivo (VPP) Es la probabilidad
de padecer la enfermedad si se obtiene un
resultado positivo en el test.
Pruebas positivas =24
Verdaderos positivos =21
VPP= VP / TP = 21/ 24 = 0.875 87.5%
Valor
predictivo
negativo (VPN)
Es laprobabilidad
de
que con
un sujeto unresultado
negativo
en la
prueba
estérealmente
sano.
Pruebas
negativas
=76
Verdaderos
=67
negativos
VPN=
VN/
TN = 67/
76 = ó
0.881 88.1%
Prueba negativa
Prueba positiva
Ejemplo 1. Consideremos como ejemplo un caso clínico en el que una gestante se somete a la prueba
de sobrecarga oral con 50 gramos de glucosa para explorar la presencia de diabetes gestacional,
obteniéndose un resultado positivo. Es sabido que dicho test presenta unos valores aproximados de
sensibilidad y especificidad en torno al 80% y al 87%, respectivamente. Si se conoce además que la
prevalencia de diabetes gestacional en la población de procedencia es aproximadamente de un 3%,
por medio del teorema de Bayes podemos conocer la probabilidad de que el diagnóstico sea
correcto o, equivalentemente, el valor predictivo positivo:
Prevalencia∗sensibilidad
VPP =
Prevalencia∗sensibilidad + ( 1−Prevalencia )∗(1−Especificidad )
0 . 03∗0 . 8 0 . 024
VPP = = =0 .159=15 .9 %
0 .03∗0 . 8+ ( 1−0 .03 )∗(1−0 . 87) 0 .024 +0 . 1261
Se puede concluir por lo tanto que, a pesar de obtener un resultado positivo en la prueba, existe sólo una
probabilidad de un 15,9% de que la paciente padezca diabetes gestacional.
Supongamos que además dicha paciente tiene más de 40 años de edad. Se sabe que en grupos de edad
más avanzada la prevalencia de diabetes gestacional entre las gestantes llega a aumentar hasta
aproximadamente un 8%. En este caso, el valor predicativo positivo asociado vendrá dado por:
0.08∗0.8 0.064
VPP = = =0.3486=34.86 %
0.08∗0.8+ ( 1−0.08 )∗(1−0.87) 0.064+0.1196
En este caso las posibilidades de un diagnóstico de diabetes gestacional aumentan hasta un 34,86%.
Ejemplo 2. Para diagnosticar una enfermedad en la arteria coronaria, un cardiólogo realiza un test de
tolerancia a un ejercicio físico programado. De sus historias clínicas con resultados verificados
escoge a 147 pacientes con problemas coronarios y los clasifica de acuerdo a su diagnóstico, junto
con el estado real que se pudo verificar después. De esta forma, arma una Tabla de diagnóstico
para ver que tan bien trabaja. Los resultados fueron:
Enfermedad Coronaria
Test de tolerancia al Pacientes Pacientes
Total
ejercicio físico Enfermos Sanos
Prueba
73 9 82
Positiva
Prueba
28 37 65
Negativa
Total 101 46 147
Prevalencia Especificidad
Total Enfermos 101
P= = =0.69 VN 37
Poblaci ó nTotal 147 E= = =0.80
Total Sanos 46
Sensibilidad
Eficiencia
VP 73
S= = =0.72 VP +VN 73+37
Total Enfermos 101 Ef= = =0.75 = 75%
Poblaci ó ntotal 147
VP 73 73
VPP = = = =0.8902=89 %
(VP+ FP) 73+9 82
VN 37 37
VPN= = = =0.5692=57 %
(VN + FN ) 37+28 65
Ejemplo 3. Si sabemos que la prevalencia en la población del VIH es de 1/1000 y que el test de VIH que
efectuamos tiene una sensibilidad del 98 % y una especificidad del 98 % ¿cuál es la probabilidad de
que un sujeto que ha resultado positivo sea verdaderamente portador del VIH?
0 . 001∗0 . 98 0.00098
VPP = = =0.0 46
0.001∗0 . 98+ ( 1−0 .001 )∗(1−0 . 98) 0.00098+0.01998
El diagnóstico consiste en establecer la enfermedad de un paciente, a partir de una serie de síntomas. Pero
los síntomas y las enfermedades no están ligados de un modo biunívoco.
Ejemplo 4. Un equipo de investigación médica pretende evaluar una prueba de detección propuesta
para la enfermedad de Alzheimer. La prueba se basa en una muestra aleatoria de 450 enfermos y
en otra muestra aleatoria independiente de 500 pacientes que no presentan síntomas de la
enfermedad. Las dos muestras se obtuvieron de una población de individuos con edades de 65 años
o más. Los resultados son los siguientes:
Diagnostico de Alzheimer
Resultado de la Pacientes Pacientes
Total
prueba Enfermos Sanos
Prueba
436 5 441
Positiva
Prueba
14 495 509
Negativa
Total 450 500 950
Prevalencia Especificidad
Total Enfermos 450
P= = =0.473 VN 495
Poblaci ó nTotal 950 E= = =0.99
Total Sanos 500
Sensibilidad
Eficiencia
VP 436
S= = =0.9688 VP +VN 436+ 495
Total Enfermos 450 Ef= = =0.98 = 98%
Poblaci ó ntotal 950
VP 436
VPP = = =0.9886=98 %
(VP+ FP) 436+5
Tal como se puede apreciar, en este caso, el valor predictivo de la prueba es muy alto.
Ejemplo 5. La prevalencia de sordera en niños recién nacidos sanos es de 1 por cada 1,000. Esta
prevalencia aumenta aproximadamente a 3 de cada 100 niños que se hallan en la terapia intensiva,
y a 3 de cada 10 que padecen meningitis y no reciben tratamiento adecuado. Esto lo definimos
también como probabilidad pre-test, la probabilidad de tener una condición, antes de realizar
cualquier prueba.
Ahora supongamos que existe una prueba auditiva para todos estos niños. La especificidad de esta
prueba es del 95%, y la sensibilidad es de un 90%. Hagamos la siguiente pregunta. Si un niño no “pasa” la
prueba, es decir, es positiva para sordera, ¿qué probabilidad tiene ahora de padecer sordera?
Ahora imagine que usted realiza un estudio con 100 mil niños sanos, utilizando esta prueba y obtiene los
siguientes resultados en una tabla de contingencia.
Prevalencia
Especificidad
Total Enfermos 100 VN 94905
P= = =0.001 = =0.95
Poblaci ó nTotal 100000 E=
Total Sanos 99900
Sensibilidad
VP 90
S= = =0.9 Eficiencia
Total Enfermos 100
VP +VN 90+94905
Ef= = =0.94= 94%
Poblaci ó ntotal 100000
VP 90
VPP = = =0.0176=1.8 %
(VP+ FP) 5085
El valor predictivo positivo queda en el 1.8%. Si un niño resulta con la prueba positiva, y la madre nos
pregunta “¿qué probabilidad hay de que en verdad mi hijo sea sordo?” la respuesta es esa,
“aproximadamente un 1.8%”, dada esta prevalencia de 1 en 1 000.
VN 94905
VPN= = =0.9998=99 %
(VN + FN ) 94915
Resultados de la exploración y biopsia prostática de una muestra de pacientes con sospecha de
cáncer de próstata.
Resultado del tacto Resultado de la biopsia prostática
rectal Cáncer Patología benigna Total
Anormal 634 269 903
Normal 487 1251 1738
Total 1121 1520 2641