UNIDAD 3:

PROBABILIDADES – BAYES Y
FUNCIONES DE PROBABILIDAD
RESUMEN REGLAS DE CÁLCULO DE PROBABILIDADES BÁSICAS
Sean A, B ⊂ E no necesariamente disjuntos. Se verifican entonces las siguientes propiedades:

1. Probabilidad de la unión de eventos:

P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

2. Probabilidad de la intersección de eventos:

P (A ∩ B) = P (A) · P (B | A)
P (B) · P ( A | B)

3. Probabilidad del evento contrario:

P (𝐴ҧ ) = 1 − P (A)

4. Probabilidad condicional del evento contrario:

P (𝐴ҧ | B) = 1 − P ( A | B ) NOMBRE PRESENTACIÓN 00

TEORÍA DE LAS PROBABILIDADES: TEOREMA DE PROBABILIDAD TOTAL
▪ Si el espacio muestral se divide en k subconjuntos, de tal manera que los eventos B1, B2, B3,
… Bk constituyen una división del espacio muestral S, y que la probabilidad de observar cada
uno de los eventos P(Bi) ≠ 0,

▪ Entonces la probabilidad de observar cualquier otro evento A en el espacio muestral S será:

▪ El evento A ocurre cuando los eventos Bk

también pueden ocurrir con una probabilidad

P (Bk) ≠ 0.

▪ Considérese el diagrama de Venn de la figura.

En el espacio muestral se observa cómo el
evento A ocurre dentro de los diferentes
subconjuntos. NOMBRE PRESENTACIÓN 00
TEORÍA DE LAS PROBABILIDADES: TEOREMA DE PROBABILIDAD TOTAL
Todo evento B puede ser descompuesto en
componentes de dicho sistema.
A1 A2

B = (B ∩ A1) U (B ∩ A2 ) U ( B ∩ A3 ) U ( B ∩ A4 )

B A1 B

A2 B
Evento
A3 A4 seguro
A3 B

A4 B

NOMBRE PRESENTACIÓN 00
TEORÍA DE LAS PROBABILIDADES: TEOREMA DE PROBABILIDAD TOTAL
Si conocemos la probabilidad de B en cada uno de los
A1 A2
componentes de un sistema exhaustivo y excluyente de
sucesos, entonces podemos calcular la probabilidad de
B.

P(B|A1)
B A1 B
P(A1)
P(B|A2)
P(A2) B
A2
Evento
A3 A4 seguro P(A3)
P(B|A3)
P(A4) A3 B
P(B|A4)
A4 B
P(B) = P (B∩A1) + P (B∩A2 ) + P (B∩A3 ) + P(B∩A4 )

= P (A1) x P(B | A1) + P(A2) x + …+ P(B | An)

NOMBRE PRESENTACIÓN 00
TEORÍA DE LAS PROBABILIDADES: TEOREMA DE PROBABILIDAD TOTAL
EJEMPLO : En la sala, un 70% de los alumnos son mujeres. De ellas
el 10% son fumadoras. De los hombres, son fumadores el 20%.

Teorema de la Probabilidad total

Hombres y mujeres forman un sistema Exhaustivo y Fuma
Excluyente de sucesos 0,1

¿Qué porcentaje de fumadores hay? Mujer

0,9
0,7
P (F) = P (M ∩ F) + P (H ∩ F) No fuma
Estudiante
= P (M) x P (F | M) + P (H) x P (F | H)
0,3 0,2
= 0,7 x 0,1 + 0,3 x 0,2 Fuma
Hombre
= 0,13 =13%
0,8
•Los caminos a través de nodos representan intersecciones.
No fuma
•Las bifurcaciones representan uniones disjuntas.
NOMBRE PRESENTACIÓN 00
TEORÍA DE LAS PROBABILIDADES: TEOREMA DE PROBABILIDAD TOTAL
EJEMPLO: En un centro médico hay dos quirófanos. El primero se usa el 75% de veces para
operar. En el primer quirófano la frecuencia de infección es del 5%, y en el segundo del 10%.

Infec.
¿Qué probabilidad total de infección hay? 0,05

P (I) = P (Q1 ∩ I) + P (Q2 ∩ I) Q1

0,95
0,75
No infec.
= P (Q1) x P (I | Q1) + P(Q2) x P (I | Q2)
Paciente
= 0,75 x 0,05 + 0,25 x 0,1
0,25 0,1
Infec.
= 0,0625 = 6,25% Q2

0,9
No infec.
NOMBRE PRESENTACIÓN 00
TEORÍA DE LAS PROBABILIDADES: TEOREMA DE BAYES
Si conocemos la probabilidad de B en cada uno de
los componentes de un sistema exhaustivo y
A1 A2 excluyente de sucesos, entonces…

…si ocurre B, podemos calcular la probabilidad (a

posteriori) de ocurrencia de cada Evento Ai.

P(B∩Ai)
P(Ai | B) =
A3 A4 P(B)
donde P(B) se puede calcular usando el teorema de la probabilidad total:

P(B) = P (B ∩ A1) + P (B ∩ A2 ) + P (B ∩ A3) + P (B ∩ A4)

= P (B | A1) x P(A1) + P (B |A2) P(A2) + … P (B |An) P(An)

NOMBRE PRESENTACIÓN 00
TEORÍA DE LAS PROBABILIDADES: TEOREMA DE BAYES
EJEMPLO : En la sala, un 70% de los alumnos son mujeres. De
ellas el 10% son fumadoras. De los hombres, son fumadores el
20%.
Fuma
0,1
Se elije a un individuo al azar y es fumador. ¿Cuál es la
probabilidad de que sea un hombre? Mujer
0,7 0,9
P( H  F ) P( H )  P( F | H ) No fuma
P( H | F ) = = = Estudiante
P( F ) P( F )
0,3  0,2 0,2
= = 0,46 0,3 Fuma
0,13 Hombre

0,8
No fuma

NOMBRE PRESENTACIÓN 00
TEORÍA DE LAS PROBABILIDADES: TEOREMA DE BAYES
Ejemplo (V): En un centro médico hay dos quirófanos.
El 1º se usa el 75% de veces para operar. En el 1º la
frecuencia de infección es del 5%, y en el 2º del 10%.
Infec
0,05
- ¿Qué probabilidad de infección hay? P(I) = 0,0625
Q1
- Se ha producido una infección. 0,75 0,95
¿Qué probabilidad hay de que sea en el Quirófano 1? No infec
Paciente
P (Q1 | I ) = P (Q1 ∩ I) = P (Q1) x P (I | Q1)
P (I) P (I)
0,25 0,1
Infec
= 0,75 x 0,05 = 60% Q2
0,0625
0,9
No infec

NOMBRE PRESENTACIÓN 00
EJEMPLO DE PRUEBAS DIAGNÓSTICAS : DIABETES
▪ Los carbohidratos que ingerimos terminan como glucosa en la sangre. El exceso se transforma en
glucógeno y se almacena en el hígado y los músculos. Este se transforma entre comidas de nuevo en
glucosa según las necesidades.

▪ La principal hormona que regula su concentración es la insulina. La diabetes provoca su deficiencia 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 glucose en la sangre. En
individuos sanos suele variar entre 64 y 110mg/dL.

▪ El cambio de color de un indicador al contacto con la orina suele usarse como indicador (resultado del
test positivo).

▪ 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, ingesta excesiva reciente
de comida.

▪ Supongamos que los enfermos de diabetes, tienen un valor medio de 126mg/dL.

NOMBRE PRESENTACIÓN 00
EJEMPLO DE PRUEBAS DIAGNÓSTICAS : DIABETES
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 +

NOMBRE PRESENTACIÓN 00
¿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: Es decir, lograr una aceptable sensibilidad y
especificidad.
NOMBRE PRESENTACIÓN 00
EJEMPLO DE PRUEBAS DIAGNÓSTICAS : DIABETES
▪ 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:
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

NOMBRE PRESENTACIÓN 00
EJEMPLO DE PRUEBAS DIAGNÓSTICAS : TEOREMA DE BAYES Y DIABETES

Sensibilidad, T+
verdaderos +
Prob.. a priori de enfermedad:
incid., preval., intuición,… Enfermo

Falsos - T-
Individuo
Falsos +
T+
Sano

Especificidad, T-
Verdaderos -

NOMBRE PRESENTACIÓN 00
EJEMPLO DE PRUEBAS DIAGNÓSTICAS : TEOREMA DE BAYES Y DIABETES
Individuo
La diabetes afecta al 2% de los
individuos. 0,98 0,02

La presencia de glucosuria se
usa como indicador de diabetes.

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

Calcular los índices predictivos. T+ T- T+

T-
P( Sano  T −) P( Sano) P(T − | Sano) P( Enf  T +) P( Enf ) P(T + | Enf )
P( Sano | T −) = = P( Enf | T +) = =
P(T −) P( Sano) P(T − | Sano) + P( Enf ) P(T − | Enf ) P(T +) P( Sano) P(T + | Sano) + P( Enf ) P(T + | Enf )
0,98  0,977 0,02  0,945
= = 0,999 = = 0,456
0,98  0,977 + 0,02  0,055 0,02  0,945 + 0,98  0,023
NOMBRE 16
PRESENTACIÓN 00
EJEMPLO DE PRUEBAS DIAGNÓSTICAS : TEOREMA DE BAYES Y DIABETES
-¿Qué probabilidad tengo
En el ejemplo anterior, al llegar un individuo a la de estar enfermo?
consulta tenemos una idea a priori sobre la
- En principio un 2%. Le
probabilidad de que tenga una enfermedad.
haremos unas pruebas.

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. La
probabilidad ahora es del
Nuestra opinión a priori ha sido modificada por 45,6%.
el resultado de un experimento.

NOMBRE 17
PRESENTACIÓN 00
VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD

▪ Si a cada punto de un espacio muestral asignamos un número, así definimos una

función en el espacio muestral. Esta función se llama variable aleatoria (o variable
estocástica) o más precisamente función aleatoria (función estocástica).

▪ Comúnmente se denota por una letra mayúscula como X o Y. En general, una

variable aleatoria tiene algún significado físico, geométrico u otro.

▪ A esta expresión de probabilidad, P(X = x), se le conoce como función de

probabilidad, o distribución de probabilidad, y se representa mediante :

𝒇 𝒙 = P (X = xk )

▪ Una variable aleatoria que toma un número finito o infinito contable de valores se
denomina variable aleatoria discreta, mientras que una que toma un número
infinito no contable de valores se llama variable aleatoria no discreta o continua.
NOMBRE PRESENTACIÓN 00
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS

▪ Si una variable X toma un conjunto discreto de valores X1, X2, . . . , XK con

probabilidades respectivas p1, p2, . . . , pK, donde p1 + p2 +. . .+ pK = 1, esto se define
como una distribución de probabilidad discreta de X.

▪ La función p (X), que tiene los valores p1, p2, . . . , pK para X = X1, X2, . . . , XK ,
respectivamente, se llama función de probabilidad o función de frecuencia de X.

▪ Como X puede tomar ciertos valores con determinadas probabilidades, suele llamársele
variable aleatoria discreta. A las variables aleatorias también se les conoce como
variables estocásticas.

▪ Ejemplo: Número de caras al lanzar 3 monedas

(frecuencia relativa y diagrama de barras). Una
distribución de probabilidad se puede representar
graficando p(X) contra X, como se hace con las
distribuciones de frecuencias relativas.
NOMBRE PRESENTACIÓN 00
DISTRIBUCIONES DE PROBABILIDAD DISCRETAS
EJEMPLO: Se tiran al azar 2 dados diferentes, y los resultados se anotan como la suma de los
puntos que caen hacia arriba:

S = {11, 12, 13, 14, 15, 16, 21, 22, 23, 24, 25, 26, 31, 32, 33, 34, 35, 36, 41, 42, 43, 44, 45, 46,
51, 52, 53, 54, 55, 56, 61, 62, 63, 64, 65, 66}

NOMBRE PRESENTACIÓN 00
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS
Las ideas anteriores pueden extenderse al caso en el que la variable X puede tomar un conjunto
continuo de valores. El polígono de frecuencias relativas de la muestra se convierte, en el caso
teórico o límite de una población, en una curva continua cuya ecuación es Y = p (X).

El área total limitada por el eje X, bajo esta curva, es igual a 1, y el área entre las rectas X = a y X
= b (que aparece sombreada en la figura 6-3) corresponde a la probabilidad de que X se
encuentre entre a y b, lo que se denota como P {a < X < b}.

A p(X) se le conoce como función de densidad

de probabilidad o brevemente función de densidad,
y cuando se da una de estas funciones se dice que
se define una distribución de probabilidad continua
para X; a la variable X suele llamársele variable
aleatoria continua. Como en el caso discreto, se
pueden definir distribuciones de probabilidad
acumulada y las funciones de distribución
correspondientes.
NOMBRE PRESENTACIÓN 00
DISTRIBUCIONES DE PROBABILIDAD CONTINUAS: FUNCIÓN DE DENSIDAD

▪ Muchos procesos aleatorios vienen descritos por variables, de forma que son conocidas las
probabilidades en intervalos.

▪ La integral definida de la función de densidad en dichos intervalos coincide con la

probabilidad de los mismos.

▪ Es decir, identificamos la probabilidad de un intervalo con el área bajo la función de

densidad.

NOMBRE PRESENTACIÓN 00
DISTRIBUCIONES CONTINUAS: FUNCIÓN DE DISTRIBUCIÓN

▪ Es la función que asocia a cada valor de una variable, la probabilidad acumulada de los
valores inferiores o iguales.

▪ Es similar a las frecuencias acumuladas que vimos anteriormente.

▪ A los valores extremadamente bajos les corresponden valores de la función de distribución

cercanos a cero, mientras que a los valores extremadamente altos les corresponden valores
de la función de distribución cercanos a uno.

▪ Generalmente lo encontraremos con el nombre de “p-valor”, significación.

NOMBRE PRESENTACIÓN 00
DISTRIBUCIONES CONTINUAS: UTILIDAD DE LA FUNCIÓN DE DISTRIBUCIÓN

1. Contrastar lo anómalo de una observación concreta.

▪ Por ejemplo, sabemos que una persona de altura 2,10 cm. es “anómala” porque la función de
distribución en 210 es muy alta.

▪ También sabemos que una persona adulta que mida menos de 140cm es “anómala” porque la
función de distribución es muy baja para 140cm.

▪ Por su parte, una persona que mida 1,70 cm. no posee una altura nada extraña pues su
función de distribución es aproximadamente 0,5.

2. En contrastes de hipótesis: podremos observar unos resultados experimentales, y contrastar

lo “anómalos” que son, en relación con una hipótesis determinada.

NOMBRE PRESENTACIÓN 00
VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA

1. VALOR ESPERADO :

✓ Se representa mediante E (X) o μ, y es el equivalente a la media

2. VARIANZA:

✓ Se representa mediante VAR (X) o σ2.

✓ Es el equivalente a la varianza, mientras que σ es la desviación estándar.

NOMBRE PRESENTACIÓN 00
MODELOS DE VARIABLES ALEATORIAS

▪ Hay Variables aleatorias que aparecen con frecuencia en las Ciencias de la Salud.

1. Experimentos dicotómicos.
2. Bernoulli

▪ Algunas distribuciones nos permiten contar éxitos en experimentos dicotómicos

repetidos:

1. Binomial
2. Poisson (sucesos raros)
3. Hipergeométrica

▪ Y en otras muchas ocasiones…

1. Distribución normal (gaussiana, campana de Gauss)

NOMBRE PRESENTACIÓN 00