Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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:
P (A ∪ B) = P (A) + P (B) − P (A ∩ B)
P (A ∩ B) = P (A) · P (B | A)
P (B) · P ( A | B)
P (𝐴ҧ ) = 1 − P (A)
P (Bk) ≠ 0.
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 )
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%.
Infec.
¿Qué probabilidad total de infección hay? 0,05
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…
P(B∩Ai)
P(Ai | B) =
A3 A4 P(B)
donde P(B) se puede calcular usando el teorema de la probabilidad total:
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.
▪ 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.
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?
▪ 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.
NOMBRE 17
PRESENTACIÓN 00
VARIABLES ALEATORIAS Y DISTRIBUCIONES DE PROBABILIDAD
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
▪ 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.
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}.
▪ Muchos procesos aleatorios vienen descritos por variables, de forma que son conocidas las
probabilidades en intervalos.
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.
NOMBRE PRESENTACIÓN 00
DISTRIBUCIONES CONTINUAS: UTILIDAD DE LA FUNCIÓN DE DISTRIBUCIÓN
▪ 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.
NOMBRE PRESENTACIÓN 00
VALOR ESPERADO Y VARIANZA DE UNA VARIABLE ALEATORIA
1. VALOR ESPERADO :
2. VARIANZA:
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
1. Binomial
2. Poisson (sucesos raros)
3. Hipergeométrica
NOMBRE PRESENTACIÓN 00