Documentos de Académico
Documentos de Profesional
Documentos de Cultura
DISTRIBUCIONES DE
PROBABILIDAD CONTINUAS Y
DISCRETAS (CONTINUACIÓN)
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 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 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.
NOMBRE 8
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 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 2,10 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 140 cm.
▪ 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
1.- DISTRIBUCIONES DISCRETAS: DE BERNOULLI
▪ Elegir una persona de la población y que esté enfermo => p = 1/1.000 = prevalencia de la
enfermedad.
▪ Aplicar un tratamiento a un enfermo y que éste se cure => p = 95%, probabilidad de que el
individuo se cure.
NOMBRE PRESENTACIÓN 00
DISTRIBUCIÓN DISCRETAS: DE BERNOULLI
EJEMPLO 1: Se han observado, en base a estudios, 2.000 accidentes de tráfico con impacto
frontal y cuyos conductores no tenían cinturón de seguridad, en los que 300 individuos
quedaron con secuelas. Describa el experimento usando conceptos de variable aleatoria.
Solución:
La noción frecuentista de probabilidad, nos permite aproximar la probabilidad de tener secuelas
mediante el cálculo;
300 / 2000 = 0,15 = 15%
NOMBRE PRESENTACIÓN 00
DISTRIBUCIÓN DISCRETAS: DE BERNOULLI
EJEMPLO: Se ha observado, estudiando 2.000 accidentes de tráfico con impacto frontal y cuyos
conductores sí tenían cinturón de seguridad, que 10 individuos quedaron con secuelas.
Describa el experimento usando conceptos de variable aleatoria.
Solución:
La noción frecuentista de probabilidad nos permite aproximar la probabilidad de quedar con
secuelas:
10 / 2000 = 0,005 = 0,5%
NOMBRE PRESENTACIÓN 00
DISTRIBUCIÓN DISCRETAS: DE BERNOULLI
▪ En los dos ejemplos anteriores hemos visto como enunciar los resultados de un experimento
en forma de estimación de parámetros en distribuciones de Bernoulli.
NOMBRE PRESENTACIÓN 00
2.- DISTRIBUCIÓN DISCRETAS: BINOMIAL
El componente P(X = x | n, p) se lee como “la probabilidad de que X sea igual a x, dado el número
de intentos n y la probabilidad de éxito p en un intento determinado”.
Por tanto, la probabilidad de que haya tres personas vacunadas contra viruela entre 10
adultos escogidos al azar en una población grande en la que 40% ha sido vacunado es de
0,215 = 21,5%.
NOMBRE PRESENTACIÓN 00
DISTRIBUCIÓN DISCRETAS: BINOMIAL
▪ Por lo general, esta ecuación es un poco difícil de realizar por la gran cantidad de cálculos
que requiere. Para el cálculo de estas probabilidades se han desarrollado tablas de
distribución binomial, además de una fórmula de aproximación a la normal, que es muy útil
cuando el número de observaciones es muy grande.
2. Por la otra, asumiendo que μ = 𝜆 = np, esta distribución proporciona una buena
aproximación a la distribución binomial cuando p < 0,1 o p > 0,9 y n ≥ 20.
NOMBRE PRESENTACIÓN 00
DISTRIBUCIONES DISCRETAS: DE POISSON
2.- Sospechamos que diferentes hospitales pueden tener servicios de traumatología de diferente
“calidad” (algunos presentan pocos, pero creemos que aún demasiados, enfermos con secuelas tras la
intervención). Es difícil compararlos pues cada hospital atiende poblaciones de tamaños diferentes
(ciudades, pueblos,…). Tenemos en cada hospital X un n, el número de pacientes atendidos o número
de individuos de la población que cubre el hospital.
Tenemos p pequeño calculado como frecuencia relativa de secuelas con respecto al total de pacientes
que trata el hospital, o el tamaño de la población.