Guía 3 probabilidades condicionadas “avanzada”.

1. En una población, el 30% de las personas tienen diabetes y el 40% de las personas con diabetes
también tienen hipertensión. Si seleccionamos una persona al azar de esta población, ¿cuál es la
probabilidad de que tenga diabetes y hipertensión?

2. En una prueba de diagnóstico para una enfermedad, se sabe que la sensibilidad es del 90% y la
especificidad es del 95%. Si una persona tiene la enfermedad, ¿cuál es la probabilidad de que la
prueba dé positivo?

3. En una población, el 20% de las personas son fumadoras y el 10% de las personas no fumadoras
tienen asma. Si seleccionamos una persona al azar de esta población y resulta ser asmática, ¿cuál es
la probabilidad de que sea fumadora?

4. Se sabe que el 5% de las mujeres mayores de 40 años tienen cierto tipo de cáncer de mama. Si
una mujer tiene este cáncer, la probabilidad de que un examen mamográfico dé positivo es del 80%.
Si una mujer tiene más de 40 años y su examen mamográfico da positivo, ¿cuál es la probabilidad
de que tenga este tipo de cáncer?

5. En una población, el 25% de las personas tienen un genotipo específico y el 10% de las personas
con ese genotipo desarrollan una enfermedad. Si seleccionamos una persona al azar de esta
población y resulta que tiene la enfermedad, ¿cuál es la probabilidad de que tenga ese genotipo?

6. Se sabe que el 60% de las personas que sufren un ataque cardíaco tienen antecedentes de fumar.
Si una persona sufre un ataque cardíaco y la probabilidad de sufrir un ataque cardíaco sin ser
fumador es del 5% ¿cuál es la probabilidad de que sea fumadora?

7. En una población, el 30% de las personas tienen diabetes y el 45% de las personas con diabetes
tienen obesidad. Si seleccionamos una persona al azar de esta población y resulta que tiene
obesidad, además la probabilidad de tener obesidad en la población en general es del 15%., ¿cuál
es la probabilidad de que tenga diabetes?

8. En una población, el 10% de las personas tienen un genotipo específico y el 5% de las personas
sin ese genotipo desarrollan una enfermedad. Si seleccionamos una persona al azar de esta
población y resulta que no tiene la enfermedad, ¿cuál es la probabilidad de que tenga ese genotipo?
Estos ejercicios de probabilidades condicionadas te ayudarán a comprender y aplicar los conceptos
fundamentales de la bioestadística avanzada. Recuerda que es importante practicar con problemas
similares para afianzar tus conocimientos en esta área.

DESARROLLO.

EJ 1.-
Para calcular la probabilidad de que una persona seleccionada al azar de la población tenga diabetes E
hipertensión, necesitamos utilizar la probabilidad condicional.

Dado que el 30% de las personas tienen diabetes, la probabilidad de tener diabetes (D) es de 0.3, es decir, P(D)
= 0.3.

Dado que el 40% de las personas con diabetes también tienen hipertensión, la probabilidad de tener
hipertensión (H) dado que ya se tiene diabetes es de 0.4, es decir, P(H|D) = 0.4.

La probabilidad de tener diabetes y hipertensión (D y H) se calcula multiplicando las probabilidades de tener

diabetes y la probabilidad de tener hipertensión dado que ya se tiene diabetes. Por lo tanto:

P(D y H) = P(D) * P(H|D) = 0.3 * 0.4 = 0.12

Por lo tanto, la probabilidad de que una persona seleccionada al azar de esta población tenga diabetes y
hipertensión es del 12% o 0.12.

EJ 2.-
Para calcular la probabilidad de que la prueba dé positivo si una persona tiene la enfermedad, necesitamos
utilizar el concepto de valores predictivos.

La sensibilidad se define como la proporción de personas con la enfermedad que obtienen un resultado
positivo en la prueba. En este caso, la sensibilidad es del 90%. Esto significa que si una persona tiene la
enfermedad, hay un 90% de probabilidad de que la prueba dé positivo.

La especificidad se define como la proporción de personas sin la enfermedad que obtienen un resultado
negativo en la prueba. En este caso, la especificidad es del 95%. Esto significa que si una persona no tiene la
enfermedad, hay un 95% de probabilidad de que la prueba dé negativo.

Para calcular la probabilidad de que la prueba dé positivo si una persona tiene la enfermedad, podemos utilizar
la fórmula de valores predictivos positivos:

Probabilidad de resultado positivo dado que la persona tiene la enfermedad = (Sensibilidad * Prevalencia) /
[(Sensibilidad * Prevalencia) + [(1 - Especificidad) * (1 - Prevalencia)]]

La prevalencia es la proporción de personas en la población que tienen la enfermedad. Supongamos que la

prevalencia es del 5% (0.05).

Sustituyendo los valores en la fórmula:

Probabilidad de resultado positivo dado que la persona tiene la enfermedad

= (0.9 * 0.05) / [(0.9 * 0.05) + [(1 - 0.95) * (1 - 0.05)]]

= 0.045 / [0.045 + (0.05 * 0.05)]

= 0.045 / [0.045 + 0.0025]

= 0.045 / 0.0475

≈ 0.947

Por lo tanto, la probabilidad de que la prueba dé positivo si una persona tiene la enfermedad es
aproximadamente del 94.7%.

EJ 3.-
Para calcular la probabilidad de que una persona asmática seleccionada al azar sea fumadora, podemos utilizar
el teorema de Bayes. El enunciado nos proporciona dos probabilidades:

1. P(A) = 0.20: La probabilidad de que una persona seleccionada al azar sea fumadora.

2. P(B|A') = 0.10: La probabilidad de que una persona no fumadora (A') tenga asma.

Queremos calcular la probabilidad condicional P(A|B), que es la probabilidad de que una persona seleccionada
al azar sea fumadora dado que tiene asma. Podemos utilizar la siguiente fórmula:

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

P(B) es la probabilidad de tener asma, y podemos calcularla utilizando la ley de probabilidades totales:

P(B) = P(B|A) * P(A) + P(B|A') * P(A')

P(A') es la probabilidad de no ser fumador, que se calcula como complemento de P(A):

P(A') = 1 - P(A)

Sustituyendo los valores conocidos en las fórmulas, tenemos:

P(B) = P(B|A) * P(A) + P(B|A') * P(A')

= 0.10 * 0.20 + 0.10 * (1 - 0.20)

= 0.02 + 0.08

= 0.10

Ahora podemos calcular P(A|B):

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

= (0.10 * 0.20) / 0.10

= 0.02 / 0.10

= 0.2

Por lo tanto, la probabilidad de que una persona seleccionada al azar, que tiene asma, sea fumadora es del
20%.
EJ 4.-

Podemos resolver este problema utilizando el teorema de Bayes.

Sea A el evento de tener el cáncer de mama y B el evento de que el examen mamográfico dé positivo.
Queremos encontrar la probabilidad condicional de A dado B, es decir, P(A|B).

De acuerdo con la información proporcionada, conocemos las siguientes probabilidades:

P(A) = 0.05 (probabilidad de tener el cáncer de mama)

P(B|A) = 0.80 (probabilidad de que el examen dé positivo dado que se tiene el cáncer de mama)

El enunciado no nos da directamente la probabilidad de que el examen dé positivo si no se tiene el

cáncer de mama (P(B|A')). Sin embargo, podemos calcularlo utilizando la regla del complemento:

P(B|A') = 1 - P(B'|A')

P(B|A') = 1 - P(B'|A') (donde B' es el evento complementario de B)

La probabilidad de que el examen dé positivo si no se tiene el cáncer de mama (P(B'|A')) se puede
calcular de la siguiente manera:

P(B'|A') = 1 - P(B|A')

Dado que no se proporciona esta probabilidad directamente, no podemos calcularla con la

información disponible. Sin embargo, podemos suponer que el resultado de un examen
mamográfico para una mujer sin cáncer de mama es generalmente negativo (es decir, P(B'|A') es
alta). Vamos a suponer que P(B'|A') es del 5% (0.05) en este caso.

Ahora podemos calcular P(B), la probabilidad de que el examen dé positivo:

P(B) = P(B|A) * P(A) + P(B|A') * P(A')

P(B) = 0.80 * 0.05 + 0.05 * 0.95

P(B) = 0.04 + 0.0475

P(B) = 0.0875

Finalmente, podemos utilizar el teorema de Bayes para calcular P(A|B), la probabilidad de tener el
cáncer de mama dado que el examen dio positivo:

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

P(A|B) = (0.80 * 0.05) / 0.0875

P(A|B) = 0.04 / 0.0875

P(A|B) ≈ 0.457

Por lo tanto, la probabilidad de que una mujer de más de 40 años tenga este tipo de cáncer de mama,
dado que su examen mamográfico dio positivo, es aproximadamente 0.457 o 45.7%.
EJ 5.-

Para resolver este problema, podemos utilizar el teorema de Bayes. Sea A el evento de tener el
genotipo específico y B el evento de tener la enfermedad. Queremos calcular la probabilidad
condicional P(A|B), es decir, la probabilidad de tener el genotipo dado que la persona tiene la
enfermedad.

Según la información proporcionada:

P(A) = 0.25 (la probabilidad de tener el genotipo específico)

P(B|A) = 0.10 (la probabilidad de desarrollar la enfermedad dado que se tiene el genotipo específico)

Además, necesitamos calcular P(B), que es la probabilidad de tener la enfermedad, sin considerar el
genotipo específico. Podemos calcularlo utilizando la regla de la probabilidad total:

P(B) = P(B|A) * P(A) + P(B|~A) * P(~A)

Donde ~A representa el evento complementario de tener el genotipo específico.

Dado que no se proporciona información adicional sobre P(B|~A) y P(~A), no podemos calcular P(B)
de forma precisa. Sin embargo, podemos hacer una suposición razonable para este ejemplo y asignar
un valor a P(B|~A). Supongamos que el 5% de las personas sin el genotipo específico desarrollan la
enfermedad. Entonces:

P(B|~A) = 0.05 (la probabilidad de desarrollar la enfermedad dado que no se tiene el genotipo
específico)

Ahora, podemos calcular P(B):

P(B) = P(B|A) * P(A) + P(B|~A) * P(~A)

= 0.10 * 0.25 + 0.05 * (1 - 0.25)

= 0.025 + 0.0375

= 0.0625

Finalmente, utilizando el teorema de Bayes, podemos calcular la probabilidad condicional:

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

= (0.10 * 0.25) / 0.0625

= 0.025 / 0.0625

= 0.4

Por lo tanto, la probabilidad de que una persona tenga el genotipo específico dado que tiene la
enfermedad es del 40% (o 0.4).

EJ 6.-
Para resolver este ejercicio, utilizaremos el teorema de Bayes. Sea F el evento "ser fumador" y A el
evento "sufrir un ataque cardíaco". Queremos calcular P(F | A), la probabilidad de ser fumador dado
que se sufre un ataque cardíaco.

P(F) = 0.60 (probabilidad de ser fumador)

P(A | F) = 1.00 (probabilidad de sufrir un ataque cardíaco dado que se es fumador)

P(A | ¬F) = 0.05 (probabilidad de sufrir un ataque cardíaco sin ser fumador)

Aplicando el teorema de Bayes:

P(F | A) = (P(A | F) * P(F)) / P(A)

Para calcular P(A), la probabilidad de sufrir un ataque cardíaco, debemos considerar la probabilidad
de sufrir un ataque cardíaco siendo fumador (P(A | F)) y la probabilidad de sufrir un ataque cardíaco
sin ser fumador (P(A | ¬F)).

P(A) = P(A | F) * P(F) + P(A | ¬F) * P(¬F)

P(A) = 1.00 * 0.60 + 0.05 * (1 - 0.60)

P(A) = 0.60 + 0.05 * 0.40

P(A) = 0.60 + 0.02

P(A) = 0.62

Ahora podemos calcular P(F | A):

P(F | A) = (P(A | F) * P(F)) / P(A)

P(F | A) = (1.00 * 0.60) / 0.62

P(F | A) ≈ 0.9677

Por lo tanto, la probabilidad de que una persona sea fumadora dado que sufre un ataque cardíaco y
la probabilidad de sufrir un ataque cardíaco sin ser fumador es del 5% es aproximadamente 0.9677,
o 96.77%.

EJ 7.-

Para resolver este ejercicio, podemos utilizar el teorema de Bayes. Primero, vamos a definir los
eventos relevantes:

A: La persona seleccionada al azar tiene diabetes.

B: La persona seleccionada al azar tiene obesidad.

Dado que queremos encontrar la probabilidad de que la persona tenga diabetes, dado que tiene
obesidad, estamos buscando P(A|B).

De acuerdo con la información proporcionada en el enunciado, tenemos los siguientes datos:

P(A) = 0.30 (probabilidad de tener diabetes en la población en general)

P(B|A) = 0.45 (probabilidad de tener obesidad dado que tiene diabetes)

P(B) = 0.15 (probabilidad de tener obesidad en la población en general)

Utilizando el teorema de Bayes, podemos calcular P(A|B) de la siguiente manera:

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

Sustituyendo los valores conocidos:

P(A|B) = (0.45 * 0.30) / 0.15

Realizando las operaciones:

P(A|B) = 0.135 / 0.15

P(A|B) ≈ 0.9

Por lo tanto, la probabilidad de que una persona seleccionada al azar de esta población tenga
diabetes, dado que tiene obesidad, es aproximadamente del 90% (0.9 o 90%).

EJ 8.-

Para resolver este ejercicio, podemos utilizar el teorema de Bayes. El teorema de Bayes nos permite
calcular la probabilidad de un evento condicional dado un evento anterior.

Denotemos los siguientes eventos:

A: La persona tiene el genotipo específico.

B: La persona no tiene la enfermedad.

Tenemos la siguiente información:

P(A) = 0.10 (El 10% de las personas tienen el genotipo específico)

P(B|¬A) = 0.05 (El 5% de las personas sin el genotipo desarrollan la enfermedad)

Queremos calcular la probabilidad de que la persona tenga el genotipo dado que no tiene la
enfermedad, es decir, queremos calcular P(A|B).

Usando el teorema de Bayes, tenemos:

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

Para calcular P(B), necesitamos utilizar la ley de la probabilidad total:

P(B) = P(B|A) * P(A) + P(B|¬A) * P(¬A)

P(¬A) representa la probabilidad de no tener el genotipo específico, que se calcula como 1 - P(A).

Sustituyendo los valores en la fórmula, obtenemos:

P(A|B) = (P(B|A) * P(A)) / (P(B|A) * P(A) + P(B|¬A) * P(¬A))

P(A|B) = (0.05 * 0.10) / (0.05 * 0.10 + 0.05 * (1 - 0.10))

P(A|B) = 0.005 / (0.005 + 0.05 * 0.90)

P(A|B) = 0.005 / (0.005 + 0.045)

P(A|B) = 0.005 / 0.05

P(A|B) = 0.1

Por lo tanto, la probabilidad de que la persona seleccionada al azar tenga ese genotipo dado que no
tiene la enfermedad es del 10%.