Tema 17. Relaciones Entre Variables. Probabilidad.-1

Área de Medicina Preventiva y Salud Pública
Relaciones entre variables.

Probabilidad
Profª. Ana Fernández Somoano

26-28 septiembre 2023
¿Qué vamos a estudiar?
1 Relaciones entre variables.
2 Probabilidad: conceptos y principales propiedades.
3 Aplicaciones a los métodos de diagnóstico.
4 Otras aplicaciones.
1. Relaciones entre variables.

VARIABLE BIDIMENSIONAL
 Combinación de 2 variables: Distribución Bidimensional.

 Variable bidimensional (X, Y) → observación simultánea de dos
características sobre cada individuo.
 Permite el análisis por separado de cada característica y el análisis conjunto.
Ejemplos:
Tablas de altura - peso de una muestra extraída de una población

Relación pulso - temperatura de un grupo de enfermos
Relación peso - colesterol de un grupo de enfermos de corazón
Relación hábito de fumar - nº de caries de un grupo de estudiantes

DISTRIBUCIÓN BIDIMENSIONAL
FRECUENCIA ABSOLUTA del par (xi, yj), nij : Número de individuos de

una muestra para los que X toma el valor xi e Y toma el valor yj.
FRECUENCIA RELATIVA del par (xi, yj), fij : Proporción de individuos de

una muestra para los que X toma el valor xi e Y toma el valor yj, y se
nij
calcula como .
n

REPRESENTACIONES TABULARES
• Tabla de doble entrada (o tabla de

contingencia si se consideran frecuencias
absolutas) → valores repetidos muchas
veces (cualitativas y discretas).
• Tabla de datos apareados → valores poco

repetidos y no muy numerosos.

REPRESENTACIONES GRÁFICAS
• Diagrama de dispersión (o nube de

puntos): dos variables cuantitativas.
• Diagramas de cajas: una variable

cualitativa y una cuantitativa.
• Diagrama de barras agrupadas: dos

variables cualitativas o una cualitativa y
una cuantitativa discreta.

DISTRIBUCIONES MARGINALES
 Recogen el comportamiento de cada una de las variables por separado
Distribución marginal de X
xi\yi y1 y2 … yj … yl
x1 n11 n12 … n1j … n1l n1.
x2 n21 n22 … n2j … n2l n2.
:̇ :̇ :̇ :̇ :̇ :̇
Frecuencia absoluta marginal de xi
xi ni1 ni2 … nij … nil ni.
ni. = ni1 +ni2 +…+nil = ∑lj=1 nij
:̇ :̇ :̇ :̇ :̇ :̇
xk nk1 nk2 … nkj … nkl nk.
Distribución marginal de Y n.1 n.2 … n.j … n.l n
Frecuencia absoluta marginal de yj

n.j = n1j +n2j +…+nkj = ∑ki=1 nij

DISTRIBUCIONES CONDICIONALES
 Recogen el comportamiento de una de las variables cuando se mantiene

fija la modalidad de la otra:
xi\yi y1 y2 … yj … yl
x1 n11 n12 … n1j … n1l n1.
x2 n21 n22 … n2j … n2l n2.
:̇ :̇ :̇ :̇ :̇ :̇
xi ni1 ni2 … nij … nil ni.
𝐧𝐧𝐢𝐢𝐢𝐢 𝐟𝐟𝐢𝐢𝐢𝐢 Frecuencia de xi
:̇ :̇ :̇ :̇ :̇ :̇ 𝐟𝐟(𝐱𝐱 𝐢𝐢 ⁄𝐲𝐲𝐣𝐣 ) = =
𝐧𝐧.𝐣𝐣 𝐟𝐟.𝐣𝐣 condicionada por yj
xk nk1 nk2 … nkj … nkl nk.
n.1 n.2 … n.j … n.l n Distribución de X condicionada por Y=yj, (X/Y=yj)
𝐧𝐧𝐢𝐢𝐢𝐢 𝐟𝐟𝐢𝐢𝐢𝐢 Distribución de Y

𝐟𝐟(𝐲𝐲𝐣𝐣⁄𝐱𝐱𝐢𝐢) = = Frecuencia de yj condicionada por xi condicionada por X=xi,
𝐧𝐧𝐢𝐢. 𝐟𝐟𝐢𝐢.
(Y/X=xi)

Ejemplo: y2=“Fumador”
Y=Hábito de fumar 8. Hábito de Fumar
Nunca fumador Fumador Ex-fumador Total
3. Estado Casado/a o Recuento 540 80 478 1098
X=Estado civil
civil convive en Recuento esperado 633,0 77,4 387,6 1098,0
pareja % dentro de 3. Estado civil 49,2% 7,3% 43,5% 100,0%
% dentro de 8. Hábito de 48,9% 59,3% 70,7% 57,3%
Fumar
% del total 28,2% 4,2% 25,0% 57,3%
Soltero/a Recuento 74 17 52 143
𝟏𝟏𝟏𝟏
x2 Recuento esperado 82,4 10,1 50,5 143,0
𝐟𝐟(𝐱𝐱 𝟐𝟐 ⁄𝐲𝐲𝟐𝟐 ) = =
% dentro de 3. Estado civil 51,7% 11,9% 36,4% 100,0% 𝟏𝟏𝟏𝟏𝟏𝟏
% dentro de 8. Hábito de 6,7% 12,6% 7,7% 7,5% = 𝟎𝟎, 𝟏𝟏𝟏𝟏𝟏𝟏 (𝟏𝟏𝟏𝟏, 𝟔𝟔𝟔)
Fumar
% del total 3,9% 0,9% 2,7% 7,5%
Viudo/a Recuento 480 26 128 634
Recuento esperado 365,5 44,7 223,8 634,0
% dentro de 3. Estado civil 75,7% 4,1% 20,2% 100,0%
Fumar
% del total 25,1% 1,4% 6,7% 33,1%
Separado/a o Recuento 10 12 18 40
divorciado/a Recuento esperado 23,1 2,8 14,1 40,0
Fumar
% del total 0,5% 0,6% 0,9% 2,1%
Total Recuento 1104 135 676 1915
� 𝐟𝐟(𝐱𝐱 𝐢𝐢 ⁄𝐲𝐲𝐣𝐣 ) = 𝟏𝟏 (𝟏𝟏𝟏𝟏𝟏𝟏𝟏)
Fumar
𝐢𝐢

Ejemplo: 𝟏𝟏𝟏𝟏
y2 𝐟𝐟(𝐲𝐲𝟐𝟐 ⁄𝐱𝐱 𝟐𝟐 ) = = 𝟎𝟎, 𝟏𝟏𝟏𝟏𝟏𝟏 (𝟏𝟏𝟏𝟏, 𝟗𝟗𝟗)
Y=Hábito de fumar 8. Hábito de Fumar
𝟏𝟏𝟏𝟏𝟏𝟏
Nunca fumador Fumador Ex-fumador Total
3. Estado Casado/a o Recuento 540 80 478 1098
X=Estadocivilcivil convive en Recuento esperado 633,0 77,4 387,6 1098,0
pareja % dentro de 3. Estado civil 49,2% 7,3% 43,5% 100,0%
Fumar
% del total 28,2% 4,2% 25,0% 57,3%
x2=“Soltero”
Soltero/a Recuento
Recuento esperado
74
82,4
17
10,1
52
50,5
143
143,0
� 𝐟𝐟(𝒚𝒚𝒋𝒋 ⁄𝒙𝒙𝒊𝒊 ) = 𝟏𝟏 (𝟏𝟏𝟏𝟏𝟏𝟏𝟏)
% dentro de 3. Estado civil 51,7% 11,9% 36,4% 100,0% 𝒋𝒋
Fumar
% del total 3,9% 0,9% 2,7% 7,5%
Viudo/a Recuento 480 26 128 634
Fumar
% del total 25,1% 1,4% 6,7% 33,1%
Separado/a o Recuento 10 12 18 40
divorciado/a Recuento esperado 23,1 2,8 14,1 40,0
Fumar
% del total 0,5% 0,6% 0,9% 2,1%
Total Recuento 1104 135 676 1915
Fumar

DEPENDENCIA ESTADÍSTICA
 Dos variables son estadísticamente independientes cuando el

comportamiento de una no influye en el comportamiento de la otra.
 X es independiente de Y si la distribución de frecuencias condicionada de X no

depende del valor o clase de Y por el que se condiciona, es decir, si cualquiera
que sea xi se cumple que:
f(xi/y1) = f(xi/y2) = … = f(xi/yl)
 Diremos que X e Y son estadísticamente independientes si:
fij = fi.* f.j para i=1, …, k, j=1, …,l

es decir, si:
n𝐢𝐢. ∗n.𝐣𝐣
n𝐢𝐢𝐢𝐢 = n para i=1, …, k, j=1, …,l

Covarianza de X e Y, Cov(X, Y):

k l
1
� yj − Y
𝐒𝐒𝐗𝐗𝐗𝐗 = � � xi − X � ∗ nij = 𝐗𝐗 � 𝐘𝐘 − 𝐗𝐗
� � 𝐘𝐘
�
n
i=1 j=1
 Si las variables X e Y son estadísticamente

independientes, la covarianza es cero.
 Si Cov (X,Y) = 0 puede suceder que X e Y sean

dependientes.

Propiedades de la covarianza:
Si a todos los valores de la variable X, les sumamos una constante k y a todos
los valores de la variable Y les sumamos una constante k’, la covarianza no varía.
Si todos los valores de una variable X los multiplicamos por una constante k y
todos los valores de la variable Y los multiplicamos por una constante k’, su
covarianza queda multiplicada por el producto de las constantes.

 Si hay dependencia directa o positiva entre X e Y (a grandes valores de x

corresponden grandes valores de y), la covarianza es positiva.
 Si hay dependencia inversa o negativa entre X e Y (a grandes valores de x

corresponden pequeños valores de y), la covarianza es negativa.

DEPENDENCIA FUNCIONAL
 Regresión: relación funcional de cierto tipo (lineal, exponencial,

hiperbólica, potencial, etc.) que mejor expresa una variable estadística
en función de la otra en la muestra, y = f(x).
Buscar la curva que mejor se ajusta al diagrama de puntos que
representa la distribución de frecuencias conjunta en la muestra.
 Correlación: complementa el estudio de regresión, cuantificando el

grado de dependencia entre las dos variables de acuerdo con la mejor
relación obtenida por regresión.
 Grado de ajuste de la curva que representa la relación óptima al
diagrama de puntos.

DEPENDENCIA LINEAL
Regresión lineal: busca la recta de la forma Y* = a* + b*�X que menos

diste (en distancia cuadrática vertical) del diagrama de puntos.
Y* = a* + b*�X
a* → término independiente
b* → pendiente (coeficiente de regresión)
Y− a∗ +b∗X 2= min Y − a + bX 2
a,b ∈ℜ

DEPENDENCIA LINEAL
Correlación lineal: cuantifica el grado de relación lineal entre dos variables.
S 𝐗𝐗𝐗𝐗
Coeficiente de correlación lineal de Pearson para X e Y = r𝐗𝐗𝐗𝐗 =
SS
𝐗𝐗 𝐘𝐘
r𝟐𝟐𝐗𝐗𝐗𝐗 : coeficiente de determinación
 Las dos variables deben ser cuantitativas.


DEPENDENCIA LINEAL
 El coeficiente r𝐗𝐗𝐗𝐗 es adimensional (no tiene unidades) y toma valores en el intervalo [-1, 1].
 El coeficiente de regresión tiene el mismo signo que S𝐗𝐗𝐗𝐗 y que b: coeficiente de

correlación positivo ⇒cada variable es función lineal estrictamente creciente de la otra, y
coeficiente de correlación negativo ⇒cada variable es estrictamente decreciente de la
otra.
 Si r𝟐𝟐𝐗𝐗𝐗𝐗 = 1, la dependencia lineal entre las variables X e Y en la muestra es total.
 Cuanto más se aleje r𝟐𝟐𝐗𝐗𝐗𝐗 del valor 1, mayor error se comete al suponer que X e Y dependen
linealmente, por lo que la dependencia lineal entre las variables es menor.

DEPENDENCIA LINEAL
 Cuando r𝐗𝐗𝐗𝐗 = 𝟎𝟎 se dice que las variables están incorreladas o son

linealmente independientes.

DEPENDENCIA LINEAL
b>0
Y* = a + b�X
b<0
Dependencia Dependencia Dependencia

estadística estadística estadística
débil fuerte perfecta

DEPENDENCIA LINEAL
(Los valores estimados en la regresión coinciden con los valores reales)
Correlación perfecta Correlación nula Correlación perfecta

𝐫𝐫𝐗𝐗𝐗𝐗 = -1 𝐫𝐫𝐗𝐗𝐗𝐗 = 0 𝐫𝐫𝐗𝐗𝐗𝐗 = +1
𝐫𝐫𝐗𝐗𝐗𝐗 = -0,8 𝐫𝐫𝐗𝐗𝐗𝐗 = -0,6 𝐫𝐫𝐗𝐗𝐗𝐗 = -0,4 𝐫𝐫𝐗𝐗𝐗𝐗 = 0,4 𝐫𝐫𝐗𝐗𝐗𝐗 = 0,6 𝐫𝐫𝐗𝐗𝐗𝐗 = 0,8
Correlación baja (No recomendable aplicar regresión lineal)
Correlación moderada
Correlación alta
Correlación muy alta
CORRELACIÓN NEGATIVA CORRELACIÓN POSITIVA

DEPENDENCIA LINEAL
 Las variables en la correlación son recíprocas o simétricas. En ningún

momento se habla de que una de ellas sea la “causa” y la otra el
“efecto”. En la correlación no se distingue la variable dependiente de la
independiente.
 En cambio esta simetría no se da en la regresión.
 No basta que un coeficiente de correlación sea muy elevado para

considerar que la asociación entre dos variables sea causal, hay que
pensar en terceras variables que puedan explicar la asociación
encontrada.
2. Probabilidad: conceptos y principales propiedades

IDEA INTUITIVA
La probabilidad es un número, entre 0 y 1, asociado con

la verosimilitud de que ocurra un suceso
(0 cuando estamos seguros que el suceso no va a ocurrir
y 1 cuando estamos seguros que sí va a ocurrir).
¿cómo asignar ese número en situaciones de incertidumbre?
 Si afirmamos que la probabilidad de que un fármaco cure a un enfermo

es 0,7 (70%), es como decir que al prescribir el fármaco a 100 enfermos
esperaríamos que curase a 70 y fracasase en 30, como lo más probable.

ELEMENTOS DE LOS EXPERIMENTOS ALEATORIOS
 Experimento aleatorio: proceso cuyo resultado no se puede predecir antes de realizarlo,

depende del azar.
Ejemplo: clasificación de la gravedad de una lesión deportiva; medida de la temperatura corporal.
Espacio muestral: es el conjunto formado por todos los posibles resultados de un

experimento aleatorio (E).
Ejemplo: E=leve, media, grave; E = conjunto de posibles valores de la temperatura en la población.
Suceso aleatorio cada subconjunto de E que identifica los elementos

que cumplen cierta propiedad (A).
Ejemplo: A= leve; A = menos de 35°; A = entre 35° y 37°
 Elemental: un único elemento.

 Compuesto: varios elementos.

 Dados dos sucesos A y B, el E

suceso unión es aquel que se A B
verifica cuando ocurre al menos A∪B
uno de ellos (es decir, ocurre o
bien sólo uno de ellos, o ambos,
A ó B).
E
 Dados dos sucesos A y B, el
A B
suceso intersección es aquel
que se verifica cuando ocurren A∩B
simultáneamente ambos, A y B.

 Suceso complementario de A,
�), es el que se
o contrario a A, (A
produce cuando no se produce A.
 Sucesos incompatibles aquellos cuya realización simultánea es

imposible (A∩B= ø).
 Suceso imposible como su nombre indica es imposible que ocurra, será

el correspondiente al subconjunto vacío (ø).
 Suceso seguro será el que siempre ocurre, se corresponderá con E.


PROBABILIDAD
Probabilidad: función que asocia, a cada suceso A, un número real que

indica la posibilidad con la que ocurre, P(A).
Reglas de la teoría axiomática de la probabilidad:
1. 0≤P(A)≤1
2. Si A y B son incompatibles, P(A∪B)=P(A)+P(B)
 P(E)=1
 P(imposible)=P(ø)=0
 P(A �)=P(no A)=1-P(A)
 Si A y B pueden ocurrir a la vez, P(A∪B)=P(A)+P(B)-P(A∩B)

PROBABILIDAD
nº casos favorables nº elementos de A

 Definición clásica: P(A)= =
nº casos posibles nº elementos de E
(necesita que E sea finito y que todos sus elementos sean equiprobables)
nº veces que aparece A (nA)

 Definición frecuentista: P(A)= lim fA = lim
n→∞ nº realizaciones del experimento (n)
cuando se realiza muchas veces el experimento
 En general, queremos conocer probabilidades de sucesos definidos sobre la población, pero
estudiando sólo una muestra, por lo que en muchas circunstancias son aproximadas (se estiman)
por las frecuencias relativas muestrales.
 Definición subjetiva: credibilidad de que un suceso ocurra (se irá actualizando

con el conocimiento).

PROBABILIDAD CONDICIONADA
Probabilidad condicionada: probabilidad de que ocurra el suceso A

sabiendo que ha ocurrido el suceso B (P(B)≠0), P(A/B).
P(A∩B)
P(A/B)=
P(B)

PROBABILIDAD CONDICIONADA
Ejemplo: estamos valorando la presencia de glucosa en orina (glucosuria) en

pacientes diabéticos y en pacientes no diabéticos y que hemos obtenido la
siguiente tabla:
Diabetes No Total
Diabetes
Glucosuria 60 8 68
No Glucosuria 140 792 932
Total 200 800 1000
¿Cuál es la probabilidad de que un diabético presente glucosuria?

P(Glucosuria 𝐲𝐲 Diabetes) 60
P(Glucosuria/Diabetes)= = = 0,3 (30 %)
P(Diabetes) 200

SUCESOS INDEPENDIENTES
El suceso A es independiente del suceso B cuando la

probabilidad de que ocurra A no depende de la probabilidad de
que ocurra B, es decir, si y sólo si P(A/B)=P(A).
 Si A es independiente de B, B será independiente de A, es decir, P(B/A)=P(B).
 Si el suceso A es independiente del suceso B, la probabilidad de que ocurran los

dos a la vez es el producto de las probabilidades de ambos:
P(A∩B)
P(A/B)= = P(A) ⇒ P(A ∩ B) = P(A)P(B)
P(B)
 Si dos sucesos son independientes también lo son sus complementarios.

SUCESOS INDEPENDIENTES
Ejemplo: ¿Los sucesos “Glucosuria” y “Diabetes” son independientes?

Diabetes No Diabetes Total
Glucosuria 60 8 68
No 140 792 932
Glucosuria
Total 200 800 1000
Para comprobarlo, tendremos que calcular la probabilidad de presentar

glucosuria,
68
P(Glucosuria)= = 0,068 (6,8%) ≠ P(Glucosuria/Diabetes)
1000
⇒ No son independientes

REGLA DE LA PROBABILIDAD TOTAL
Una partición de E es un conjunto de sucesos Ai (i=1, …, n)

mutuamente excluyentes y que cubren todo el espacio muestral:
A1∪A2∪... ∪An = E y Ai∩Aj = ∅ si i≠j
 Regla de la probabilidad total:
Si un conjunto de sucesos Ai (i=1, …, n) forman una partición del espacio

muestral y para todo i, P(Ai)>0, entonces para cualquier otro suceso B se
cumple:
P(B) = P (B/A1) P(A1) + P (B/A2) P(A2)+ …+ P (B/An) P(An) = ∑ni=1 P(B/Ai) P(Ai)

TEOREMA DE BAYES
 Teorema de Bayes:
Si un conjunto de sucesos Ai (i=1, …, n) forman una partición del espacio

muestral y para todo i, P(Ai)>0, entonces para cualquier otro suceso B tal
que P(B)>0, se cumple:
P(Ai∩B) P(B/Ai)P(Ai)
P(Ai/B) = = para i=1, …, n
P(B) j=1 P(B/Aj) P(Aj)
∑n
3. Aplicaciones a los métodos de diagnóstico
 Los test diagnósticos son una aplicación del Teorema de Bayes a la

Medicina.
 Un test diagnóstico se utiliza para detectar la presencia de alguna

condición específica en un experimento (prueba que se aplica a
un individuo para saber si padece una determinada enfermedad).
 Una prueba diagnóstica ayuda a mejorar una estimación de la

probabilidad de que un individuo presente una enfermedad.

ESPACIO MUESTRAL ASOCIADO A ENFERMEDAD Y PRUEBA DIAGNÓSTICA
Resultados en enfermedad Resultados en la prueba diagnóstica

Enfermo (E) Positivo (+)
No enfermo (E� ) Negativo (-)
 Los resultados de la prueba diagnóstica dependerán del estado en

enfermedad.
 Una vez realizada la prueba diagnóstica, las probabilidad de los resultados en
enfermedad debe verse modificada según el resultado obtenido en la prueba
diagnóstica.

SITUACIÓN UNA VEZ APLICADO EL TEST
 Que la condición esté presente y el test detecta su presencia: no se

ha cometido ningún error.
Que la condición esté presente, pero el test no detecta su

presencia: se ha cometido un error (Resultado Falso-Negativo).
Que la condición no esté presente, pero el test detecta su

presencia: se ha cometido un error (Resultado Falso-Positivo).
 Que la condición no esté presente y el test no indica su presencia:

no se ha cometido ningún error.
Test ideal: aquel en el que la probabilidad de cometer cualquier error es pequeña.


SITUACIÓN UNA VEZ APLICADO EL TEST
Resultados en
Espacio muestral enfermedad
enfermedad-prueba (patrón de oro)
E E� TOTAL FALSOS
POSITIVOS
Resultados en + a b n1
la prueba - c d n0
TOTAL m1 m0 n
BIEN
FALSOS NEGATIVOS
CLASIFICADOS

PROBABILIDAD DE RESULTADOS DE LA PRUEBA DIAGNÓSTICA
Sensibilidad: probabilidad de diagnosticar a un individuo como enfermo

cuando realmente lo está, es la capacidad del test para detectar la
a
enfermedad (capacidad de captación de la prueba), P(+/E) (= ).
m1
Especificidad: probabilidad de diagnosticar a un individuo como sano
cuando realmente lo está, es la capacidad del test para detectar a los
d
sanos (capacidad de discriminación de la prueba), P(-/ E�) (= ).
m0
c
Error “falso negativo”: P(-/E)= 1 – Sensibilidad (= )
m1
b
Error “falso positivo”: P(+/E� )= 1 – Especificidad (= )
m0

PROBABILIDAD DE RESULTADOS DE LA ENFERMEDAD
Valor predictivo positivo: probabilidad de que un individuo que resulta

positivo a la prueba, realmente esté enfermo, VPP = P(E/+).
Valor predictivo negativo: probabilidad de que un individuo que resulta
negativo a la prueba, realmente esté sano, VPN = P(E�/-).
 Indican con qué seguridad un test predecirá la presencia o ausencia de una enfermedad.
 Estos valores se modifican dependiendo de la proporción de individuos de la población
que en un momento dado padecen la enfermedad, P(E) (prevalencia de la enfermedad
o probabilidad a priori de estar enfermo).

PROBABILIDAD DE RESULTADOS DE LA ENFERMEDAD
 Como E y E� son una partición, usando el Teorema de Bayes:
P(+/E)�P(E)
VPP = P(E/+) = � ,y
P(+/E)�P(E) + P(+/E)
� �P(E)
P(−/E)
� �P(E)
�
VPN = P(E� /-) =
P(−/E)�P(E) + P(−/E)
� �P(E)
�
 A mayor P(E), aumenta el VPP y disminuye el VPN.

 A menor P(E), disminuye el VPP y aumenta el VPN.

EVALUACIÓN DE LA BONDAD DE UNA PRUEBA DIAGNÓSTICA
Buena prueba diagnóstica → ofrece resultados + en enfermos y - en sanos
 Es conveniente que el test:

• Sea sencillo de aplicar
• Aceptado por los pacientes
• Tenga los mínimos efectos adversos
• Económicamente soportable.
 Validez: la sensibilidad y la especificidad de un test son medidas

de su validez
 Seguridad: viene determinada por el valor predictivo de un

resultado positivo o negativo.
Ejemplo: nueva prueba para la detección precoz de una enfermedad con P(E)=0,5%
en una población.
Resultados en
Espacio muestral enfermedad
enfermedad-prueba
E E� TOTAL
Resultados en + 190 120 310

la prueba - 10 680 690
TOTAL 200 800 1000
Se desea cuantificar la sensibilidad, especificidad, falsos positivos y negativos de la

prueba, y los valores predictivos positivo y negativo.
190
Nº de verdaderos positivos: 190 Sensibilidad: P(+/E) = 200 = 0,95 (95%)
Nº de verdaderos negativos: 680 Especificidad: P(-/E�) = 680
800
= 0,85 (85%)
Nº de falsos positivos: 120 Proporción falsos positivos: P(+/E�) = 120800
= 0,15 (15%)
Nº de falsos negativos: 10 10
Proporción falsos negativos: P(-/E) = 200 = 0,05 (5%)
Valor predictivo positivo: P(E/+) = P(+/E)�P(+/E) �P(E)

=
0,95�0,005
P(E) + P(+/E)�P(E) 0,95�0,005 + 0,15�(1−0,005)
� � = 0,0308 3,08%
0,85�(1−0,005)
Valor predictivo negativo: P(E�/-) = P(−/E)�P(−/ E)�P(E)
� �
P(E) + P(−/E) � = 0,05�0,005 + 0,85�(1−0,005) = 0,9997
� �P(E) 99,97%
Ejemplo 2: la prueba se aplica ahora en un servicio hospitalario donde la P(E)=30%.
Veamos cuales son los valores predictivos de la prueba.

Sensibilidad: P(+/E) = 0,95 (95%)

Especificidad: P(-/E� ) = 0,85 (85%)
Proporción falsos positivos: P(+/E� ) = 0,15 (15%)
Proporción falsos negativos: P(-/E) = 0,05 (5%)
Valor predictivo positivo: P(E/+) = P(+/E)�P(+/E) �P(E)

� � =
0,95�0,30
P(E) + P(+/E)�P(E) 0,95�0,30 + 0,15�(1−0,30)
= 0,7308 (73,08%)
0,85�(1−0,30)
Valor predictivo negativo: P(E�/-) = P(−/E)�P(−/ E)�P(E)
� �
=
P(E) + P(−/E)�P(E) 0,05�0,30 + 0,85�(1−0,30)
� � = 0, 9754 (97,54%)
Supongamos que el test PCR que diagnostica la COVID-19 tiene una

sensibilidad promedio del 75 %, y una especificidad cercana al 99 %.
Si la proporción de la población afectada por la COVID-19 fuera de un 5%, es decir, 5

de cada cien personas estuvieran infectadas por COVID-19, y una persona que reside
en una ciudad de 100.000 habitantes decide realizarse el test PCR, si da positivo,
¿cuál es la probabilidad de que esté contagiada por COVID-19?
Infección
COVID-19
E E� TOTAL
+ 3750 950 4700

PCR
- 1250 94050 95300
TOTAL 5000 95000 100000
3750
P(contagiada por COVID19 si test PCR+)=P(E/+)=VPP= 4700 ≈ 0,80 (80%)
4. Otras aplicaciones
RIESGO RELATIVO Y ODDS RATIO DE UN FACTOR DE RIESGO
ENFERMOS NO ENFERMOS TOTAL

EXPUESTOS a b n1
NO
EXPUESTOS c d n0
TOTAL m1 m0 n
a
R1= P(Enfermo/Expuesto): R1 P(Enfermo/Expuesto)
n1 Riesgo relativo (RR): =
c R0 P(Enfermo/No expuesto)
R0= P(Enfermo/No expuesto):
n0
4. Otras aplicaciones
RIESGO RELATIVO Y ODDS RATIO DE UN FACTOR DE RIESGO
ENFERMOS NO ENFERMOS TOTAL

EXPUESTOS a b n1
NO
EXPUESTOS c d n0
TOTAL m1 m0 n
a
Proporción de expuestos en enfermos (pe1):
m1
pe1 a/m1 a/m1 a Razón de odds (OR):
Odds de exposición en enfermos (oddse1= ): = =
1−pe1 1−a/m1 c/m1 c
b oddse1 a/c a×d
Proporción de expuestos no enfermos (pe0): = =
m0 oddse0 b/d b×c
pe0 b/m0 b/m0 b
Odds de exposición en no enfermos (oddse0 = ): = =
1−pe0 1−b/m0 d/m0 d
EJERCICIOS
• Estudiamos la talla, medida en cm. y el peso, medido en kg. de un grupo

de 10 personas, y obtenemos los siguientes valores:
Talla (cms) 160 165 168 170 171 175 175 180 180 182
Peso (kgs) 55 58 58 61 67 62 66 74 79 83
• ¿Son independientes las variables?

• ¿Existe relación entre ellas? Calcula el grado de relación lineal.
• En un estudio llevado a cabo en España, once pacientes con

hipertrigliceridemia se sometieron a una dieta baja en grasas y
alta en carbohidratos. Antes de comenzar la dieta, se analizaron
los niveles de colesterol (X) y triglicéridos (Y) en cada paciente: X(mmol/l) Y(mmol/l)
5,12 2,30
6,18 2,54
6,77 2,95
6,65 3,77
6,36 4,18
• Calcular el coeficiente de correlación lineal de Pearson. 5,90 5,31
5,48 5,53
6,02 8,83
10,34 9,48
8,51 14,20
7,53 10,10
 Sabiendo que las variables X e Y son independientes, completar la siguiente

tabla de contingencia:
Y 1,50-1,65 1,65-1,80 1,80-1,95 ni.

X
55-70 1 16
70-85 10
85-100
n.j 35 112
 Supongamos que queremos estudiar la Incidencia (nº de casos nuevos de una

enfermedad que se desarrollan en una población durante un período de
tiempo determinado) del hecho de ser fumador como factor de riesgo, en el
desarrollo de una enfermedad en una determinada población. Para ello se
diseñó un estudio y se seleccionó una muestra de 180 sujetos.
Enfermos (E) Sanos Total

Fumador (F) 60 10 70
No Fumador (NF) 20 90 110
Total 80 100 180
• Calcular: P(E) ; P(E/F) ; P(E/NF) ; P(F) ; P(NF) ; P(F∩E) ; P(NF∩E)

 Para estudiar la eﬁcacia de un nuevo test para el diagnóstico de un tipo

particular de cáncer que lo padece el 1% de las mujeres de edad avanzada,
se aplicó el mismo a un grupo amplio de mujeres con tal tipo de cáncer y a
otro grupo de mujeres sanas, obteniéndose la siguiente tabla:
Cáncer
E E� TOTAL
Resultados + 850 45 895

del test - 150 1455 1605
TOTAL 1000 1500 2500
a) Estima la sensibilidad y la especiﬁcidad de la nueva prueba diagnóstica.

b) Si elegida una persona y aplicado el test, este da positivo, ¿qué
probabilidad tiene de padecer la enfermedad?
c) ¿Cuál es el valor predictivo negativo de esta prueba diagnóstica?
La siguiente tabla muestra la distribución por tramos de edad tanto

de una población como de los casos positivos de COVID-19:
Tramos  ¿cuál es la probabilidad de que de una persona entre 18 y 40

Población Casos
de edad años elegida al azar en la población sea positivo por COVID-19?
<5 1.166.146 1.065
5-17 3.104.422 2.673  Si elegimos al azar una persona, ¿cuál es la probabilidad de que
18-49 8.220.531 29.045 sea positivo y esté entre 60 y 69 años?
50-59 2.232.733 6.624
 Si elegimos al azar un caso positivo, ¿cuál es la probabilidad de
60-69 1.499.917 3.748 que esté entre 60 y 69 años?
70-79 879.498 1.785
>=80 470.756 1.108  ¿es independiente o no tener 60-69 años y dar positivo por
COVID-19?

Tema 17. Relaciones Entre Variables. Probabilidad.-1

Cargado por

Información del documento

Descripción original:

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 17. Relaciones Entre Variables. Probabilidad.-1

Cargado por

Copyright:

Formatos disponibles

Área de Medicina Preventiva y Salud Pública

Relaciones entre variables.

Profª. Ana Fernández Somoano

¿Qué vamos a estudiar?

1 Relaciones entre variables.

2 Probabilidad: conceptos y principales propiedades.

3 Aplicaciones a los métodos de diagnóstico.

1. Relaciones entre variables.

 Combinación de 2 variables: Distribución Bidimensional.

Tablas de altura - peso de una muestra extraída de una población

1. Relaciones entre variables.

FRECUENCIA ABSOLUTA del par (xi, yj), nij : Número de individuos de

FRECUENCIA RELATIVA del par (xi, yj), fij : Proporción de individuos de

1. Relaciones entre variables.

• Tabla de doble entrada (o tabla de

• Tabla de datos apareados → valores poco

1. Relaciones entre variables.

• Diagrama de dispersión (o nube de

• Diagramas de cajas: una variable

• Diagrama de barras agrupadas: dos

1. Relaciones entre variables.

 Recogen el comportamiento de cada una de las variables por separado

Frecuencia absoluta marginal de yj

1. Relaciones entre variables.

 Recogen el comportamiento de una de las variables cuando se mantiene

𝐧𝐧𝐢𝐢𝐢𝐢 𝐟𝐟𝐢𝐢𝐢𝐢 Distribución de Y

1. Relaciones entre variables.

1. Relaciones entre variables.

1. Relaciones entre variables.

 Dos variables son estadísticamente independientes cuando el

 X es independiente de Y si la distribución de frecuencias condicionada de X no

 Diremos que X e Y son estadísticamente independientes si:

fij = fi.* f.j para i=1, …, k, j=1, …,l

1. Relaciones entre variables.

Covarianza de X e Y, Cov(X, Y):

 Si las variables X e Y son estadísticamente

 Si Cov (X,Y) = 0 puede suceder que X e Y sean

1. Relaciones entre variables.

1. Relaciones entre variables.

 Si hay dependencia directa o positiva entre X e Y (a grandes valores de x

 Si hay dependencia inversa o negativa entre X e Y (a grandes valores de x

1. Relaciones entre variables.

 Regresión: relación funcional de cierto tipo (lineal, exponencial,

 Correlación: complementa el estudio de regresión, cuantificando el

1. Relaciones entre variables.

Regresión lineal: busca la recta de la forma Y* = a* + b*�X que menos

1. Relaciones entre variables.

Correlación lineal: cuantifica el grado de relación lineal entre dos variables.

r𝟐𝟐𝐗𝐗𝐗𝐗 : coeficiente de determinación

 Las dos variables deben ser cuantitativas.

1. Relaciones entre variables.

 El coeficiente de regresión tiene el mismo signo que S𝐗𝐗𝐗𝐗 y que b: coeficiente de

 Si r𝟐𝟐𝐗𝐗𝐗𝐗 = 1, la dependencia lineal entre las variables X e Y en la muestra es total.

1. Relaciones entre variables.

 Cuando r𝐗𝐗𝐗𝐗 = 𝟎𝟎 se dice que las variables están incorreladas o son

1. Relaciones entre variables.

Dependencia Dependencia Dependencia

1. Relaciones entre variables.

(Los valores estimados en la regresión coinciden con los valores reales)

Correlación perfecta Correlación nula Correlación perfecta

Correlación baja (No recomendable aplicar regresión lineal)

1. Relaciones entre variables.

 Las variables en la correlación son recíprocas o simétricas. En ningún