Bioestadstica

Cul es la probabilidad de aprobar Bioestadstica?

Cul es la probabilidad de no encontrarme un atasco cuando voy a clase? Todos los das nos hacemos preguntas sobre probabilidad e incluso los que hayis visto poco de la materia en cursos anteriores, tenis una idea intuitiva lo suficientemente correcta para lo que necesitamos de ella en este curso.

Nociones de probabilidad

Frecuentista (objetiva): Probabilidad de un suceso es la frecuencia relativa (%) de veces que ocurrira el suceso al realizar un experimento repetidas veces.
CLASIFICACION OMS Frecuencia NORMAL 469 OSTEOPENIA 467 OSTEOPOROSIS 64 Total 1000 Porcentaje 46,9% 46,7% 6,4% 100,0
NORMAL OSTEOPENIA OSTEOPOROSIS 0 10 20 30 40 50

CLASIFICACION OMS

Vlidos

Porcentaje

Subjetiva (bayesiana): Grado de certeza que se posee sobre un suceso. Es personal.

En ambos tipos de definiciones aparece el concepto de suceso. Vamos a ver qu son y algunas operaciones que se pueden realizar con sucesos.
3

Sucesos

E espacio muestral

Cuando se realiza un experimento aleatorio diversos resultados son posibles. El conjunto de todos los resultados posibles se llama espacio muestral (E). Se llama suceso a un subconjunto de dichos resultados. Se llama suceso contrario (complementario) de un suceso A, A, al formado por los elementos que no estn en A

E espacio muestral

Se llama suceso unin de A y B, AUB, al formado por los resultados experimentales que estn en A o en B (incluyendo los que estn en ambos.
Se llama suceso interseccin de A y B, AB o simplemente AB, al formado por los elementos que estn en A y B

A
A

E espacio muestral E espacio muestral UNIN A B E espacio muestral INTERS. A B

4

A
B

Definicin de probabilidad

Se llama probabilidad a cualquier funcin, P, que asigna a cada suceso A un valor numrico P(A), verificando las siguientes reglas (axiomas)
E espacio muestral

P(E)=1

100%

E espacio muestral

0P(A) 1 P(AUB)=P(A)+P(B) si AB= es el conjunto vaco.

Podis imaginar la probabilidad de un subconjunto como el tamao relativo con respecto al total (suceso seguro)
5

EJEMPLOS
E espacio muestral A B

P(A)=3/9=1/3 P(A)=? P(B)=? P(B)=5/9 P(AUB)=6/9=2/3 P(AUB)=? P(AB)=? P(AB)=2/9 P(A)=? P(A)=6/9=2/3 P(B)=4/9 P(B)=?

E espacio muestral A B

E espacio muestral A

P(A)=3/9=1/3 P(A)=? P(B)=2/9 P(B)=? P(AUB)=5/9 P(AUB)=? P(AB)=0 P(AB)=? P(A)=6/9=2/3 P(A)=? P(B)=7/9 P(B)=?

P(A)=3/9=1/3 P(A)=? P(B)=? P(B)=2/9 P(AUB)=3/9=1/3 P(AUB)=? P(AB)=2/9 P(AB)=? P(A)=? P(A)=6/9=2/3 P(B)=7/9 P(B)=?

Probabilidad condicionada

Se llama probabilidad de A condicionada a B, o probabilidad de A sabiendo que pasa B:

E espacio muestral

P ( A B) P( A | B ) = P( B )

A B

Error frecuentiiiiiisimo:

No confundis probabilidad condicionada con interseccin. En ambos medimos efectivamente la interseccin, pero

En P(AB) con respecto a P(E)=1 En P(A|B) con respecto a P(B)

7

EJEMPLOS
P(A)=3/9=1/3 E espacio muestral P(B)=5/9 P(AUB)=6/9=2/3 A P(AB)=2/9 B P(A)=6/9=2/3 P(B)=4/9 P(B|A)=? P(A|B)=? P(B|A)=2/3 P(A|B)=2/5 P(A)=3/9=1/3 P(B)=2/9 A P(AUB)=5/9 B P(AB)=0 P(A)=6/9=2/3 P(B)=7/9 P(A|B)=? P(B|A)=0 P(B|A)=? P(A|B)=0
E espacio muestral

P(A)=3/9=1/3 E espacio muestral P(B)=2/9 A P(AUB)=3/9=1/3 P(AB)=2/9 B P(A)=6/9=2/3 P(B)=7/9 P(A|B)=? P(B|A)=2/3 P(B|A)=? P(A|B)=1

Intuir la probabilidad condicionada

A A

P(A) = 0,25 P(B) = 0,10 P(AB) = 0,10

P(A) = 0,25 P(B) = 0,10 P(AB) = 0,08

Probabilidad de A sabiendo que ha pasado B?

P(A|B)=1

P(A|B)=0,8
9

Intuir la probabilidad condicionada

A A

B B

P(A) = 0,25 P(B) = 0,10 P(AB) = 0,005

P(A) = 0,25 P(B) = 0,10 P(AB) = 0

Probabilidad de A sabiendo que ha pasado B?

P(A|B)=0,05

P(A|B)=0
10

Algunas reglas de clculo prcticas

Cualquier problema de probabilidad puede resolverse en teora mediante aplicacin de los axiomas. Sin embargo, es ms cmodo conocer algunas reglas de clculo:

P(A) = 1 - P(A) P(AUB) = P(A) + P(B) - P(AB) P(AB) = P(A) P(B|A) = P(B) P(A|B)

Prob. de que pasen A y B es la prob. de A y que tambin pase B sabiendo que pas A.
11

Recuento

Ejemplo (I)
CLASIFICACION OMS Total NORMAL OSTEOPENIA OSTEOPOROSIS

MENOPAUSIA NO SI 189 280 108 359 6 58 303 697

Total 469 467 64 1000

Se ha repetido en 1000 ocasiones el experimento de elegir a una mujer de una poblacin muy grande. El resultado est en la tabla.
Cul

es la probabilidad de que una mujer tenga osteoporosis?

P(Osteoporosis)=64/1000=0,064=6,4%

Nocin frecuentista de probabilidad

Cul

es la probabilidad de que una mujer no tenga osteoporosis?

P(No Osteoporosis)=1-P(Osteoporsis)=1-64/1000=0,936=93,6%
12

Recuento

Ejemplo (II)
CLASIFICACION OMS Total NORMAL OSTEOPENIA OSTEOPOROSIS

MENOPAUSIA NO SI 189 280 108 359 6 58 303 697

Total 469 467 64 1000

Probabilidad de tener osteopenia u osteoporosis? P(OsteopeniaUOsteoporosis)=P(Osteopenia)+P(Osteoporosis)P(OsteopeniaOsteoporosis)=467/1000+64/1000=0,531

Son sucesos disjuntos Osteopenia Osteoporosis=

Probabilidad de tener osteoporosis o menopausia? P(OsteoporosisUMenopausia)=P(Osteoporosis)+P(Menopausia)P(Osteoporosis Menopausia)=64/1000+697/1000-58/1000=0,703

No son sucesos disjuntos

Probabilidad de una mujer normal? P(Normal)=469/1000=0,469 P(Normal)=1-P(Normal)=1-P(OsteopeniaUOsteoporosis) =1-0,531=0,469

13

Recuento

Ejemplo (III)
CLASIFICACION OMS Total NORMAL OSTEOPENIA OSTEOPOROSIS

MENOPAUSIA NO SI 189 280 108 359 6 58 303 697

Total 469 467 64 1000

Si es menopusica probabilidad de osteoporosis?

P(Osteoporosis|Menopausia)=58/697=0,098

Probabilidad de menopausia y osteoporosis?

P(Menop Osteoporosis) = 58/1000=0,058

Otra forma:

P ( Menop Osteoporosis) P ( Menop) P (Osteoporosis | Menop) 697 58 58 / 1000 0,058 1000 697
14

Recuento

Ejemplo (III)
CLASIFICACION OMS Total NORMAL OSTEOPENIA OSTEOPOROSIS

MENOPAUSIA NO SI 189 280 108 359 6 58 303 697

Total 469 467 64 1000

Si tiene osteoporosis probabilidad de menopausia?

P(Menopausia|Osteoporosis)=58/64=0,906

Probabilidad de menopausia y no osteoporosis?

P(Menop No Osteoporosis) = 639/1000=0,639

Si tiene no tiene osteoporosis probabilidad de no menopausia?

P(No Menopausia|NoOsteoporosis)=297/936=0,317

15

Independencia de sucesos

Dos sucesos son independientes si el que ocurra uno, no aade informacin sobre el otro.

A es independiente de B

P(A|B) = P(A)
P(AB) = P(A) P(B)

16

Recuento

Ejemplo (IV)
CLASIFICACION OMS Total NORMAL OSTEOPENIA OSTEOPOROSIS

MENOPAUSIA NO SI 189 280 108 359 6 58 303 697

Total 469 467 64 1000

Son independientes menopausia y osteoporosis?

Una forma de hacerlo

P(Osteoporosis)=64/1000=0,064 P(Osteoporosis|Menopausia)=58/697=0,098

La probabilidad de tener osteoporosis es mayor si ha pasado la menopausia. Aade informacin extra. No son independientes!

Otra forma?

P(Menop Osteoporosis) = 58/1000 = 0,058 P(Menop) P(Osteoporosis)= (697/1000) x (64/1000) = 0,045

La probabilidad de la interseccin no es el producto de probabilidades. No son independientes.

17

Sistema exhaustivo y excluyente de sucesos

Son una coleccin de sucesos A1

A2

A1, A2, A3, A4 Tales que la unin de todos ellos forman el espacio muestral, y sus intersecciones son disjuntas.

Recordis cmo formar intervalos en tablas de frecuencias? A1

A3 A4 Suceso seguro A2 A3 A4
18

Divide y vencers
Todo suceso B, puede ser descompuesto en componentes de dicho sistema. A1

A2
B = (BA1) U (BA2 ) U ( BA3 ) U ( BA4 )

B A1 A3 A4 B B B

Suceso seguro

A2
A3 A4

B
19

Nos permite descomponer el problema B en subproblemas ms simples. Creedme . Funciona.

Teorema de la probabilidad total

A1
A2 Si conocemos la probabilidad de B en cada uno de los componentes de un sistema exhaustivo y excluyente de sucesos, entonces podemos calcular la probabilidad de B. B P(B|A1) P(A1) Suceso seguro P(A2) P(A3) A1 P(B|A2) A2 A3 A4 A3 A4 B B B B

P(B|A3)
P(B|A4)

P(A4) P(B) = P(BA1) + P(BA2 ) + P( BA3 ) + P( BA4 ) =P(A1) P(B|A1) + P(A2) P(B|A2)+

20

Ejemplo (I): En este aula el 70% de los alumnos son mujeres. De ellas el 10% son fumadoras. De los hombres, son fumadores el 20%.
T. Prob. Total. Hombres y mujeres forman un sist. Exh. Excl. de sucesos 0,1 Mujer 0,9 No fuma Fuma

Qu porcentaje de fumadores hay?

P(F) = P(MF) + P(HF) = P(M)P(F|M) + P(H)P(F|H)

0,7 Estudiante

=0,7 x 0,1 + 0,3 x 0,2 = 0,13 =13%

0,3 Hombre 0,2 Fuma

Los caminos a travs de nodos representan intersecciones.

Las bifurcaciones representan uniones disjuntas.

0,8
No fuma
21

Ejemplo (II): En un centro hay dos quirfanos. El 1 se usa el 75% de veces para operar. En el 1 la frec. de infeccin es del 5% y en el 2 del 10%.
0,05 Infec

Qu probabilidad de infeccin hay?

P(I) = P(Q1I) + P(Q2I) = P(Q1)P(I|Q1) + P(Q2)P(I|Q2)

Paciente

Q1

0,75

0,95 No infec

=0,75 x 0,05 + 0,25 x 0,1 = 0,0625

0,25 Q2 0,1 Infec

T. Prob. Total. Los dos quirfanos forman un sist. Exh. Excl. de sucesos

0,9
No infec
22

Ejemplo (III): El 20% del tiempo que se est en una casa

transcurre en la cocina, el 10% en el bao y el resto entre el saln y el dormitorio. Por otro lado la probabilidad de tener un accidente domstico estando en la cocina es de 0,30 de tenerlo estando en el bao es de 0,20 y de tenerlo fuera de ambos de 0,10. Cul es la probabilidad de tener un accidente domstico?
0,30 Acc No Acc

0,20

Cocina

P(A) = P(AC) + P(AB) + P(AR) =

P(C)P(A|C) + P(B)P(A|B) + P(R)P(A|R)

0,70
Acc 0,20

Casa

0,10 Bao 0,80 No Acc

=0,2 x 0,3 + 0,1 x 0,2 + 0,7 x 0,1 = 0,15 =

15%

0,70 Resto

0,10

Acc

0,90

No Acc

Teorema de Bayes
A1

A2

Si conocemos la probabilidad de B en cada uno de los componentes de un sistema exhaustivo y excluyente de sucesos, entonces si ocurre B, podemos calcular la probabilidad (a posteriori) de ocurrencia de cada Ai.

A3

A4

P(B Ai) P(Ai | B) P(B)

donde P(B) se puede calcular usando el teorema de la probabilidad total:

P(B)=P(BA1) + P(BA2 ) + P( BA3 ) + ( BA4 )

=P(B|A1) P(A1) + P(B|A2) P(A2) +
24

Ejemplo (IV): En este aula el 70% de los alumnos son mujeres. De ellas el 10% son fumadoras. De los varones, son fumadores el 20%.

Qu porcentaje de fumadores hay? P(F) = =0,7 x 0,1 + 0,3 x 0,2 = 0,13

(Resuelto antes)

0,1

Fuma

Se elije a un individuo al azar y es fumador 0,7 Probabilidad de que sea un hombre?

Estudiante

Mujer

0,9 No fuma

P( H F ) P( H ) P( F | H ) P( H | F ) P( F ) P( F ) 0,3 0,2 0,46 0,13

0,3 Hombre

0,2

Fuma

0,8 No fuma
25

Ejemplo (V): En un centro hay dos quirfanos. El 1 se usa el 75% de veces para operar. En el 1 la frec. de infeccin es del 5% y en el 2 del 10%. Qu probabilidad de infeccin hay? P(I) = 0,0625 Se ha producido una infeccin. 0,05 Qu probabilidad hay de que sea en el Q1?
Q1 0,75 Paciente 0,95

Infec

No infec

P(Q1 I ) P(Q1) P( I | Q1) P(Q1 | I ) P( I ) P( I ) 0,75 0,05 0,6 0,0625

0,25 Q2

0,1

Infec

0,9
No infec
26

Ejemplo (VI): El 20% del tiempo que se est en una casa

transcurre en la cocina, el 10% en el bao y el resto entre el saln y el dormitorio. Por otro lado la probabilidad de tener un accidente domstico estando en la cocina es de 0,30 de tenerlo estando en el bao es de 0,20 y de tenerlo fuera de ambos de 0,10. Se ha producido un accidente, cul es la probabilidad de que haya sido en la cocina?
P(A) = 0,15 (ya calculado)
0,30 Acc

0,20

Cocina

No Acc

0,70
Acc 0,20

Casa

0,10
Bao 0,80 No Acc

P(C A) P(C ) P( A | C ) P(C | A) P( A) P( A) 0,20 0,30 0,4 0,15

0,70 Resto

0,10

Acc

0,90

No Acc

Ejemplo de prueba diagnsticas: Diabetes

Los carbohidratos ingeridos terminan como glucosa en la sangre. El exceso se transforma en glucgeno y se almacena en hgado y msculos. Este se transforma entre comidas de nuevo en glucosa segn necesidades. La principal hormona que regula su concentracin es la insulina. La diabetes provoca su deficiencia o bien la insensibilidad del organismo a su presencia. Es una enfermedad muy comn que afecta al 2% de la poblacin (prevalencia) Una prueba comn para diagnosticar la diabetes, consiste en medir el nivel de glucosa. 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 prediabtico.

Pero no es seguro. Otras causas podran ser: hipertiroidismo, cancer de pncreas, pancreatitis, atracn reciente de comida

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

28

Funcionamiento de la prueba diagnstica de glucemia

Valor lmite: 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 Falso +
29

Para sanos

Cmo definir el punto de corte de la prueba diagnstica?

No es simple. No es posible aumentar sensibilidad y especificidad al mismo tiempo. Hay que elegir una solucin de compromiso: Aceptable sensibilidad y especificidad.

30

Una prueba diagnstica ayuda a mejorar una estimacin de la probabilidad de que un individuo presente una enfermedad.

En pricipio tenemos una idea subjetiva de P(Enfermo). Nos ayudamos de

Incidencia: Porcentaje de nuevos casos de la enfermedad en la poblacin. Prevalencia: Porcentaje de la poblacin que presenta una enfermedad.

Para confirmar la sospecha, usamos una prueba diagnstica. Ha sido evaluada con anterioridad sobre dos grupos de individuos: sanos y enfermos. As 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 funcin de los resultados del test): ndices predictivos

P(Enfermo | +) = ndice predictivo positivo P(Sano | -) = ndice predictivo negativo

31

Pruebas diagnsticas: aplicacin T. Bayes.

Sensibilidad, verdaderos + P. a priori de enfermedad: incid., preval., intuicin, Enfermo Falsos Individuo T-

T+

Falsos +
T+ Sano

Especificidad, Verdaderos -

T-

32

Ejemplo: ndices predictivos

Individuo

La diabetes afecta al 2% de los individuos.

La presencia de glucosuria se usa como indicador de diabetes. Su sensibilidad es de 0,945. La especificidad de 0,977. Calcular los ndices predictivos.
0,977

0,98

0,02

0,023

0,055

0,945

TP( Enf | T )

T+

T-

T+

P( Sano T ) P( Sano) P(T | Sano) P(T ) P( Sano) P(T | Sano) P( Enf ) P(T | Enf ) 0,98 0,977 0,999 0,98 0,977 0,02 0,055 P( Sano | T )

P( Enf T ) P( Enf ) P(T | Enf ) P(T ) P( Sano) P(T | Sano) P( Enf ) P(T | Enf ) 0,02 0,945 0,456 0,02 0,945 0,98 0,023
33

Observaciones

-Qu probabilidad tengo de estar enfermo?

En el ejemplo anterior, al llegar un individuo a la consulta tenemos una idea a priori sobre la probabilidad de que tenga una enfermedad. A continuacin se le pasa una prueba diagnstica que nos aportar nueva informacin: Presenta glucosuria o no. En funcin del resultado tenemos una nueva idea (a posteriori) sobre la probabilidad de que est enfermo. Nuestra opinin a priori ha sido modificada por el resultado de un experimento.

- En principio un 2%. Le haremos unas pruebas.

- Presenta glucosuria. La probabilidad ahora es del 45,6%.

34

Qu hemos visto?

lgebra de sucesos

Unin, interseccin, complemento Nociones

Probabilidad
Frecuentista Subjetiva o Bayesiana

Axiomas Probabilidad condicionada Reglas de clculo

Complementario, Unin, Interseccin

Independencia de sucesos Sistema exhaustivo y excluyente de sucesos

Teorema probabilidad total. Teorema de Bayes

Pruebas diagnsticas A priori: Incidencia, prevalencia. Eficacia de la prueba: Sensibilidad, especificidad. A posteriori: ndices predictivos.
35