Vous êtes sur la page 1sur 17

III. P ROBABILIDAD .

III.1. Conceptos:
a) Fenómenos deterministas y estocásticos.
¿Qué es un fenómeno determinista? Es un acontecimiento del cual se puede predecir el resultado con
certeza, en virtud de la información de que dispone, (por ejemplo, al lanzar una pelota al aire, podemos
predecir que caerá.) Y además siempre tendrá el mismo resultado.

¿Qué es estocástico? Se denomina estocástico a aquel sistema que funciona, sobre todo, por el azar por lo
que no podemos saber su resultado.

b) Espacio muestral y eventos.

Espacio Muestral.- Se llama espacio muestral (E) asociado a un experimento aleatorio, el conjunto de
todos los resultados posibles de dicho experimento.

Al lanzar una moneda, el espacio muestral es E = {sale cara, sale sello} ó E = {c, s}.

Al lanzar un dado de seis caras, el espacio muestral es

E = {sale 1, sale 2, sale 3, sale 4, sale 5, sale 6} ó E = {1, 2, 3, 4, 5, 6}

Al lanzar dos monedas, el espacio muestral es E = {(c,c), (c,s), (s,c), (s,s)}.

Al lanzar tres monedas, el espacio muestral es E = {(c,c,c), (c,c,s), (c,s,c), (c,s,s), (s,c,c), (s,c,s), (s,s,c), (s,s,s)}

Evento o Suceso. Se llama evento o suceso a todo subconjunto de un espacio muestral. Por ejemplo en el
espacio muestral E = {1, 2, 3, 4, 5, 6} del lanzamiento de un dado, los siguientes son eventos:

1. Obtener un número primo A = {2, 3, 5} Commented [Gab1]: Un número primo es un número que no
puede expresarse como producto de dos números distintos de sí
2. Obtener un número primo y par B = {2} mismo y uno.
3. Obtener un número mayor o igual a 5 C = {5, 6}

Si consta de un solo elemento se le dice evento elemental.


Ejemplo: al lanzar una moneda al aire, los eventos elementales son la cara y la cruz. Al lanzar un dado, los
sucesos elementales son el 1, el 2,.., hasta el 6.

Evento compuesto: es un subconjunto de eventos elementales.


Ejemplo: lanzamos un dado y queremos que salga un número par. El evento "numero par" es un suceso
compuesto, integrado por 3 sucesos elementales: el 2, el 4 y el 6, A= {2, 4, 6}
c) Combinación y ordenaciones (Permutación).

Antes de iniciar con el tema entendamos el símbolo “!”


Se llama "factorial" y significa multiplicar un número por todos sus anteriores, pero siempre te debe de dar
un número entero. Ojo, porque eso es importante, También es importante tomar en cuenta que 0! = 1

Ejemplo de factorial, digamos 4 factorial.


4! = 4 x 3 x 2 x 4 = 24
3! = 3 x 2 x 1 = 6
6! = 6 x 5 x 4 x 3 x 2 x 1 = 720

Combinación.- Es todo arreglo de elementos en donde NO nos interesa el lugar o posición que ocupa cada
uno de los elementos que constituyen dicho arreglo.

Ejemplo:

Una ensalada de frutas es una combinación de manzanas, uvas y bananas: no importa en qué orden
pusimos las frutas, podría ser "bananas, uvas y manzanas" o "uvas, manzanas y bananas", es la misma
ensalada.

Hay dos tipos de combinaciones (recuerda que el orden no importa):

1. Se puede repetir: como monedas en tu bolsillo (5,5,5,10,10)


2. Sin repetición: como números de lotería (2,14,15,27,30,33)
1. Combinaciones con repetición

Digamos que tenemos cinco sabores de helado: plátano, chocolate, limón, fresa y vainilla.
Puedes tomar 3 cucharadas.
¿Cuántas combinaciones hay?
Hay n=5 cosas para elegir, y quieres r=3 de ellas. (El orden no importa, ¡y sí puedes repetir!)
(𝐧 + 𝐫 − 𝟏)!
𝐂𝐫 =
𝐫! (𝐧 − 𝟏)!
Donde n es el número de cosas que puedes elegir, y quieres r de ellas (Se puede repetir, el orden no
importa)
(𝐧 + 𝐫 − 𝟏)! (5 + 3 − 1)! 7! 5040
𝐂𝐫 = = = = = 35
( )
𝐫! 𝐧 − 𝟏 ! (5
3! − 1)! 3! (4!) 6 ∗ 24

2. Combinaciones sin repetición

Así funciona la lotería. Los números se eligen de uno en uno, y si tienes los números de
la suerte (da igual el orden) ¡entonces has ganado!
𝐧!
𝐂𝐬 =
𝐫! (𝐧 − 𝐫)!
Donde n es el número de cosas que puedes elegir, y eliges r de ellas (No se puede repetir, el orden no
importa)

Ejemplo Por ejemplo, ¿cómo podrías ordenar 3 de 16 bolas de billar sin importar el orden?

n! 16! 16! 20,922,789,888,000


𝐶𝑠 = = = = = 560
r! (n − r)! 3! (16 − 3)! 3! (13!) 6 ∗ 6,227,020,800
Ordenaciones (Permutaciones).
Es todo arreglo de elementos en donde SÍ nos interesa el lugar o posición que ocupa cada uno de los
elementos que constituyen dicho arreglo.

Hay dos tipos de permutaciones:

1. Permutación con repetición


2. Permutación sin repetición

1. Permutaciones con repetición (Se puede repetir, el orden importa)

Son las más fáciles de calcular. Si tienes n cosas para elegir y eliges r de ellas, las permutaciones posibles
son:
Pr= nr
Por ejemplo en la cerradura, hay 10 números para elegir (0, 1, 2,...,9) y eliges 3 de ellos: nr =
103 = 1000 permutaciones

2. Permutación sin repetición (No se repite, el orden importa y se usan todos los números) Estas
agrupaciones se diferencian entre si solo por el orden de sus elementos.

Pn= n!

Por ejemplo, ¿cómo podrías ordenar 16 bolas de billar?

Así que el total de permutaciones sería:


Pn= n!
P16= 16!= 16 × 15 × 14 × 13 x 12 x 11…x 1 = 20,922,789,888,000

Ejemplo.- ¿Cuántos números de 4 cifras se pueden formar con los números 2, 3, 5 y 7, sin que ninguno
falte o se repita?
4! = 1 x 2 x 3 x 4 = 24

En el caso de que solo se utilice parte de los n objetos con los que se cuenta se usa esta fórmula, en
donde el orden es importante y que no se puedan repetir objetos dentro del arreglo.
𝒏!
𝑷𝒔 =
(𝒏 − 𝒓)!

n = al total de elementos que puedes elegir. r = el número de elementos que vas a tomar.
Ejemplo.- elegir en orden 3 bolas de 16

n= 16 r=3

n! 16! 16! 20,922,789,888,000


Ps = = = = = 3360
(n − r)! (16 − 3)! 13! 6,227,020,800
http://www.disfrutalasmatematicas.com/combinatoria/combinaciones-permutaciones-calculadora.html
d) Probabilidad clásica y frecuentista.

Concepto clásico

Está basado en el concepto de resultados igualmente posibles y motivado por el denominado Principio de
la Razón Insuficiente, el cual postula que si no existe un fundamento para preferir una entre varias
posibilidades, todas deben ser consideradas equiprobables.

Concepto frecuentista

Es un hecho, empíricamente comprobado, que la frecuencia relativa de un suceso tiende a estabilizarse


cuando la frecuencia total aumenta.

Surge así el concepto frecuentista de la probabilidad de un suceso como un número ideal al que converge
su frecuencia relativa cuando la frecuencia total tiende a infinito.

Así, solemos afirmar que la probabilidad de que salga un seis al tirar un dado es 1/6 porque al hacer un
gran número de tiradas su frecuencia relativa es aproximadamente esa.

Ejemplo. Determine la probabilidad de que en cierta línea de producción se manufacture un producto


defectuoso, si se toma como referencia que la producción de la última semana en esta línea fue de 1,500
productos, entre los que se encontraron 18 productos defectuosos.

P (producto defectuoso) = No de productos defectuoso /Total de productos producidos en la semana


= 18 / 1500 = 0.012

Lo anterior nos indica que es muy probable que 1.2 productos de cada 100 que se manufacturen en esa
línea serán defectuosos.

En el lanzamiento de una moneda perfecta la probabilidad de cara debe ser igual que la de cruz y, por
tanto, ambas iguales a 1/2...

La probabilidad de cada uno de los seis sucesos elementales asociados al lanzamiento de un dado debe ser
1/6.

De la población de pacientes de un laboratorio se eligieron N = 1000 personas al azar, y se encontró que 38


de ellas padecían de hipoglucemia. Calcular la probabilidad de que si se escoge un paciente al azar este
padezca la enfermedad.

Frecuencia empírica = TE / N = 0,038 􀃆 probabilidad teórica = prevalencia

En un curso de Bioestadística hay 30 alumnos, 10 de la carrera de Bioquímica, 15 de Farmacia


y 5 de Enfermería. Se escoge uno al azar; hallar la probabilidad de que sea de la carrera de:
a) Bioquímica P(B) = 10 / 30 = 1 / 3 = 0,333
b) Farmacia P(F) = 15 / 30 = 1 / 2 = 0,5
c) Enfermería P(E) = 5 / 30 = 1 / 6 = 0,167
III.2. Leyes de probabilidad:

a) Ley de la adición

Sean dos eventos A y B mutuamente excluyentes, la Regla de la Adición establece que la Probabilidad de
ocurrencia de A o B se determina sumando sus respectivas probabilidades. P(A o B) = P( A ) + P (B)

Se aplica cuando tenemos dos eventos y se desea conocer la probabilidad de que ocurra al menos uno
de ellos.
Ejemplo
Un servicio de urología en el que el 38,2% de los pacientes a los que se les practica una biopsia prostática
presentan una hiperplasia benigna (HB), el 18,2% prostatitis (PR) y en un 43,6% el diagnóstico es de cáncer
(C).
La probabilidad de que en un paciente que se somete a una biopsia de próstata no se confirme el
diagnóstico de cáncer prostático será igual a:

P(HB ó PR)= P(HB)+ P(PR) = 0,382 + 0,182 = 0,564

Es decir, en un 56,4% de los casos se logra descartar un diagnóstico maligno

Si un fenómeno determinado tiene dos posibles resultados A y B y una probabilidad de que ambas ocurran
se usa la expresión:

P(A ó B)= P(A)+ P(B)− P(A y B)

Supongamos que tenemos los eventos “A” y “B”. Queremos determinar la probabilidad de que suceda
“A” ó suceda “B”; ó bien, Sucedan AMBOS

La respuesta es fácil: tenemos que determinar todos los puntos muestrales que pertenecen a “A”, a “B”
o a ambos; lo que se conoce en teoría de conjuntos como la unión (A ∪ B)

A
A B
B C

A∪B A∪B ∪C

o Por otra parte, si quisiéramos determinar la probabilidad de que sucedan ambos acontecimientos
simultáneamente; es decir “A” y “B”, Tendríamos que escoger los puntos comunes de ambos eventos;
o sea, la intersección de estos conjuntos.
A∩B A∩C
A
A B
B C
A∩B A∩B∩C B∩C
Se sabe que en la Unidad de Cuidados Intensivos (UCI) el 6,9% de los pacientes que ingresan lo hacen con
una infección adquirida en el exterior, mientras que el 13,7% adquieren una infección durante su estancia
en el hospital. Se conoce además que el 1,5% de los enfermos ingresados en dicha unidad presentan una
infección de ambos tipos.
¿Cuál será entonces la probabilidad de que un determinado paciente presente una infección de cualquier
tipo en UCI?

Para realizar el cálculo, si se suman simplemente las probabilidades individuales (0,069+0,137) la


probabilidad de un suceso doble (infección comunitaria y nosocomial) se estará evaluando dos veces, la
primera como parte de la probabilidad de padecer una infección comunitaria y la segunda como parte de
la probabilidad de adquirir una infección en la UCI. Para obtener la respuesta correcta se debe restar la
probabilidad del doble suceso.

P(A ó B)= P(A)+ P(B)− P(A y B) = 0,069 + 0,137 − 0,015 = 0,191

Es decir, 19 de cada 100 enfermos registrará alguna infección (ya sea de tipo comunitario o nosocomial)
durante su ingreso en la citada unidad.

o Supongamos una encuesta aplicada a 50 personas sobre los hábitos de consumo de refresco de cola.

Se obtuvieron los siguientes resultados:

20 prefieren Coca-Cola (C) 5 consumen ambos indistintamente

14 prefieren Pepsi (E) 21 no consumen ninguno de los dos

A) La probabilidad de que a una persona le guste Coca-Cola es de: p(C) = 20/50 = 0.4 ó 40%

B) La probabilidad de que a una persona le guste Pepsi es de: p(E) = 14/50 = 0.28 ó 28%

C) ¿Cuántas personas consumen exclusivamente una marca? : p(C) + p(E) = 34

D) ¿Cuántas personas toman alguno de los dos?: P(C U E) = P(E) + P(C) - P(C y E)= 14 + 20 - 5 = 29

Toman Toman Toman NO toman ni coca ni Pepsi


Coca pero Coca Y Pepsi pero
NO Pepsi Pepsi NO Coca
NOMENCLATURA

o Toman Coca: p(C) o Toman Coca pero no Pepsi: p(C ∩ E’)

o Toman Pepsi: p(E) o Toman Pepsi pero no Coca: p(C ’ ∩ E)

o Toman Coca o Pepsi : p(C U E) o No toman ninguna : p(C ’ ∩ E’)

o Toman Coca y Pepsi: p(C ∩ E)

C ’∩ E’ =21
C ∩ E’ = 20 C ∩ E =5 C ’∩ E= 14

¿Cuántas personas consumen exclusivamente una marca?

P (C ∩ E’) + P(C’∩ E) = 34

¿Cuántas personas toman alguno de los dos?:

P(C U E) = P(C ∩ E’) + P(C ∩ E) - P(C’ ∩ E)= 14 + 20 - 5 = 29


b) Ley de la multiplicación

Ley de multiplicación: Una ley de probabilidad utilizada para calcular la probabilidad de una intersección:
P (A y B) = P(A)*P (B/A) o bien P(A y B) = P (B)*P(A/B).

Estudiamos el suceso A (porcentaje de varones mayores de 40 años casados) y el suceso B (varones


mayores de 40 años con más de 2 hijos) y obtenemos la siguiente información:
Un 35% de los varones mayores de 40 años están casados.
De los varones mayores de 40 años y casados, un 30% tienen más de 2 hijos (suceso B condicionado al
suceso A).

Calcular la probabilidad de que un varón mayor de 40 años esté casado y tenga más de 2 hijos (suceso
intersección de A y B).

Por lo tanto:
P (A) = 0,35
P (B/A) = 0,30
P (A y B) = 0,35 * 0,30 = 0,105
Es decir, un 10,5% de los varones mayores de 40 años están casados y tienen más de 2 hijos.

En el caso de eventos independientes, se reduce a


P (A y B) = P(A)*P (B).

Ejemplo.-

Javier tiene 2 acciones, IBM y General Electric (GE). La probabilidad de que las acciones de IBM
incrementen su valor este año, es de 0.5, mientras que la probabilidad de que las acciones de GE suban de
valor es del 0.7. Ambos eventos son independientes.

¿Cuál es la probabilidad de que ambas acciones incrementen su valor este año?

P (IBM y GE) = (.5) (.7) = .35


c) Teorema de Bayes.

En el campo de ciencias de la salud se utiliza ampliamente la aplicación de leyes de probabilidad y


conceptos relacionados en la evaluación de pruebas de detección y criterios de diagnostico. A los médicos
les interesa tener mayor capacidad para predecir correctamente la presencia o ausencia de una
enfermedad en particular a partir del conocimiento de los resultados (positivos o negativos) de pruebas y
el estado de los síntomas (presentes o ausentes) que se manifiestan.

En pruebas de detección se debe considerar con cuidado que no siempre son pruebas infalibles. Es decir, el
procedimiento puede dar un falso positivo o un falso negativo.

David Blumenthal decía “Si los pacientes no están recibiendo un tratamiento correcto, alguien en su
proceso de diagnóstico y tratamiento está tomando decisiones incorrectas”

Pruebas diagnósticas

Pacientes Pacientes
Enfermos Sanos
Prueba Total
VP FP
Positiva Positivos
Prueba Total
FN VN
Negativa Negativos
Total Total
Enfermos Sanos

VP= Verdaderos Positivos FN= Falso Negativo

FP= Falso Positivo VN= Verdadero Negativo

VPN = Valor Predictivo Negativo VPP=Valor predictivo positivo

Falso positivo (FP): resulta cuando una prueba indica que el estado es positivo, cuando en realidad es
negativo.

Falso negativo (FN): resulta cuando una prueba indica que un estado es negativo, cuando en realidad es
positivo.
Prevalencia (P): es la probabilidad de enfermarse. O sea, es la probabilidad de encontrar la enfermedad en
la población.
Total Enfermos
P=
Población Total

Sensibilidad (S): es la probabilidad condicional de que un paciente sea diagnosticado como enfermo,
cuando se sabe que en realidad está enfermo.

VP
𝐒=
Total Enfermos
Especificidad (E): Es la probabilidad condicional de que un paciente sea diagnosticado como sano, cuando
se sabe que en realidad está sano.
VN
E=
Total Sanos

VP + VN
Eficiencia (Ef)= Población total

 Si calculamos estas probabilidades únicamente con los datos de nuestra tabla.

Valor Predictivo Positivo (VPP): Es la probabilidad de padecer la enfermedad si se obtiene un resultado


positivo en el test.
𝑽𝑷
VPP = (𝑽𝑷+𝑭𝑷)

Valor Predictivo Negativo (VPN) Es la probabilidad de que un sujeto con un resultado negativo en la
prueba esté realmente sano.
𝑽𝑵
VPN= (𝑽𝑵+𝑭𝑵)

De lo contrario
𝑷𝒓𝒆𝒗𝒂𝒍𝒆𝒏𝒄𝒊𝒂∗𝒔𝒆𝒏𝒔𝒊𝒃𝒊𝒍𝒊𝒅𝒂𝒅
VPP = 𝑷𝒓𝒆𝒗𝒂𝒍𝒆𝒏𝒄𝒊𝒂∗𝒔𝒆𝒏𝒔𝒊𝒃𝒊𝒍𝒊𝒅𝒂𝒅+(𝟏−𝑷𝒓𝒆𝒗𝒂𝒍𝒆𝒏𝒄𝒊𝒂)∗(𝟏−𝑬𝒔𝒑𝒆𝒄𝒊𝒇𝒊𝒄𝒊𝒅𝒂𝒅)

(𝟏−𝐏𝐫𝐞𝐯𝐚𝐥𝐞𝐧𝐜𝐢𝐚)∗𝐄𝐬𝐩𝐞𝐜𝐢𝐟𝐢𝐜𝐢𝐝𝐚𝐝
VPN = (𝟏−𝐏𝐫𝐞𝐯𝐚𝐥𝐞𝐧𝐜𝐢𝐚)∗𝐄𝐬𝐩𝐞𝐜𝐢𝐟𝐢𝐜𝐢𝐝𝐚𝐝+𝐏𝐫𝐞𝐯𝐚𝐥𝐞𝐧𝐜𝐢𝐚∗(𝟏−𝐒𝐞𝐧𝐬𝐢𝐛𝐢𝐥𝐢𝐝𝐚𝐝)
         
         
         
          Sanos = 70
          Sospechosos
         
         
         
          Enfermos = 30
         

          Prueba negativa
          Prueba positiva
          Sensibilidad (S) probabilidad de que un paciente
          sea diagnosticado como enfermo, cuando se sabe
         
que en realidad está enfermo.
         
Enfermos =30
         
Positivos entre los enfermos =21
         
S= VP/Total Enfermos = 21/30 = 0.7 o 70%
         
         

          Prueba negativa
          Prueba positiva
          Especificidad (E) Es la probabilidad de que un
          paciente sea diagnosticado como sano, cuando se
          sabe que en realidad está sano.
          Sanos =70
          Negativos entre los sanos =67
          E= VN/Total sanos= 67/70 = 0.95 o 95%
         
         
          Prueba negativa
          Prueba positiva
          Valor predictivo positivo (VPP) Es la probabilidad
         
de padecer la enfermedad si se obtiene un
          resultado positivo en el test.
         
Pruebas positivas =24
         
Verdaderos positivos =21
          VPP= VP / TP = 21/ 24 = 0.875 87.5%
         
         

         
          Prueba negativa
          Prueba positiva
          Valor predictivo negativo (VPN) Es la probabilidad
          de que un sujeto con un resultado negativo en la
          prueba esté realmente sano.
          Pruebas negativas =76
          Verdaderos negativos =67
          VPN= VN/ TN = 67/ 76 = 0.881 ó 88.1%
         
Ejemplo 1. Consideremos como ejemplo un caso clínico en el que una gestante se somete a la prueba
de sobrecarga oral con 50 gramos de glucosa para explorar la presencia de diabetes gestacional,
obteniéndose un resultado positivo. Es sabido que dicho test presenta unos valores aproximados de
sensibilidad y especificidad en torno al 80% y al 87%, respectivamente. Si se conoce además que la
prevalencia de diabetes gestacional en la población de procedencia es aproximadamente de un 3%,
por medio del teorema de Bayes podemos conocer la probabilidad de que el diagnóstico sea
correcto o, equivalentemente, el valor predictivo positivo:

𝑃𝑟𝑒𝑣𝑎𝑙𝑒𝑛𝑐𝑖𝑎∗𝑠𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑
VPP =
𝑃𝑟𝑒𝑣𝑎𝑙𝑒𝑛𝑐𝑖𝑎∗𝑠𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑+(1−𝑃𝑟𝑒𝑣𝑎𝑙𝑒𝑛𝑐𝑖𝑎)∗(1−𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑑𝑎𝑑)

0.03∗0.8 0.024
VPP = 0.03∗0.8+(1−0.03)∗(1−0.87)= 0.024+0.1261 = 0.159 = 15.9%

Se puede concluir por lo tanto que, a pesar de obtener un resultado positivo en la prueba, existe sólo una
probabilidad de un 15,9% de que la paciente padezca diabetes gestacional.

Supongamos que además dicha paciente tiene más de 40 años de edad. Se sabe que en grupos de edad
más avanzada la prevalencia de diabetes gestacional entre las gestantes llega a aumentar hasta
aproximadamente un 8%. En este caso, el valor predicativo positivo asociado vendrá dado por:

0.08∗0.8 0.064
VPP = 0.08∗0.8+(1−0.08)∗(1−0.87)= 0.064+0.1196 = 0.3486 = 34.86%

En este caso las posibilidades de un diagnóstico de diabetes gestacional aumentan hasta un 34,86%.
Ejemplo 2. Para diagnosticar una enfermedad en la arteria coronaria, un cardiólogo realiza un test de
tolerancia a un ejercicio físico programado. De sus historias clínicas con resultados verificados
escoge a 147 pacientes con problemas coronarios y los clasifica de acuerdo a su diagnóstico, junto
con el estado real que se pudo verificar después. De esta forma, arma una Tabla de diagnóstico
para ver que tan bien trabaja. Los resultados fueron:

Enfermedad Coronaria
Test de tolerancia al Pacientes Pacientes
Total
ejercicio físico Enfermos Sanos
Prueba
73 9 82
Positiva
Prueba
28 37 65
Negativa
Total 101 46 147

Prevalencia Especificidad
Total Enfermos 101
P= = = 0.69 VN 37
Población Total 147 E= = = 0.80
Total Sanos 46

Sensibilidad
Eficiencia
VP 73
𝐒= =
Total Enfermos 101
= 0.72 VP + VN 73+37
Ef= Población total = 147
= 0.75 = 75%

𝑽𝑷 73 73
VPP = = = = 0.8902 = 89%
(𝑽𝑷+𝑭𝑷) 73+9 82

𝑽𝑵 37 37
VPN= (𝑽𝑵+𝑭𝑵) = 37+28 = 65 = 0.5692 = 57%

Ejemplo 3. Si sabemos que la prevalencia en la población del VIH es de 1/1000 y que el test de VIH que
efectuamos tiene una sensibilidad del 98 % y una especificidad del 98 % ¿cuál es la probabilidad de
que un sujeto que ha resultado positivo sea verdaderamente portador del VIH?
0.001∗0.98 0.00098
VPP = = = 0.046
0.001∗0.98+(1−0.001)∗(1−0.98) 0.00098+0.01998

El diagnóstico consiste en establecer la enfermedad de un paciente, a partir de una serie de síntomas. Pero
los síntomas y las enfermedades no están ligados de un modo biunívoco.
Ejemplo 4. Un equipo de investigación médica pretende evaluar una prueba de detección propuesta
para la enfermedad de Alzheimer. La prueba se basa en una muestra aleatoria de 450 enfermos y
en otra muestra aleatoria independiente de 500 pacientes que no presentan síntomas de la
enfermedad. Las dos muestras se obtuvieron de una población de individuos con edades de 65 años
o más. Los resultados son los siguientes:

Diagnostico de Alzheimer
Resultado de la Pacientes Pacientes
Total
prueba Enfermos Sanos
Prueba
436 5 441
Positiva
Prueba
14 495 509
Negativa
Total 450 500 950

Prevalencia Especificidad
Total Enfermos 450
P= = = 0.473 VN 495
Población Total 950 E= = = 0.99
Total Sanos 500

Sensibilidad
Eficiencia
VP 436
𝐒= =
Total Enfermos 450
= 0.9688 VP + VN 436+495
Ef= Población total = 950
= 0.98= 98%

𝑽𝑷 436
VPP = (𝑽𝑷+𝑭𝑷) = 436+5 = 0.9886 = 98%

Tal como se puede apreciar, en este caso, el valor predictivo de la prueba es muy alto.
Ejemplo 5. La prevalencia de sordera en niños recién nacidos sanos es de 1 por cada 1,000. Esta
prevalencia aumenta aproximadamente a 3 de cada 100 niños que se hallan en la terapia intensiva,
y a 3 de cada 10 que padecen meningitis y no reciben tratamiento adecuado. Esto lo definimos
también como probabilidad pre-test, la probabilidad de tener una condición, antes de realizar
cualquier prueba.

Ahora supongamos que existe una prueba auditiva para todos estos niños. La especificidad de esta
prueba es del 95%, y la sensibilidad es de un 90%. Hagamos la siguiente pregunta. Si un niño no “pasa” la
prueba, es decir, es positiva para sordera, ¿qué probabilidad tiene ahora de padecer sordera?
Ahora imagine que usted realiza un estudio con 100 mil niños sanos, utilizando esta prueba y obtiene los
siguientes resultados en una tabla de contingencia.

Pacientes con Pacientes sin


Total
sordera sordera
Prueba
90 4995 5085
positiva
Prueba
10 94905 94915
negativa
Total 100 99900 100000

Prevalencia
Especificidad
Total Enfermos 100
P= Población Total = 100000 = 0.001 VN 94905
E =Total Sanos = 99900 = 0.95
Sensibilidad
VP 90
𝐒= Total Enfermos
= 100 = 0.9 Eficiencia
VP + VN 90+94905
Ef= Población total = 100000
= 0.94= 94%

𝑽𝑷 90
VPP = (𝑽𝑷+𝑭𝑷) = 5085 = 0.0176 = 1.8%

El valor predictivo positivo queda en el 1.8%. Si un niño resulta con la prueba positiva, y la madre nos
pregunta “¿qué probabilidad hay de que en verdad mi hijo sea sordo?” la respuesta es esa,
“aproximadamente un 1.8%”, dada esta prevalencia de 1 en 1 000.

𝑽𝑵 94905
VPN= (𝑽𝑵+𝑭𝑵)= 94915 = 0.9998 = 99%
Resultados de la exploración y biopsia prostática de una muestra de pacientes con sospecha de
cáncer de próstata.
Resultado del tacto Resultado de la biopsia prostática
rectal Cáncer Patología benigna Total
Anormal 634 269 903
Normal 487 1251 1738
Total 1121 1520 2641

Resultados de la aplicación del test de VIH en una población de baja prevalencia.


Verdadero diagnóstico
Resultado del test
VIH+ VIH- Total
Positivo 5.970 13.970 19.940
Negativo 30 2.780.030 2.780.060
Total 6.000 2.794.000 2.800.000

Resultados de la aplicación del test de VIH en una población de alta prevalencia.


Verdadero diagnóstico
Resultado del test
VIH+ VIH- Total
Positivo 796.000 10.000 806.000
Negativo 4.000 1.990.000 1.994.000
Total 800.000 2.000.000 2.800.000