NOCIONES BASICAS

DE PROBABILIDAD
PROPIEDADES

1.- 0  P(A)  1

P(A) = n(A)
Gran total
Ejemplo

Recuento
MENOPAUSIA
NO SI Total
CLASIFICACION NORMAL 189 280 469
OMS OSTEOPENIA 108 359 467
OSTEOPOROSIS 6 58 64
Total 303 697 1000

• ¿Probabilidad de una mujer normal?

• P(Normal)=469/1000=0,469
PROPIEDADES
2.- INTERSECCION DE EVENTOS
ES LA PROBABILIDAD QUE DOS EVENTOS OCURRAN EN FORMA
SIMULTANEA

P(A∩B) = n(A∩B)
Gran total
Ejemplo

Recuento
MENOPAUSIA
NO SI Total
CLASIFICACION NORMAL 189 280 469
OMS OSTEOPENIA 108 359 467
OSTEOPOROSIS 6 58 64
Total 303 697 1000

• ¿Probabilidad que sea una mujer normal y tenga menopausia?

• P(Normal y Menopausia)= 280/1000=0,28
3.- Si A,B eventos cualesquiera, entonces,
P(AUB) = P(A) + P(B) - P(AB)


A B

(A  B)
EJEMPLO .-
En una comunidad, se evaluó el estado de nutrición de 100 niños menores de 5
años de edad, obteniéndose los siguientes resultados:
*********************************************************
SEXO ESTADO de NUTRICION
Normal Malnutrido TOTAL
*********************************************************
Hombres 40 = n(HN) 15 55 = n(H)
Mujeres 20 25 45
********************************************************
TOTAL 60 = n(N) 40 100
********************************************************
Se elige un niño al azar, cuál es la probabilidad de que sea hombre o su estado de
nutrición sea normal ?
SOLUCION
H: Sea hombre
N: Tenga estado nutricional normal

P(HUN) = P(H) + P(N) - P(HN)

P(HUN) = 55/100 + 60/100 - 40/100 = 0.75
4. Si A,B eventos excluyentes (AB=), entonces,

P(AUB) = P(A) + P(B)

A B
 Recuento
Ejemplo MENOPAUSIA
NO SI Total
CLASIFICACION NORMAL 189 280 469
OMS OSTEOPENIA 108 359 467
OSTEOPOROSIS 6 58 64
Total 303 697 1000
• ¿Probabilidad de tener osteopenia u osteoporosis?
• P(OsteopeniaUOsteoporosis)=P(Osteopenia)+P(Osteoporosis)-
P(Osteopenia∩Osteoporosis)=467/1000+64/1000=0,531
• Son sucesos disjuntos
• Osteopenia ∩ Osteoporosis=Ø

• ¿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
5.- Si A y A’ son complementarios, entonces,

P(A’) = 1 - P(A) ó P(A) = 1 - P(A’)

 A’

A
 Recuento
Ejemplo MENOPAUSIA
NO SI Total
CLASIFICACION NORMAL 189 280 469
OMS OSTEOPENIA 108 359 467
OSTEOPOROSIS 6 58 64
Total 303 697 1000

• Se ha repetido en 1000 ocasiones el experimento de elegir a una mujer de una

población muy grande. El resultado está en la tabla.
• ¿Cuál es la probabilidad de que una mujer tenga osteoporosis?
• P(Osteoporosis)=64/1000=0,064=6,4%
• Noción frecuentista de probabilidad
• ¿Cuál es la probabilidad de que una mujer no tenga
osteoporosis?
• P(No Osteoporosis)=1-P(Osteoporsis)=1-64/1000=0,936=93,6%
6.PROBABILIDAD CONDICIONAL: P(A/B)

Sea  un espacio muestral asociado al experimento aleatorio E. Sean los eventos A y B dados en  .

La probabilidad de la ocurrencia del evento B dado que ha ocurrido A se denomina probabilidad

condicional de B dado A.

Fórmula:

n(AB)
P(B/A) = ------------------- ( se aplica cuando los datos están en una tabla)
n(A)

P(AB)
P(B/A) = ------------------- ( se aplica cuando los datos no están en una tabla)
P(A)

donde P(A) > 0

 ***************************************************************
SEXO OCUPACION
Desempleados Empleados TOTAL
***************************************************************
Hombres 40 460 500
Mujeres 260 140 400
****************************************************************
TOTAL 300 600 900
*****************************************************************
Se elige un adulto al azar, ¿cuál es la probabilidad de que esté desempleado dado que es
mujer?
SOLUCION

n(DM) 260
P(D/M) = ---------------- = ------------ = 0.65
n(M) 400

Interpretación:
Al elegir un adulto al azar, la probabilidad de que este desempleado dado que es mujer es
de 0.65.
7.REGLA DE LA MULTIPLICACION
P(AB)
A partir de : P(B/A) = -------------- , despejando,
tenemos:
P(A)

P(AB) = P(A)* P(B/A)

EJEMPLO
El resultado de la evaluación nutricional de 100 niños, son 60 normales y 40
malnutridos. Si de este grupo seleccionamos dos niños al azar sin reposición, Cuál es
la probabilidad de que el primer niño sea normal y el segundo sea mal nutrido?

SOLUCION
P(AB) = P(A)*P(B/A)

A: El primer niño sea normal

B: El segundo niño sea malnutrido

AB: El primer niño sea normal y el segundo niño sea malnutrido

B/A: El segundo sea malnutrido dado que el primer niño fue normal

Según la regla de multiplicación, tenemos:

P(AB) = P(A)*P(B/A)= (60/100)*(40/99) = 0.2424

Interpretación:
Nos indica que la probabilidad de que el primer niño sea normal y el segundo sea
malnutrido es de 0.2424.
EJEMPLO.-
Se sabe que en un lote de medicamentos de 50 frascos,
hay 4 que no están adecuadamente empacados
(defectuosos). Si se extraen al azar 2 frascos, uno a
continuación del otro, ¿cuál es la probabilidad de que
ambos sean defectuosos?.
SOLUCION
D1 : El primer medicamento es defectuoso
D2 : El segundo medicamento es defectuoso
D2/D1: El segundo medicamento es defectuoso dado que
el primer medicamento también lo es

P ( D1 ) 
4 D
P(D1  D 2 )  P(D1 )  P( 2 )
50 D1

4 3 12
P( D 2 ) 3 =  
D1 49 50 49 2450
 8.Independencia de sucesos

• Dos sucesos son independientes si el que ocurra

uno, no añade información sobre el otro.

• A es independiente de B

 P(A|B) = P(A)

 P(A∩B) = P(A) P(B)

TEOREMA DE BAYES
Ejemplo 1 de aplicación del teorema de Bayes
• La probabilidad de que una unidad de sangre proceda de un
donante remunerado es de 0.67.
• Si el donante es remunerado, la prob. de que la unidad contenga el
suero de hepatitis es 0.0144
• Si el donante es no remunerado, la prob. de que la unidad tenga el
suero de hepatitis es 0.0012
• Si un paciente recibe una unidad de sangre y contrae el suero de
hepatitis, ¿cuál es la probabilidad de que el donante sea
remunerado?
 R R’

APLICACIÓN DEL TEOREMA DE BAYES

R : Donante sea remunerado H
R’: Donante no es remunerado
P (R)= 0.67, P (R’)=0.33 RH R’H
H : La unidad de sangre contiene suero de hepatitis
H/R: Presencia de Hepatitis dado donante remunerado.
H/R’: Presencia de Hepatitis dado donante no remunerado.
P (H/R) = 0.0144; P (H/R’)= 0.0012 . Por consiguiente:
P (R)* P (H/R) P (R)* P (H/R)
P (R/H) = ------------------------ = ------------------------------------
P (H) P (R)* P (H/R) + P (R’)* P (H/R’)
0.67*0.0144
P(R/H) = -------------------------------------- = 0.9606
0.67*0.0144 + 0.33*0.0012
APLICACIONES

.- EVALUACION DE UNA PRUEBA DE TAMIZAJE EN

ESTUDIOS: TRANSVERSAL Y CASO-CONTROL

.- EVALUACION DE FACTORES DE RIESGO EN

ESTUDIO COMPARATIVO DE:
* COHORTE (prospectivo)
** CASO-CONTROL (retrospectivo)
EVALUACION DE UNA PRUEBA DE TAMIZAJE EN UN ESTUDIO
TRANSVERSAL. EJEMPLO:
Supongamos que la prueba es aplicada a una muestra de 100 personas. Los
resultados de esta prueba se presentan en la siguiente tabla:
-------------------------------------------------------------------------------------------------------
Resultado Estado de la Enfermedad TOTAL
Prueba Presente E Ausente E’ .

Positiva (+) 7 (VP) 4 (FP) 11

Negativa (-) 3 (FN) 86 (VN) 89 .

TOTAL 10 90 N = 100

Se pide calcular la prevalencia, sensibilidad, especificidad, valor predictivo

positivo y valor predictivo negativo de la prueba
E : tiene la enfermedad P(E)= 10/100 = 0.1
P(+/E) = VP/(VP+FN) = 7/10 = 0.7 ( SENSIBILIDAD)
P(-/ E’) = VN/(FP+VN) = 86/90 = 0.95 ( ESPECIFICIDAD)
VP 7 VN 86
VPP= P(E /+)= --------------- = ----- = 0.63 ; VPN = P(E’ /-) = ------------- = -------=0 .96
VP + FP 11 FN + VN 89
EVALUACION DE UNA PRUEBA DE TAMIZAJE EN UN ESTUDIO CASO-CONTROL
Resultados de una prueba de tamizaje según un estudio caso - control
-------------------------------------------------------------------------------------------
Resultado Estado de la Enfermedad
Prueba Presente (casos) E Ausente ( controles) E’

Positiva (+) Verdaderos Positivos(VP) Falsos Positivos (FP)

Negativa (- ) Falsos Negativo (FN) Verdadero Negativo (VN)

TOTAL VP+FN FP+VN
Sea; E : tiene la enfermedad P(E):Prev. Real enfermedad (TRANSVERAL)

P(+/ E ) = VP / (VP+FN) : SENSIBILIDAD

P(- / E ) = FN / (VP+FN) : 1-SENSIBILIDAD
P(+/ E’) = FP / (FP+VN) : 1-ESPECIFICIDAD
P(- / E’) = VN / (FP+VN) : ESPECIFICIDAD

INTERES : P(E/+)= VVP =?

PREV. *SENSIB.
VPP= P(E/+)= -------------------------------------------------------------
PREV. *SENSIB + (1-PREV.) *(1-ESPECIF.)
EJEMPLO
Supongamos que la prueba es aplicada a una muestra de 1000 personas que tienen la enfermedad
y una muestra de 1000 que no la tienen. Los resultados de esta prueba se presentan en la siguiente
tabla.
-------------------------------------------------------------------------------------
Resultado Estado de la Enfermedad
Prueba Presente (casos)E Ausente ( controles) E’

Positiva (+) 950 (VP) 10 (FP)

Negativa (-) 50 (FN) 990 (VN)

TOTAL 1000 1000

Suponemos que la prevalencia de dicha enfermedad en la comunidad es del 10% . Se pide calcular
la sensibilidad, especificidad y el valor predictivo positivo de la prueba
E : tiene la enfermedad P(E)= 0.1
P(+/E) = VP/(VP+FN) = 950/1000 = 0.95 ( SENSIBILIDAD)
P(-/ E’) = VN/(FP+VN) = 990/1000 = 0.99 ( ESPECIFICIDAD)

0.1 * 0.95
VPP= P(E/+)= ------------------------------------------ = 0.913
0.1*0.95 + (1-0.1) *(1-0.99)
EN GENERAL

RELACION ENTRE LA PREVALENCIA DE ENFERMEDAD Y EL VALOR PREDICTIVO POSITIVO

DE UNA PRUEBA
---------------------------------------------------------------------------------------------------------
PREVALENCIA VALOR PREDICTIVO POSITIVO DE UNA PRUEBA
DE SENSIBILIDAD Y SENSIBILIDAD Y
ENFERMEDAD ESPECIFICIDAD ESPECIFICIDAD
(%) DEL 95% DEL 99%
---------------------------------------------------------------------------------------------------------
0.1 1.9 9.0
1.0 16.1 50.0
2.0 27.9 66.9
5.0 50.0 83.9
50.0 95.0 99.0
---------------------------------------------------------------------------------------------------------

Del cuadro se observa que la relación positiva entre la prevalencia de la enfermedad y el valor
predictivo positivo de la prueba cuando se mantiene constante la sensibilidad y especificidad a
niveles del 95% y 99%, es decir, cuando de incrementa el valor predictivo positivo.
EVALUACION DE FACTORES DE
RIESGO EN ESTUDIO
COMPARATIVO
EN LOS ESTUDIOS EPIDEMIOLOGICOS ORIENTADOS A LA BUSQUEDA DE FACTORES DE
RIESGO, SE DEBEN ESTABLECER MEDICIONES QUE EXPRESEN EL GRADO O LA FUERZA
DE ASOCIACION ENTRE LOS FACTORES SOSPECHOSOS Y LA ENFERMEDAD EN
CUESTION.
FACTORES SOSPECHOSOS ENFERMEDAD EN CUESTION
EDAD JOVEN DE LA MADRE BAJO PESO AL NACER
 20 (MADRE JOVEN)  2500 (BAJO PESO)
> 20 > 2500
EXPOSICIóN A PESTICIDA ABORTO
SI SI
NO NO
IRRADIACION LEUCEMIA
> 5 radiaciones SI
< 5 radiaciones NO
HABITO DE FUMAR Ca PULMON
FUMA SI
NO FUMA NO
CONSUMO DE ESTROGENO Ca MAMA
SI SI
NO NO
LAS MEDIDAS DE FRECUENCIA RELATIVA SOLAMENTE EXPRESAN EL RIESGO
ABSOLUTO DE ENFERMAR.

SE TIENEN DOS TIPOS BASICOS DE MEDICIONES PARA MEDIR LA FUERZA DE

ASOCIACION:
.- RIESGO RELATIVO y
.- ODDS RATIO

LA FORMA DE OBTENER ESTOS VALORES DE RIESGO DEPENDE DEL TIPO DE

ESTUDIO QUE SE TIENE:

.- PROSPECTIVO (o COHORTE)
.- RETROSPECTIVO (CASO – CONTROL)
EVALUACION DE FACTORES DE RIESGO EN
ESTUDIO COMPARATIVO DE COHORTE (prospectivo)
FACTOR ENFERMEDAD TOTAL
(Radiación) (Leucemia)
SI (E) NO (E’)
SI (F) 10 990 1000
NO (F’) 1 999 1000

INTERES: EVALUAR SI EL FACTOR RADIACION ES UN FACTOR DE

RIESGO DE HACER LEUCEMIA

P(E/F) = 10/1000 : riesgo de hacer la enfermedad en aquellos que

tienen el factor
P(E/F’) = 1/1000 : riesgo de hacer la enfermedad en aquellos que
no tienen el factor
 P (E/F) 10/1000
RR = --------- = ------------ = 10
P (E/F’) 1/1000

RR = 10 : El riesgo de hacer leucemia en aquellos que están expuesto a

la radiación es 10 veces más en relación a los que no están
expuestos

NOTA: Si : RR < 1 : FACTOR PROTECTOR

RR = 1 : SIN EFECTO
RR > 1 : FACTOR DE RIESGO
EVALUACION DE FACTORES DE RIESGO EN
ESTUDIO COMPARATIVO DE CASO - CONTROL
(retrospectivo)
FACTOR ENFERMEDAD
Habito Fumar (Cáncer Pulmon)
SI(E) NO (E’)
SI (F) 70 20
NO (F’) 30 80
TOTAL 100 100
INTERES: ¿FUMAR CIGARRILLO ES UN FACTOR DE RIESGO DE HACER
CANCER PULMON?
ODDS : Es una medida de riesgo de experimentar la enfermedad en estudio
cuando el factor está presente.
P(A)
ODDS = --------- : razón de probabilidad de cualquier evento
P(A’) sobre la probabilidad del complemento.
 P (F/E) 70/100 7
ODDS1 = -------- = ----------- = ----
P (F’/E) 30/100 3

P (F/E’) 20/100 2
ODDS2 = -------- = ----------- = ----
P (F’/E’) 80/100 8

ODDS1 7/3
OR = ----------- = ------- = 9.3
ODDS2 2/8

Interpretación del OR

El riesgo de hacer cáncer de pulmón en los que fuman cigarrillos es

9.3 veces mas en relación a los que no fuman.