Download - Probabilidad Conjuntos
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 1/20
Estadística InferencialEstadística Inferencial Tema 1: ProbabilidadesTema 1: Probabilidades 11
Estadística InferencialEstadística InferencialTema 1: ProbabilidadesTema 1: Probabilidades
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 2/20
Tema 1: Probabilidades 2Estadística Inferencial
¿Cuál es la probabilidad de aprobar la asignatura?
¿Cuál es la probabilidad de no sufrir un accidente cuando voy aclases?
Todos los días nos hacemos preguntas sobre probabilidad eincluso los que hayan visto de esta materia en cursos anteriores,tendr án una idea intuitiva lo suficientemente correcta para lo quenecesitamos de ella en este curso.
En este tema vamos a: Estudiar qué entendemos por probabilidad. Ver algunas reglas de cálculo de probabilidades. Ver cómo se aplican las probabilidades en Ciencias de la Salud. Aplicarlas a algunos conceptos nuevos de inter és en Ciencias de la
Salud. Test diagnósticos.
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 3/20
Tema 1: Probabilidades 3Estadística Inferencial
Nociones de probabilidad
Hay dos maneras principales de entender la probabilidad:
Frecuentista (objetiva): Probabilidad de un suceso es la frecuenciarelativa (%) de veces que ocurriría el suceso al realizar un experimentorepetidas veces.
Subjetiva (bayesiana): Grado de certeza que se posee sobre unsuceso. Es personal.
En ambos tipos de definiciones aparece el concepto de
suceso. Vamos a recordar qué son y algunas operacionesque se pueden realizar con sucesos.
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 4/20
Tema 1: Probabilidades 4Estadística Inferencial
SucesosCuando se realiza un experimento aleatorio diversos resultados sonposibles.El conjunto de todos los resultados posibles se llama espacio muestral yse denota por E.
E espacio muestral
Se llama suceso a un subconjunto de dichos resultados. E espacio muestral
A
Se llama suceso contrario (complementario) de un suceso A,
al formado por los elementos que no están en A, se anota A¶
E espacio muestral
A A¶
Se llama suceso unión de A y B, AUB, al formado por los resultadosexperimentales que están en A o en B (incluyendo los que estánen ambos
E espacio muestral
A
B
Se llama suceso intersección de A y B, AB o simplemente AB, al formadopor los resultados experimentales que están simultáneamente en A y B
E espacio muestral
A
B
UNIÓN
E espacio muestral
A
B
INTERSEC.
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 5/20
Tema 1: Probabilidades 5Estadística Inferencial
Definición de probabilidad y prob. condicional
Se llama probabilidad a cualquier f unción, P, que asigna a cadasuceso A un número real P(A), verificando las siguientes reglas(axiomas)
0�P(A) �1
P(E)=1
P(AUB)=P(A)+P(B) si A � B=Ø Ø es el conjunto vacío.
Se llama probabilidad de A condicionada a B, o probabilidad de Asabiendo que ocurrió B:
( )( ) ( / )
( ) B
P A B P A P A B
P B
�
! !
E espacio muestral
100%
E espacio muestral
B
A
E espacio muestral
A
B
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 6/20
Tema 1: Probabilidades 6Estadística Inferencial
Intuir la probabilidad condicionada
B
A
P(A) = 0,25
P(B) = 0,10P(A� B) = 0,10
B
A
¿Probabilidad de A sabiendo que ha pasado B?
P(A|B)=1 P(A|B)=0,8
P(A) = 0,25
P(B) = 0,10P(A� B) = 0,08
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 7/20
Tema 1: Probabilidades 7Estadística Inferencial
Intuir la probabilidad condicionada
A
B
A
B
¿Probabilidad de A sabiendo que ha pasado B?
P(A|B)=0,05 P(A|B)=0
P(A) = 0,25P(B) = 0,10P(A� B) = 0,005
P(A) = 0,25P(B) = 0,10P(A� B) = 0
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 8/20
Tema 1: Probabilidades 8Estadística Inferencial
Cualquier problema de probabilidad puede resolverse en teoría medianteaplicación de los axiomas. Sin embargo, es más cómodo conocer algunas
reglas de cálculo:
P(A¶) = 1 - P(A)
P(AUB) = P(A) + P(B) - P(A�B)
P(A�B) = P(A) P(B|A)=P(B) P(B|A)
Prob. de que ocurra A y B es la prob. de que ocurra A por la probabilidad de que ocurra Bsabiendo que ocurrió A.
Dos sucesos son independientes si el hecho de que ocurra uno no afectala ocurrencia del otro. En lenguaje probabilístico:
A y B independientes P(A|B) = P(A)
Dicho de otra forma: A y B independientes P(A � B) = P(A) P(B)
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 9/20
Tema 1: Probabilidades 9Estadística Inferencial
EJEMPLO: En una muestra de 1000 individuos elegidos al azar, entreuna población de enfermos de osteoporosis 760 eran mu jeres.
¿Qué porcentaje de mu jeres hay en la muestra? (760/1000)*100=0,76*100=76%
Si elegimos a un individuo de la población, qué probabilidad hay de quesea mu jer: La noc. frec. de prob. nos permite aproximarlo a P(Mu jer)=0¶76
¿Cuál es la probabilidad de que elegido un individuo de la población seahombre: P(Hombre)=P(Mu jer ¶)=1-0,76=0,24
Se sabe de otros estudios que entre los individuos con osteoporosis, aprox.la cuarta parte de las mu jeres y la tercera parte de los hombres f uman.
Elegimos a un individuo al azar de la población de enfermos. ¿Qué probabilidad hay de que sea mu jer f umadora? P(Mu jer Fumar) = P(Mu jer) P(Fumar|Mu jer) = 0,76 x 0.25 = 0,19
¿Qué probabilidad hay de que sea un hombre f umador? P(Hombre Fumar) = P(Hombre) P(Fumar|Hombre) = 0,24 x 1/3 = 0,08
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 10/20
Tema 1: Probabilidades 10Estadística Inferencial
Sistema exhaustivo y excluyente de sucesos
Partición medible de un espacio muestral A1 A2
A3 A4
Son una colección de sucesos
A1, A2, A3, A4«
Tales que la unión de todos ellos formanel espacio muestral, y sus interseccionesson disjuntas.
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 11/20
Tema 1: Probabilidades 11Estadística Inferencial
Divide y vencer ás
A1 A2
A3 A4
B
Todo suceso B, puede ser descompuestoen componentes de dicho sistema.
B = (B A1) U (B A2 ) U ( B A3 ) U ( B A4 )
Nos permite descomponer el problema B ensubproblemas más simples. Creanlo . Funciona.
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 12/20
Tema 1: Probabilidades 12Estadística Inferencial
Probabilidad total
A1 A2
A3 A4
B
Si conocemos la probabilidad de B en cadauno de los componentes de un sistemaexhaustivo y excluyente de sucesos,entonces«
« podemos calcular la probabilidad de B.
P(B) = P(B A1) + P(B A2 ) + P( B A3 ) + ( B A4 )
=P(B| A1) P( A1) + P(B| A2) P( A2) + «
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 13/20
Tema 1: Probabilidades 13Estadística Inferencial
Ejemplo: En este aula el 70% de los alumnos son mu jeres. Deellas el 10% son f umadoras. De los varones, son f umadores el
20%. ¿Qué porcentaje de f umadores hay en total?
P(F) = P(FH) + P(FM)
= P(F|H) P(H) + P(F|M) P(M)
=0,2 x 0,3 + 0,1 x 0,7
= 0,13 =13%
¿Se elije a un individuo al azar y resultaf umador. ¿Cuál es la probabilidad de que sea un hombre? P(H|F) = P(F H)/P(F)
= P(F|H) P(H) / P(F)
= 0x2 x 0,3 / 0,13
= 0,46 = 46%
Mu jeres
Varones
f umadores
Pr obabilidad Total.
Hombres y mu jeresforman
una partición del espaciomuestral
R. Bayes
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 14/20
Tema 1: Probabilidades 14Estadística Inferencial
Expresión del problema en forma de arbol
Estudiante
Mu jer
No f uma
Hombre
Fuma
No f uma
Fuma
0,7
0,1
0,20,3
0,8
0,9
P(F) = 0,7 x 0,1 + 0,3x0,2
P(H
| F) = 0,3x0,2/P(F)
�Los caminos a través de nodosrepresentan intersecciones.
�Las bif urcaciones representan
uniones disjuntas.
�Puedes resolver los problemasusando la técnica de tupreferencia.
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 15/20
Tema 1: Probabilidades 15Estadística Inferencial
Regla de Bayes
A1 A2
A3 A4
B
Si conocemos la probabilidad de B encada uno de los componentes de unsistema exhaustivo y excluyente desucesos, entonces«
«si ocurre B, podemos calcular laprobabilidad (a posteriori ) de ocurrencia
de cada Ai.
donde P(B) se puede calcular usando el teorema de la probabilidad total:
P(B)=P(B A1) + P(B A2 ) + P( B A3 ) + ( B A4 )
=P(B| A1) P( A1) + P(B| A2) P( A2) + «
( )( ) ( / )
( )
i B i i
P A B P A P A B
P B
�
! !
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 16/20
Tema 1: Probabilidades 16Estadística Inferencial
Test diagnósticosUn test diagnóstico sirve para ayudar a mejorar una estimación 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 población. Prevalencia,«
Porcentaje de la población que presenta una enfermedad.
Por otra parte, para confirmar, usamos una pr ueba diagnóstica. La mismaha sido evaluada con anterioridad sobre dos gr upos de individuos: sanos yenfermos. Así de modo frecuentista se ha estimado: Sensibilidad (verdaderos +)= Tasa de acierto sobre enfermos. Especificidad (verdaderos -)= Tasa de acierto sobre sanos.
A partir de lo anterior y usando la Regla de Bayes, podemos calcular lasprobabilidades a posteriori (en f unción de los resultados del test): Índicespredictivos P(Enfermo | Test +) = Índice predictivo de verdaderos positivo P(Sano | Test -) = Índice predictivo de verdaderos negativo
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 17/20
Tema 1: Probabilidades 17Estadística Inferencial
Test diagnósticos: aplicación Regla de Bayes.
Individuo
Enfermo
T-
Sano
T+
T-
T+
P. a priori de enfermedad:incid., preval., intuición,«
Sensibilidad,verdaderos +
Falsos +
Especificidad,Verdaderos -
Falsos -
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 18/20
Tema 1: Probabilidades 18Estadística Inferencial
Ejemplo: Test diagnóstico y Regla de Bayes
La diabetes afecta al 20% de los individuos que acudena una consulta. La presencia de glucosuria se usa comoindicador de diabetes. Su sensibilidad es de 0,3 y laespecificidad de 0,99. Calcular los índices predictivos.
88,001,08,03,02,0
3,02,0
)()(
)()|(
!
��
�!
!
+ +
+
T Sano P T Enf P
T Enf P T Enf P
Individuo
EnfermoT-
Sano
T+
T-
T+
0,3
0,01
0,99
0,7
0,2
0,8
85,07,02,099,08,0
99,08,0
)()(
)()|(
!
��
�!
!
+ +
+
T Enf P T Sano P
T Sano P T Sano P
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 19/20
Tema 1: Probabilidades 19Estadística Inferencial
Observaciones En el ejemplo anterior, al llegar un
individuo a la consulta tenemos una ideaa priori sobre la probabilidad de quetenga una enfermedad.
A continuación se le pasa un testdiagnóstico que nos aportar á nuevainformación: Presenta glucosuria o no.
En f unción del resultado tenemos unanueva idea (a posteriori ) sobre la
probabilidad de que esté enfermo. Nuestra opinión a priori ha sido
modificada por el resultado de unexperimento.
Relaciónalo con el método científico.
-¿Qué probabilidad tengode estar enfermo?
- En principio 0.2. Leharemos unas pr uebas.
- Presenta glucosuria. La
probabilidad ahora es de0.88
5/9/2018 Probabilidad Conjuntos - slidepdf.com
http://slidepdf.com/reader/full/probabilidad-conjuntos 20/20
Tema 1: Probabilidades 20Estadística Inferencial
¿Qué hemos visto hasta el momento?
Álgebra de sucesos Unión, intersección, complemento
Probabilidad Nociones
Frecuentista Subjetiva o Bayesiana
Axiomas Probabilidad condicional Reglas del cálculo de probabilidades
Complementario, Unión, Intersección
Independencia de sucesos Sistema exhaustivo y excluyente de sucesos
Probabilidad total. Regla de Bayes
Test diagnósticos A priori : Incidencia, prevalencia. Eficacia de la pr ueba: Sensibilidad, especificidad. A posteriori : Índices predictivos.