Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

Mat - G205110877 - Capítulo 2

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 12

Bioestadística.

Curso 2011-2012

Capítulo 2

Carmen M Cadarso, M del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro
a a

Índice

1. Introducción histórica 2

2. Conceptos básicos 2
2.1. Experimento aleatorio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

2.2. Espacio muestral. Sucesos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

3. Deniciones de probabilidad 4
3.1. Denición clásica o de Laplace . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4

3.2. Denición axiomática (Kolmogorov 1933) . . . . . . . . . . . . . . . . . . . . . . . 5

4. Probabilidad condicionada 6

5. Independencia de sucesos 7

6. Teoremas clásicos: Regla del producto, ley de probabilidades totales y teorema de Bayes 7
6.1. Regla del producto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

6.2. Ley de las probabilidades totales . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

6.3. Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

7. Pruebas diagnósticas: Sensibilidad y especicidad. Prevalencia e incidencia. 10

1
Bioestadística. Grado en Medicina Capítulo 2

1 Introducción histórica
El objetivo de la Estadística es utilizar los datos para inferir sobre las características de una población

a la que no podemos acceder de manera completa. En el tema anterior, hemos visto como realizar un

análisis descriptivo de una muestra de datos. La Probabilidad es la disciplina cientíca que proporciona
y estudia modelos para fenómenos aleatorios en los que interviene el azar y sirve de soporte teórico La Teoría de la

Probabilidad surgió
para la Estadística.
de los estudios
Como primeros trabajos con cierto formalismo en Teoría de la Probabilidad cabe destacar los realizados
realizados sobre los
por Cardano y Galilei (siglo XVI), aunque las bases de esta teoría fueron desarrolladas por Pascal y juegos de azar, que

Fermat en el siglo XVII. De ahí en adelante grandes cientícos han contribuido al desarrollo de la se remontan miles

de años atrás.
Probabilidad, como Bernouilli, Bayes, Euler, Gauss,... en los siglos XVIII y XIX. Será a nales del

siglo XIX y principios del XX cuando la Probabilidad adquiera una mayor formalización matemática,

debida en gran medida a la llamada Escuela de San Petesburgo en la que cabe destacar los estudios

de Tchebychev, Markov y Liapunov.

2 Conceptos básicos
2.1 Experimento aleatorio
Cuando de un experimento podemos averiguar de alguna forma cuál va a ser su resultado antes de que

se realice, decimos que el experimento es determinístico. Así, podemos considerar que las horas de

salida del Sol, o la pleamar o bajamar son determinísticas, pues podemos leerlas en el periódico antes

de que se produzcan. Por el contrario, no podemos encontrar en ningún medio el número premiado

en la Lotería de Navidad antes del sorteo.

Nosotros queremos estudiar experimentos que no son determinísticos, pero no estamos interesados

en todos ellos. Por ejemplo, no podremos estudiar un experimento del que, por no saber, ni siquiera

sabemos por anticipado los resultados que puede dar. No realizaremos tareas de adivinación. Por ello

deniremos experimento aleatorio como aquel que verique ciertas condiciones que nos permitan un

estudio riguroso del mismo.

Llamamos experimento aleatorio al que satisface los siguientes requisitos:


Todos sus posibles resultados son conocidos de antemano.

El resultado particular de cada realización del experimento es imprevisible.

El experimento se puede repetir indenidamente en condiciones idénticas.

Ejemplo 1: Ejemplos de experimentos aleatorios son:

E1 = Lanzar una moneda al aire,

E2 = Lanzar dos veces una moneda,

E3 = Lanzar dos monedas a la vez,

E4 = Medir la temperatura corporal de un paciente.

Carmen M
a Cadarso, M
a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 2 de 12
Bioestadística. Grado en Medicina Capítulo 2

2.2 Espacio muestral. Sucesos.


Espacio muestral: Es el conjunto formado por todos los resultados posibles del experimento aleatorio.

Lo denotamos por .

Ejemplo 2: Si lanzamos una moneda, = f +g.


c;

Suceso elemental: Es un suceso unitario. Está constituido por un solo resultado del experimento

aleatorio.

Ejemplo 3: Si lanzamos un dado, = f1 2 3 4 5 6g, los sucesos elementales son:


; ; ; ; ;

A = El resultado es un 1 = f1g,
B = El resultado es un 2 = f2g,
...,

F = El resultado es un 6 = f6g.
Suceso: Cualquier subconjunto del espacio muestral.

Ejemplo 4: Si lanzamos un dado, = f1 2 3 4 5 6g, podemos considerar muchos sucesos:


; ; ; ; ;

A = El resultado es par= f2 4 6g, ; ;

B = El resultado es menor que 3= f1 2g, ;

...

Decimos que ha ocurrido un suceso cuando se ha obtenido alguno de los resultados que lo forman.
El objetivo de la Teoría de la Probabilidad es estudiar con rigor los sucesos, asignarles probabilidades

y efectuar cálculos sobre dichas probabilidades. Observamos que los sucesos no son otra cosa que

conjuntos y por tanto, serán tratados desde la Teoría de Conjuntos. Recordamos las operaciones

básicas y las dotamos de interpretación para el caso de sucesos.

Suceso seguro: Es el que siempre ocurre y, por tanto, es el espacio muestral, .

Suceso imposible: Es el que nunca ocurre y, por tanto, es el vacío, ;


.

Unión.: Ocurre A [ B si ocurre al menos uno de los sucesos A o B .

Intersección: Ocurre A \ B si ocurren los dos sucesos A y B a la vez.

Complementario: Ocurre A
c
si y sólo si no ocurre A.

Diferencia de sucesos: n
Ocurre A B si ocurre A, pero no ocurre B . Por tanto, A B n = \A
c
B .

Sucesos incompatibles: Dos sucesos A y B se dicen incompatibles si no pueden ocurrir a la vez.

Dicho de otro modo, que ocurra A y B es imposible. Lo escribimos como A \ =;


B .

Suceso contenido en otro: Diremos que A está contenido en B , y lo denotamos por A  B , si

siempre que ocurra A también sucede B .

Carmen M
a Cadarso, M
a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 3 de 12
Bioestadística. Grado en Medicina Capítulo 2

Ejemplo 5: Estudiamos el experimento aleatorio consistente en el lanzamiento de un dado, y con-

sideramos los sucesos:

A = El resultado es par = f2 4 6g, ; ;

B = El resultado es múltiplo de tres = f3 6g. ;

El suceso que salga par y múltiplo de tres se puede expresar como la intersección

A \ = f2 4 6g \ f3 6g = f6g
B ; ; ; .

De la misma manera, el suceso que salga par o múltiplo de tres se puede expresar

como la unión A [ = f2 4 6g [ f3 6g = f2 3 4 6g
B ; ; ; ; ; ; .

Propiedades

Asociativa A [( [ )=( [ )[
B C A B C A \( \ )=( \ )\
B C A B C

Conmutativa A [ = [
B B A A \ = \ B B A

Distributiva A [( \ )=( [ )\( [ )


B C A B A C A \( [ )=( \ )[( \ )
B C A B A C

Neutro ; para la unión A [;= A

para la intersección A \ = A

Complementario A [ c= A A \ c =; A

Leyes de de Morgan ( [ )c =
A B A
c
\ B
c
( \ )c = c [ c
A B A B

Ejercicio 1: Lanzamos un dado y consideramos los sucesos

= El resultado es par.
A

= El resultado es mayor que 2.


B

Indica cuáles son los sucesos [ , \ A B A B . ¾son los sucesos A y B incompatibles?,


c
¾son los sucesos A y A incompatibles?

3 Deniciones de probabilidad
El principal objetivo de un experimento aleatorio suele ser determinar con qué probabilidad ocurre

cada uno de los sucesos elementales. ¾Pero cómo asignamos probabilidades a los sucesos?

3.1 Denición clásica o de Laplace


Nos encontramos ante un experimento, con su colección de sucesos, y nos preguntamos cómo tenemos

que actuar para asignarle a cada suceso un número entre 0 y 1 que represente la probabilidad de que

el suceso ocurra.

Cuando el espacio muestral es nito, el problema se reduce a asignar probabilidades a los sucesos

elementales. Las probabilidades de los demás sucesos se obtendrán sumando las de los sucesos ele-

Carmen M
a Cadarso, M
a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 4 de 12
Bioestadística. Grado en Medicina Capítulo 2

mentales que lo componen (suma nita).

Sin duda el caso más fácil es aquél en el que no tenemos razones para suponer que unos sucesos sean

más probables que otros.

Cuando, siendo el espacio muestral nito, todos los sucesos elementales tienen la misma probabi-

lidad, diremos que son equiprobables y podremos utilizar la conocida Regla de Laplace

P A( ) = casos favorables a

casos posibles
A
:

Ejercicio 2: Lanzamos dos dados y sumamos sus puntuaciones. ¾Cuál es la probabilidad de obtener

un 2? ¾Cuál es la probabilidad de obtener un 7?

3.2 Denición axiomática (Kolmogorov 1933)


Las dicultades que presenta la denición de probabilidad se han resuelto a principios del siglo XX

mediante la utilización de una denición axiomática de la probabilidad.

Sea el espacio muestral, y sea P( ) el conjunto formado por todos los sucesos. Se dene la

probabilidad como una aplicación P : P ( ) ! [0 1] ; que cumple las siguientes condiciones:

P ( )=1
La probabilidad del suceso seguro es 1.

A \ =;) ( [ )= ( )+ ( )
B P A B P A P B

Si A y B son sucesos incompatibles, entonces la probabilidad de su unión es la suma de sus

probabilidades.

A partir de la denición anterior se puede deducir que:

1. P (;) = 0
2. Si A1 ; A2 ; : : : ; An son sucesos incompatibles dos a dos, se cumple

( [
P A1 A2 [ ::: [ n ) = ( 1) + ( 2) +    + ( n )
A P A P A P A

3. P A ( c) = 1 ( ) P A

4. Si A , entonces ( )  ( )
B P A P B

5. Si A y B son dos sucesos cualesquiera (ya no necesariamente incompatibles) se cumple

( [ )= ( )+ ( )
P A B P A P B P A ( \ )
B :

En esta denición está basado todo el Cálculo de Probabilidades en el siglo XX.

Carmen M
a Cadarso, M
a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 5 de 12
Bioestadística. Grado en Medicina Capítulo 2

4 Probabilidad condicionada
El concepto de probabilidad condicionada es uno de los más importantes en Teoría de la Probabilidad.

La probabilidad condicionada pone de maniesto el hecho de que las probabilidades cambian cuando

la información disponible cambia. Por ejemplo, ¾Cuál es la probabilidad de sacar un 1 al lanzar un

dado? ¾Y cuál es la probabilidad de sacar un 1 al lanzar un dado si sabemos que el resultado ha sido

un número impar?

Ejemplo 6: Si lanzamos un dado, la probabilidad de obtener un 1 es 1 6, pero si disponemos de la


=

información adicional de que el resultado obtenido ha sido impar entonces reducimos

los casos posibles de 6 a 3 (sólo puede ser un 1, un 3 o un 5), con lo cual la probabilidad

de obtener un 1 (sabiendo que el resultado ha sido impar) es 1 3.=

Supongamos entonces que en el estudio de un experimento aleatorio nos interesa conocer la probabi-

lidad de que ocurra un cierto suceso A pero dispongamos de información previa sobre el experimento:

sabemos que el suceso B ha ocurrido. Está claro que ahora la probabilidad de A ya no es la misma

que cuando no sabíamos nada sobre B .

La probabilidad del suceso A condicionada al suceso B se dene:

) = ( (\ ) )
(
P A=B siendo ( ) 6= 0
P A

P B
B
; P B

También se deduce de manera inmediata que ( \ )= ( ) ( )= ( ) (


P A B P A P B=A P B )
P A=B .

Ejemplo 7: Se ha realizado una encuesta en Santiago para determinar el número de lectores de La

Voz y de El Correo. Los resultados fueron que el 35 % de los encuestados lee La Voz, el

20 % de los encuestados lee El Correo. Además, analizando las respuestas se concluye

que el 5 % de los encuestados lee ambos periódicos. Si se selecciona al azar un lector

de El Correo, ¾cuál es la probabilidad de que lea también La Voz?

En primer lugar, vamos a ponerle nombre a los sucesos. Denotamos

A= Es lector de La Voz.

B = Es lector de El Correo.

Fíjate en que la información que nos da el problema es:

P A ( ) = 0 35.:

P B ( ) = 0 2. :

P A ( \ ) = 0 05.
B :

Lo que nos preguntan es un probabilidad condicionada. Sabiendo que una persona es

lectora de El Correo, ¾Cuál es la probabilidad de que también sea lector de La Voz? Es

decir, debemos calcular

(
P A=B ) = ( (\ ) ) = 0005
P A

P B
B

2 = 0 25
:

:
: :

Carmen M
a Cadarso, M
a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 6 de 12
Bioestadística. Grado en Medicina Capítulo 2

5 Independencia de sucesos
Dos sucesos A y B son independientes si

( \ )= ( ) ( )
P A B P A P B

Comentarios:

Si P B ( ) 0,> A y B son independientes si y sólo si P A=B ( ) = ( ), esto es, el conocimiento


P A

de la ocurrencia de B no modica la probabilidad de ocurrencia de A.

Si P A ( ) 0,
> A y B son independientes si y sólo si P B=A ( ) = ( ), esto es, el conocimiento
P B

de la ocurrencia de A no modica la probabilidad de ocurrencia de B .

No debemos confundir sucesos independientes con sucesos incompatibles: los sucesos incom-
Recuerda que los
patibles son los más dependientes que puede haber. Por ejemplo, si en el lanzamiento de una dos sucesos son

moneda consideramos los sucesos incompatibles `salir cara' y `salir cruz', el conocimiento de incompatibles si

que ha salido cara nos da el máximo de información sobre el otro suceso: ya que ha salido cara
A\B =;
es imposible que haya salido cruz.

c c
Si los sucesos A y B son independientes, también lo son los sucesos A y B ; los sucesos A y
c c
B ; y los sucesos A y B .

Ejercicio 3: Se estima que entre la población de Estados Unidos, el 55 % padece de obesidad, el

20 % es hipertensa, y el 60 % es obesa o hipertensa. ¾Es independiente el que una

persona sea obesa de que padezca hipertensión?

6 Teoremas clásicos: Regla del producto, ley de probabilidades totales


y teorema de Bayes
En esta sección veremos tres teoremas muy importantes, tanto a nivel teórico como para la resolución

de ejercicios. Los enunciaremos en su forma más general, aunque después veremos por medio de

ejemplos que su aplicación no es complicada.

6.1 Regla del producto


Si tenemos los sucesos A1 ; A2 ; : : : ; An tales que P A1 ( \ A2 \ ::: \ n ) 6= 0
A , entonces se cumple

( \
P A1 A2 \ ::: \ n ) = ( 1)  (
A P A P A2 =A1 ) (
P A3 =A1 \ 2)    (
A P An =A1 \ A2 \ ::: \ An 1 )
La regla del producto se utiliza en experimentos aleatorios que están formados por etapas consecutivas

(de la 1 a la n ) y nos permite calcular la probabilidad de que ocurra una concatenación (intersección)

de sucesos a lo largo de las etapas (A1 en la primera etapa y A2 en la segunda etapa y . . . y An en la

etapa n). Esta probabilidad queda expresada como el producto de la probabilidad inicial P A1 ( ) y las
probabilidades en cada etapa condicionadas a las etapas anteriores, conocidas como probabilidades

de transición.

Carmen M
a Cadarso, M
a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 7 de 12
Bioestadística. Grado en Medicina Capítulo 2

Ejemplo 8: Un grupo de investigadores de un laboratorio trata de desarrollar una vacuna efectiva

contra parásitos gastrointestinales. La vacuna en la que trabajan en la actualidad es

capaz de matar en la primera aplicación al 80 % de los parásitos gastrointestinales.

Los parásitos supervivientes desarrollan resistencia y en cada aplicación posterior de

la vacuna el porcentaje de parásitos muertos se reduce a la mitad del vericado en la

aplicación inmediatamente anterior: así en la segunda aplicación muere el 40 % de los

parásitos supervivientes de la primera aplicación, en la tercera aplicación muere el 20 %,

etc.

a) ¾Cuál es la probabilidad de que un parásito sobreviva a dos aplicaciones de la

vacuna?

b) ¾Cuál es la probabilidad de que un parásito sobreviva a tres aplicaciones de la

vacuna?

Como siempre, en primer lugar vamos a vamos a ponerle nombre a los sucesos. Deno-

tamos

A1 = El parásito sobrevive a la primera aplicación de la vacuna.

A2 = El parásito sobrevive a la segunda aplicación de la vacuna.

A3 = El parásito sobrevive a la tercera aplicación de la vacuna,...

Fíjate en que la información que nos da el problema es:

P A1( ) = 0 2. :

( 2 1 ) = 0 6.
P A =A :

( 3 1 \ 2 ) = 0 8.
P A =A A :

Aplicando la regla de la cadena podemos contestar a las dos preguntas del problema.

a) La probabilidad de que un parásito sobreviva a dos aplicaciones de la vacuna será

P A1 ( \ 2) = ( 1)  (
A P A P A2 =A1 ) = 0 2  0 6 = 0 12
: : : :

b) La probabilidad de que un parásito sobreviva a tres aplicaciones de la vacuna será

P A1( \ A2 \ 3) = ( 1)  (
A P A P A2 =A1 ) (
P A3 =A1 \ 2 ) = 0 2  0 6  0 8 = 0 096
A : : : : :

6.2 Ley de las probabilidades totales


El segundo teorema es la llamada ley de las probabilidades totales. Descompone la probabilidad

de un suceso en la segunda etapa en función de lo que ocurrió en la etapa anterior. Previamente al

enunciado de este teorema damos una denición.

Sistema completo de sucesos. Es una partición del espacio muestral, esto es, es una colección de

sucesos A1 ; A2 ; : : : ; An (subconjuntos del espacio muestral) vericando A1 [ A2 [ ::: [ An = (son

exhaustivos, cubren todo el espacio muestral) y además son incompatibles dos a dos (si se verica

uno de ellos, no puede a la vez ocurrir ninguno de los otros).

Carmen M
a Cadarso, M
a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 8 de 12
Bioestadística. Grado en Medicina Capítulo 2

Ley de las probabilidades totales. Sea A1 ; A2 ; : : : ; An un sistema completo de sucesos. Entonces se

cumple que:

( ) = ( 1)  (
P B P A P B=A1 ) + ( 2)  (
P A P B=A2 ) +    + ( n)  (
P A P B=An )

Ejemplo 9: Se sabe que una determinada enfermedad coronaria es padecida por el 7 % de los

fumadores y por el 2 5 % de los no fumadores. Si en una población de 5.000 habitantes


:

hay 600 fumadores, ¾cuál es la probabilidad de que una persona elegida al azar sufra

dicha enfermedad?

En este caso:

E = Sufre enfermedad coronaria.


A 1 = Es fumador.

A 2 = Es no fumador.

Fijate que A1 ; A2 un sistema completo de sucesos. La información que nos da el pro-

blema es:

(
P E =A1 ) = 0 07.
:

( 2 ) = 0 025.
P E =A :

P A ( 1 ) = 600 5000 = 0 12.


= :

P A ( 2 ) = 4400 5000 = 0 88 (también se puede calcular como ( 2 ) = 1


= : P A ( )
P A1

ya que son sucesos complementarios).

Entonces, por la ley de probabilidades totales

( ) = ( 1)  (
P E P A P E =A1 ) + ( 2)  (
P A P E =A2 ) = 0 12  0 07 + 0 88  0 025 = 0 0304
: : : : :

6.3 Teorema de Bayes


Por último, tratamos el teorema de Bayes. Consideremos un experimento que se realiza en dos etapas:

en la primera, tenemos un sistema completo de sucesos A1 ; A2 ; : : : ; An con probabilidades P Ai ( ) que


denominamos probabilidades a priori. En una segunda etapa, ha ocurrido el suceso B y se conocen

las probabilidades condicionadas P B=Ai ( ) de obtener en la segunda etapa el suceso B cuando en la

primera etapa se obtuvo el suceso Ai ; =1


i .
;:::;n

En estas condiciones el teorema de Bayes permite calcular las probabilidades ( )


P Ai =B , que son

probabilidades condicionadas en sentido inverso. Reciben el nombre de probabilidades a posteriori,

pues se calculan después de haber observado el suceso B .

Teorema de Bayes. En las condiciones anteriores,

(
P Ai =B ) = ( i ) ( ()
P A P B=Ai

P B
)

Carmen M
a Cadarso, M
a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 9 de 12
Bioestadística. Grado en Medicina Capítulo 2

Además, aplicando en el denominador la ley de probabilidades totales:

( )= ( ) ( ( )  ( i)
P Ai P B=A

1) + ( 2)  ( 2) +    + ( n )  ( )
P Ai =B
1 P A P B=A P A P B=A P A P B=An

Ejemplo 10: Volvamos al Ejemplo 9 y supongamos ahora que llega a nuestra consulta una persona

que sufre la enfermedad coronaria citada. ¾Cuál es la probabilidad de que dicha persona

sea fumadora?

( )
En este caso nos están preguntando P A1 =E . Por el Teorema de Bayes,

(
P A1 =E ) = ( 1 ) ( ()
P A

P E
P E =A 1) :  0 07 = 0 2763
= 0 0120304
:
:
:

7 Pruebas diagnósticas: Sensibilidad y especicidad. Prevalencia e


incidencia.
Las leyes de probabilidad que hemos visto hasta ahora son fundamentales en el campo de ciencias de

la salud, en la evaluación de pruebas diagnósticas. A los médicos les interesa tener mayor capacidad

para determinar sin equivocarse la presencia o ausencia de una enfermedad en un paciente a partir

de los resultados (positivos o negativos) de pruebas o de los síntomas (presentes o ausentes) que se

maniestan.

También es importante conocer la probabilidad de obtención de resultados positivos o negativos de

las pruebas y la probabilidad de la presencia o ausencia de un determinado síntoma en pacientes con

o sin una determinada enfermedad.

Es importante tener en cuenta que las pruebas de detección no siempre son infalibles y que los

procedimientos pueden dar falsos positivos o falsos negativos.


Un falso positivo resulta cuando una prueba indica que el estado es positivo, cuando en realidad
es negativo.

Un falso negativo resulta cuando una prueba indica que el estado es negativo, cuando en

realidad es positivo.

Para evaluar la utilidad de los resultados de una prueba, debemos contestar a las siguientes preguntas:

1. Dado que un individuo tiene la enfermedad, ¾qué probabilidad existe de que la prueba resulte

positiva?

2. Dado que un individuo no tiene la enfermedad, ¾qué probabilidad existe de que la prueba resulte

negativa?

3. Dada un resultado positivo de una prueba de detección, ¾qué probabilidad existe de que el

individuo tenga la enfermedad?

4. Dada un resultado negativo de una prueba de detección, ¾qué probabilidad existe de que el

individuo no tenga la enfermedad?

Carmen M
a Cadarso, M
a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 10 de 12
Bioestadística. Grado en Medicina Capítulo 2

Relacionando estas ideas con los conceptos de probabilidad que hemos visto anteriormente, denire-

mos los siguientes sucesos:

+ = El resultado de la prueba diagnóstica es positivo.

 = El resultado de la prueba diagnóstica es negativo.

E = El paciente tiene la enfermedad.

S = El paciente no tiene la enfermedad.

Denimos entonces los siguientes conceptos, que responderán a las preguntas 1 y 2.

Sensibilidad: La sensibilidad de una prueba es la probabilidad de un resultado positivo de la prueba

dada la presencia de la enfermedad. Se trata, por lo tanto, de una probabilidad condicionada, la

de que el resultado de la prueba sea positivo condicionada a que el paciente sufre la enfermedad.

Sensibilidad = (+ )
P =E

Especicidad: La especicidad de una prueba es la probabilidad de un resultado negativo de la prueba

dada la ausencia de la enfermedad. Se trata, por lo tanto, de una probabilidad condicionada, la

de que el resultado de la prueba sea negativo condicionada a que el paciente está sano.

Especicidad = ( P =S )
Para responder a las preguntas 3 y 4, denimos:

Valor predictivo positivo: El valor predictivo positivo de una prueba es la probabilidad de que un

individuo tenga la enfermedad, dado que el individuo presenta un resultado positivo en la prueba

de detección. Se trata, de nuevo, de una probabilidad condicionada.

Valor predictivo positivo = ( +)


P E=

Valor predictivo negativo: El valor predictivo negativo de una prueba es la probabilidad de que

un individuo esté sano, dado que el individuo presenta un resultado negativo en la prueba de

detección.

Valor predictivo negativo = ( P S= )


El valor predictivo positivo de una prueba puede obtenerse a partir del conocimiento de la sensibilidad

y especicidad de la prueba y de la probabilidad de la enfermedad aplicando la regla de Bayes:

( +) = ( )  (+)(+ ) = ( )  (+( ) ) +(+( )) (+ )


P E=
P E

P
P =E

P E P
P E

=E
P =E

P S P =S
: La epidemiología es

la ciencia que

estudia la
Del mismo modo, el valor predictivo negativo de una prueba puede obtenerse también por la regla de
frecuencia de
Bayes.
aparición de la

enfermedad y de

sus determinantes

Otros conceptos muy importantes en epidemiología son los de prevalencia en incidencia. en la población

Prevalencia: La prevalencia es la proporción de individuos de la población que presentan la enferme-

dad.

Carmen M
a Cadarso, M
a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 11 de 12
Bioestadística. Grado en Medicina Capítulo 2

Incidencia: La incidencia es una medida del número de casos nuevos de una enfermedad en un período

determinado. Podría considerarse como una tasa que cuantica las personas que enfermarán en

un periodo de tiempo.

Ejercicio 4: [Bioestadística. Daniel, W. W. (2006)] La siguiente tabla muestra los resultados de la

evaluación de prueba de detección en la que participaron una muestra aleatoria de 650

individuos con la enfermedad y una segunda muestra aleatoria independiente de 1200

individuos sin la enfermedad.

Enfermedad

Resultado Presente Ausente

Positivo 490 70

Negativo 160 1130

a) Calcula la sensibilidad de la prueba.

b) Calcula la especicidad de la prueba.

c) Si la tasa de enfermedad en la población en general es 0.002, ¾cuál es el valor

predictivo positivo de la prueba?

Carmen M
a Cadarso, M
a del Carmen Carollo, Xosé Luis Otero, Beatriz Pateiro Página 12 de 12

También podría gustarte