probabilidad inferencial
TRANSCRIPT
-
8/2/2019 Probabilidad inferencial
1/20
Estadstica Inferencial Tema 1: Probabilidades 1
Estadstica InferencialTema 1: Probabilidades
-
8/2/2019 Probabilidad inferencial
2/20
Tema 1: Probabilidades 2Estadstica Inferencial
Cul es la probabilidad de aprobar la asignatura?
Cul es la probabilidad de no sufrir un accidente cuando voy a
clases?
Todos los das nos hacemos preguntas sobre probabilidad eincluso los que hayan visto de esta materia en cursos anteriores,tendrn una idea intuitiva lo suficientemente correcta para lo quenecesitamos de ella en este curso.
En este tema vamos a: Estudiar qu entendemos por probabilidad. Ver algunas reglas de clculo de probabilidades. Ver cmo se aplican las probabilidades en Ciencias de la Salud. Aplicarlas a algunos conceptos nuevos de inters en Ciencias de la
Salud. Test diagnsticos.
-
8/2/2019 Probabilidad inferencial
3/20
Tema 1: Probabilidades 3Estadstica Inferencial
Nociones de probabilidad
Hay dos maneras principales de entender la probabilidad:
Frecuentista (objetiva): Probabilidad de un suceso es la frecuenciarelativa (%) de veces que ocurrira 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 desuceso. Vamos a recordar qu son y algunas operaciones
que se pueden realizar con sucesos.
-
8/2/2019 Probabilidad inferencial
4/20
Tema 1: Probabilidades 4Estadstica 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
ASe llama suceso contrario (complementario) de un suceso A,
al formado por los elementos que no estn en A, se anotaA
E espacio muestral
A
A
Se llama suceso unin de A y B, AUB, al formado por los resultadosexperimentales que estn en A o en B (incluyendo los que estnen ambos
E espacio muestral
A
B
Se llama suceso interseccin de A y B,AB o simplemente AB, al formadopor los resultados experimentales que estn simultneamente en A y B
E espacio muestral
A
B
UNIN
E espacio muestral
A
B
INTERSEC.
-
8/2/2019 Probabilidad inferencial
5/20
Tema 1: Probabilidades 5Estadstica Inferencial
Definicin de probabilidad y prob. condicional Se llama probabilidad a cualquier funcin, P, que asigna a cada
suceso A un nmero real P(A), verificando las siguientes reglas
(axiomas) 0P(A) 1
P(E)=1
P(AUB)=P(A)+P(B) si A B= es el conjunto vaco.
Se llama probabilidad de A condicionada a B, o probabilidad de Asabiendo que ocurri B:
( )( ) ( / )
( )B
P A BP A P A B
P B
E espacio muestral
100%
E espacio muestral
B
A
E espacio muestral
AB
-
8/2/2019 Probabilidad inferencial
6/20
Tema 1: Probabilidades 6Estadstica Inferencial
Intuir la probabilidad condicionada
B
A
P(A) = 0,25P(B) = 0,10
P(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) = 0,25P(B) = 0,10
P(A B) = 0,08
-
8/2/2019 Probabilidad inferencial
7/20
Tema 1: Probabilidades 7Estadstica Inferencial
Intuir la probabilidad condicionadaA
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
-
8/2/2019 Probabilidad inferencial
8/20
Tema 1: Probabilidades 8Estadstica Inferencial
Cualquier problema de probabilidad puede resolverse en teora medianteaplicacin de los axiomas. Sin embargo, es ms cmodo conocer algunasreglas 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(B|A)
Prob. de que ocurra A y B es la prob. de que ocurra A por la probabilidad de que ocurra Bsabiendo que ocurri A.
Dos sucesos son independientes si el hecho de que ocurra uno no afectala ocurrencia del otro. En lenguaje probabilstico:
A y BindependientesP(A|B) = P(A)
Dicho de otra forma: A y BindependientesP(A B) = P(A) P(B)
-
8/2/2019 Probabilidad inferencial
9/20
Tema 1: Probabilidades 9Estadstica Inferencial
EJEMPLO: En una muestra de 1000 individuos elegidos al azar, entreuna poblacin de enfermos de osteoporosis 760 eran mujeres.
Qu porcentaje de mujeres hay en la muestra?
(760/1000)*100=0,76*100=76% Si elegimos a un individuo de la poblacin, qu probabilidad hay de que
sea mujer: La noc. frec. de prob. nos permite aproximarlo a P(Mujer)=076
Cul es la probabilidad de que elegido un individuo de la poblacin sea
hombre: P(Hombre)=P(Mujer)=1-0,76=0,24
Se sabe de otros estudios que entre los individuos con osteoporosis, aprox.la cuarta parte de las mujeres y la tercera parte de los hombres fuman.Elegimos a un individuo al azar de la poblacin de enfermos.
Qu probabilidad hay de que sea mujer fumadora? P(Mujer Fumar) = P(Mujer) P(Fumar|Mujer) = 0,76 x 0.25 = 0,19
Qu probabilidad hay de que sea un hombre fumador? P(Hombre Fumar) = P(Hombre) P(Fumar|Hombre) = 0,24 x 1/3 = 0,08
-
8/2/2019 Probabilidad inferencial
10/20
Tema 1: Probabilidades 10Estadstica Inferencial
Sistema exhaustivo y excluyente de sucesosParticin medible de un espacio muestral
A1
A2
A3 A4
Son una coleccin de sucesos
A1, A2, A3,A4
Tales que la unin de todos ellos forman
el espacio muestral, y sus interseccionesson disjuntas.
-
8/2/2019 Probabilidad inferencial
11/20
Tema 1: Probabilidades 11Estadstica Inferencial
Divide y vencers
A1
A2
A3 A4
B
Todo suceso B, puede ser descompuestoen componentes de dicho sistema.
B = (BA1) U (BA2) U ( BA3) U ( BA4)
Nos permite descomponer el problema B ensubproblemas ms simples. Creanlo . Funciona.
-
8/2/2019 Probabilidad inferencial
12/20
Tema 1: Probabilidades 12Estadstica 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(BA1) + P(BA2) + P( BA3) + ( BA4)
=P(B|A1) P(A1) + P(B|A2) P(A2) +
-
8/2/2019 Probabilidad inferencial
13/20
Tema 1: Probabilidades 13Estadstica Inferencial
Ejemplo: En este aula el 70% de los alumnos son mujeres. Deellas el 10% son fumadoras. De los varones, son fumadores el20%.
Qu porcentaje de fumadores 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 resultafumador. Cul 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%
MujeresVarones
fumadores
Probabilidad Total.Hombres y mujeresformanuna particin del espaciomuestral
R. Bayes
-
8/2/2019 Probabilidad inferencial
14/20
Tema 1: Probabilidades 14Estadstica Inferencial
Expresin del problema en forma de arbol
Estudiante
Mujer
No fuma
Hombre
Fuma
No fuma
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 travs de nodosrepresentan intersecciones.
Las bifurcaciones representanuniones disjuntas.
Puedes resolver los problemasusando la tcnica de tupreferencia.
-
8/2/2019 Probabilidad inferencial
15/20
Tema 1: Probabilidades 15Estadstica Inferencial
Regla de Bayes
A1 A2
A3 A4
B
Si conocemos la probabilidad de B encada uno de los componentes de un
sistema exhaustivo y excluyente desucesos, entonces
si ocurre B, podemos calcular la
probabilidad (a posteriori) de ocurrenciade cada Ai.
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) +
( )( ) ( / )
( )
i
B i i
P A BP A P A B
P B
-
8/2/2019 Probabilidad inferencial
16/20
Tema 1: Probabilidades 16Estadstica Inferencial
Test diagnsticosUn test diagnstico sirve para ayudar a mejorar una estimacin de la
probabilidad de que un individuo presente una enfermedad.
En pricipio tenemos una idea subjetivade 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.
Por otra parte, para confirmar, usamos una prueba diagnstica. La mismaha sido evaluada con anterioridad sobre dos grupos de individuos: sanos yenfermos. As 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 las
probabilidades a posteriori(en funcin de los resultados del test): ndicespredictivos P(Enfermo | Test +) = ndice predictivo de verdaderos positivo P(Sano | Test -) = ndice predictivo de verdaderos negativo
-
8/2/2019 Probabilidad inferencial
17/20
Tema 1: Probabilidades 17Estadstica Inferencial
Test diagnsticos: aplicacin Regla de Bayes.
Individuo
Enfermo
T-
Sano
T+
T-
T+
P. a prioride enfermedad:incid., preval., intuicin,
Sensibilidad,verdaderos +
Falsos +
Especificidad,Verdaderos -
Falsos -
-
8/2/2019 Probabilidad inferencial
18/20
Tema 1: Probabilidades 18Estadstica Inferencial
Ejemplo: Test diagnstico y Regla de Bayes
La diabetes afecta al 20% de los individuos que acuden
a una consulta. La presencia de glucosuria se usa comoindicador de diabetes. Su sensibilidad es de 0,3 y laespecificidad de 0,99. Calcular los ndices predictivos.
88,001,08,03,02,0
3,02,0
)()()()|(
TSanoPTEnfPTEnfPTEnfP
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
)()()()|(
TEnfPTSanoPTSanoPTSanoP
-
8/2/2019 Probabilidad inferencial
19/20
Tema 1: Probabilidades 19Estadstica Inferencial
Observaciones En el ejemplo anterior, al llegar un
individuo a la consulta tenemos una ideaa priorisobre la probabilidad de quetenga una enfermedad.
A continuacin se le pasa un testdiagnstico que nos aportar nueva
informacin: Presenta glucosuria o no.
En funcin del resultado tenemos unanueva idea (a posteriori) sobre laprobabilidad de que est enfermo. Nuestra opinin a priori ha sido
modificada por el resultado de unexperimento.
Relacinalo con el mtodo cientfico.
-Qu probabilidad tengode estar enfermo?
- En principio 0.2. Le
haremos unas pruebas.
- Presenta glucosuria. Laprobabilidad ahora es de
0.88
-
8/2/2019 Probabilidad inferencial
20/20
Tema 1: Probabilidades 20Estadstica Inferencial
Qu hemos visto hasta el momento? lgebra de sucesos
Unin, interseccin, complemento Probabilidad
Nociones Frecuentista Subjetiva o Bayesiana
Axiomas
Probabilidad condicional Reglas del clculo de probabilidades
Complementario, Unin, Interseccin Independencia de sucesos Sistema exhaustivo y excluyente de sucesos
Probabilidad total. Regla de Bayes
Test diagnsticos A priori: Incidencia, prevalencia. Eficacia de la prueba: Sensibilidad, especificidad. A posteriori: ndices predictivos.