Introduccin al clculo de

probabilidades

Interpretacin de las probabilidades

La interpretacin de probabilidades puede

sintetizarse de la siguiente forma:

1.Las probabilidades son nmeros

comprendidos entre 0 y 1 ambos inclusive,

que reflejan las expectativas con respecto a

que un suceso fsico determinado ocurra.

2.Probabilidades prximas a 1 indican que es

de esperar que ocurran los sucesos de que se

trate. No indican que el suceso vaya a

producirse, slo que es un tipo de suceso que

generalmente se produce.

3.Probabilidades prximas a 0 indican que no

es de esperar que ocurran los sucesos de que

se trate. No indican que el suceso no vaya a

1
 producirse, slo que este tipo de sucesos se

considera raro.

4.Probabilidades prximas a 1
2 indican que es

tan verosmil que el suceso se produzca

como que no.

Una pregunta: Qu podemos considerar

como una probabilidad grande o pequea?

La probabilidad de acertar una quiniela de

lotera primitiva es 1/13983816=0,000000071.

La probabilidad de que un paciente supere sin

problemas una gripe es 0,76.

El cirujano nos informa que la probabilidad de

que se complique la operacin es 0,15.

2
Distintos enfoques de la probabilidad

Ejemplo 1: Un paciente sufre de clculos

renales. Su mdico est plantendose el llevar a

cabo una intervencin quirrgica y debe

responder a la siguiente pregunta.

Cul es la probabilidad de que la operacin

sea un xito?

Varios factores como son la edad del paciente, su

estado general de salud y su actitud frente a la

operacin intervienen en este caso. Esta

particular combinacin de factores es una

peculiaridad de este paciente. Es preciso

establecer un juicio de valores para resolverla.

En este caso, cualquier probabilidad que se

asigne al suceso "la operacin ser un xito" es

una estimacin personal.

3
Cualquiera puede establecer una apreciacin

personal sobre lo que sea. Su mayor

inconveniente es obvio: su acierto depende de lo

correcta que sea la informacin de la que

dispone y de la capacidad del cientfico para

evaluarla adecuadamente.

4
Ejemplo 2: Un investigador trabaja en un nuevo

tratamiento para hacer frente a una enfermedad.

De 200 enfermos sometidos a prueba, 180

presentaron una mejora, despus de ser

sometidos al tratamiento. Es natural suponer,

entonces, que la probabilidad de que ocurra lo

mismo en otro enfermo que reciba el mismo

tratamiento es de aproximadamente

180
0.90
200

Sobre la base de este estudio, se informa de que

el tratamaiento es efectivo en un 90% de los

casos.

Tal probabilidad no es simplemente una opinin

personal. Es una asignacin numrica basada en

la repeticin de una experiencia y en la

observacin de los resultados. Se trata, de

hecho, de una frecuencia relativa (enfoque

5
frecuentista).

Es aplicable a cualquier situacin en la que el

experimento pueda ser repetido varias veces y

sus resultados observados. Pr. Aprx:

f nmero de veces que ocurre A

P A
n nmero de veces que se realiza el experimento

Ejemplo 3: Cul es la probabilidad de que un

nio nacido de una pareja, cada uno de cuyos

miembros posee alelos para ojos castaos y para

ojos azules, tenga los ojos castaos?

Ya que el nio recibe un alelo de cada uno de sus

padres, las posibilidades para l son (castao,

azul) (azul, castao) (azul, azul) y (castao,

castao), donde el alelo que aparece

representado en primer lugar en cada uno de los

pares es el que procede del padre.

Puesto que cada uno de los padres tiene

6
exactamente la misma probabilidad de aportar

un alelo para ojos azules que uno para ojos

castaos, las cuatro alternativas son

equiprobables.

Al ser dominante el de ojos castaos sobre el de

color azul, tres de los cuatro pares dan como

resultado un nio de ojos castaos. En

consecuencia, la probabilidad de que el nio

tenga los ojos castaos es

3
4 = 0.75.

Esta probabilidad no es una apreciacin

personal, ni tampoco se basa en la repeticin de

un experimento. De hecho, la hemos calculado

por el mtodo clsico. Tal mtodo puede usarse

siempre que los resultados posibles de un

experimento sean equiprobables. En este caso, la

probabilidad de que ocurra el suceso A viene

7
dada por:

n (A) nmero de veces que puede producirse A

P A
n (S) nmero de resultados que puede dar el experimento

8
Ejercicios

En cada uno de los ejercicios siguientes se pide

calcular probabilidades. Qu mtodo (personal,
frecuencia relativa o clsico) considera el ms
apropiado para resolver el problema? Justifique su
eleccin. En los casos en que sea posible, hallar la
probabilidad, exacta o aproximada, pedida.

1. Una mujer contrae la rubola durante el embarazo.

Cul es la probabilidad de que su hijo nazca con
algn defecto congnito?
2. Se somete a prueba un frmaco que se pretende
utilizar en el tratamiento de la afeccin cutnea
producida por una hiedra venenosa. De 190
personas a las que les fue aplicado, 150 obtuvieron
algn beneficio del mismo. Cul es la probabilidad
de que este frmaco sea efectivo con el siguiente
paciente al que se aplique?
3. Un hombre es zurdo y su mujer diestra. La pareja
tiene dos nios. Cada uno de ellos tiene
exactamente la misma probabilidad de ser zurdo
que de ser diestro. Cul es la probabilidad de que
los dos sean zurdos?
4. En un laboratorio se cometen errores en los anlisis
cruzados de sangre, en uno de cada 2 000 anlisis.

9
Cul es la probabilidad de que un determinado
anlisis est equivocado?

10
Diagrama de rbol

Esta tcnica (diagrama de rbol) resulta til

cuando el experimento puede visualizarse como

si se produjera en unos pocos pasos o etapas

diferentes.

Cada paso del experimento se representa como

una ramificacin del rbol. El rbol se forma

determinando primero cuntas etapas estn

implicadas.

En cada etapa las ramas del rbol representan

las posibilidades en ese punto determinado. Una

vez completado el rbol, pueden leerse las

secuencias de sucesos siguiendo lo que se

denominan "trayectorias" a lo largo del rbol.

Ejemplo: Una mujer es portadora de hemofilia

clsica. Esto significa

que aunque no tenga

11
hemofilia, puede transmitir la enfermedad a sus

hijos. Da a luz a tres hijos. Cules son las

posibilidades de este experimento?

12
Ejemplo: Cul es la probabilidad de que una

mujer con tres hijos y que es portadora de

hemofilia clsica no transmita su enfermedad a

ninguno de sus hijos?

1
P[ninguno de los tres tiene la enfermedad] = 8

Del mismo modo, podemos decir que la

probabilidad de que exactamente dos de los

3
tres hijos tengan hemofilia es de 8
.

13
 Conceptos

Experimento aleatorio. Espacio muestral.

Sucesos. Tipos de sucesos.

Suceso contrario. A

Sucesos incompatibles

Cuando los sucesos no pueden producirse

simultneamente.

Ejemplo: Considrense los dos sucesos:

A: el enfermo se cura despus del tratamiento

B: el enfermo muere despus del tratamiento.

14
Suceso interseccin
Ejemplo: En un estudio de inmunizacin
realizado con nios en edad preescolar, el inters
se centr en las vacunas contra las paperas y
contra el sarampin. A representa el suceso de
que un nio haya recibido la vacuna contra las
paperas y B el suceso de que un nio haya
recibido la vacuna contra el sarampin.

A B=

Suceso unin

Ejemplo: La distribucin del grupo sanguneo de

los individuos de raza negra de Estados Unidos
es
A: A: 27% B: B: 20% C: O: 49% D: AB: 4%

A B

15
Definicin axiomtica de la probabilidad

1. Sea E el espacio muestral de un

experimento.

Entonces P[E] = 1.

2. P[A] 0 para todo suceso A.

3. Sea A y B sucesos incompatibles

P[A U B] = P[A] + P[B]

Consecuencias

P ( ) 0

P ( A ) 1 P ( A)

16
Regla general de la unin

P ( A B ) P ( A) P ( B ) P ( A B )

Ejemplo. Se estima que el 30% de los habitantes

de Estados Unidos son obesos (A) y que el 3%

sufre diabetes (B). El 2% son obesos y padecen

diabetes. Cul es la probabilidad de que una

persona aleatoriamente elegida sea obesa o

sufra diabetes?

P[A UB]= P[A] + P[B] - P[A B]= 0.30 + 0.03 -

0.02 = 0.31

17
 Ejercicios

1. Supongamos que P[A B] = 0.04, P[A] = 0.06,

P[B] = 0.10. Hallar:

a) P[A U B] b) P[A B]

c) P[A' B] d) P[A' B ]

2. Supongamos que P[A U B] = 0.30, P[A] = 0.15,

P[B] = 0.20. Hallar

a) P[A B] b) P[A B]

c) P[A' B] d) P[A' U B ]

3. Ciertos estudios muestran que un 12% de las

personas tratadas por mdicos son atendidas

en el hospital. De ellas, el 1% son, de algn

modo, alrgicas a los medicamentos, y el

12.4% reciben atencin en un hospital o son

alrgicas a los medicamentos. Cul es la

probabilidad de que un paciente elegido al

azar reciba atencin en un hospital y sea

18
 alrgico a los medicamentos? Cul es la

probabilidad de que un paciente elegido al

azar sea alrgico a los medicamentos pero no

reciba atencin en un hospital?

Probabilidad condicionada

Sean A y B dos sucesos tales que P[A] 0. La

probabilidad condicionada de B dado A,

simbolizada P[B | A], se define por:

P A B
P[B | A]
P A

Ejemplo. P[A] = 0.75, P[B] = 0.15 y P[A B] =

0.06.

P[B | A]?

Ejercicio

En un estudio sobre alcohlicos se informa que

el 40% de los mismos tienen padre alcohlico y

el 6% madre alcohlica. El 42% tiene al menos

19
uno de los padres alcohlicos. Cul es la

probabilidad de que elegido uno al azar:

a) Tenga ambos padres alcohlicos?

b) Tenga una madre alcohlica si lo es el

padre?

c) Tenga una madre alcohlica pero no un

padre alcohlico?

d) Tenga una madre alcohlica si el padre no

lo es?

20
Independencia de sucesos

Pueden existir, fundamentalmente, dos

relaciones entre sucesos.

La primera, ser incompatibles.

La segunda, ser independientes.

Dos sucesos son independientes si uno puede

producirse con independencia del otro. Es decir,

la realizacin o no realizacin de uno no

tiene efecto alguno sobre la del otro.

Sucesos independientes.

Sean A y B dos sucesos tales que P[A] 0. Estos

sucesos son independientes si

P[B | A] = P[B]

21
Ejemplo. Se estima que entre la poblacin total

de Alcal, el 35% padece de obesidad (A1), el

20% es hipertensa (A2) y el 45% es obesa o

hipertensa. Es, de hecho, independiente el que

una persona sea obesa de que padezca

hipertensin?

P[A B] = P[A] + P[B] - P[A U B ]

En este caso: P[A B] = 0.35 + 0.20 - 0.45 =

0.10

As que

P A B
P B | A
0.15 15
0.27
P A 0.55 55

Puesto que P[B | A] = 0.27 0.20 = P[B],

puede concluirse que los sucesos no son

independientes.

22
Caracterizacin de sucesos

independientes.

Sean A y B dos sucesos. A y B son

independientes si y slo si P[A B] =

P[A] P[B]

Ejemplo. A lo largo de un da se pone a

prueba un determinado diagnstico con tres

enfermos que no guardan relacin alguna

entre ellos. El diagnstico es fiable en un 90%

de los casos tanto cuando se da como cuando

no se da la condicin para cuya deteccin se

ha diseado la prueba. Cul es la

probabilidad de que exactamente dos de los

tres resultados de la prueba sean errneos?

23
 P[E1 E2 C3] = P[E1]P[E2]P[C3] = (0.1)(0.1)

(0.9) = 0.009. Dado que hay tres trayectorias:

3(0.009) = 0.027.

Ejercicios

1. Cules de los siguientes pares de sucesos

cree usted que son independientes? Cules

son incompatibles?

Al: Una madre padece de rubeola durante los

tres primeros meses de embarazo.

B1: Un hijo nace muerto o deforme.

A2: Un hombre es estril.

24
B2: Un hombre padece de paperas en la edad

adulta.

A3: Un nio es miope.

B3: Un nio es hipermtrope.

25
La regla de la multiplicacin

P[A B] = P(A)P[B | A]

Ejercicios

1. Ciertos estudios indican que el 82% de los

enfermos de un hospital se curan. De los que

se curan, el 18% recaen posteriormente. Cul

es la probabilidad de que, seleccionando

aleatoriamente un enfermo, se cure pero

recaiga?

2. De todos los pacientes de cncer, el 52% son

mujeres. El 35% de las mujeres con cncer

sobrevive al menos cinco aos desde el

momento del diagnstico. Cul es la

probabilidad de que un paciente de cncer

seleccionado aleatoriamente sea mujer y

sobreviva, al menos, cinco aos?

26
Aplicacin de la probabilidad al

diagnstico clnico

Tests de diagnstico

Una de las aplicaciones ms tiles de las

probabilidades en el campo mdico est en el

rea de los tests de diagnstico.

Un test de diagnstico permite detectar la

presencia de alguna condicin especfica

(enfermedad) en una unidad experimental

(individuo).

Sera deseable que estos tests fueran seguros

en el sentido de que siempre detectaran la

27
enfermedad cuando est presente y nunca la

indicaran cuando el individuo no la padece.

Desgraciadamente, esto no es as. Slo

podemos esperar que los tests existentes

actualmente no den resultados errneos muy a

menudo.

En un test de diagnstico, cada sujeto entrar

exactamente en una de entre las cuatro

categoras siguientes

1. Tiene la enfermedad y el test

presencia. Es decir, un sujeto realmente

positivo da positivo. En este caso no se ha

cometido ningn error.

28
2. Tiene la enfermedad pero el test

su presencia. Cuando un sujeto realmente

positivo da negativo, decimos que hemos

obtenido un resultado falso-negativo. En

este caso se ha cometido un error.

3. No tiene la enfermedad pero el te

su presencia. Cuando un sujeto realmente

negativo da positivo, decimos que se ha

obtenido un resultado falso-positivo. Se ha

cometido un error.

4. No tiene la enfermedad y el test n

presencia. Un sujeto realmente negativo da

negativo. No se ha cometido ningn error.

Obsrvese que es posible cometer dos tipos de

errores.

29
Esperamos no cometer ninguno pero

cualquiera de ellos es posible.

Un test ideal es aquel en el que la probabilidad

de cometer cualquier error es pequea.

A continuacin se definen estas

probabilidades, llamadas coeficientes de error.

30
Definicin de Coeficiente falso-positivo. El

coeficiente falso-positivo de un test se nota

por (alfa) y viene dado por:

= P[el test resulta positivo | el sujeto es

realmente negativo]

= P[+|S]

Definicin de Coeficiente falso-negativo.

El coeficiente falso-negativo de un test se

nota por (beta) y viene dado por:

= P[el test resulta negativo | el sujeto es

realmente positivo]

= P[-|E]

31
Algunos comentarios

Al realizar un test para detectar una

enfermedad, un error causado por un alto

coeficiente falso-positivo puede ocasionar

inconvenientes y gastos a la persona

implicada.

A l o ella se le detecta una enfermedad que

no est presente y como resultado

probablemente busque un tratamiento para un

problema inexistente.

Un error resultante de un alto coeficiente

falso-negativo es potencialmente peligroso. En

este caso, el sujeto desconoce una condicin

existente y, por lo tanto, no buscar el

tratamiento que necesita.

32
Ejemplo. El suero de una mujer embarazada

puede ser analizado por medio de un

procedimiento llamado electroforesis del gel

de almidn. Este procedimiento permite

detectar la presencia de una zona protenica

llamada zona de embarazo la cual se supone

que es un indicador de que el feto es una

hembra. Para investigar las propiedades de

este test se seleccionaron 300 mujeres para su

estudio. En la tabla se dan los resultados del test y los sexos de los nios
nacidos.

Sexo
Varn Mujer

() (+)
Test + 51 78 129
Test 96 75 171
147 153 300

33
Por definicin el coeficiente falso-positivo es

= P[test + | varn]

Para estimar esta probabilidad condicionada

debemos estimar

P[varn ] y P[test + varn].

P[varn ] = 147/300 y P[test + varn ] =

51 /300.

La definicin de la probabilidad condicionada

nos conduce a

51 / 300 51
0.3469
= 147 / 300 147

Este resultado puede obtenerse por

observacin directa de la tabla: 51/147 como

el coeficiente falso-positivo estimado.

Para calcular , obsrvese que de los 153

sujetos realmente positivos (mujeres), 75

dieron negativo. Por lo tanto

34
 75
0.4902
= 153

Son coeficientes de error estimados, e indican

que el test no parece ser efectivo para

determinar el sexo de un nio.

35
Sensibilidad y especificidad

Pueden considerarse otros dos coeficientes, la

especificidad y la sensibilidad. Estos

coeficientes dan la probabilidad de tomar las

decisiones correctas en la elaboracin de un

diagnstico.

Definicin: La especificidad de un test es la

probabilidad de que el resultado del test sea

negativo supuesto que el sujeto sea realmente

negativo (est sano).

(Proporcin de sanos que dan negativo.)

(Tendencia o propensin de los sanos a dar

negativo.)

Esp=P[-|S]

Definicin: La sensibilidad de un test es la

probabilidad de que dicho test conduzca a un

36
resultado positivo supuesto que el sujeto sea

efectivamente positivo (est enfermo).

(Proporcin de enfermos que dan positivo.)

(Tendencia o propensin de los enfermos a dar

positivo.)

Sens=P[+|E]

37
Ejercicios:

1. Se someti a un centenar de pacientes y a

setenta y cinco sujetos normales a un test de

diagnstico de la orina. En un sesenta por

ciento de los casos, el diagnstico fue positivo.

Hubo tambin ocho falso-negativo. Cul es el

coeficiente falso-positivo aproximado?

2. Se ha realizado un estudio de una tcnica

de inmunoensayo

de enlace de enzimas (EIA) para examinar a

donantes de sangre con el fin de detectar

anticuerpos HIV. Los sujetos pasaron la prueba

del HIV utilizando la tcnica EIA, y la

presencia o ausencia de anticuerpos se

confirma en una fecha posterior. En la tabla se

proporcionan los datos.

a) Estimar el coeficiente falso-positivo del test.

38
Utilizarlo para hallar la especificidad de la

prueba.

b) Estimar el coeficiente falso-negativo del

test.

Utilizarlo para hallar la sensibilidad del test.

Tabla Estado real

EIA test Anticuerpos Anticuerpos
+ 1 000 30
98 969 1
100

39
3. Se ha realizado un estudio para d

los sntomas clnicos que ayudan a la

identificacin de la tos ferina. Un sntoma

investigado es la tos aguda de cualquier

duracin. Los datos obtenidos sobre 233

nios estudiados se muestran en la tabla.

Hallar la aproximacin del coeficiente falso-

positivo y el valor real positivo del test.

Puede parecer que slo la presencia de tos

aguda es un buen indicador de la presencia

de la tos ferina?
Tabla

Estado real
Tos NoTosferi Tosferina
S 83 116
No 32 2
23
()

40
Terminologa asociada con las pruebas de

diagnstico

Estado real
Sano (-) Enfermo
(+)

Test + Coef. falso- No hay error

Resultados del test

positivo Sensibilidad
P[falso
positivo] =

Test - No hay error Coef. Falso-
Especificidad negativo
P[falso
negativo] =

41
Valor predictivo positivo de un test se define

como la probabilidad de que un individuo sea

realmente positivo (est enfermo) dado que el

resultado del test ha sido positivo.

P(E|+)

Puede hallarse el valor aproximado a partir

de una tabla en el que todos los totales por

filas y columnas sean susceptibles de variar.

Valor predictivo negativo de un test se

define como la probabilidad de que un

individuo sea realmente negativo (est sano)

dado que el resultado del test ha sido

negativo.

P(S|-)

42
Pueden hallarse los valores aproximados a

partir de una tabla en el que todos los totales

por filas y columnas sean susceptibles de

variar.

43
Ejemplo:

1. Se ha realizado un estudio para poner a

prueba un procedimiento de deteccin de

enfermedades renales en pacientes con

hipertensin. Aplicando el nuevo

procedimiento, los experimentadores detectan

137 pacientes hipertensos. A continuacin se

determin de nuevo la presencia o ausencia de

enfermedad renal por otro mtodo. Los datos

obtenidos se recogen en la tabla siguiente.

Tabla

Estado real
Enferme S () E (+)
S (+) 23 44
No () 60 10
137

a)Aproximar los coeficientes falso-positivo y

falso-negativo del test.

44
b) Hallar la aproximacin de los valores

predictivos positivo y negativo del test, por

observacin directa en la tabla.

45
Teorema de Bayes:

Ejemplo. Se sabe por experiencias anteriores

que la probabilidad de que una persona tenga

cierta dolencia es 0,10. Si se le aplica un test a

una persona que la tiene, la probabilidad de que

la detecte es 0,85. Si no la tiene, la probabilidad

de que la detecte es 0,04. Cul es la

probabilidad de que una persona tenga

efectivamente la dolencia si el test ha resultado

positivo?

(0.1)(0.85) = 0.085

(0.1)(0.15) = 0.015

(0.9)(0.04) = 0.036

(0.9)(0.961) = 0.864

P[D | T+] = 0.085

0.121
0.70

46
Esto es, si resulta que el test ha detectado la

presencia de la dolencia, hay un 70% de

posibilidades de que la tenga.

47
Ejemplo. La distribucin de los grupos

sanguneos en Estados Unidos es: tipo A, 41%;

tipo B, 9% ; tipo AB, 4%, y tipo O, 46% . Se

estima que durante la segunda guerra

mundial, el 4% de las personas pertenecientes

al tipo O fueron clasificados como del tipo A; el

88% de los del tipo A fueron correctamente

clasificados; el 4% de los del tipo B se

clasificaron como del tipo A y el 10% de los del

tipo AB fueron, igualmente, clasificados como

del tipo A. Un soldado fue herido y conducido

a la enfermera. Se le clasific como del tipo A.

Cul es la probabilidad de que tal grupo sea

ciertamente el suyo?

48
 P A1 | B

(0.88)(0.41)

(0.88)(0.41) (0.04)(00.09) (0.10)(0.04) (0.04)(0.46)

0.93

En la prctica, esto significa que hay un 93%

de posibilidades de que, si se le clasific como

del tipo A, su grupo sanguneo sea

efectivamente el A. Hay un7% de posibilidades

de que, habiendo sido clasificado como del

tipo A, pertenezca en realidad a otro.

49
 Ejemplo:

La tabla siguiente muestra los resultados de un

estudio en qle se analizaron los resultados de
un test:
+ - Tot
al
E 94 38 132
S 21 65 868
5 3
Tot 30 69 100
al 9 1 0

Las probabilidades asociadas al test son:

P(E)=132/1000=0,132
P(S)=868/1000=0,868
Sens=P(+|E)=94/132=0,712
Esp=P(-|S)=653/868=0,752
=P(+|S)=215/868=0,248
=P(-|E)=28/132=0,287
VP+=P(E|+)=94/309=0,304
VP-=P(S|-)=653/691=0,945
(Obsrvese que Sens y Esp son similares pero
no los VP: Ya que hay ms sanos 86,8% que
enfermos 13,2% la segunda fila pesa ms que
la primera.)
Clculo del VP+ por el teorema de Bayes
50
 P( E ) 0,712 0,132
P( E | ) 0,304
P( ) 0,712 0,132 0,248 0,868

Riesgo

En sentido amplio, el riego es la probabilidad

de que algo ocurra.

En investigacin clnica, es el resultado

desfavorable de una actividad, intervencin o

exposicin, especialmente referido a la

probabilidad de que aparezca un fenmeno

adverso concreto.

Nota: En el caso de estudios sin beneficio

teraputico, se acepta como lcito el hecho de

que los voluntarios se encuentren sometidos a

riesgo mnimo o insignificante.

51
(Se acepta como tal la probabilidad de entre 1

y 100 por mil de sufrir una complicacin

menor y de entre 10 y 1000 por milln la

de sufrir una complicacin grave.)

52
Ejemplo:

Supngase que el diagnstico de una

enfermedad (Y) y la existencia de un factor

de riesgo (X) slo pueden tomar dos valores

(es decir, son dicotmicas) que son: presente

(+) o ausente (-).

Y+ representa que tiene la enfermedad y X-

que no est expuesto al factor de riesgo.

Los datos suelen expresarse en una tabla como la siguiente:

Y Y- Tot
+ al
X+ 7 12 132
5
X- 8 86 868
0
Tot 1 98 100
al 5 5 0

Entonces:

El riesgo absoluto de sufrir la enfermedad es:

P(Y+)=15/1000=0,015

El riesgo entre los expuestos es:

53
P(Y+|X+)=7/132=0,053

El riesgo entre los no expuestos es:

P(Y+|X-)=8/868=0,009

Ejercicio:

Fumaz y otros. Comparan dos grupos de

pacientes tratados, uno con efavirenz (EFV,

n=51) y otro con inhibidores de la proteasa

(IP, n=49), habiendo observado

respectivamente 36 y 9 acontecimientos

adversos relacionados con el sistema nervioso

central. Elaborar la tabla 2x2 y calcular los

riesgos respectivos.

AA:Y No Tot
+ AA:Y- al
EFV 36 15 51
IP 9 40 49
Tot 45 55 100
al

Riesgo en los expuestos a EFV: 70%

54
Riesgo en los expuestos a IP: 18%

55
Odd

Los pases anglosajones usan una forma

alternativa a la probabilidad para expresar los

resultados inciertos.

Si la probabilidad expresa los casos favorables

divididos por los casos posibles, las odds se

refieren al cociente entre los casos a favor y

los casos en contra.

Por ejemplo, mientras nosotros diramos que

cierto enfermo tiene siete posibilidades sobre

8 de curarse, ellos diran que las posibilidades

de curacin estn 7 a 1.

Definicin:

56
La odd de un suceso es el cociente entre la

probabilidad de que se presente el suceso y la

probabilidad de que no se presente.

P ( A) P ( A)
Odd ( A)
P ( A ) 1 P ( A)

57
Ejemplo:

Y Y- Tot
+ al
X+ 7 12 132
5
X- 8 86 868
0
Tot 1 98 100
al 5 5 0
La odd de los expuestos es:
Odd(Y+|X+)=7/125=1/18=0,056
En los expuestos, la enfermedad aparece en 1
caso por cada 18 que no aparece. O es 18
veces ms probable que aparezca que lo
contrario.

La odd de los no expuestos es:

Odd(Y+|X-)=8/860=1/107=0,0093
En los no expuestos, la enfermedad aparece en
1 caso por cada 107 en los que no. O es 107
veces ms probable que aparezca que lo
contrario.

58
Nota: Si la probabilidad de enfermedad es
muy pequea, la probabilidad de estar sano
estar muy prxima a 1, por lo que la odd
tendr un valor muy similar a la probabilidad.
P( Enfermo) P( Enfermo)
Odd ( Enfermo) P( Enfermo)
P ( Sano) 1

59
Ejercicio:
El lumbago y la gripe son enfermedades
comunes en el sentido de que a lo largo de la
vida es fcil padecerlas al menos en una
ocasin. Pongamos que sus probabilidades
respectivas son 0,5 y 0,8. Calclense sus odds.

Sol.: Odd(lumbago)=1 y Odd(gripe)=4 (por

cada persona que no tenga nunca la gripe
habr 4 que s la tendrn).

La esclerosis mltiple, en cambio, es poco

frecuente.
Pongamos que la probabilidad de padecerla a
lo largo de la vida es 0,001. Calclese la odd.

Odds(esclerosis)=1/999, es decir,
prcticamente 0,001.

60
 Ejemplo:

En el caso de enfermedades raras, el

riesgo y la odd dan resultados similares.

Y Y- Tot
+ al
X+ 7 12 132
5
X- 8 86 868
0
Tot 1 98 100
al 5 5 0

El riesgo entre los expuestos es:

P(Y+|X+)=7/132=0,053

La odd en los expuestos es:

Odd(Y+|X+)=7/125=0,056

61
Odds diagnstica
Puede calcularse la odds de enfermo a sano
tras la obtencin de un valor positivo del
diagnstico, multiplicando la razn de
verosimilitud (likelihood ratio) de un resultado
positivo (sensibilidad dividido por el
complementario de la especificidad) por la
odd previa de enfermo a sano en un entorno
determinado.

Se sabe que:
P( S ) P( S ) P( | S )
P( S | )
P() P()

P ( A) P ( A)
Como Odd ( A)
P ( A ) 1 P ( A)

Se tiene que:
P( E ) P( | E )
P( E | ) P ( ) P( | E ) P ( E )
Odd (a _ posteriori)
P ( S | ) P( S ) P( | S ) P ( | S ) P ( S )
P ( )

(Es decir: RV.Odds a priori.)

62
 Ejemplo:

A partir de los datos de la tabla

siguiente:

+ - Tot
al
E 94 38 132
S 21 65 868
5 3
Tot 30 69 100
al 9 1 0
Se obtienen:
Sens=P(+|E)=94/132=0,712
Esp=P(-|S)=653/868=0,752
=P(+|S)=215/868=0,248
=P(-|E)=28/132=0,287
P ( | E ) 0,712
RV 2,87
P ( | S ) 0,248

Si sabemos, por ejemplo, que en cierto servicio

hay 1 enfermo por cada 3 sanos (odds a
priori), entonces:
Odds a posteriori=2,87.1/3=0,96
Es decir, despus de que el test ha dado
positivo, podemos afirmar que habr
aproximadamente 1 enfermo por cada sano.
63
Ejercicio: Si el resultado de la prueba es
negativo, cunto vale la RV de enfermo?
Sol.: RV=0,38, Odds_posteriori=0,13
Incidencia y prevalencia
La incidencia se refiere al nmero de casos
nuevos de una enfermedad en una poblacin
durante un periodo de tiempo determinado.

Ejemplo: Coh y otros.

La incidencia del criterio de valoracin fue un
13,2% ms baja con Valsartn que con
placebo.

La prevalencia especifica el nmero de

individuos que presenta una determinada
caracterstica o enfermedad en una poblacin
y en un momento de tiempo determinado.

Ejemplo: Martn y otros.

El asma es un grave problema de salud en
pases industrializados, donde supone una de
las enfermedades crnicas ms frecuentes,
sobre todo en la infancia. En Europa, la
64
prevalencia vara ampliamente entre los
distintos pases, con cifras que oscilan entre
un 8% en RU y un 2% en Grecia. Tambin
existen diferencias segn las zonas de un pas.
Por ejemplo, en Espaa, la prevalencia est
entre el 1% y el 5%.

65
Medidas de asociacin en tablas 2x2
Una vez estimado el riesgo de desarrollar una
enfermedad en un grupo determinado, puede
ser interesante comparar estos riesgos entre
dos grupos de diferentes caractersticas.

Riesgo atribuible
El riesgo de una enfermedad atribuible a una
exposicin es la diferencia entre el riesgo en
los expuestos y el mismo riesgo en los no
expuestos.
Ejemplo:

Y Y- Tot
+ al
X+ 7 12 132
5
X- 8 86 868
0
Tot 1 98 100
al 5 5 0

El riesgo entre los expuestos es:

P(Y+|X+)=7/132=0,053
El riesgo entre los no expuestos es:

66
P(Y+|X-)=8/868=0,009
El riesgo atribuible es 0,053-0,009=0,044
(4,4%)
El RA puede tomar el valor mximo 1 en el
caso de que todos los expuestos
desarrollaran la enfermedad y no lo hiciera
ninguno de los no expuestos.
Riesgo relativo
Algunos estudios se disean para investigar un

factor que el investigador cree que puede

estar asociado con el desarrollo de una

enfermedad o condicin especfica. Este factor

se denomina factor de riesgo.

Para realizar el estudio se seleccionan dos

muestras. Una muestra, representada

mediante R, consiste en sujetos que han

estado expuestos al factor de riesgo; los

dems, representados mediante R , no han

67
estado expuestos al factor de riesgo.

En un momento dado, se clasifica cada sujeto

segn tenga la enfermedad, E, o no la tenga,

S.

68
Hay dos probabilidades condicionadas de

inters.

La probabilidad de que la enfermedad est

presente dado que el sujeto estuvo

expuesto al riesgo, P[E | R], y

La probabilidad de que la enfermedad est

presente aunque el sujeto no estuvo

expuesto al riesgo P[E | R ].

Puesto que los tamaos muestrales para los

sucesos R y R son fijos, puede hacerse un

clculo aproximado de cada una de estas

probabilidades, es decir, una medida del

impacto del factor de riesgo a partir de estas

probabilidades condicionadas.

Esta medida, denominada riesgo relativo (RR),

se calcula mediante
P( E | R)
RR
P( E | R )

69
Recurdese que dado que las probabilidades

utilizadas en el clculo son aproximadas, el

riesgo obtenido slo es una estimacin del

riesgo relativo verdadero.

Si RR = 1, entonces significa que no existe

asociacin entre el factor de riesgo y el

desarrollo de la enfermedad.

Si RR>1, se supone que un individuo

expuesto al riesgo tiene ms

probabilidades de desarrollar la

enfermedad que uno que no est expuesto

al riesgo.

Un valor de RR < 1 significa que un

individuo expuesto al riesgo es menos

probable que desarrolle la enfermedad que

uno no expuesto al riesgo.

70
 Ejemplo. Se ha realizado un estudio sobre la

edad de la madre en el momento del

nacimiento de su hijo como factor de riesgo

en el desarrollo del sndrome de muerte

infantil repentina (SIDS). Se seleccionaron

para el estudio un total de 7 330 mujeres que

estaban por debajo de los 25 aos en el

momento del nacimiento del nio. De ellas, 29

tuvieron nios afectados de SIDS. De las

11256 mujeres seleccionadas para el estudio

que tenan 25 aos o ms en el momento del

nacimiento de sus hijos, 15 tuvieron nios con

SIDS. Estos datos se muestran en la tabla

siguiente.

La edad como factor de riesgo del desarrollo de SIDS

SIDS
S No
Edad Menos de 25 aos 29 7 301 7 330
25 aos o ms 15 11 241 11 256
Partiendo de esta tabla podemos observar que

71
 29
P( E | R)
7330

El riesgo relativo estimado es:

29
P( E | R)
RR 7330 2,96
P( E | R ) 15
11256

Podemos sacar la conclusin de que un nio de

una madre joven (menos de 25 aos) tiene

aproximadamente 3 veces ms probabilidades de

desarrollar SIDS que uno nacido de una madre

de ms edad.

72
Odds ratio

Es el cociente entre las odds en los expuestos y

las mismas odds en los no expuestos.

Ejemplo:

Y Y- Tot
+ al
X+ 7 12 132
5
X- 8 86 868
0
Tot 1 98 100
al 5 5 0

El riesgo entre los expuestos es:

P(Y+|X+)=7/132=0,053
El riesgo entre los no expuestos es:
P(Y+|X-)=8/868=0,009
La odd ratio es 0,053/0,009=6,2. La odd en los

expuestos es 6 veces superior a la odd en los no

expuestos.

73
Si la enfermedad es poco frecuente (como en el

ejemplo), la odd ratio es similar al riesgo

relativo.

7
P (Y | X ) 132
RR 5,75
P (Y | X ) 8
868

Nota: Riesgo relativo y odds ratio se interpretan

igual.

Nmero necesario de casos tratados (NNT)

El nmero necesario de pacientes a tratar para
evitar un caso (NNT: number hended to treat / to
be treated) expresa el esfuerzo que hay que
realizar para prevenir un caso de enfermedad o
de muerte.
Se calcula mediante el inverso de la reduccin
absoluta de riesgo 1/RA.
Ejemplo:

Y Y- Tot
+ al
X+ 7 12 132
5
X- 8 86 868
0
74
 Tot 1 98 100
al 5 5 0

El riesgo entre los expuestos es:

P(Y+|X+)=7/132=0,053
El riesgo entre los no expuestos es:
P(Y+|X-)=8/868=0,009
El riesgo atribuible es 0,053-0,009=0,044 (4,4%)
Si se necesitan 1000 pacientes para bajar 44
casos, el nmero necesario para bajar un caso
(NNT) es 1/0,044=22,7, es decir, 23 pacientes.

75