Ingeniería en Biotecnología

“Bioestadística Aplicada”
IBCN 52
2023

Clase 08. Probabilidad condicional, Teorema de Bayes y

Reglas de Conteo

Dr. Ricardo Guiñez Díaz

Profesor Titular
16 mayo 2023 Instituto de Ciencias Naturales Alexander von Humboldt
SESION 08 Facultad de Ciencias del Mar y Recursos Biológicos
 PROPÓSITOS

Los propósitos de esta clase son:

◼ Revisar los conceptos básicos de probabilidad.

◼ Comprender la probabilidad condicional
◼ Ser capaces de usar el Teorema de Bayes para
revisar las probabilidades
◼ Aprender varias reglas de conteo
 Conceptos básicos de probabilidad

◼ Probabilidad: la chance de que ocurra un evento

(incierto) (valor de P entre 0 y 1)
◼ Evento imposible: un evento que no tiene chance
de ocurrir (probabilidad P = 0)
◼ Evento cierto: un evento que seguramente
ocurrirá (probabilidad P = 1)
 Evaluación de las probabilidades

Hay tres enfoques para evaluar la

probabilidad de un evento incierto:
1. a priori -- basado en conocimiento a prior del proceso
X número de veces en que el evento ocurre
probabilidad
probability of de ocurrencia = T = número total 𝑑𝑒 posibles 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠
occurrence
Suponiendo
que todos
los
resultados
2. probabilidad empírica
son
igualmente número de veces en que el evento ocurre
probables probabilidad de ocurrencia =
número total 𝑑𝑒 posibles 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠

3. probabilidad subjetiva
basado en una combinación de la experiencia pasada de un indivi-
duo, la opinión personal y el análisis de una situación particular
Ejemplo de probabilidad a priori

Al seleccionar al azar un día del año 2015, ¿cuál es

la probabilidad de que el día sea de enero?
Ejemplo de probabilidad a priori

Al seleccionar al azar un día del año 2015, ¿cuál es

la probabilidad de que el día sea de enero?

𝑋 Número de días 𝑒𝑛 𝐸𝑛𝑒𝑟𝑜 2015

Probabilida Día sea de Enero = =
𝑇 𝑛ú𝑚𝑒𝑟𝑜 total de días en 2015
Ejemplo de probabilidad a priori

Al seleccionar al azar un día del año 2015, ¿cuál es

la probabilidad de que el día sea de enero?

𝑋 Número de días 𝑒𝑛 𝐸𝑛𝑒𝑟𝑜 2015

Probabilida Día sea de Enero = =
𝑇 𝑛ú𝑚𝑒𝑟𝑜 total de días en 2015

𝑋 31 días en 𝐸 𝑛 𝑒 𝑟 𝑜 31
= = == =0.085
𝑇 365 días en 2015 365
Ejemplo de probabilidad empírica
Encuentre la probabilidad de seleccionar un macho que prefieren
alimentarse de moluscos, en una especie de jaiba, en base a la
Tabla de Frecuencia siguiente:

Prefieren No prefieren Total

moluscos moluscos
Macho 84 145 229
Hembra 76 134 210
Total 160 279 439
 Ejemplo de probabilidad empírica
Encuentre la probabilidad de seleccionar un macho que prefieren
alimentarse de moluscos, en una especie de jaiba, en base a la
Tabla de Frecuencia siguiente:

Prefieren No prefieren Total

moluscos moluscos
Macho 84 145 229
Hembra 76 134 210
Total 160 279 439

N° de machos que prefieren 𝑚𝑜𝑙𝑢𝑠𝑐𝑜𝑠 84

Probabilidad de machos q prefieren 𝑚𝑜𝑙𝑢𝑠𝑐𝑜𝑠 = = = 0.191
𝑁° total de jaibas 439
Probabilidad subjetiva
◼ La probabilidad subjetiva puede diferir de persona a
persona
◼ Un equipo de desarrollo de la innovación biotecnológica asigna
un 60% de probabilidad de éxito en una nueva campaña
publicitaria de un nuevo producto.
◼ El director de la compañía de innovación es menos optimista y
atribuye un 40% de éxito a la misma campaña
◼ La asignación de una probabilidad subjetiva se basa en
las experiencias, opiniones y análisis de una situación
particular de una persona.
◼ La probabilidad subjetiva es útil en situaciones en las
que no se puede calcular una probabilidad empírica o a
priori.
Eventos

Cada resultado posible de una variable es un evento.

◼ Evento simple

◼ Un evento descrito por una sola característica

◼ e.g., Un día de enero dentro de todos los días de 2015

◼ Evento conjunto

◼ Un evento descrito por dos o más características

◼ e.g. Un día de enero que es también Miércoles en 2015

◼ Complemento de un evento A (denotado como A’)

◼ Todos los eventos que no son parte del evento A

◼ e.g., Todos los días de 2015 que no son enero

Espacio muestral
El Espacio Muestral es la colección de todos
los eventos posibles
e.g. Las 6 caras de un dado:

e.g. Las 52 cartas de un naipe inglés:

 Organización y visualización de eventos

◼ Diagrama de Venn de todos los días de 2015

Espacio Muestral (todos Días que son miércoles y que son de

los días de 2015) enero

Días de
enero

miércoles
 Organización y visualización de eventos
(continuación)

◼ Tabla de Contingencia -- de todos los días 2015

enero No enero

miércoles
No miérc

◼ Árbol de Decisiones Número

4 total de
Espacio resultados
Muestral 27 del
Todos los espacio
días de muestral
2015 48

286
 Definición: Probabilidad Simple

◼ La probabilidad simple se refiere a la

probabilidad de un evento simple.
◼ ej. P(Enero)
◼ ej. P(Miércoles)

Ene. Not Ene. Total

P(Mierc.) = 52 / 365
Mierc. 4 48 52
No Mierc. 27 286 313

Total 31 334 365

P(Ene.) = 31 / 365
 Definición: probabilidad conjunta

◼ La probabilidad conjunta se refiere a la probabilidad

de que ocurran dos o más eventos (evento conjunto).
◼ ej. P(Ene. y Mierc.)
◼ ej. P(No Ene. y No Mierc.)

Ene. No Ene. Total P(No Ene. y No Mierc.)

Mierc. 4 48 52 = 286 / 365
Not Mierc. 27 286 313

Total 31 334 365

P(Ene. y Mierc.) = 4 / 365

Eventos Mutuamente Excluyentes

◼ Eventos mutuamente excluyentes

◼ Eventos que no pueden ocurrir simultáneamente

Ejemplo: Elegir al azar un día de 2015

A = día en Enero; B = día en Febrero

◼ Eventos A y B son mutuamente excluyentes

 Eventos colectivamente exhaustivos
◼ Eventos colectivamente exhaustivos
◼Uno de los eventos debe ocurrir
◼ El conjunto de eventos cubre todo el espacio muestral.

Ejemplo: Elegir al azar un día de 2015

A = Día Laboral; B = Fin de semana;

C = Enero; D = Primavera;

◼ Eventos A, B, C y D son colectivamente exhaustivos (pero

no mutuamente excluyentes – un Fin de Semana puede
estar en Enero o en Primavera)
◼ Eventos A y B son colectivamente exhaustivos y también
mutuamente excluyentes
 Cálculo de probabilidades conjuntas

◼ La probabilidad de un evento conjunto, A y B:

𝑁° 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑠𝑎𝑡𝑖𝑠𝑓𝑎𝑐𝑖𝑒𝑛𝑑𝑜 𝐴 𝑦 𝐵
𝑃(𝐴 𝑦 𝐵) =
𝑁° 𝑡𝑜𝑡𝑎𝑙 𝑜𝑓 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑙𝑒𝑠
Ejemplo de probabilidad conjunta

𝑁° 𝑑𝑒 𝑑í𝑎𝑠 𝑞𝑢𝑒 𝑠𝑜𝑛 𝐸𝑛𝑒.𝑦 𝑀𝑖𝑒𝑟𝑐𝑜𝑙𝑒𝑠 4

𝑷 𝑬𝒏𝒆. 𝒚 𝑴𝒊𝒆𝒓𝒄. = =
𝑁° 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑑í𝑎𝑠 𝑒𝑛 2015 365

Ene. No Ene. Total

Mierc. 4 48 52
Not Mierc. 27 286 313

Total 31 334 365

 Cálculo de probabilidades conjuntas
y marginales

◼ La probabilidad de un evento conjunto, A y B:

𝑁° 𝑑𝑒 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑠𝑎𝑡𝑖𝑠𝑓𝑎𝑐𝑖𝑒𝑛𝑑𝑜 𝐴 𝑦 𝐵
𝑃(𝐴 𝑦 𝐵) =
𝑁° 𝑡𝑜𝑡𝑎𝑙 𝑜𝑓 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 𝑒𝑙𝑒𝑚𝑒𝑛𝑡𝑎𝑙𝑒𝑠

◼ Calculando una probabilidad marginal (o simple):

P(A) = P(A and B1 ) + P(A and B2 ) +  + P(A an d Bk )

◼ Donde B1, B2, …, Bk son k eventos mutuamente excluyentes

and collectivamente exhaustivos
Ejemplo de Probabilidad Marginal (o simple)

P(Mierc.)

P(Ene. y Mierc.) + P(No Ene. y Mierc.)

Ene. No Ene. Total

Mierc. 4 48 52
No Mierc. 27 286 313

Total 31 334 365

P(A) = P(A and B1 ) + P(A and B2 ) +  + P(A an d Bk )

Probabilidades marginales y conjuntas
en una tabla de contingencia

Evento
Evento B1 B2 Total
A1 P(A1 and B1) P(A1 and B2) P(A1)

A2 P(A2 and B1) P(A2 and B2) P(A2)

Total P(B1) P(B2) 1

Probabilidades Probabilidades Marginales

conjuntas (Simples)
Resumen de Probabilidad hasta ahora
◼ La probabilidad es la medida numérica
de la posibilidad de que ocurra un 1 Cierto
evento
◼ La probabilidad de cualquier evento
tiene que estar entre 0 y 1, inclusivamente
0 ≤ P(A) ≤ 1 Para cualquier evento A 0.5
◼ La suma de las probabilidades de to-
dos los eventos mutuamente excluyen-
tes y colectivamente exhaustivos es 1
P(A) + P(B) + P(C) = 1
0 Imposible
Si A, B, y C son mutuamente exclusivos
y colectivamente exhaustivos
 Regla General Aditiva

Regla General Aditiva:

P(A o B) = P(A) + P(B) - P(A y B)

Si A y B son mutuamente excluyentes, entonces

P(A and B) = 0, y la regla puede simplificarse

P(A or B) = P(A) + P(B)

Para eventos mutuamente exclusivos A y B
 Ejemplo de la Regla General Aditiva

P(Ene. o Mierc.) = P(Ene.) + P(Mierc.) - P(Ene. y Mierc.)

= 31/365 + 52/365 - 4/365 = 79/365
No se
cuentan los 4
Miercoles de
Enero dos
Jan. Not Jan. Total veces!
Wed. 4 48 52
Not Wed. 27 286 313

Total 31 334 365

Cálculo de probabilidades condicionales
(Teorema de Bayes)

◼ Una probabilidad condicional de un evento,

dado que el otro evento ha ocurrido:
P(A y B) La probabilidad
P(A|B) = condicional de A dado
P(B) que B ha ocurrido

P(A y B) La probabilidad
P(B|A) = condicional de B dado
P(A) que A ha ocurrido

Donde P(A y B) = probabilidad conjunta de A y B

P(A) = probabilidad marginal o simple de A
P(B) = probabilidad marginal o simple de B
Ejemplo de Probabilidad Condicional

◼ De los autos en un lote de autos usados, el

70% tiene aire acondicionado (AC) y el 40%
tiene GPS. El 20% de los autos tienen ambos.

◼ ¿Cuál es la probabilidad de que un coche tenga

GPS, dado que tiene aire acondicionado,AC ?

i.e., necesitamos encontrar P(GPS | AC)

P(A y B) La probabilidad
P(A|B) = condicional de A dado
P(B) que B ha ocurrido
Ejemplo de Probabilidad Conditional
◼ Autos usados que tienen aire acondicionado (AC), 70%
y 40% tienen GPS y
20% tienen ambos.
GPS No GPS Total
AC 0.2 0.5 0.7
No AC 0.2 0.1 0.3
Total 0.4 0.6 1.0

P(GPS y AC) 0.2

P(GPS|AC) = = = 0.2857
P(AC) 0.7
 Ejemplo de Probabilidad Conditional
◼ Dado AC, solo consideramos la fila superior (70% de los autos).
De estos, 20% tienen GPS. 20% of 70% es app 28.57%.

GPS No GPS Total

AC 0.2 0.5 0.7
No AC 0.2 0.1 0.3
Total 0.4 0.6 1.0

P(GPS y AC) 0.2

P(GPS|AC) = = = 0.2857
P(AC) 0.7
 Independencia

◼ Dos eventos son independientes si y solo si:

P(A | B) = P(A)
◼ Los eventos A y B son independientes cuando la
probabilidad de un evento no se ve afectada por el hecho de
que el otro evento haya ocurrido.
 Regla de Multiplicación

◼ Regla de Multiplicación de dos eventos A y B:

P(A y B) = P(A|B)P(B)

Note: Si A y B son independientes, entonces P(A | B) = P(A)

y la regla de multiplicación se simplifica a

P(A y B) = P(A)P(B)
Probabilidad Marginal

◼ Probabilidad Marginal para un evento A:

P(A) = P(A | B1 ) P(B1 ) + P(A | B2 ) P(B 2 ) +  + P(A | Bk ) P(B k )

◼ Donde B1, B2, …, Bk son k eventos mutuamente

exclusive y colectivamente exhaustivos
Las reglas de conteo suelen ser
útiles para calcular probabilidades

◼ En muchos casos, hay un gran número de

resultados posibles.

◼ Las reglas de conteo se pueden usar en estos

casos para ayudar a calcular las
probabilidades.
Reglas de Conteo
◼ Reglas para contar el número de resultados
posibles
◼ Regla de Conteo 1:
◼ Si cualquiera de k eventos diferentes, mutuamente
excluyentes y colectivamente exhaustivos puede
ocurrir en cada uno de los n intentos, el número de
resultados posibles es igual a

kn
◼ Ejemplo
◼ Si lanzas un dado 3 veces, entonces hay 63 = 216
resultados posibles
Reglas de Conteo

◼ Regla de Conteo 2:
◼ Si hay k1 eventos en el primer intento, k2 eventos en
el segundo intento... y kn eventos en el n-ésimo
intento, el número de resultados posibles es

(k1)(k2)…(kn)
◼ Example:
◼ Quieres ir a un parque, comer en un restaurante y ver una
película. Hay 3 parques, 4 restaurantes y 6 opciones de
películas. ¿Cuántas combinaciones diferentes posibles hay?

◼ Respuesta: (3)(4)(6) = 72 diferent posibilidades

Reglas de Conteo

◼ Regla de Conteo 3:
◼ El número de formas en que se pueden ordenar n
elementos es
n! = (n)(n – 1)…(1)

◼ Ejemplo:
◼ Tienes cinco libros para poner en una estantería. ¿De
cuántas maneras diferentes se pueden colocar estos libros
en el estante?

◼ Answer: 5! = (5)(4)(3)(2)(1) = 120 different possibilities

Reglas de Conteo
◼ Regla de Conteo 4:
◼ Permutaciones: el número de formas de organizar X
objetos seleccionados de n objetos en orden es

n!
n Px =
(n − X)!
◼ Ejemplo:
◼ Tienes cinco libros y vas a poner tres en una estantería.
¿De cuántas maneras diferentes se pueden ordenar los
libros en la estantería?
◼ Respuesta:
n! 5! 120
n Px = = = = 60 different possibilities
(n − X)! (5 − 3)! 2
Reglas de Conteo
◼ Regla de Conteo 5:
◼ Combinaciones: el número de formas de seleccionar
X objetos de n objetos, independientemente del
orden, es
n!
n Cx =
X! (n − X)!
◼ Example:
◼ Tienes cinco libros y vas a seleccionar tres para leer.
¿Cuántas combinaciones diferentes hay, ignorando el orden
en que se seleccionan?
◼ Respuesta:
n! 5! 120
n Cx = = = = 10 different possibilities
X!(n − X)! 3!(5 − 3)! (6)(2)
Resumen de lo que revisamos en
esta clase

◼ Comprender los conceptos básicos de

probabilidad.
◼ Comprender la probabilidad condicional
◼ Uso del teorema de Bayes para revisar
probabilidades
◼ Varias reglas de conteo
Cien Años de Soledad La Historia de Macondo

1928-
Es una novela
construida sobre la
base del temor
ancestral de las
comunidades humanas
a la consanguinidad

Guiñez
 Genealogía de los Buendía
Guiñez 2002
José Arcadio Buendía Úrsula Iguarán

Rebeca José Pilar Coronel Remedios Amaranta

Montiel Arcadio Tenera Aureliano Moscote
Santa Sofía Arcadio Aureliano José ?
de la Piedad
17 hijos
Aurelianos
Remedios Fernanda Aureliano Petra José Arcadio
La bella Del Carpio Segundo Cotes Segundo

José Mauricio
Meme
Arcadio Babilonia
Amaranta
Aureliano Úrsula Gastón

El último
Aureliano
José Arcadio Buendía y Úrsula Iguarán son primos que se casaron llenos de presagios y temores por su
parentesco y el mito en la región de que su descendencia podía tener cola de cerdo.
El trasfondo del temor ancestral contra
el casamiento entre parientes está
asociado con un fenómeno conocido
como:
La Depresión endogámica
(Inbreeding depression)
La que corresponde a la declinación del valor
promedio de un rasgo debido a la
consanguinidad.

Guiñez
El Coeficiente de Consanguinidad
Es una medida de la consanguinidad cuyo
valor se denomina como F

Valores de F
0 +1
Autofecundación
Grado de parentezco
(mayor valor)

Guiñez
 Identidad Genética:

Por Descendencia: Dos alelos son idénticos por descendencia

cuando son copia molecular de un mismo alelo portado por un
ancestro común.

Genotipo en
el presente
Ancestro común
a aa Autocigoto
b
...... bg Alocigoto
Generaciones
 Genotipo
Identidad por
Estado Descendencia
Población ancestral
A1 A1 Homocigoto Autocigoto
A1 A1 A2 A2 Homocigoto Autocigoto

A2 A2
A1
A1 A1 Homocigoto Alocigoto
A2
A1
A2 A2 A2 Homocigoto Alocigoto
A1

A1
A2 A1 A2 Heterocigoto Alocigoto
A2

Presunción: los alelos en la

Población ancestral no son
idénticos por descendencia Genotipos en el presente
 Derivación del coeficiente de inbreeding, FI (Malécot 1948) ab
ab
FI es la probabilidad K A M
A
del individuo I de ser B D
autocigoto (aa bb) L B D N

C E C E
Genealogía con 1 cadena
Individuo A no es consanguíneo I I

?? ??
ab ab ab ab
1/2 A 1/2 A A A

B D B D B D B D
1/2 1/2
C E C E C E C E
1/2 I 1/2 I I I
aa bb ab ba
6 5
3
1 1
3 3
1 1
3
1 1
FI =     +     + 0 + 0 = 2  =  
 2  2  2  2  2  2
Genealogía de los Buendía (temor de Úrsula Iguarán: Cola de cerdo)
José Arcadio Buendía Úrsula Iguarán
Guiñez

Rebeca José Pilar Coronel Remedios Amaranta

Montiel Arcadio Tenera Aureliano Moscote
Santa Sofía Arcadio Aureliano José ?
de la Piedad
17 hijos
Aurelianos
Remedios Fernanda Aureliano Petra José Arcadio
La bella Del Carpio Segundo Cotes Segundo

José Mauricio
Meme
Arcadio Babilonia
Amaranta
Aureliano Úrsula Gastón

El último
Nace con cola de cerdo
Aureliano
The Role of Inbreeding in the Extinction of a European Royal Dynasty , Journal information: Plops ONE (www.plosone.org) -
April 2009 | Volume 4 | Issue 4 |
Carlos II, hijo del demonio
La endogamia en los Austrias
INTRODUCCIÓN
• Felipe I , el Hermoso y Juana la Loca fundadores dinastía Austria.

• ¿ Como conservar el poder? , ¡ Pues nos casamos con nuestros parientes!

• Ay Carlitos, qué malito!

• Investigaciones gallegas comprueban hipótesis, ¿ La consanguinidad mató

a Carlitos?

✓Cálculo coeficiente endogamia (F).

✓Árbol genealógico de más de 3.000 individuos a lo largo de 16
generaciones.
✓Felipe I F = 0.025, Carlos II F = 0.25.
✓ F Carlos II, explicación perfil clínico que condujo al final de la
dinastía.
 Carlos II, “El Hechizado”
"Es de pelo lacio, tez color
aceituna. ojos saltones y mirar
estúpido. Su nariz cuelga
como una glándula carnosa
desde la frente a la boca, el
labio inferior cae flácido sobre
la mandíbula, y el prognatismo
de ésta llega a ser tan
pronunciado que nunca ha
podido cerrar la boca ni
Retrato del rey Carlos II (1661-1700).
masticar debidamente los
manjares".
John Lynch en su libro titulado "Los Austrias”
ENFERMEDADES
•Acidosis renal tubular distal (DRTA).
❖ Síntomas:
*Vómitos *Raquitismo
*Diarrea * Debilidad muscular

❖ Defectos secreción de hidrógeno y acidificación de la orina. Ejemplo raquitismo

❖Trastorno heterogéneo :
➢ hereditario
➢ idiopático
➢ adquirido

❖ Identificados defectos genéticos autosómicos:

➢ dominantes
➢ recesivos
ENFERMEDADES
•Hipopituitarismo.
❖Déficit hormonal múltiple de la hipófisis.

❖Malformación genética:
➢Dominante
➢Recesivo.

❖Síntomas de hipogonadismo, en adultos.

❖Disminución de la libido y potencia sexual. Más tarde, disminución

caracteres sexuales secundarios.
ENFERMEDADES
•Síndrome de Klinefelter
❖ Anomalía más frecuente de la diferenciación sexual.

❖Estado intersexual de origen genético, ligado al sexo masculino.

❖Mayoría casos 47 cromosomas , sexuales XXY.

❖La pubertad llega retrasada y sin cambios corporales.

➢Presencia de células diploides en los testiculos.

❖ Pasados 20 años de edad: falta de libido y potencia sexual baja.

❖ A los 40 osteoporosis.

❖ Hipoplasia testicular: testículos hipotróficos.

❖ Esterilidad.
Mortalidad natal en los Austrias.
• Desde 1527 hasta 1661, en familias reales 34 niños:
•29.4% murieron antes del año
•50% antes de los 10.
•Cifras superiores a tasas de mortalidad infantil contemporánea.

• Datos de mortalidad de las progenies:

•Abortos involuntarios tarde y mortinatos
•Muertes neonatales
•Muertes entre 1 mes y 10 años.
Árbol genealógico de los Austria.
Conclusiones:
• Hipopituitarismo y síndrome de Klinefelter relacionadas, y las tres enfermedades
pueden ser debidas a defectos genéticos recesivos.

• Mortalidad infantil en la dinastía de los Austria, elevada y ligada

al coeficiente de consanguinidad.

• Deficiencias Carlos II debidas a endogamia.

GRACIAS ¡¡¡¡¡¡¡