Resumen de Probabilidad en Diagnóstico Veterinario

## Introducción Las pruebas diagnósticas combinan conceptos de probabilidad y estadística para ayudar a decidir si una persona tiene o no una enfermedad. Entender los axiomas de la probabilidad y las características de una prueba (sensibilidad y especificidad) es esencial para interpretar resultados y diseñar estrategias de screening y confirmación. > **Definición:** Los *axiomas de probabilidad* son las reglas básicas que gobiernan cómo se asignan probabilidades a eventos y garantizan coherencia matemática en el razonamiento probabilístico. ## Axiomas básicos de la probabilidad Descomponemos cada axioma para facilitar su comprensión. ### 1. Axioma de no negatividad - Enunciado: La probabilidad de cualquier evento es mayor o igual que cero. - Fórmula (intuición): Para cualquier evento $A$, $P(A) \ge 0$. > **Definición:** Una probabilidad negativa no tiene sentido: un evento no puede ocurrir "menos de cero" veces. Ejemplo práctico: La probabilidad de que un paciente tenga una condición no puede ser $-0.2$; debe ser $\ge 0$. ### 2. Axioma de normalización - Enunciado: La probabilidad del espacio muestral completo es 1. - Fórmula: Si $\Omega$ es el conjunto de todos los resultados posibles, $P(\Omega)=1$. > **Definición:** Esto refleja la certeza de que algún resultado del espacio muestral ocurrirá. Ejemplo práctico: Si listamos todas las posibles diagnósticos mutuamente exclusivos en un contexto, la suma de sus probabilidades es $1$. ### 3. Axioma de aditividad - Enunciado: Si $A$ y $B$ son eventos mutuamente excluyentes (no pueden ocurrir juntos), entonces $P(A\cup B)=P(A)+P(B)$. - Fórmula: Si $A\cap B=\varnothing$, entonces $P(A\cup B)=P(A)+P(B)$. > **Definición:** La probabilidad de que ocurra uno u otro de dos eventos incompatibles es la suma de sus probabilidades individuales. Ejemplo práctico: Si un diagnóstico es A o B (mutuamente excluyentes), la probabilidad de A o B es $P(A)+P(B)$. ## Resultados posibles de una prueba diagnóstica Las pruebas binarias (positivo/negativo) producen cuatro combinaciones cuando se cruza con la presencia real de la enfermedad: | Hipótesis | Resultado de la prueba | Interpretación | | --- | --- | --- | | Presencia de enfermedad | + | Verdadero positivo (VP) | | Presencia de enfermedad | - | Falso negativo (FN) | | Ausencia de enfermedad | + | Falso positivo (FP) | | Ausencia de enfermedad | - | Verdadero negativo (VN) | > **Definición:** Un *verdadero positivo* es cuando la prueba detecta la enfermedad y ésta está presente; un *falso negativo* es cuando la prueba falla en detectar una enfermedad presente. ## Sensibilidad y especificidad Explicamos qué miden y cómo se interpretan. ### Sensibilidad - Enunciado: La sensibilidad mide la capacidad de la prueba para detectar correctamente a quienes tienen la enfermedad. - Fórmula: $$\text{Sensibilidad} = \frac{VP}{VP + FN}.$$ - Interpretación: Alta sensibilidad implica pocos falsos negativos. Una prueba muy sensible raramente falla en detectar la enfermedad. > **Definición:** Sensibilidad es la proporción de enfermos que la prueba clasifica como positivos. Ejemplo práctico: Si una prueba para detectar una infección tiene sensibilidad $90\%$, de 100 enfermos detectará 90 como positivos y 10 como negativos (falsos negativos). ### Especificidad - Enunciado: La especificidad mide la capacidad de la prueba para identificar correctamente a quienes no tienen la enfermedad. - Fórmula: $$\text{Especificidad} = \frac{VN}{VN + FP}.$$ - Interpretación: Alta especificidad implica pocos falsos positivos. Una prueba muy específica rara vez da positivo en sanos. > **Definición:** Especificidad es la proporción de sanos que la prueba clasifica como negativos. Ejemplo práctico: Si una prueba tiene especificidad $95\%$, de 100 sanos dará negativo en 95 e incorrectamente positivo en 5. ### Sensibilidad vs Especificidad — comparativa | Característica | Sensibilidad | Especificidad | | --- | --- | --- | | ¿Qué mide? | Detectar enfermos | Identific