1. Introducción y Objetivos de Aprendizaje

En la práctica médica y en la investigación epidemiológica, los pacientes con frecuencia no presentan eventos de salud aislados. Es habitual evaluar la coexistencia de dos o más factores de riesgo, síntomas o patologías (comorbilidades) en un mismo individuo.

Para cuantificar la incertidumbre en estos escenarios, la teoría de probabilidad proporciona dos reglas fundamentales:

La Regla de la Adición (Unión de Sucesos, \(A \cup B\)): Permite calcular la probabilidad de que un paciente presente al menos uno de dos eventos de interés (evento \(A\), evento \(B\), o ambos).
La Regla de la Multiplicación (Intersección de Sucesos, \(A \cap B\)): Permite calcular la probabilidad de que dos eventos ocurran simultáneamente en el mismo paciente.

Objetivos del Tutorial:

Comprender la diferencia entre sucesos mutuamente excluyentes y no mutuamente excluyentes.
Diferenciar entre sucesos independientes y dependientes en el contexto clínico.
Calcular e interpretar probabilidades de unión e intersección en R mediante tablas de contingencia \(2 \times 2\).
Aplicar las reglas de probabilidad a la base de datos de la prueba piloto de su proyecto de investigación.

2. La Regla de la Adición: Unión de Sucesos (\(A \cup B\))

La unión de dos eventos \(A\) y \(B\) (representada como \(A \cup B\) o “\(A\) o \(B\)”) abarca a todos los individuos que presentan el evento \(A\), el evento \(B\), o ambos simultáneamente.

A. Eventos No Mutuamente Excluyentes (General)

Cuando dos condiciones de salud pueden coexistir en el mismo paciente (por ejemplo, Hipertensión Arterial y Diabetes Mellitus), los eventos se solapan. Para evitar contar dos veces a los pacientes con ambas patologías, restar la intersección es indispensable:

\[\mathbf{P(A \cup B) = P(A) + P(B) - P(A \cap B)}\]

B. Eventos Mutuamente Excluyentes (Disjuntos)

Dos eventos son mutuamente excluyentes cuando es imposible que ocurran al mismo tiempo en el mismo individuo (por ejemplo, el tipo de sangre de un paciente ser Grupo A o Grupo O). En este caso, \(P(A \cap B) = 0\):

\[\mathbf{P(A \cup B) = P(A) + P(B)}\]

3. La Regla de la Multiplicación: Intersección de Sucesos (\(A \cap B\))

La intersección de dos eventos \(A\) y \(B\) (representada como \(A \cap B\) o “\(A\) y \(B\)”) se refiere a la probabilidad de que un paciente presente ambas características al mismo tiempo.

A. Eventos Dependientes (General)

Cuando la presencia del evento \(A\) modifica la probabilidad de que ocurra el evento \(B\) (por ejemplo, presentar Obesidad aumenta la probabilidad de desarrollar Diabetes):

\[\mathbf{P(A \cap B) = P(A) \cdot P(B \mid A)}\]

B. Eventos Independientes

Dos eventos son independientes cuando la ocurrencia de uno no altera la probabilidad de ocurrencia del otro (por ejemplo, el sexo biológico del paciente y la presencia de una mutación genética autosómica rara no ligada al sexo). En este caso, \(P(B \mid A) = P(B)\):

\[\mathbf{P(A \cap B) = P(A) \cdot P(B)}\]

4. Ejemplo Práctico en R: Comorbilidad de Exceso de Peso e Inactividad Física (UJMD)

Tomemos como referencia los datos de la prueba piloto del Subgrupo 11 de la UJMD (\(N = 36\) estudiantes), donde se analizó la relación entre el Nivel de Actividad Física (Baja/Moderada vs. Alta) y la presencia de Exceso de Peso (IMC \(\ge 25\)).

Construcción de la Tabla \(2 \times 2\) en R:

# Crear matriz de datos observados (Cohorte Piloto N = 36)
# Filas: Actividad Física (A = Baja/Moderada, A_c = Alta)
# Columnas: Estado Nutricional (B = Exceso de Peso, B_c = IMC Normal)

tabla_comorbilidad <- matrix(
  c(10, 8,   # Actividad Baja/Mod: 10 con Exceso de Peso, 8 Normal
    5, 13),  # Actividad Alta: 5 con Exceso de Peso, 13 Normal
  nrow = 2, byrow = TRUE,
  dimnames = list(
    "Actividad Física (A)" = c("Baja/Moderada (A)", "Alta (A')"),
    "Estado Nutricional (B)" = c("Exceso Peso (B)", "IMC Normal (B')")
  )
)

# Mostrar tabla con márgenes (totales)
tabla_con_totales <- addmargins(tabla_comorbilidad)
kable(tabla_con_totales, caption = "Tabla 2x2: Actividad Física vs. Estado Nutricional (N = 36)")

Tabla 2x2: Actividad Física vs. Estado Nutricional (N = 36)
	Exceso Peso (B)	IMC Normal (B’)	Sum
Baja/Moderada (A)	10	8	18
Alta (A’)	5	13	18
Sum	15	21	36

Cálculo de Probabilidades en R:

N <- sum(tabla_comorbilidad)

# 1. Probabilidades Simples (Marginales)
p_A <- sum(tabla_comorbilidad["Baja/Moderada (A)", ]) / N  # P(Actividad Baja/Mod)
p_B <- sum(tabla_comorbilidad[, "Exceso Peso (B)"]) / N   # P(Exceso de Peso)

# 2. Probabilidad de la Intersección P(A ∩ B) - Ambos eventos simultáneos
# Estudiantes con Actividad Baja/Mod Y Exceso de Peso
n_interseccion <- tabla_comorbilidad["Baja/Moderada (A)", "Exceso Peso (B)"]
p_interseccion <- n_interseccion / N

# 3. Probabilidad de la Unión P(A ∪ B) - Al menos uno de los dos eventos
# Aplicando la Regla de la Adición: P(A ∪ B) = P(A) + P(B) - P(A ∩ B)
p_union <- p_A + p_B - p_interseccion

# Resultados
cat("--- RESULTADOS DE PROBABILIDAD ---\n")

## --- RESULTADOS DE PROBABILIDAD ---

cat("P(A) [Actividad Baja/Moderada]:", round(p_A, 4), " (", round(p_A*100, 1), "%)\n")

## P(A) [Actividad Baja/Moderada]: 0.5  ( 50 %)

cat("P(B) [Exceso de Peso]:         ", round(p_B, 4), " (", round(p_B*100, 1), "%)\n")

## P(B) [Exceso de Peso]:          0.4167  ( 41.7 %)

cat("P(A ∩ B) [Intersección]:       ", round(p_interseccion, 4), " (", round(p_interseccion*100, 1), "%)\n")

## P(A ∩ B) [Intersección]:        0.2778  ( 27.8 %)

cat("P(A ∪ B) [Unión por Regla]:    ", round(p_union, 4), " (", round(p_union*100, 1), "%)\n")

## P(A ∪ B) [Unión por Regla]:     0.6389  ( 63.9 %)

💡 Interpretación Clínica de los Resultados:

Intersección \(P(A \cap B) = 27.8\\%:\) Un \(27.8\%\) de los estudiantes evaluados padece simultáneamente de inactividad física y exceso de peso.
Unión \(P(A \cup B) = 63.9\%:\) Si seleccionamos a un estudiante al azar, existe un \(63.9\%\) de probabilidad de que presente al menos una de las dos condiciones de riesgo (sea inactivo, tenga exceso de peso o ambas).

5. Evaluación de Independencia Estadística

Para verificar si la inactividad física (\(A\)) y el exceso de peso (\(B\)) son eventos independientes, comparamos la probabilidad de la intersección observada \(P(A \cap B)\) con el producto de sus probabilidades marginales \(P(A) \cdot P(B)\):

p_producto_independiente <- p_A * p_B

cat("P(A ∩ B) Observada:              ", round(p_interseccion, 4), "\n")

## P(A ∩ B) Observada:               0.2778

cat("P(A) * P(B) Bajo Independencia:  ", round(p_producto_independiente, 4), "\n")

## P(A) * P(B) Bajo Independencia:   0.2083

if (abs(p_interseccion - p_producto_independiente) > 0.01) {
  cat("\nConclusión: Los eventos A y B son DEPENDIENTES en esta muestra piloto.\n")
  cat("La presencia de inactividad física modifica la probabilidad de exceso de peso.\n")
} else {
  cat("\nConclusión: Los eventos A y B se comportan como INDEPENDIENTES.\n")
}

## 
## Conclusión: Los eventos A y B son DEPENDIENTES en esta muestra piloto.
## La presencia de inactividad física modifica la probabilidad de exceso de peso.

6. Guía de Trabajo Autónomo — Desafío Estudiantil en R

Cada subgrupo de investigación aplicará la Regla de la Adición y de la Multiplicación a los datos de su propia prueba piloto.

📋 Consigna de la Actividad:

Cargar la base de datos de su prueba piloto en R (formato .csv o .xlsx).
Seleccionar 2 variables categóricas dicotómicas de su proyecto (ejemplo: Consumo de bebidas azucaradas [Sí/No] y Presencia de cefalea [Sí/No]).
Generar la tabla de contingencia \(2 \times 2\) con la función table().
Calcular programáticamente:
- Probabilidad marginal del Evento \(A\): \(P(A)\).
- Probabilidad marginal del Evento \(B\): \(P(B)\).
- Probabilidad de la Intersección \(P(A \cap B)\) (Ambos eventos presentes).
- Probabilidad de la Unión \(P(A \cup B)\) aplicando la Regla de la Adición.
- Evaluación de Independencia Estadística comparando \(P(A \cap B)\) vs. \(P(A) \cdot P(B)\).
Redactar un texto interpretativo explicando el impacto epidemiológico de la comorbilidad encontrada en su muestra.

💻 Plantilla de Código R para los Estudiantes:

# ==============================================================================
# TRABAJO AUTÓNOMO: INTERSECCIÓN Y ADICIÓN DE SUCESOS EN SALUD
# Subgrupo N°: _____ | Integrantes: ____________________________________
# ==============================================================================

# 1. Cargar la base de datos propia
# datos <- read.csv("mi_base_piloto.csv")

# 2. Generar tabla de contingencia 2x2
# mi_tabla <- table(datos$variable_A, datos$variable_B)
# print(addmargins(mi_tabla))

# 3. Total muestral
# N <- sum(mi_tabla)

# 4. Cálculo de Probabilidades
# p_A <- sum(mi_tabla[2, ]) / N
# p_B <- sum(mi_tabla[, 2]) / N
# p_interseccion <- mi_tabla[2, 2] / N
# p_union <- p_A + p_B - p_interseccion

# 5. Impresión de resultados
# cat("Probabilidad Evento A:", round(p_A * 100, 2), "%\n")
# cat("Probabilidad Evento B:", round(p_B * 100, 2), "%\n")
# cat("Probabilidad de Ambos (Intersección):", round(p_interseccion * 100, 2), "%\n")
# cat("Probabilidad de Al menos Uno (Unión):", round(p_union * 100, 2), "%\n")

# 6. Evaluación de Independencia
# if (abs(p_interseccion - (p_A * p_B)) > 0.01) {
#   cat("Los eventos son DEPENDIENTES en la muestra piloto.\n")
# } else {
#   cat("Los eventos son INDEPENDIENTES.\n")
# }

Cátedra de Bioestadística — Escuela de Medicina, UJMD 2026

Tutorial No. 5: Intersección y Adición de Sucesos en Salud

Reglas de Probabilidad para Eventos Simultáneos y Comorbilidades en Medicina

Cátedra de Bioestadística — Universidad Dr. José Matías Delgado (UJMD)

28 de septiembre de 2026