Probabilidad Condicionada

La probabilidad condicionada nos permite calcular la probabilidad de un suceso teniendo en cuenta que ya ha ocurrido otro suceso. Se representa como P(B|A) y se lee "probabilidad de B condicionado a A" o "probabilidad de que ocurra B sabiendo que ha ocurrido A".

Su fórmula es:

$P(B|A) = \frac{P(A \cap B)}{P(A)}$

Donde:

  • P(B|A) es la probabilidad de que ocurra B sabiendo que ha ocurrido A
  • P(A∩B) es la probabilidad de que ocurran ambos sucesos A y B
  • P(A) es la probabilidad de que ocurra el suceso A

Es importante recordar que P(A) debe ser mayor que 0, ya que no podemos condicionar a un suceso imposible.

Sucesos dependientes e independientes

  • Sucesos independientes: Cuando la ocurrencia de uno no afecta a la probabilidad de que ocurra el otro. En este caso: P(B|A) = P(B)
  • Sucesos dependientes: Cuando la ocurrencia de uno afecta a la probabilidad de que ocurra el otro. En este caso: P(B|A) ≠ P(B)

Para calcular la probabilidad de que ocurran dos sucesos A y B:

  • Si son independientes: $P(A \cap B) = P(A) \cdot P(B)$
  • Si son dependientes: $P(A \cap B) = P(A) \cdot P(B|A)$

Ejemplo 1: En una clase hay 20 estudiantes, 12 chicos y 8 chicas. Si seleccionamos a dos estudiantes al azar, ¿cuál es la probabilidad de que ambos sean chicas?

Solución: $P( \text{1ª chica}) = \frac{8}{20} = \frac{2}{5} = 0,4$

$P( \text{2ª chica | 1ª chica}) = \frac{7}{19} \approx 0,368$

$P( \text{dos chicas}) = P( \text{1ª chica}) \cdot P( \text{2ª chica | 1ª chica}) = \frac{2}{5} \cdot \frac{7}{19} = \frac{14}{95} \approx 0,147$

Teorema de Bayes

El Teorema de Bayes, formulado por Thomas Bayes en el siglo XVIII, nos permite calcular probabilidades "a posteriori" (después de conocer nueva información) a partir de probabilidades "a priori" (antes de conocer la información).

La fórmula del teorema de Bayes es:

$P(A|B) = \frac{P(B|A) \cdot P(A)}{P(B)}$

También puede expresarse de forma más completa cuando B puede ocurrir junto con varios sucesos A₁, A₂, ..., Aₙ que son mutuamente excluyentes y cuya unión es el espacio muestral completo:

$P(A_i|B) = \frac{P(B|A_i) \cdot P(A_i)}{\sum_{j=1}^{n} P(B|A_j) \cdot P(A_j)}$

Interpretación del teorema de Bayes

El teorema de Bayes nos permite "invertir" las condiciones: si conocemos P(B|A), podemos calcular P(A|B). Es especialmente útil cuando:

  • A representa una hipótesis o causa que queremos evaluar
  • B representa una evidencia o dato observado
  • P(A) es la probabilidad "a priori" de la hipótesis
  • P(A|B) es la probabilidad "a posteriori" de la hipótesis tras observar la evidencia

Ejemplo 2: Una prueba diagnóstica para una enfermedad tiene una sensibilidad del 95% (detecta correctamente al 95% de los enfermos) y una especificidad del 90% (da resultado negativo al 90% de los sanos). Si la prevalencia de la enfermedad en la población es del 1%, ¿cuál es la probabilidad de que una persona con resultado positivo tenga realmente la enfermedad?

Solución: Aplicamos el teorema de Bayes:

E: tener la enfermedad

+: resultado positivo

$P(E|+) = \frac{P(+|E) \cdot P(E)}{P(+)} = \frac{P(+|E) \cdot P(E)}{P(+|E) \cdot P(E) + P(+|\overline{E}) \cdot P(\overline{E})}$

$P(E|+) = \frac{0,95 \cdot 0,01}{0,95 \cdot 0,01 + 0,1 \cdot 0,99} = \frac{0,0095}{0,0095 + 0,099} = \frac{0,0095}{0,1085} \approx 0,0875$

Por tanto, la probabilidad de que una persona con resultado positivo tenga la enfermedad es de aproximadamente un 8,75%.

Observación: Este resultado puede ser sorprendente: ¡la probabilidad de tener la enfermedad aun con un test positivo es menor del 9%! Este es un ejemplo de la llamada "falacia del fiscal", y demuestra lo importante que es aplicar correctamente las probabilidades condicionadas.

Diagrama de árbol para el teorema de Bayes

Los diagramas de árbol son muy útiles para visualizar y resolver problemas con el teorema de Bayes. Permiten organizar la información de manera clara y facilitan el cálculo de las probabilidades.

Consejos para resolver problemas de probabilidad condicionada

  • Identifica claramente los sucesos y sus probabilidades dadas.

  • Distingue entre probabilidades absolutas P(A) y probabilidades condicionadas P(A|B).

  • Usa diagramas de árbol para organizar la información en problemas complejos.

  • Aplica la fórmula de Bayes cuando necesites "invertir" la condición.

  • Recuerda la fórmula de la probabilidad del suceso contrario: P(Ā) = 1 - P(A).

  • Verifica que tus resultados son coherentes (probabilidades entre 0 y 1).

Aplicaciones del teorema de Bayes

El teorema de Bayes tiene numerosas aplicaciones prácticas:

  • Medicina: Interpretar resultados de pruebas diagnósticas
  • Justicia: Evaluar evidencias en casos judiciales
  • Tecnología: Filtros de spam, sistemas de recomendación
  • Genética: Estudios de herencia y riesgo genético
  • Economía: Toma de decisiones basada en datos

1. En un instituto, el 60% de los estudiantes son chicas y el 40% son chicos. El 30% de las chicas y el 20% de los chicos estudian matemáticas avanzadas. Si seleccionamos un estudiante al azar y estudia matemáticas avanzadas, ¿cuál es la probabilidad de que sea una chica? (10 puntos)

2. Si P(A) = 0,4, P(B) = 0,5 y P(A∩B) = 0,2, calcula las siguientes probabilidades: (15 puntos)

a ) P(B|A)

b ) P(A|B)

3. Una prueba médica para detectar una enfermedad tiene una sensibilidad del 95% (probabilidad de dar positivo si se tiene la enfermedad) y una especificidad del 90% (probabilidad de dar negativo si no se tiene la enfermedad). Si la prevalencia de la enfermedad es del 2%, ¿cuál es la probabilidad de tener la enfermedad si la prueba da positivo? (1 puntos)