Probabilidad condicional: el azar con información nueva
La probabilidad básica mide eventos en el vacío; la probabilidad condicional mide eventos después de saber algo. "¿Cuál es la probabilidad de par?" es una pregunta; "¿cuál es la probabilidad de par sabiendo que salió mayor que 2?" es otra, con una respuesta distinta. Esa actualización — restricción del espacio muestral a lo que ya se sabe — es el mecanismo que usan las pruebas médicas, los filtros de spam y el radar meteorológico. Este artículo desarrolla la fórmula, los árboles y el teorema de Bayes con su ejemplo más famoso.
La fórmula: restringir el espacio muestral
La probabilidad de A dado B se define como P(A|B) = P(A∩B)/P(B), con la condición de que P(B) > 0. La intuición: al saber que B ocurrió, el mundo se encoge a los casos donde B sucede (el nuevo total), y solo interesan los que además cumplen A (el nuevo favorable). Ejemplo con el dado: P(par) = 3/6 = 1/2, pero P(par | mayor que 2): los casos "mayor que 2" son {3, 4, 5, 6} (nuevo total: 4) y los pares entre ellos son {4, 6} (nuevo favorable: 2), así que P = 2/4 = 1/2. En este caso no cambió; con "par dado impar" sí: el nuevo total es {1, 3, 5} y ningún par vive ahí, P = 0. El número cambia porque la información cambia el espacio.
El diagrama de árbol: la herramienta visual
Para experimentos en etapas, el árbol ordena todo: cada rama lleva su probabilidad condicional (la rama condicionada a lo que ya pasó) y el producto por el camino da la probabilidad del escenario completo. Es la forma más segura de no perder casos, y su lectura al revés — "dado que ocurrió el final, ¿qué camino tomó?" — es exactamente la pregunta que responde Bayes. Los árboles de dos etapas con cuatro hojas cubren la mayoría de los ejercicios de curso; dibujarlos primero y calcular después es la recomendación práctica.
El ejemplo estrella: la prueba médica
Una enfermedad afecta al 1 % de la población. La prueba detecta a los enfermos con 95 % de sensibilidad, y da falso positivo en el 5 % de los sanos. ¿Probabilidad de estar enfermo con prueba positiva? El árbol: enfermo (0,01) → positivo 0,95 y negativo 0,05; sano (0,99) → positivo 0,05 y negativo 0,95. La probabilidad de positivo es 0,95·0,01 + 0,05·0,99 = 0,0095 + 0,0495 = 0,059. La de enfermo dado positivo: 0,0095/0,059 ≈ 0,161. Solo 16 %. El resultado desconcierta a casi todo el mundo y es la lección de Bayes más importante: una prueba "95 % fiable" no implica 95 % de probabilidad de enfermedad, porque los sanos — aunque rara vez den positivo — son muchísimos más que los enfermos, y sus falsos positivos dominan el total.
El teorema de Bayes
La fórmula que formaliza el ejemplo: P(A|B) = P(B|A)·P(A)/P(B). Traducido: la probabilidad de la causa dado el efecto es la probabilidad del efecto dada la causa, multiplicada por la probabilidad previa de la causa, normalizada entre todas las rutas que producen el efecto. En el ejemplo médico: P(enfermo|positivo) = P(positivo|enfermo)·P(enfermo)/P(positivo) = 0,95·0,01/0,059 ≈ 0,161. Bayes invierte la dirección de la condición — de las probabilidades "hacia adelante" del árbol a las "hacia atrás" del diagnóstico — y es el teorema fundacional de la estadística bayesiana y del aprendizaje automático.
Errores frecuentes
- Confundir P(A|B) con P(B|A): son números distintos en general; 0,95 (positivo dado enfermo) no es 0,161 (enfermo dado positivo).
- Olvidar dividir entre P(B): el denominador es la corrección por el nuevo total; sin él el resultado se dispara.
- Usar probabilidades no condicionadas en la segunda etapa del árbol: cada rama lleva la probabilidad condicional a su camino.
- Sumar rutas del árbol que se excluyen entre sí al calcular el denominador: se suman porque son caminos mutuamente excluyentes que llevan al mismo efecto — revisar que la suma cubra todas.
Preguntas frecuentes
¿Cómo calculo P(A∩B) en la práctica?
Por la definición misma: P(A∩B) = P(A|B)·P(B). En el ejemplo del dado: P(par y mayor que 2) = P(par | mayor que 2)·P(mayor que 2) = (1/2)·(4/6) = 1/3. Contando directo se comprueba: {4, 6} son dos casos de seis. Ese producto es el mismo que multiplicar las ramas de un árbol: cada camino multiplica sus probabilidades condicionales.
¿Qué son los eventos independientes en este lenguaje?
A y B son independientes cuando P(A|B) = P(A): saber que B ocurrió no cambia nada sobre A. En ese caso P(A∩B) = P(A)·P(B), la regla del producto del artículo de probabilidad básica. La independencia es la excepción, no la regla: la mayoría de eventos reales se condicionan.
¿Cómo mejora una segunda prueba?
Repetir la prueba actualiza de nuevo la probabilidad: la posteriori de la primera (0,161) se vuelve la previa de la segunda. Con otro positivo: 0,95·0,161/(0,95·0,161 + 0,05·0,839) ≈ 0,785. Dos pruebas encadenadas suben la certeza de 16 % a 79 %: así funcionan los protocolos médicos reales de confirmación.
¿Dónde aparece Bayes fuera de la medicina?
Filtros de spam (probabilidad de spam dado que contiene ciertas palabras), detección de fraude bancario, radar y meteorología, y todo el machine learning probabilístico. El mismo cálculo del árbol médico, con datos distintos, decide esas aplicaciones.
Practica con la calculadora
Construye el árbol del ejemplo médico a mano, calcula las cuatro hojas y el 16 % con la fórmula de Bayes, y verifica con la calculadora de probabilidad y la calculadora combinatoria para los conteos. Después inventa una variante (prevalencia del 10 %) y observa cómo el mismo cálculo cambia de conclusión: la prevalencia es el motor silencioso de Bayes.
Sigue aprendiendo
Probabilidad básica · Permutaciones y combinaciones · Percentiles y cuartiles
Calculadora de probabilidad · Calculadora de estadística · Todos los artículos