¿Qué tan probable es que ocurra algo, si ya sabemos que otra cosa sucedió?
Esa pregunta es la puerta de entrada a la probabilidad condicional, una herramienta mental que usamos sin darnos cuenta cuando decimos cosas como “si ya está nublado, es más probable que llueva” o “si votó en la primera vuelta, probablemente vote en la segunda”. En este artículo te explico, paso a paso y con ejemplos prácticos, qué es la probabilidad condicional, por qué importa y cómo aplicarla en la vida diaria, la ciencia y la tecnología.
Imagina que entras a una cafetería y ves una caja con 20 galletitas: 12 de chocolate y 8 de avena. Si cierras los ojos y tomas una galletita al azar, la probabilidad de que sea de chocolate es ( {eq}\dfrac{12}{20} = 0{,}6{/eq} ) (60%). Ahora piensa que alguien te dice: “la galletita que tomaste es una de las que estaban cubiertas con azúcar glas”. Si solo 6 de las galletitas con azúcar glas eran de chocolate y hay 10 galletitas con azúcar glas en total, ¿cuál es ahora la probabilidad de que la tuya sea de chocolate? Cambió, ¿verdad? Esa probabilidad condicionada (probabilidad de chocolate dado que tiene azúcar) es distinta de la probabilidad inicial. Ahí tienes la idea central: saber algo cambia nuestras probabilidades.
Explicación del concepto (clara y directa)
La probabilidad condicional responde a preguntas del tipo: ¿Cuál es la probabilidad de que ocurra A, sabiendo que B ya ocurrió?
Se escribe matemáticamente como ( {eq}P(A\mid B){/eq} ) y se define así:
[{eq}P(A\mid B) = \dfrac{P(A\cap B)}{P(B)}, \quad \text{si } P(B)>0.{/eq}]
En palabras: la probabilidad de A dado B es la fracción de los casos en los que ocurren ambos A y B, entre todos los casos en los que ocurre B.
- ({eq}P(A\cap B){/eq}) es la probabilidad de que ocurran A y B a la vez.
- ({eq}P(B){/eq}) es la probabilidad de que ocurra B (el evento que ya sabemos que pasó).
Analogía simple: imagina una bolsa con fichas. Si sabes que la ficha que sacaste es roja (B), ahora restringes tu universo solo a las fichas rojas; la probabilidad de que esa ficha, además, sea numerada con un 7 (A) se calcula mirando la proporción de fichas que son rojas y tienen el 7, dentro de todas las fichas rojas.
Detalles y ejemplos paso a paso
1) Ejemplo con una baraja de cartas
Supongamos una baraja estándar de 52 cartas. Sea (A) el evento “la carta es un as” y (B) el evento “la carta es de corazones”.
- ({eq}P(A\cap B){/eq}): hay solo un as de corazones → ({eq}\dfrac{1}{52}{/eq}).
- ({eq}P(B){/eq}): hay 13 cartas de corazones → ({eq}\dfrac{13}{52} = \dfrac{1}{4}{/eq}).
Entonces:
[{eq}P(A\mid B) = \dfrac{P(A\cap B)}{P(B)} = \dfrac{\dfrac{1}{52}}{\dfrac{13}{52}} = \dfrac{1}{13} \approx 0{,}0769 \ (7{,}69%).{/eq}]
Interpretación: si alguien te dice “tu carta es de corazones”, la probabilidad de que sea as es (1/13), no (4/52). Saber que es de corazones cambia la probabilidad.
2) Ejemplo con dados (ilustración de independencia y dependencia)
Tira un dado justo. Sea (A) el evento “el resultado es 6” y (B) el evento “el resultado es par”.
- ({eq}P(A)=\dfrac{1}{6}{/eq}).
- ({eq}P(B)=\dfrac{3}{6}=\dfrac{1}{2}{/eq}).
- ({eq}P(A\cap B){/eq}) = probabilidad de que el resultado sea 6 y par — eso es exactamente la probabilidad de que salga 6, porque 6 es par → ({eq}\dfrac{1}{6}{/eq}).
Entonces:
[{eq}P(A\mid B) = \dfrac{\dfrac{1}{6}}{\dfrac{1}{2}} = \dfrac{1}{3} \approx 0{,}333.{/eq}]
Interpretación: si alguien te dice “el tiro fue par”, la probabilidad de que haya sido 6 pasa de (1/6) a (1/3). El conocimiento de B aumentó la probabilidad de A.
Nota sobre independencia: si dos eventos son independientes (por ejemplo, en ciertas condiciones idealizadas), ({eq}P(A\mid B)=P(A){/eq}). Pero muchos eventos del mundo real NO son independientes.
3) Ejemplo cotidiano: el detector de humo y el incendio
Piensa en un detector de humo que suena (evento (B)). ¿Qué tan probable es que haya realmente un incendio (evento (A)) dado que suena la alarma?
Aquí intervienen la sensibilidad (probabilidad de alarma si hay incendio) y la especificidad (probabilidad de no alarma si no hay incendio), pero la probabilidad que te interesa habitualmente es ({eq}P(A\mid B){/eq}) — la probabilidad de incendio habiendo escuchado la alarma. Para calcularla necesitas conocer (P(A)) (la probabilidad base o prevalencia de incendios) y las tasas de falla del detector. Esto es precisamente el terreno de Bayes — al final de la sección de ejemplos mostraremos cómo usar la fórmula.
4) Ejemplo numérico con diagnóstico (Bayes en acción)
Supongamos:
- La prevalencia de una enfermedad en la población es (1%): ({eq}P(\text{Enfermo})=0{,}01{/eq}).
- La prueba tiene sensibilidad (90%): ({eq}P(\text{Positivo}\mid \text{Enfermo})=0{,}90{/eq}).
- La prueba tiene especificidad (95%): ({eq}P(\text{Negativo}\mid \text{Sano})=0{,}95{/eq}) → entonces ({eq}P(\text{Positivo}\mid \text{Sano})=0{,}05{/eq}).
Queremos ({eq}P(\text{Enfermo}\mid \text{Positivo}){/eq}).
Aplicamos la fórmula de Bayes (derivada fácil a partir de la probabilidad condicional):
[{eq}P(\text{Enfermo}\mid \text{Positivo}) = \dfrac{P(\text{Positivo}\mid \text{Enfermo});P(\text{Enfermo})}{P(\text{Positivo})}.{/eq}]
Donde
[{eq}P(\text{Positivo}) = P(\text{Positivo}\mid \text{Enfermo})P(\text{Enfermo}) + P(\text{Positivo}\mid \text{Sano})P(\text{Sano}).{/eq}]
Sustituyendo números:
- ({eq}P(\text{Positivo}\mid \text{Enfermo})P(\text{Enfermo}) = 0{,}90 \times 0{,}01 = 0{,}009{/eq}).
- ({eq}P(\text{Positivo}\mid \text{Sano})P(\text{Sano}) = 0{,}05 \times 0{,}99 = 0{,}0495{/eq}).
- Entonces ({eq}P(\text{Positivo}) = 0{,}009 + 0{,}0495 = 0{,}0585{/eq}).
Por último:
[{eq}P(\text{Enfermo}\mid \text{Positivo}) = \dfrac{0{,}009}{0{,}0585} \approx 0{,}1538 \ (15{,}38%).{/eq}]
Interpretación: aunque la prueba tiene buena sensibilidad y especificidad, si la enfermedad es rara (1%), la probabilidad de estar enfermo dado un test positivo es solo ~15%. Esto ilustra por qué la prevalencia (la probabilidad base) es crucial.
Analogías y visualizaciones mentales
- Filtro y tamiz: imaginar un tamiz: primero filtras por una condición (B). Todo lo que luego analices queda dentro del tamiz; la probabilidad condicional es la proporción dentro del tamiz que cumple también A.
- Detective que reduce sospechosos: antes de ver pruebas, hay muchos sospechosos (espacio muestral). Cada nueva pista (evento B) reduce la lista; la probabilidad condicional redistribuye la credibilidad entre los que quedan.
- Menú restringido: si te dicen “hay opciones vegetarianas”, tu elección probable cambia: la probabilidad de pedir carne se reduce porque el menú se ha limitado.
Aplicaciones prácticas en la vida real, la tecnología y la ciencia
- Medicina y diagnóstico: como vimos, la interpretación de pruebas diagnósticas utiliza probabilidad condicional y Bayes para calcular probabilidades posteriores (p. ej., probabilidad de enfermedad tras un resultado). Es esencial para tomar decisiones clínicas razonadas.
- Machine learning y clasificación: algoritmos como el naive Bayes se basan en probabilidad condicional para estimar la probabilidad de que un email sea spam dado el contenido, o la probabilidad de que una imagen contenga un perro dado colores y formas.
- Seguridad y fraude: sistemas de detección de fraude calculan la probabilidad de fraude dado un conjunto de señales (transacciones inusuales, geolocalización, patrón de gasto).
- Climatología y previsión meteorológica: pronósticos del tipo “probabilidad de lluvia dada la presencia de nubes bajas y humedad alta” usan condicionales en modelos estadísticos.
- Genética y epidemiología: para estimar la probabilidad de heredar un rasgo dado el genotipo de los padres, o la probabilidad de estar infectado dado contacto con un caso confirmado.
- Economía y riesgo financiero: valorar la probabilidad de incumplimiento de un préstamo dado indicadores económicos o personales.
- Decisiones judiciales y forenses: evaluar la probabilidad de culpabilidad dada evidencia forense requiere entender cómo la evidencia altera la probabilidad base.
Un par de ejercicios resueltos para afianzar
Ejercicio 1 — Galletitas con azúcar glas (retomando la introducción)
Caja: 20 galletitas: 12 chocolate, 8 avena. 10 están con azúcar glas; entre esas 10, 6 son de chocolate y 4 de avena. Sacas una galletita y sabes que tiene azúcar glas. ¿Cuál es la probabilidad de que sea de chocolate?
Usamos (A): chocolate; (B): tiene azúcar. Entonces:
[{eq}P(A\mid B)=\dfrac{P(A\cap B)}{P(B)}=\dfrac{\dfrac{6}{20}}{\dfrac{10}{20}}=\dfrac{6}{10}=0{,}6.{/eq}]
Interpretación: dentro del subconjunto “con azúcar” la proporción de chocolate es 6/10 = 60%.
Ejercicio 2 — Semáforo y accidente
Supón que en una intersección, la probabilidad de accidente en un día cualquiera es (0{,}002). Cuando está lloviendo, la probabilidad de accidente sube a (0{,}005). Si la probabilidad de que llueva es (0{,}10), ¿cuál es la probabilidad de accidente en general?
Aquí no pedimos condicional sino la ley total de la probabilidad:
[{eq}P(\text{Accidente}) = P(\text{Accidente}\mid \text{Lluvia})P(\text{Lluvia}) + P(\text{Accidente}\mid \text{No lluvia})P(\text{No lluvia}).{/eq}]
Si ({eq}P(\text{Accidente}\mid \text{No lluvia}){/eq}) no se da, podríamos calcularlo a partir de ({eq}P(\text{Accidente}){/eq}) conocido o estimarlo. Esto ilustra que las condicionales suelen combinarse para obtener probabilidades totales.
Cómo se relaciona la probabilidad condicional con Bayes (fórmula rápida)
La fórmula de Bayes permite “dar la vuelta” a una probabilidad condicional:
[{eq}P(A\mid B) = \dfrac{P(B\mid A);P(A)}{P(B)}.{/eq}]
Es particularmente útil cuando conocemos la probabilidad de la evidencia B si A fuera cierto ((P(B\mid A))), y queremos la probabilidad de A dada la evidencia. El ejemplo del test médico explicado arriba muestra su uso.
Errores comunes y trampas conceptuales
- Ignorar la probabilidad base: confundir ({eq}P(\text{Enfermo}\mid \text{Positivo}){/eq}) con ({eq}P(\text{Positivo}\mid \text{Enfermo}){/eq}). Tener un test con alta sensibilidad no significa que un positivo garantice alta probabilidad de enfermedad si la prevalencia es baja.
- Confundir independencia con no correlación: dos eventos pueden tener probabilidades marginales iguales pero estar dependientes cuando se condiciona a otra información.
- Olvidar normalizar: al calcular ({eq}P(A\mid B){/eq}) siempre dividir por (P(B)); a veces la presentación de datos omite esta normalización y se llega a conclusiones erróneas.
Consejos para pensar en condicionales en la vida real
- Reduce el espacio mental: cuando te informan B, imagina que tu mundo posible se ha reducido solo a los casos en los que B ocurre. Dentro de ese sub-mundo, recalcula proporciones.
- Pregunta por la prevalencia: en detección y diagnóstico, pide conocer la tasa base (qué tan común es A).
- Usa tablas de contingencia: cuando hay números, organiza una tabla ({eq}2\times2{/eq}) (A/no A vs B/no B) para visualizar ({eq}P(A\cap B){/eq}), (P(B)) y los condicionales.
- Piensa en términos absolutos también: en lugar de porcentajes, convierte a números por cada 1.000 personas para ver cuántos verdaderos positivos vs falsos positivos hay realmente.
Resumen y conclusiones
La probabilidad condicional es la herramienta que nos permite actualizar nuestras creencias cuando obtenemos información nueva. La fórmula
[{eq}P(A\mid B) = \dfrac{P(A\cap B)}{P(B)}{/eq}]
resume la idea: hay que mirar los casos en los que ambos eventos ocurren y compararlos con el subconjunto en el que ya sabemos que ocurrió B. En la práctica aparece en diagnósticos médicos, algoritmos de clasificación, detección de fraude, pronóstico del tiempo, genética y muchos otros campos.
La lección central es simple y potente: saber algo cambia lo que es probable. Aprender a pensar en condicionales mejora el juicio y evita errores intuitivos que la mente humana suele cometer.
Resultados de aprendizaje
Después de leer este artículo deberías poder:
- Definir la probabilidad condicional y escribir su fórmula matemática correctamente.
- Calcular ({eq}P(A\mid B){/eq}) a partir de ({eq}P(A\cap B){/eq}) y (P(B)) en ejemplos concretos.
- Aplicar la fórmula de Bayes para transformar ({eq}P(B\mid A){/eq}) en ({eq}P(A\mid B){/eq}) cuando sea necesario.
- Explicar por qué la prevalencia (probabilidad base) importa en la interpretación de pruebas diagnósticas.
- Usar tablas de contingencia o analogías sencillas (tamiz, filtro, detective) para razonar sobre problemas condicionales.
Continua con:
- ¿Qué es la Política redistributiva? Definición y ejemplos
- ¿Qué es Inspección de Hacienda? Definición y ejemplos
- ¿Qué es el Salario neto? Definición y ejemplos
- ¿Qué es el Salario bruto? Definición y ejemplos
- ¿Qué es el Test de Durbin-Watson? Definición y ejemplos
- ¿Qué es el Consenso de Washington? Definición y características
