Fundamentos da probabilidade condicional
A probabilidade é unha forma formal de medir a probabilidade de que ocorra un evento. En moitas situacións do mundo real, a probabilidade dun evento non se sostén por si soa, senón que está influenciada por outra información que xa coñecemos. Aquí é onde o concepto de probabilidade condicional cobra importancia. A probabilidade condicional axúdanos a actualizar as nosas crenzas sobre un evento particular despois de obter información adicional. Este artigo analiza a súa definición, fórmula básica, exemplos e a súa relación coa regra do produto e o teorema de Bayes.
1. Comprensión da probabilidade condicional
Intuitivamente, a probabilidade condicional é a posibilidade de que ocorra o evento A dado que se produciu o evento B. Escríbese como:
\[
P(A \mid B)
\]
Léase «probabilidade de A dado B».
Por exemplo, queremos saber a probabilidade de que alguén leve un paraugas (A) dado que hoxe está chovendo (B). Claramente, a probabilidade de levar un paraugas é maior se sabemos que está chovendo. A información "está chovendo" cambia o noso espazo de consideración: xa non consideramos todas as condicións meteorolóxicas, senón só as condicións en que chove.
2. Fórmula de probabilidade condicional
A definición matemática da probabilidade condicional é:
\[
P(A \mid B) = \frac{P(A \cap B)}{P(B)}
\]
sempre que \(P(B) > 0\).
Información:
– \(P(A \mid B)\): a probabilidade de que ocorra A dado que ocorra B.
– \(P(A \cap B)\): a probabilidade de que A e B ocorran simultaneamente (a intersección de A e B).
– \(P(B)\): a probabilidade de que ocorra B.
O significado desta fórmula: limitamos a nosa atención ao evento B e despois calculamos canta parte de B inclúe tamén A.
3. Exemplo sinxelo: Xogando ás cartas
Colle unha carta dunha baralla estándar de cartas de xogo (52 cartas). Por exemplo:
– R: A carta sacada é un As
– B: a carta sacada é Espadas
Queremos calcular \(P(A \mid B)\), que é a probabilidade de sacar un As dado que a carta é unha pica.
Paso:
– Nas picas hai 13 cartas, polo que \(P(B) = 13/52\).
– As rebandas A e B son un «ás de picas», que suman 1 carta en total, polo que \(P(A \cap B) = 1/52\).
Entón:
\[
P(A \mid B) = \frac{1/52}{13/52} = \frac{1}{13}
\]
Isto significa que se xa sabemos que a carta é unha pica, a probabilidade de que a carta sexa un ás é de 1 entre 13.
4. Comprender a intersección (A ∩ B) e o papel da información
Un erro común ao estudar a probabilidade é confundir \(P(A)\) con \(P(A|B)\). No exemplo da carta:
– \(P(A) = 4/52 = 1/13\) (probabilidade de obter un As sen información adicional)
– \(P(A|B) = 1/13\) (casualmente o mesmo neste caso)
Non obstante, en moitos casos os dous valores son diferentes. Pode haber información adicional como:
– aumentar as posibilidades (por exemplo, a posibilidade de aprobar un exame se se sabe que alguén está estudando),
– reducir as oportunidades (posibilidades de estradas sen problemas se sabes que é hora de chegar a casa do traballo),
– ou non cambia a probabilidade se os eventos son independentes.
5. Eventos mutuamente independentes (independencia)
Dous eventos A e B dise que son independentes se o evento B non afecta á probabilidade de A, e viceversa. Formalmente:
\[
P(A \mid B) = P(A)
\]
ou equivalente a:
\[
P(A \cap B) = P(A)P(B)
\]
Exemplo: lanzar unha moeda ao aire e sacar un dado. O resultado da moeda (número/imaxe) non se ve afectado polo resultado do dado (1–6), polo que ambos son independentes. Se A é "a moeda mostra un número" e B é "o dado mostra un 6", entón:
\[
P(A) = 1/2, P(B) = 1/6, P(A \cap B) = 1/12
\]
e é certo que \(1/12 = (1/2)(1/6)\).
6. Regra da multiplicación
A partir da definición de probabilidade condicional, podemos derivar a regra de multiplicación:
\[
P(A \cap B) = P(A \mid B)P(B)
\]
ou tamén:
\[
P(A ∫B) = P(B ∫A)P(A)
\]
Esta regra é moi útil cando queremos calcular a probabilidade de que ocorran dous eventos simultaneamente, pero é máis doado avaliar a probabilidade dun deles despois de coñecer o outro.
Exemplo: Supoñamos que a probabilidade de que alguén aprobe unha entrevista (B) é de 0,4. A probabilidade de ser aceptado para o posto de traballo (A) se aproba a entrevista é de 0,6. Entón, a probabilidade de "aprobar a entrevista e ser aceptado para o posto de traballo" é:
\[
P(A ∫B) = P(A ∫B)P(B) = 0{,}6 × 0{,}4 = 0{,}24
\]
7. Teorema de Bayes: Inversión das condicións
A miúdo sabemos \(P(A|B)\), pero o que realmente necesitamos é \(P(B|A)\). O teorema de Bayes proporciona unha forma de "inverter" a probabilidade condicional:
\[
P(B \mid A) = \frac{P(A \mid B)P(B)}{P(A)}
\]
Este teorema é moi coñecido nos campos do diagnóstico médico, a aprendizaxe automática, a detección de correo lixo e a toma de decisións baseada en datos.
Exemplo curto (saúde)
Por exemplo:
– B: alguén está moi enfermo (prevalencia) \(P(B)=0{,}01\)
– A: resultado positivo na proba
– Sensibilidade da proba: \(P(A|B)=0{,}95\)
– Falso positivo: \(P(A|\text{non enfermo})=0{,}05\)
Pregunta: Se o resultado da proba é positivo, cal é a probabilidade de que a persoa estea realmente enferma, é dicir, \(P(B|A)\)?
Necesitamos \(P(A)\):
\[
P(A)=P(A|B)P(B) + P(A|neg B)P(neg B)
\]
\[
P(A)=0{,}95(0{,}01) + 0{,}05(0{,}99)=0{,}0095+0{,}0495=0{,}059
\]
Entón:
\[
P(B|A)=\frac{0{,}95 \times 0{,}01}{0{,}059} \approx 0{,}161
\]
O resultado foi de arredor do 16,1 %. Isto demostra que unha proba positiva non significa necesariamente que alguén estea definitivamente enfermo, especialmente se a prevalencia da enfermidade é moi baixa.
8. Probabilidade total (Lei da probabilidade total)
Para calcular \(P(A)\) nunha situación dividida en varias condicións, podemos usar a lei da probabilidade total. Se \(B_1, B_2, …, B_n\) forma unha partición do espazo mostral (mutuamente disxunta e inclúe todas as posibilidades), entón:
\[
P(A) = \sum_{i=1}^{n} P(A|B_i)P(B_i)
\]
A miúdo combínase co teorema de Bayes para procesar información de múltiples categorías ou fontes.
9. Erros comúns na probabilidade condicional
Algúns erros comúns:
1. Supoñamos que \(P(A|B)\) é igual a \(P(B|A)\) . Isto non é certo en xeral.
2. Ignorando as taxas de base, por exemplo a prevalencia de enfermidades no exemplo de Bayes.
3. Determinar incorrectamente o espazo mostral despois de dada a condición, mesmo se a condición B significa que só contamos na «rexión B».
10. Conclusión
A probabilidade condicional é un fundamento importante na estatística e na modelización da incerteza. Ao comprender a definición de \(P(A|B)=\frac{P(A \cap B)}{P(B)}\), podemos avaliar as probabilidades considerando información adicional. Este concepto está directamente relacionado coa regra do produto, os eventos independentes, a lei da probabilidade total e o teorema de Bayes, que é moi útil en moitas aplicacións do mundo real. Canto máis practiques con exemplos concretos (cartas, dados, enquisas e mesmo casos médicos), máis forte se volverá a túa intuición sobre como cambian as probabilidades a medida que chega nova información.
