Grado 12
  1. Introducción al Álgebra  1.1. Matrices  1.1.1. Definición y tipos de matrices  1.1.2. Operaciones en matrices  1.1.3. Transposición de una matriz  1.1.4. Determinantes y sus propiedades  1.1.5. Inverso de una matriz  1.1.6. Resolución de ecuaciones lineales usando matrices  1.1.7. Aplicaciones de matrices  1.2. Números complejos  1.2.1. Definición y representación de números complejos  1.2.2. Comprensión del álgebra de los números complejos  1.2.3. Módulo y argumento de números complejos  1.2.4. Introducción a los números complejos  1.2.5. Teorema de De Moivre  1.2.6. Raíces de números complejos  1.2.7. Aplicaciones en geometría  1.3. Vectores y geometría 3D  1.3.1. Álgebra de vectores  1.3.2. Producto escalar y vectorial  1.3.3. Ecuación de una línea en el espacio  1.3.4. Ecuación de un plano en vectores y geometría 3D  1.3.5. Distancia entre líneas y planos  1.3.6. Ángulo entre líneas y planos
  2. Cálculos  2.1. Límites y continuidad  2.1.1. Concepto de Límites  2.1.2. Continuación de trabajos  2.1.3. Tipos de discontinuidad  2.1.4. Comprendiendo las limitaciones de la mano izquierda y derecha  2.2. Discriminación  2.2.1. Derivado como tasa de cambio  2.2.2. Técnicas de diferenciación  2.2.3. Derivadas de orden superior  2.2.4. Aplicaciones de las derivadas  2.2.5. Tangente y normal  2.2.6. Funciones crecientes y decrecientes  2.3. Integración  2.3.1. Integral indefinida  2.3.2. Integral definida  2.3.3. Técnicas de integración  2.3.4. Entendiendo el área bajo la curva en integración  2.3.5. Aplicaciones de las integrales en geometría  2.4. Ecuaciones diferenciales  2.4.1. Formación de ecuaciones diferenciales  2.4.2. Orden y grado de las ecuaciones diferenciales  2.4.3. Soluciones de ecuaciones diferenciales  2.4.4. Aplicaciones de las ecuaciones diferenciales  2.4.5. Introducción a las ecuaciones diferenciales lineales de primer orden
  3. Probabilidad y estadística  3.1. Entendiendo la Probabilidad  3.1.1. Comprendiendo la probabilidad condicional  3.1.2. Teorema de Bayes  3.1.3. Comprendiendo las variables aleatorias en probabilidad y estadísticas  3.1.4. Distribuciones de probabilidad  3.1.5. Distribución binomial y normal  3.2. Figuras  3.2.1. Media y desviación estándar  3.2.2. Varianza y covarianza  3.2.3. Correlación y regresión  3.2.4. Comprendiendo la prueba de hipótesis en estadística
  4. Programación lineal  4.1. Método gráfico en programación lineal  4.1.1. Comprendiendo las regiones factibles y no factibles en la programación lineal  4.1.2. Solución óptima en el método gráfico de programación lineal  4.1.3. Análisis de sensibilidad en el método gráfico  4.2. Método simplex  4.2.1. Formulación de problemas en el método del simplex  4.2.2. Resolviendo problemas de programación lineal usando el método simplex  4.2.3. Método del simplejo dual
  5. Relaciones y funciones  5.1. Tipos de relaciones  5.1.1. Relación reflexiva  5.1.2. Relaciones simétricas  5.1.3. Comprendiendo las relaciones transitivas  5.1.4. Relación de equivalencia  5.2. Tipos de tareas  5.2.1. Función sobreyectiva  5.2.2. Función uno a uno  5.2.3. Función inversa  5.2.4. Trabajo conjunto  5.3. Funciones trigonométricas inversas  5.3.1. Valores principales en funciones trigonométricas inversas  5.3.2. Propiedades y gráficos de funciones trigonométricas inversas  5.3.3. Aplicaciones en cálculo
  6. Trigonometría avanzada  6.1. Introducción a las ecuaciones trigonométricas  6.1.1. Soluciones generales de ecuaciones en ecuaciones trigonométricas  6.1.2. Fórmula de transformación  6.2. Funciones hiperbólicas  6.2.1. Definiciones y propiedades de las funciones hiperbólicas  6.2.2. Relación entre funciones hiperbólicas y trigonométricas
  7. Lógica aritmética  7.1. Razonamiento lógico  7.1.1. Declaraciones y conectores lógicos  7.1.2. Tautología y contradicción  7.2. Evidencia  7.2.1. Evidencia directa  7.2.2. Evidencia indirecta  7.2.3. Prueba por contradicción  7.2.4. Prueba por inducción matemática
  8. Aplicaciones de las Matemáticas  8.1. Aplicaciones del cálculo  8.1.1. Problemas de máximos y mínimos  8.1.2. Aplicaciones de la economía y la biología  8.1.3. Tasa de cambio en física  8.2. Aplicaciones de la Probabilidad  8.2.1. Análisis de riesgo  8.2.2. Toma de decisiones en aplicaciones de probabilidad  8.2.3. Teoría de juegos

Grado 12 → Probabilidad y estadística → Entendiendo la Probabilidad ↓


Comprendiendo la probabilidad condicional


La probabilidad condicional es un concepto en teoría de la probabilidad que determina la probabilidad de que ocurra un evento, dado que ya ha ocurrido otro evento. Es una parte importante de la probabilidad y las estadísticas, porque en situaciones del mundo real, podemos tener alguna información disponible que afecta el resultado de un evento.

Conceptos básicos de probabilidad

Antes de profundizar en la probabilidad condicional, recordemos brevemente la definición de probabilidad. La probabilidad es una forma de medir la incertidumbre asociada a un evento determinado. Se puede calcular de la siguiente manera:

Probabilidad de un evento A, P(A) = (Número de resultados favorables a A) / (Número total de resultados posibles)

Entonces, si tenemos un dado justo de seis caras, la probabilidad de obtener un tres se puede expresar como:

P(lanzar 3) = 1/6

Esto se debe a que tiene un resultado favorable (que salga el 3) y un total de seis resultados posibles (1, 2, 3, 4, 5 o 6).

Introducción a la probabilidad condicional

La probabilidad condicional entra en juego cuando sabemos que un evento ha ocurrido y queremos saber cuál es la probabilidad de que ocurra otro evento. Matemáticamente, se expresa como:

P(A|B) = P(A y B) / P(B)

Aquí, P(A|B) es la probabilidad de que ocurra el evento A, dado que ha ocurrido el evento B. P(A y B) es la probabilidad de que ocurran ambos eventos A y B, y P(B) es la probabilidad de que ocurra el evento B.

Ejemplo 1: Creación de una carta

Supongamos que estás sacando cartas de un mazo estándar de 52 cartas. Quieres encontrar la probabilidad de sacar un as, dado que la carta extraída es un trébol.

- Sea A el evento "sacar un as". - Sea B el evento "sacar un trébol".

Hay 13 tréboles en un mazo, y uno de ellos es un as. Entonces, P(A y B) = 1/52. Hay 13 tréboles, por lo que P(B) = 13/52.

    P(A|B) = P(A y B) / P(B) = (1/52) / (13/52) = 1/13

Por lo tanto, si la carta extraída es un trébol entonces la probabilidad de sacar un as es 1/13.

Visualización de la probabilidad condicional

Imagina dos círculos dentro de un cuadrado. El cuadrado representa todos los resultados posibles, mientras que el círculo representa la ocurrencia de dos eventos A y B. La intersección de los dos círculos representa la probabilidad de que ambos eventos ocurran.

Considera lanzar un dado de seis caras. Sea el evento A "obtener un número par" y el evento B "obtener un número mayor que 3". Los resultados posibles para A son {2, 4, 6}, y para B son {4, 5, 6}.

A B A ∩ B

En este diagrama, la región sombreada que interseca representa la probabilidad de que ambos A y B ocurran, es decir, obtener un número que sea tanto par como mayor que 3, que son {4, 6}. La probabilidad condicional P(A|B) es simplemente el círculo centrado en B porque B ocurrió, el cual incluye solo la parte de A que interseca con B.

Ejemplos de texto adicionales

Imagina que en un pueblo el 30% de las personas tiene gatos y el 20% tiene perros. El 10% de los propietarios de perros también tiene gatos. Queremos averiguar qué porcentaje de los propietarios de gatos también tienen perros.

Sea C el evento de que una persona tenga un gato, y D el evento de que una persona tenga un perro.

- P(C) = 0.30 - P(D) = 0.20 - P(C y D) (propietarios de perros que también tienen gatos) = 0.02 (10% de 0.20)

P(C|D) = P(C y D) / P(D) = 0.02 / 0.20 = 0.10

Entonces, de todas las personas que tienen perros, el 10% también tienen gatos. Ahora, si queremos averiguar el reverso, qué porcentaje de propietarios de gatos también tienen perros:

P(D|C) = P(C y D) / P(C) = 0.02 / 0.30 ≈ 0.067

Por lo tanto, aproximadamente el 6.7% de los propietarios de gatos también tienen perros.

Propiedades de la probabilidad condicional

La probabilidad condicional tiene varias propiedades que siguen de su definición:

  1. Regla de multiplicación: P(A y B) = P(A|B) * P(B) = P(B|A) * P(A)
  2. Propiedad conmutativa: P(A|B) no es necesariamente lo mismo que P(B|A). Se basan en diferentes condiciones.
  3. Contexto bayesiano: Aspectos de la probabilidad condicional son ampliamente utilizados en las estadísticas bayesianas, para actualizar la probabilidad de una hipótesis a medida que más evidencia se hace disponible.

Aplicación de la probabilidad condicional con el teorema de Bayes

El teorema de Bayes es un teorema fundamental en teoría de la probabilidad y estadísticas que utiliza probabilidades condicionales. Proporciona una forma de actualizar las creencias sobre una hipótesis basada en una evidencia dada. El teorema establece:

P(A|B) = [P(B|A) * P(A)] / P(B)

Esta fórmula obtiene su poder porque nos permite invertir probabilidades condicionales cuando conocemos la situación opuesta.

Ejemplo 2: Prueba médica

Supongamos que hay una enfermedad que afecta al 1% de la población. Hay una prueba para esta enfermedad que es 99% precisa. Si una persona da positivo, ¿cuál es la probabilidad de que realmente tenga la enfermedad?

Definiciones:

  • Evento D: Ocurre la enfermedad
  • Evento T: Da positivo

Por el problema:

  • P(D) = 0.01
  • P(T|D) = 0.99
  • P(T|¬D) = 0.01 (tasa de falso positivo)

Aplicamos el teorema de Bayes:

Primero, calculamos P(T):

    P(t) = P(t|d) * P(d) + P(t|¬d) * P(¬d)
         = 0.99 * 0.01 + 0.01 * 0.99
         = 0.0099 + 0.0099
         = 0.0198

Luego, aplicamos el teorema de Bayes:

    P(D|T) = [P(T|D) * P(D)] / P(T)
           = 0.99 * 0.01 / 0.0198
           = 0.0099 / 0.0198
           ≈ 0.5

Por lo tanto, incluso con una prueba que es 99% precisa, la probabilidad de que una persona realmente tenga la enfermedad si el resultado es positivo es todavía aproximadamente del 50%, reflejando los efectos de resultados falsos positivos en casos de tasas base bajas.

Conclusión

La probabilidad condicional es una piedra angular en teoría de la probabilidad y estadísticas. Ajusta la probabilidad de los eventos basado en condiciones conocidas, proporcionando una forma de actualizar continuamente nuestro entendimiento a medida que más información se hace disponible. En el mundo de hoy, lleno de incertidumbres, este concepto nos ayuda a predecir y tomar decisiones más concretamente en campos que van desde la salud y las finanzas, hasta la inteligencia artificial y más allá.

Espero que esta explicación te haya dado un entendimiento básico de la probabilidad condicional. Como con todas las áreas de matemáticas, practicar con escenarios del mundo real profundizará tu entendimiento y aumentará tu confianza en aplicar estos conceptos.


Grado 12 → 3.1.1


U
username
0%
completado en Grado 12

← Anterior (3.1)
Entendiendo la Probabilidad
Siguiente (3.1.2) →
Teorema de Bayes

Comentarios 



Comprendiendo la probabilidad condicional

https://www.buddymath.com/g12/3.1.1?bmal=es