No tienes acceso a esta clase

¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera

Curso de Estadística y Probabilidad

Curso de Estadística y Probabilidad

Ilse Beatriz Zubieta Martínez

Ilse Beatriz Zubieta Martínez

Teorema de Bayes

22/26
Recursos

Aportes 57

Preguntas 8

Ordenar por:

¿Quieres ver más aportes, preguntas y respuestas de la comunidad?

que mal explicado esta este tema la verdad.. cuando deberia ser facil..

El TEOREMA DE BAYES → Nos indica cómo obtener la probabilidad condicional de un evento sabiendo las probabilidades individuales de los eventos y la probabilidad condicional del otro.
FÓRMULA:

P(A|B) = (P(B|A)*P(A))/P(B)
Según el teorema, en el ejemplo tenemos:
P (cargado|6) ?
P (6|cargado) = 50% = 1/2
P (cargado) = 1/2
P (6) = 1/3

Sustituimos en la fórmula

A= cargado

B=6

P(A|B) = (1/2*1/2)/1/3

P(Ca|6) = 3/4 = 75%

Este pedacito parece que se cortó, en este muestra porque P(6) es 1/3, esto es porque toma primero las posibilidades de que sea 6 tanto en el justo como en el cargado y las suma.

P(cargado y 6) = la probabilidad de que saque el dado cargado x la probabilidad de que salga 6 en ese dado cargado
P(justo y 6) = probabilidad de sacar el dado justo x la probabilidad de que salga 6 en dado justo.

Por ende P(6) es Probabilidad(cargado y 6) + Probabilidad(justo y 6)

Es importante saber que en programación y la lógica computacional o algebra booleana:

AND = multiplicar
OR = sumar

No entendía por qué es necesario equilibrar ambos lados, entonces decidí investigar arduamente (preguntarle a chatgpt).
No recuerdo si en las clases anteriores ya habían hablado de esto, pero por si a alguien le puede servir.
.
Según Chatgpt, cuando trabajamos con probabilidad condicional, es necesario equilibrar las dos probabilidades para garantizar que la información sea coherente y refleje adecuadamente la relación entre los eventos.
.
Él dice (y yo elijo creer) que el equilibrio de probabilidades es esencial para obtener resultados precisos y evitar errores de razonamiento. Al calcular la probabilidad condicional, debemos asegurarnos de que las probabilidades de los eventos relacionados sean consistentes entre sí. De lo contrario, podríamos obtener resultados incorrectos o contradictorios.
.
Btw, a la primera se me hizo un poco complejo entender los conceptos de la clase, pero si la repiten 1 o 2 veces más y van haciendo el ejercicio con la profe puede que se comience a entender mejor la lógica, al menos a mí me funciono.

🍀Por si no les quedó claro

.
Primeramente, recomiendo este video sobre Teorema de Bayes para entenderlo.
.
Para resolver este problema, podemos utilizar el teorema de Bayes. Primero, definamos algunos eventos (yo los nombraré diferente para evitar confusiones):

A: Elegimos el dado justo.
B: Elegimos el dado cargado.
C: Obtenemos seis en el lanzamiento.
.
Queremos calcular la probabilidad condicional de que hayamos elegido el dado cargado (B) dado que obtenemos seis (C ), es decir, P(B|C).

Sabemos lo siguiente:

  1. La probabilidad de elegir el dado justo es 1/2 (ya que estamos eligiendo al azar entre dos dados).
  2. La probabilidad de elegir el dado cargado es también 1/2.
  3. La probabilidad de obtener seis cuando se lanza el dado justo es 1/6 (ya que es un dado justo).
  4. La probabilidad de obtener seis cuando se lanza el dado cargado es 1/2 (ya que está arreglado para caer en seis la mitad de las veces).

.

Usando el teorema de Bayes, podemos calcular P(B|C) de la siguiente manera:

P(B|C) = (P(C|B) * P(B)) / P( C)

Donde:

  • P(C|B) es la probabilidad de obtener seis dado que hemos elegido el dado cargado, que es 1/2.
  • P(B) es la probabilidad de elegir el dado cargado, que es 1/2.
  • P(C ) es la probabilidad de obtener seis en general, que es la probabilidad ponderada de obtener seis con cada dado, este valor nos falta por lo que lo calcularemos de la siguiente manera:

.
P(C ) = P(C|A) * P(A) + P(C|B) * P(B)
.
P(C|A) es la probabilidad de obtener seis dado que hemos elegido el dado justo, que es 1/6.
P(A) es la probabilidad de elegir el dado justo, que es 1/2.
.
Entonces, calculamos P(C ) como:

P(C ) = (1/6 * 1/2) + (1/2 * 1/2) = 1/12 + 1/4 = 1/3
.
Esta es la mejor manera de representar el problema, pero también se lo puede representar como P(C ) = P(6) = P(justo y 6) + P(cargado y 6), ya que P( A y B ) = P (A | B) P(B), en otras palabras P(6 y justo) = P(justo) * P(6 dado justo) y P(6 y cargado) = P(cargado) * P(6 dado cargado). Es lo confuso de este ejercicio y de ahí la confusión con lo que escribió la profesora. En conclusión, estamos buscando la probabilidad de sacar 6 dado que sea justo y cargado, extendiendose hasta n eventos, por lo que comprende el teorema.
.
Ahora, podemos calcular P(B|C) o P (cargado dado seis) con el teorema de Bayes:

P(B|C) = (1/2 * 1/2) / (1/3) = (1/4) / (1/3) = 3/4
.
Entonces, la probabilidad de que hayamos elegido el dado cargado, dado que obtenemos seis en el lanzamiento, es 3/4 o 0.75, lo que equivale al 75%.

Recomiendo el libro llamado, La teoría que nunca murió de Sharon Bertsch McGrayne

Ejercicio

Leyendo los comentarios hay muchos estudiantes (y me incluyo) que vio este tema como innecesariamente complejo. Yo recomendaria dos cosas: * Dividir el video en dos. Uno con el ejercicio desarrollado de forma tradicional y el otro con el teorema de Bayes. Con esto el ejercicio podria cubrir huecos que se presentan como dudas en los comentarios y ser mejor explicado. El segundo video puede explicar por que se usa el teorema, tener mas ejercicios, etc; ya que el Teorema de Bayes queda simplificado al uso de una formula simple y ya. * Usar un ejemplo con un espacio muestral mas pequenio. Tal vez usando la moneda. Espero que sirva para mejorar el curso. nunca paremos de aprender!
La verdad es que tuve que ver el vídeo varias veces y ver comentarios para poder terminar de entender el concepto. Creo que la clase puede ser un poco mejor explicada.
El teorema de Bayes es muy sencillo en realidad, pero creo que escogieron la forma mas compleja para poderlo explicarlo... Era mas sencillo buscar una situación con dos variables de un evento que desencadenara otro evento y llegar al dato
Estuvo un poco enredada la explicación
Ella explica eso muy complicado. Creo que el ejercicio es muy largo y complejo explicarlo de dicha forma. Utilicé chat GPT con el siguiente prompt entendí mejor: explícame el teorema de bayes de manera sencilla. Me hizo un ejemplo de una caja con bolas, rojas y azules. Lo desarrollé y seguí paso a paso y entendí mejor. La conclusión es esta: Exactamente, Daniel. Tu resumen captura muy bien la esencia del Teorema de Bayes y cómo se utiliza en situaciones donde tienes elecciones secuenciales o dependientes. Para ponerlo en términos generales: 1\. \*\*Tienes Algo para Elegir:\*\* \- Empiezas con un conjunto de opciones o escenarios posibles, cada uno con su propia probabilidad inicial (o previa). 2\. \*\*Dentro de esa Elección Hay Otras Elecciones:\*\* \- Cada elección inicial conduce a un nuevo conjunto de circunstancias o elecciones secundarias, cada una con su propia probabilidad condicional. 3\. \*\*Usas el Teorema de Bayes para Actualizar tus Probabilidades:\*\* \- Cuando ocurre un evento o obtienes nueva información (como sacar una bola roja), utilizas el Teorema de Bayes para actualizar tus probabilidades iniciales y reflejar esta nueva evidencia. \- Esto te da una probabilidad posterior, que es una medida refinada de la probabilidad de un escenario dado la nueva información. 4\. \*\*Las Elecciones Están Encadenadas:\*\* \- La elección inicial influye en las elecciones subsiguientes, y el Teorema de Bayes te permite navegar a través de esta cadena de elecciones, actualizando tus expectativas a medida que avanzas y se revela nueva información. En resumen, el Teorema de Bayes es una herramienta poderosa para tomar decisiones informadas en situaciones inciertas, permitiéndote actualizar tus creencias o probabilidades a medida que obtienes nueva información, manteniendo una perspectiva coherente y basada en la evidencia en cada paso del camino.
**APUNTES** Tienes dos dados: 1. **Dado justo**: Cada número (1 a 6) tiene la misma probabilidad de salir, es decir, 1/6. 2. **Dado cargado**: Este dado está alterado para que el número 6 tenga más probabilidad de salir. Digamos que la probabilidad de sacar un 6 es 1/2, y la probabilidad de sacar cualquier otro número (1 a 5) es 1/10. Ahora, imagina que eliges al azar uno de los dos dados (no sabes cuál), lo lanzas, y sacas un 6. Queremos usar el **Teorema de Bayes** para calcular la probabilidad de que hayas usado el **dado cargado**, dado que sacaste un 6. ### Variables: * **A**: Usaste el dado cargado. * **B**: Sacaste un 6. Lo que queremos es **P(A|B)**, es decir, la probabilidad de que hayas usado el dado cargado, dado que sacaste un 6. ### Paso 1: Asignar probabilidades 1. **P(A)**: La probabilidad de que hayas elegido el dado cargado. Si escoges aleatoriamente entre los dos dados, **P(A) = 1/2**. 2. **P(B|A)**: La probabilidad de sacar un 6 dado que usaste el dado cargado. Esto es **P(B|A) = 1/2** (porque el dado cargado tiene 1/2 de probabilidades de sacar un 6). 3. **P(B|¬A)**: La probabilidad de sacar un 6 dado que usaste el dado justo. Esto es **P(B|¬A) = 1/6** (porque en un dado justo cada número tiene la misma probabilidad de salir). 4. **P(¬A)**: La probabilidad de que hayas elegido el dado justo, que es también **1/2** (porque hay dos dados, y elegimos uno al azar). ### Paso 2: Usar el teorema de Bayes La fórmula es: ![](https://static.platzi.com/media/user_upload/image-2a4ac2b5-a1d4-4478-8231-2ea91420d689.jpg) Donde **P(B)** es la probabilidad total de sacar un 6, que puede ocurrir de dos formas: usando el dado cargado o usando el dado justo. Entonces: ![](https://static.platzi.com/media/user_upload/image-f35ebb1c-7029-47e6-b423-fdc4aa9b2b6c.jpg) Sustituyamos los valores: ![](https://static.platzi.com/media/user_upload/image-bd74e9a4-a0f6-40a5-b609-c44e6de79bb4.jpg) Ahora, usamos la fórmula completa del teorema de Bayes: ![](https://static.platzi.com/media/user_upload/image-264b4c1f-9e10-4e82-a425-a6790603db76.jpg) ### Resultado: La probabilidad de que hayas usado el **dado cargado**, dado que sacaste un 6, es **3/4** o **75%**.
La verdad la forma de explicarlo es bastante confusa... Platzi Team.. deberías revisar esta clase
Lastimosamente no entendí nada. :C Siento que no se explico la razón de las cosas que hacías.
**Hasta ahora** La clase más enredada e incompleta (puesto que veo saltos de diapositvas que no se explicaron), y no sólo pasó con esta clase sino ya varias, entiendo que todos nos podemos equivocar o enredar explicando un tema, y a veces es necesario para que la persona que está estudiando vea que todos cometemos errores y eso, pero en ocasiones esto trunca el aprendizaje porque no es consecuente.
muy rebuscada la explicación en esta clase, lo entendí mejor viendo el video de youtube que coloco la compañera Piero.

Wuao la verdad no sé si es el ejemplo como tal… porqué pues si se aprecia que la profesora se esmera en explicarlo…pero sinceramente esta algo confuso el ejemplo…

Yo vi este video y el ejemplo que usan me lo dejo super claro

https://www.youtube.com/watch?v=cgRmOpzgotI&t=732s

Profesora, aprecio la iniciativa de explicar de dónde provienen los conceptos y cómo podemos obtener resultados de manera más directa. Sin embargo, tengo dudas sobre la asignación del tiempo, ya que noté que se le dedicó menos tiempo al Teorema de Bayes en sí y a su fórmula. Pasamos aproximadamente 7 minutos en algo que, en realidad, usaremos menos o incluso podría que ni lleguemos a usar, en comparación con el Teorema de Bayes, al que llegamos casi al final y con una aritmética de fracciones que es menos intuitiva para mí, al menos.

Tuve que ver esta clase dos veces y analizar cada paso para darme cuenta de que es una joya. Al principio, me pareció un poco enredada, pero después de prestar atención a cada paso y palabra que la profesora daba, así como de intentar analizar y entender el ejercicio #23, logré comprender. Me di cuenta de que, en realidad, esta clase está muy bien explicada. Lo único que necesitamos hacer es prestar un poco más de atención y esfuerzo, en lugar de simplemente pasar los vídeos a la mayor velocidad posible. Si aún te sientes un poco confundid@, te invito a que respires, te tomes un vasito con agua y vuelvas a ver la clase. Tómate tu tiempo, intenta analizar y hacer el ejercicio #23; estoy seguro de que lo lograrás 💚

Entiendo el enfoque aritmético para manejar los fraccionarios y mantener el enfoque del EM pero creo que con diagrama de árbol es más sencillo ver la lógica del teorema. saludos

Este par de explicaciones adicionales están muy claras y fácil de digerir.

Probabilidad condicionada (antesala al Teorema de Bayes)
https://www.youtube.com/watch?v=pko0dqQidnI

y, Teorema de Bayes
https://www.youtube.com/watch?v=bDfCURXoKkU

¿No entiendo porque al dado cargado lo vemos como diez opciones distintas, y no como 6 opcines distintas? ¿Es una solución particular para este ejercicio? y este metodo como se puede aplicar a otros ejercicios diferentes?
La clase se centró en el Teorema de Bayes, que permite calcular la probabilidad condicional de un evento basado en información previa. Se utilizó el ejemplo de dos dados: uno justo y uno cargado. Al lanzar un dado y obtener un 6, se determinó la probabilidad de que el dado lanzado fuera el cargado. El Teorema de Bayes se aplicó para encontrar la probabilidad de que el dado fuera cargado dado el resultado del lanzamiento, concluyendo que era del 75%. Se enfatizó la importancia de entender y aplicar este teorema en decisiones basadas en datos. ## ¿Que es el teorema de Bayes? El teorema de Bayes es una fórmula que permite calcular la probabilidad de un evento basado en información previa relacionada. Es útil para actualizar creencias y tomar decisiones más informadas a partir de datos. La fórmula básica es: P(A|B) = (P(B|A) \* P(A)) / P(B) Donde: * P(A|B) es la probabilidad de A dado B. * P(B|A) es la probabilidad de B dado A. * P(A) es la probabilidad de A. * P(B) es la probabilidad de B. Este teorema es fundamental en estadística y tiene aplicaciones en diversas áreas como inteligencia artificial y análisis de datos.
Está un poco enredada la explicación
Mi aporte: ![](https://static.platzi.com/media/user_upload/image-a8a29795-3ab0-4a16-ab7c-5a6ce5f0ef0d.jpg)
No me queda muy claro de donde sale el P(B) = 1/3
![](https://static.platzi.com/media/user_upload/image-2cf43d81-de63-4da7-8949-1a66b62fff2a.jpg)Mi aporte espero estar bien :)
![](https://static.platzi.com/media/user_upload/image-bfe55f81-18d1-4459-ad14-390301dbd569.jpg)Mi aporte espero estar bien :)
El Teorema de Bayes permite calcular la probabilidad de que un evento ocurra, dada la información de que otro evento ha ocurrido. Es fundamental en estadística y probabilidad, ya que ayuda a actualizar nuestras creencias sobre un fenómeno cuando obtenemos nuevos datos. Se aplica en diversas áreas como inteligencia artificial, análisis de datos y toma de decisiones en negocios, permitiendo estimar probabilidades condicionales y mejorar la inferencia a partir de datos observados.
Muy interesante pero siento que se pudo explicar con mas claridad y tiempo.
El **Teorema de Bayes** es como un truco matemático que usamos para averiguar qué tan probable es que algo sea verdad basándonos en lo que ya sabemos. Imagina que tienes una bolsa con pelotas rojas y azules, pero no sabes cuántas de cada color hay. Sabes que si metes la mano y sacas una pelota, puedes usar la información sobre qué color sacaste para adivinar cuántas pelotas de cada color podrían haber en la bolsa. El Teorema de Bayes te ayuda a hacer esa estimación. Aquí te va una explicación más clara con un ejemplo sencillo: **Ejemplo:** Tienes dos cajas. En una caja, el 90% de las pelotas son rojas y el 10% son azules. En la otra caja, el 50% son rojas y el 50% son azules. No sabes de qué caja vienes, pero sacaste una pelota roja. El **Teorema de Bayes** te ayuda a calcular la **probabilidad** de que la pelota roja que sacaste venga de la caja con más pelotas rojas (90%). **¿Cómo funciona?** • Primero, piensas en la probabilidad de que hayas sacado una pelota roja de cada caja (en una caja es más probable que saques una pelota roja que en la otra). • Luego, comparas esas probabilidades y ajustas tu respuesta según la nueva información (que sacaste una pelota roja). Así, puedes usar el teorema para saber qué caja es más probable que haya sido la que usaste. El Teorema de Bayes se usa mucho para tomar decisiones basadas en lo que ya sabemos o lo que observamos, como en medicina, para calcular la probabilidad de tener una enfermedad si una prueba sale positiva, o en estadística, para hacer predicciones más precisas.
creo que recortaron el video, deberia mejorarse la parte de donde se obtienen, podria hacerse una parte 2. osea una parte de teoria y la otra de ejemplos
Excelente forma de probar la equivalencia de los pesos.
No entendi porque la probabilidad de b/a es 1/2 o P(B***|***A)... es decir si lo repito en voz alta la formula se lee "la probabilidad de que obtenga un 6 dado que escogi el dado cargado.. De hecho si el dado esta cargado, la probabilidad de 6 es 100% o uno... entonces eso me hace mucho ruido, alguien me puede orientar ? :)
Todos los videos de este curso tuvieron errores, pero este es el peor y por mucho, ya hay muchos aportes en los comentarios y pocos que realmente usan y explican la fórmula del teorema de bayes, para entenderlo habría que comprender bien antes los principios de la probabilidad y así comprender por último la fórmula del teorema de bayes. Lo que deberían hacer es regrabar los temas que están mal explicados, me da la impresión de que nos cobran por sólo decirnos la ruta y nosotros estudiar en youtube, enserio que decepción.
El teorema de Bayes es una fórmula fundamental en la teoría de probabilidades y estadísticas que describe la probabilidad de un evento, basado en el conocimiento previo de condiciones que podrían estar relacionadas con el evento. Se utiliza para actualizar las probabilidades de una hipótesis dada nueva evidencia. La fórmula del teorema de Bayes es: ![](https://static.platzi.com/media/user_upload/image-c101e653-dcfd-4600-a8ce-1c2e06b5b5d2.jpg)​ Donde: * P(A∣B) es la probabilidad de que ocurra el evento A dado que ha ocurrido el evento B (probabilidad posterior). * P(B∣A) es la probabilidad de que ocurra el evento B dado que ha ocurrido el evento A (probabilidad de la evidencia bajo la hipótesis). * P(A) es la probabilidad de que ocurra el evento A (probabilidad prior). * P(B) es la probabilidad de que ocurra el evento B (probabilidad total de la evidencia).
Si aún desean saber un poco más en la práctica, les comparto un buen video <https://www.youtube.com/watch?v=Fi6G48j0IZ4> Saludos.
Gracias
gracias
Hola, les comparto un vídeo que muestra un ejemplo del teorema de Bayes relacionado con el Covid, yo lo entendí mucho mas fácil así: <https://www.youtube.com/watch?v=bDfCURXoKkU>
Esta de momento, ha sido la clase menos clara de todas. No entendí que la probabilidad de 6 es 1/3 (se suma el 1/4 y el 1/12, pero por que no se resta la probabilidad de la intersección de ambos conjuntos como se vio varia clases atrás?) Concuerdo con varios, esta clase debería reemplantearse en su totalidad, de principio a fin y buscar un ejemplo mas sencillo o usar el mismo ejemplo, pero explicar todo, asi tenga que repetir de manera breve conceptos de clases pasadas
este si se me complico un poco, con la ecuación esta más sencillo, pero no logro comprender exactamente cómo funciona la ecuación :/
**Comparto este ejemplo espero pueda ayudar:** **** Imagina que tienes una caja con 10 bolas, 4 rojas y 6 azules. Sin mirar, sacas una bola y la ves roja. ¿Qué crees que es más probable, que la próxima bola que saques también sea roja o que sea azul? El teorema de Bayes nos ayuda a calcular la probabilidad de que algo ocurra después de que ya ha pasado otra cosa. En este caso, ya sabemos que la primera bola que sacamos era roja. **Paso 1: Probabilidades antes de sacar la primera bola:** * **Probabilidad de sacar una bola roja:** 4 bolas rojas / 10 bolas en total = 4/10 = 0.4 * **Probabilidad de sacar una bola azul:** 6 bolas azules / 10 bolas en total = 6/10 = 0.6 **Paso 2: Nueva información:** Sacamos una bola roja y la dejamos fuera de la caja. Ahora solo quedan 9 bolas en la caja, y una de ellas ya sabemos que es roja. **Paso 3: Aplicar el teorema de Bayes:** El teorema de Bayes nos dice que la probabilidad de que la próxima bola sea roja, después de haber sacado una bola roja, es: **Probabilidad de sacar otra bola roja = (Probabilidad de sacar una bola roja y luego una bola roja) / (Probabilidad de sacar cualquier bola)** **Probabilidad de sacar otra bola roja = (4/10 \* 3/9) / (4/10 + 6/10)** **Probabilidad de sacar otra bola roja = 12/90 / 10/10** **Probabilidad de sacar otra bola roja = 6/45 = 2/15 = 0.13** **Resultado:** ¡Es más probable que la próxima bola que saques sea azul que roja! La probabilidad de sacar una bola azul es de 0.87 (1 - 0.13), mientras que la probabilidad de sacar una bola roja es de solo 0.13. **Explicación:** Al sacar la primera bola roja, reducimos el número de bolas rojas en la caja y aumentamos el número de bolas azules. Esto hace que sea menos probable que la próxima bola que saquemos sea roja. **Ejemplo del mundo real:** El teorema de Bayes se utiliza en muchas áreas diferentes, como la medicina, la ciencia y la tecnología. Por ejemplo, se puede usar para calcular la probabilidad de que una persona tenga una enfermedad después de haber dado positivo en una prueba. **En resumen:** El teorema de Bayes nos ayuda a actualizar nuestras creencias sobre la probabilidad de que algo ocurra después de que ya ha pasado otra cosa. Es una herramienta poderosa que se puede usar en muchas áreas diferentes.
Hicieron el video demasiado complejo (hay otros videos del mismo curso asi) creo que si uno paga es para entender mas facil, pero creo que hasta en youtub lo explican mucho mejor

Hasta el momento ha tenido sus altibajos el curso pero iba bien, pero este tema si estuvo muy mal explicado a mi parecer, muy dificil de entender y creo no soy el unico. Toco investigar por aparte. Gracias a todos los que aportaron links, fueron muy utiles.

La verdad este tema uno de los más importantes al estudiar Probabilidad, fue el más flojo en ser explicado. Se sintió como que ¡ya terminemos el curso de una vez (como se pueda)!. Yo creo que la profe si domina todos los temas, pero tal vez la planificación y agenda para grabar el curso no fue suficiente.

Interesante el desarrollo del ejercicio de teorema de bayes. Si que se aprende algo cada dia.

El teorema de Bayes es una fórmula fundamental en teoría de probabilidad que describe la probabilidad de un evento, basándose en el conocimiento previo de condiciones que podrían estar relacionadas con el evento. La fórmula del teorema de Bayes es: *P*(*A*∣*B*)=*P*(*B*∣*A*)×*P*(*A*) / *P*(*B*) Donde P(A) es la probabilidad del evento A, P(B) la probabilidad del segundo evento, y *P*(*B*∣*A*) es la probabilidad de que ocurra el evento B luego de que el evento A se llevo a cabo.
![]()<https://www.youtube.com/watch?v=Fi6G48j0IZ4>
del video : <https://www.youtube.com/watch?v=Fi6G48j0IZ4>
El teorema de Bayes es un principio fundamental en estadística y probabilidad que describe cómo debemos actualizar nuestras creencias sobre un evento en función de la evidencia o nueva información disponible. El teorema lleva el nombre del reverendo y matemático británico Thomas Bayes, quien lo desarrolló. La formulación del teorema de Bayes es la siguiente: ![](https://static.platzi.com/media/user_upload/Ashampoo_Snap_jueves%2C%201%20de%20febrero%20de%202024_09h35m56s_003_-c14af67e-0de5-4bd2-b6d7-8acc432adb3f.jpg)
![](https://static.platzi.com/media/user_upload/Ashampoo_Snap_jueves%2C%201%20de%20febrero%20de%202024_09h32m24s_000_SnapCollage-2db1ec2b-66e4-4c87-8903-af79a623cba7.jpg)
Por que la probabilidad de sacar un 6 es 1/3?

P(AIB)=(P(BlA))*P(A)/P(B)

La probabilidad condicional es un concepto en estadística y probabilidad que se refiere a la probabilidad de que ocurra un evento A, dado que otro evento B ya ha ocurrido. Se denota como P(A|B), que se lee como “la probabilidad de A dado B”. En otras palabras, la probabilidad condicional nos ayuda a calcular la posibilidad de que algo suceda, teniendo en cuenta cierta información adicional.

Para calcular la probabilidad condicional, se utiliza la siguiente fórmula: P(A|B) = P(A ∩ B) / P(B), donde P(A ∩ B) representa la probabilidad de que ocurran simultáneamente los eventos A y B, y P(B) es la probabilidad de que ocurra el evento B.

Un ejemplo sencillo de probabilidad condicional es el siguiente: Supongamos que tienes una baraja de cartas y se extrae una carta al azar. Si te digo que la carta extraída es un as (evento B), la probabilidad condicional de que sea un corazón (evento A) sería P(A|B). Para calcularlo, debemos considerar cuántos ases son corazones (hay uno) y cuántos ases en total hay en la baraja (hay cuatro). Por lo tanto, P(A|B) sería 1/4, es decir, hay un 25% de probabilidad de que el as extraído sea un corazón.

En resumen, la probabilidad condicional nos ayuda a ajustar nuestras estimaciones de probabilidad basadas en la información adicional que tenemos sobre otros eventos que ya han ocurrido.