Cuando lanzas una moneda dos veces seguidas, ¿el primer resultado afecta al segundo? Y cuando sacas una carta de un mazo y no la regresas, ¿cambia algo? Esa diferencia es la base de la probabilidad condicional, una herramienta clave para entender cómo un evento influye (o no) en el siguiente y cómo calcular sus posibilidades reales con la regla de la multiplicación.

¿Qué es la probabilidad condicional y para qué sirve?

La probabilidad condicional mide la posibilidad de que ocurra un evento cuando otro evento previo ya sucedió. Es decir, calcula cómo el resultado de una acción anterior puede modificar (o no) la probabilidad del siguiente paso.

Para calcularla, usamos la regla de la multiplicación: multiplicamos las probabilidades de los eventos que ocurren de forma secuencial. Suena simple, pero antes de aplicarla necesitas distinguir entre dos tipos de eventos.

¿Qué dice la regla de la multiplicación? Que la probabilidad de que ocurran dos o más eventos en secuencia se obtiene multiplicando las probabilidades individuales de cada uno.

¿Cuál es la diferencia entre eventos independientes y dependientes?

Aquí viene lo interesante. No todos los eventos se comportan igual cuando los repites, y entender esa diferencia te puede ahorrar malas decisiones, sobre todo si alguna vez piensas en apostar.

¿Qué son los eventos independientes?

Los eventos independientes son aquellos en los que el resultado anterior no afecta al siguiente. El ejemplo clásico es lanzar una moneda.

Si lanzas una moneda y obtienes cara, ese resultado no influye en el siguiente lanzamiento. La probabilidad de obtener cara sigue siendo un medio, sin importar cuántas veces la lances.

Entonces, si quieres calcular la probabilidad de obtener cara y luego cara otra vez:

• Probabilidad de cara en el primer lanzamiento: 1/2.
• Probabilidad de cara en el segundo lanzamiento: 1/2.
• Probabilidad de cara seguida de cara: 1/2 por 1/2 = 1/4.

Si armas el espacio muestral de dos lanzamientos, obtienes cuatro combinaciones posibles: cruz cruz, cruz cara, cara cruz y cara cara. Solo una te interesa, así que la probabilidad es uno entre cuatro. Coincide perfecto con la regla de la multiplicación.

¿La probabilidad sube si repites el mismo evento?

No. De hecho, decrece. Y este es uno de los errores más comunes cuando alguien apuesta al mismo número una y otra vez pensando que tiene más oportunidad.

Imagina un jugador de baloncesto con un 70% de probabilidad de encestar en cada tiro. ¿Cuál es la probabilidad de que enceste cinco veces seguidas?

Como cada tiro es independiente, multiplicas: 0.70 × 0.70 × 0.70 × 0.70 × 0.70 = 0.168, es decir, alrededor del 16.8%. Pasaste de un 70% en un solo tiro a menos del 17% en cinco. La probabilidad cae rápido.

¿Apostar varias veces al mismo número aumenta tus posibilidades? No. Cada evento independiente mantiene su propia probabilidad, y al multiplicarlas el resultado total disminuye.

La moraleja: si vas a jugar, varía tus apuestas. La probabilidad no está de tu lado cuando repites el mismo evento esperando un mejor resultado.

¿Cómo se calculan los eventos dependientes con un mazo de cartas?

Los eventos dependientes son aquellos en los que cada acción modifica al siguiente evento. El ejemplo más claro es un mazo de cartas.

Un mazo estándar tiene 52 cartas repartidas en cuatro familias: corazón, trébol, diamante y picas. Si quieres calcular la probabilidad de sacar un as, es sencillo: hay cuatro ases entre 52 cartas, lo que equivale a 4/52 o 1/13.

Pero ¿qué pasa si después quieres sacar un rey sin regresar el as al mazo? Ahí está el cambio. Ahora ya no hay 52 cartas, hay 51. Entonces:

• Probabilidad de sacar un as primero: 4/52.
• Probabilidad de sacar un rey después: 4/51.
• Probabilidad combinada: (4/52) × (4/51) = 16/2652, aproximadamente 0.6%.

Cada carta que retiras altera el espacio muestral del siguiente intento. Esa es la esencia de un evento dependiente: el pasado sí condiciona al presente.

¿Cómo se conecta esto con el teorema de Bayes?

La probabilidad condicional formaliza esta idea: calcula la probabilidad de que un evento ocurra dado que otro ya sucedió. Cuando los eventos son dependientes, ese "dado que" cambia todo el cálculo.

Esta base te prepara para entender el teorema de Bayes, que va más a fondo en cómo actualizar probabilidades cuando recibes nueva información. Es uno de los pilares de la estadística moderna y de aplicaciones como machine learning, diagnóstico médico y filtros de spam.

Antes de seguir, déjame en los comentarios: ¿cuál sería la probabilidad de obtener un rey seguido de un as usando la regla de la multiplicación?