El teorema de Bayes te permite calcular la probabilidad condicional de un evento cuando ya conoces las probabilidades individuales y la probabilidad condicional inversa. Es la herramienta que convierte cálculos largos en una fórmula directa, ideal si estudias estadística, machine learning o análisis de datos.

¿Qué problema resuelve el teorema de Bayes?

Imagina que tienes dos dados que se ven idénticos: uno justo y uno cargado. El dado justo reparte la probabilidad equitativamente entre sus seis caras. El dado cargado, en cambio, tiene 50% de probabilidad de caer en seis y el otro 50% repartido entre las caras del uno al cinco.

Lanzas uno al azar y sale un seis. La pregunta clave es: ¿cuál es la probabilidad de que hayas usado el dado cargado? Aquí entra Bayes.

¿Qué es la probabilidad condicional? Es la probabilidad de que ocurra un evento dado que ya ocurrió otro evento previo. Se escribe como P(A|B) y se lee "probabilidad de A dado B".

¿Cómo se resuelve sin la fórmula, usando una balanza lógica?

Antes de aplicar Bayes, vale la pena ver el razonamiento intuitivo que se explica en clase [02:30]. Como ambos dados se ven iguales, tienes 1/2 de probabilidad de tomar cualquiera. Eso significa que el peso total de los resultados del dado justo debe igualar al del cargado.

El dado justo tiene 6 resultados posibles y el cargado tiene 10 (porque el seis se cuenta cinco veces para representar el 50%). Para nivelar ambos lados se usa el mínimo común múltiplo, que entre 6 y 10 es 30.

• Cada cara del dado justo pesa 5, porque 6 × 5 = 30.
• Cada cara del dado cargado pesa 3, porque 10 × 3 = 30.
• El seis del dado justo pesa 5; los cinco "seises" del cargado pesan 15.

El espacio muestral de obtener un seis suma 20 (5 del justo + 15 del cargado). La probabilidad de que sea el dado cargado es 15/20 = 75%.

¿Cómo se aplica la fórmula del teorema de Bayes?

La fórmula que ves en clase [06:45] es:

P(A|B) = [P(B|A) × P(A)] / P(B)

Donde A es "el dado está cargado" y B es "obtuvimos un seis". Necesitas tres ingredientes para resolverla.

¿Qué probabilidades individuales necesitas calcular?

Identifica cada componente con datos del problema:

• P(A): probabilidad de tomar el dado cargado = 1/2.
• P(B|A): probabilidad de sacar seis si el dado está cargado = 1/2.
• P(B): probabilidad total de obtener un seis con cualquiera de los dos dados.

¿Cómo calcular la probabilidad total de obtener seis?

Aquí entra la regla de la multiplicación vista en la clase anterior. Sumas dos caminos posibles:

• Tomar el cargado y sacar seis: 1/2 × 1/2 = 1/4.
• Tomar el justo y sacar seis: 1/2 × 1/6 = 1/12.

La suma es 1/4 + 1/12 = 3/12 + 1/12 = 4/12 = 1/3.

¿Por qué se suman las probabilidades de cada camino? Porque son eventos mutuamente excluyentes: o tomas el dado justo o el cargado, nunca los dos. Sumar combina todas las rutas que llevan al mismo resultado.

¿Cómo se sustituyen los valores en Bayes?

Con todo identificado, la sustitución es directa:

P(cargado | seis) = (1/2 × 1/2) / (1/3) = (1/4) / (1/3)

Aplicando la regla del sándwich para dividir fracciones [09:50], multiplicas extremos: (1 × 3) / (4 × 1) = 3/4.

El resultado es 75%, exactamente el mismo que obtuviste con el método de la balanza, pero en una fracción del tiempo.

¿Por qué importa dominar el teorema de Bayes?

Bayes está detrás de filtros de spam, diagnósticos médicos, sistemas de recomendación y modelos de clasificación en machine learning. Cada vez que actualizas una creencia con nueva evidencia, estás pensando como Bayes.

La lógica de fondo es simple: la probabilidad condicional inversa te deja "voltear" la pregunta. Si conoces P(B|A), puedes deducir P(A|B) sin recalcular todo el espacio muestral.

Practica con los problemas que dejó la instructora en los recursos y comparte tus dudas en los comentarios. ¿Qué otros ejemplos cotidianos crees que se pueden resolver con Bayes?