Elige qué quieres calcular e introduce las probabilidades. La fórmula de abajo está enlazada con las casillas, así que también puedes calcular cambiando directamente los números de la fórmula.
Índice
-
Qué puedes hacer en esta página
-
¿Para qué sirve este cálculo?
-
Cómo usar
-
Fórmulas y figuras
-
Símbolos y términos
-
Conviene saber antes de empezar
-
Cómo calcularlo en Excel
-
Cómo calcularlo en Hojas de cálculo de Google
-
Cómo calcularlo en Python
-
Cómo escribirla en LaTeX y otros lenguajes de fórmulas (para copiar y pegar)
-
Cómo pedirle el cálculo a ChatGPT
-
Las ventajas de DataChef
-
Funciones relacionadas
-
Lista de calculadoras de NumberChef
Qué puedes hacer en esta página
- Introduce \(P(A)\) y \(P(A \cap B)\) y obtienes al momento la probabilidad condicionada \(P(B \mid A) = \dfrac{P(A \cap B)}{P(A)}\)
- En el modo teorema de Bayes, partes de la probabilidad de una causa, \(P(A)\), y de la probabilidad de un resultado B con y sin esa causa, \(P(B \mid A)\) y \(P(B \mid \overline{A})\). Con ellas calcula al revés «la probabilidad de que la causa fuera A, sabiendo que ha ocurrido B», \(P(A \mid B)\)
- Puedes seguir cómo se obtiene \(P(B)\) con el teorema de la probabilidad total, paso a paso con tus números y en un diagrama de árbol o un modelo de área
- El resultado aparece como fracción irreducible (el valor exacto), por ejemplo \(\dfrac{10}{109}\), y también como decimal y porcentaje
- Puedes escribir una probabilidad como 0,3, 30 % o 3/10. Incluye la explicación sencilla de las fórmulas y fórmulas listas para copiar en Excel, Hojas de cálculo de Google y Python
¿Para qué sirve este cálculo?
«Positivo en una prueba que acierta el 90 %» suena a un 90 % de probabilidad de tener la enfermedad. Pero si suponemos, por ejemplo, que el 1 % de la población la tiene, la probabilidad de tenerla de verdad tras un positivo (el valor predictivo positivo) es solo de un 9 % aproximadamente. Los pocos positivos verdaderos quedan enterrados entre los falsos positivos del grupo grande de personas sanas.
Es el ejemplo más famoso del teorema de Bayes, y en medicina la regla básica es interpretar un resultado junto con la probabilidad a priori. (Las probabilidades reales cambian según la prueba y la situación, así que estos números son solo un cálculo de ejemplo).
La base clásica para detectar el correo basura (spam) es el filtro bayesiano. A partir de «la probabilidad de que esta palabra aparezca en el spam» y «la probabilidad de que aparezca en el correo normal», usa el teorema de Bayes para calcular al revés «la probabilidad de que un correo con esta palabra sea spam».
Estimar «del resultado a la causa» a partir de estadísticas «de la causa (spam) al resultado (aparece la palabra)» es una aplicación de manual del teorema de Bayes.
Una fábrica tiene la máquina X, que hace el 60 % de los productos (un 2 % defectuosos), y la máquina Y, que hace el 40 % (un 5 % defectuosos). La probabilidad de que un producto defectuoso encontrado en la inspección venga de la máquina X es, por el teorema de Bayes, \(\dfrac{0{,}6 \times 0{,}02}{0{,}6 \times 0{,}02 + 0{,}4 \times 0{,}05} = \dfrac{3}{8}\) (un 37,5 %).
Así, decidir «qué línea revisar primero cuando aparece un defecto» se puede basar en números y no en corazonadas.
Si sacas 2 papeletas sin devolverlas de una urna con 10 papeletas de las que 3 tienen premio, la probabilidad de que las dos tengan premio es \(\dfrac{3}{10} \times \dfrac{2}{9} = \dfrac{1}{15}\). El primer resultado cambia la probabilidad del segundo (no son independientes), así que es un trabajo para la probabilidad condicionada y la regla del producto.
Calcular las probabilidades del resto de la baraja a partir de «las cartas que ya se ven» en el póquer, el blackjack o el mus es exactamente el mismo cálculo.
Para fijar el precio de un seguro de coche, las aseguradoras no miran «la probabilidad de accidente» como un único número para todo el mundo. La estiman como probabilidad condicionada para cada condición, como la edad, la antigüedad del carné o el lugar de residencia, y la reflejan en primas distintas.
La idea de la probabilidad condicionada, «la probabilidad cambia cuando conoces la condición», sostiene sistemas financieros como los seguros, la concesión de préstamos y la valoración de la solvencia.
Fórmulas y figuras
Símbolos y términos
Símbolos
| \(P(A)\) | P de A | La probabilidad de que ocurra el suceso A. La P es la inicial de «probabilidad». |
| \(P(B \mid A)\) | P de B condicionado a A | La probabilidad de que ocurra B sabiendo que ha ocurrido A (la probabilidad condicionada). Algunos libros la escriben \(P(B/A)\), y en Japón, por ejemplo, \(P_{A}(B)\), con la condición como subíndice. |
| \(\mid\) | condicionado a | La barra vertical dentro de \(P(\ \ )\). El suceso de su derecha es la condición (lo que ya sabes que ha ocurrido), y se lee «condicionado a» o «sabiendo que». \(P(B \mid A)\) y \(P(A \mid B)\) significan cosas distintas. |
| \(\overline{A}\) | A barra (suceso contrario) | Una raya sobre la A indica el suceso «no ocurre A», el suceso contrario de A. También se escribe \(A^c\) o \(A'\). Se calcula con \(P(\overline{A}) = 1 - P(A)\). |
| \(\cap\) | intersección | El símbolo de «y». \(A \cap B\) es el suceso «ocurren A y B». En un diagrama de Venn es la zona donde se solapan los dos círculos. |
| \(P(A \cap B)\) | P de A intersección B | La probabilidad de que ocurran A y B (la probabilidad conjunta). Es el numerador de la probabilidad condicionada. Nunca puede ser mayor que \(P(A)\), porque «ocurren los dos» es una parte de A. |
Términos
| suceso | Algo que puede ocurrir o no, como «sacar par con un dado» o «dar positivo en una prueba». En probabilidad se llama suceso y se le pone un nombre como A o B. |
| probabilidad condicionada | La probabilidad de que ocurra un suceso B con la condición de que se sabe que ha ocurrido otro suceso A. Se calcula con \(P(B \mid A) = \dfrac{P(A \cap B)}{P(A)}\). Es «la parte de B en un mundo reducido del total a solo A». |
| regla del producto | La fórmula \(P(A \cap B) = P(A) \times P(B \mid A)\). Es la fórmula de la probabilidad condicionada sin el denominador, y calcula la probabilidad de «primero A y después también B» multiplicando en orden. También se llama teorema de la probabilidad compuesta. |
| teorema de la probabilidad total | Regla que calcula la probabilidad de B dividiéndola en «el camino que pasa por A» y «el camino que pasa por no A», y sumándolos. La fórmula es \(P(B) = P(A)\,P(B \mid A) + P(\overline{A})\,P(B \mid \overline{A})\). Sirve para construir el denominador del teorema de Bayes. |
| teorema de Bayes | Regla que calcula al revés, de la probabilidad «de la causa al resultado» a la probabilidad «del resultado a la causa». La fórmula es \(P(A \mid B) = \dfrac{P(A \cap B)}{P(B)}\). Debe su nombre a Thomas Bayes, un clérigo inglés del siglo XVIII, y está detrás de tecnologías actuales como los filtros de correo basura. |
| probabilidad a priori | La probabilidad de la causa A, \(P(A)\), estimada antes de ver el resultado (los datos). En el ejemplo de la prueba médica es «cuántas personas tienen la enfermedad de partida». |
| probabilidad a posteriori | La probabilidad de la causa A después de actualizarla al ver el resultado B, \(P(A \mid B)\). El teorema de Bayes se puede describir como la regla que «actualiza la probabilidad a priori a la probabilidad a posteriori con lo que se ha observado». |
| suceso contrario | El suceso opuesto, es decir, que no ocurra. Su símbolo es \(\overline{A}\) y su probabilidad es \(1 - P(A)\). En el teorema de la probabilidad total corresponde al «camino que no pasa por A». |
| sucesos incompatibles | Dos sucesos que no pueden ocurrir a la vez. «Llegar a B pasando por A» y «llegar a B pasando por no A» son incompatibles, así que en el teorema de la probabilidad total basta con sumarlos. |
| sucesos independientes | Cuando un resultado no cambia la probabilidad del otro. Con el lenguaje de la probabilidad condicionada, A y B son independientes cuando \(P(B \mid A) = P(B)\) (saber que ha ocurrido A no cambia la probabilidad de B). |
| falso positivo | Resultado de una prueba que dice «positivo» aunque la persona no tenga de verdad la enfermedad. Aunque la tasa de falsos positivos sea pequeña, si la mayoría de la gente no tiene la enfermedad, puede haber más falsos positivos que positivos verdaderos. |
| diagrama de árbol | Diagrama que reparte los casos posibles como las ramas de un árbol. En cada rama se escribe una probabilidad, y multiplicando a lo largo de un camino se obtiene la probabilidad de ese camino. Es el mejor dibujo para seguir a ojo la probabilidad condicionada y el teorema de Bayes. |
Conviene saber antes de empezar
Esto es lo que te ayuda a usar el cálculo de esta página entendiendo lo que haces, y no solo pulsando el botón.
Si te atascas, repasar los temas de esta lista es la forma más rápida de avanzar.
| Probabilidad básica, regla de Laplace (2.º-3.º de ESO, 13-15 años) |
|
| Porcentajes y decimales (6.º de Primaria, 11-12 años) |
|
| Multiplicación y división de fracciones (5.º-6.º de Primaria, 10-12 años) |
|
| Recuento de casos y diagramas de árbol (3.º-4.º de ESO, 14-16 años) |
|
| Sucesos y diagramas de Venn (4.º de ESO y 1.º de Bachillerato, 15-17 años) |
|
Cómo calcularlo en Excel
| Probabilidad de A, P(A) | 0,5 |
| Ocurren A y B, P(A∩B) | 0,2 |
| Probabilidad condicionada P(B|A) | =B2/B1 |
| Probabilidad de A, P(A) | 0,5 |
| B sabiendo A, P(B|A) | 0,4 |
| Ocurren A y B, P(A∩B) | =B1*B2 |
| Probabilidad de la causa A, P(A) | 0,01 |
| B sabiendo A, P(B|A) | 0,9 |
| B sabiendo no A, P(B|A̅) | 0,09 |
| Probabilidad de B, P(B) | =B1*B2+(1-B1)*B3 |
| Probabilidad de la causa A, P(A) | 0,01 |
| B sabiendo A, P(B|A) | 0,9 |
| B sabiendo no A, P(B|A̅) | 0,09 |
| Ocurren A y B, P(A∩B) | =B1*B2 |
| Probabilidad de B, P(B) | =B4+(1-B1)*B3 |
| La causa es A sabiendo B, P(A|B) | =B4/B5 |
En una fórmula, «B1» y «B2» significan «usa el número de esa celda», «*» es la multiplicación y «/» la división.
La primera tabla da 0,2 ÷ 0,5 = 0,4, y la segunda, 0,5 × 0,4 = 0,2.
La tercera tabla da 0,01 × 0,9 + 0,99 × 0,09 = 0,0981, sumando camino a camino la probabilidad de dar positivo.
En la cuarta tabla, B4 vale 0,009 y B5 vale 0,0981, y la última celda, B6, es 0,009 ÷ 0,0981 ≈ 0,0917 (aprox. 9,2 %).
Cómo calcularlo en Hojas de cálculo de Google
| Probabilidad de A, P(A) | 0,5 |
| Ocurren A y B, P(A∩B) | 0,2 |
| Probabilidad condicionada P(B|A) | =B2/B1 |
| Probabilidad de A, P(A) | 0,5 |
| B sabiendo A, P(B|A) | 0,4 |
| Ocurren A y B, P(A∩B) | =B1*B2 |
| Probabilidad de la causa A, P(A) | 0,01 |
| B sabiendo A, P(B|A) | 0,9 |
| B sabiendo no A, P(B|A̅) | 0,09 |
| Probabilidad de B, P(B) | =B1*B2+(1-B1)*B3 |
| Probabilidad de la causa A, P(A) | 0,01 |
| B sabiendo A, P(B|A) | 0,9 |
| B sabiendo no A, P(B|A̅) | 0,09 |
| Ocurren A y B, P(A∩B) | =B1*B2 |
| Probabilidad de B, P(B) | =B4+(1-B1)*B3 |
| La causa es A sabiendo B, P(A|B) | =B4/B5 |
Solo tienes que cambiar los números de entrada por tus propias probabilidades.
Cómo calcularlo en Python
from fractions import Fraction
# ===== Probabilidad condicionada P(B|A) = P(A∩B) ÷ P(A) =====
p_a = Fraction(1, 2) # P(A): probabilidad del suceso A que se da por ocurrido
p_a_and_b = Fraction(1, 3) # P(A∩B): probabilidad de que ocurran los dos
p_b_given_a = p_a_and_b / p_a
print(f"Probabilidad condicionada P(B|A): {p_b_given_a} = {float(p_b_given_a):.4f}")
# ===== Teorema de Bayes (el denominador sale del teorema de la probabilidad total) =====
prior = Fraction(1, 100) # P(A): probabilidad de la causa A (probabilidad a priori)
p_b_given_a2 = Fraction(90, 100) # P(B|A): probabilidad de B sabiendo A
p_b_given_not_a = Fraction(9, 100) # P(B|no A): probabilidad de B sabiendo que no ocurre A
p_joint = prior * p_b_given_a2 # P(A∩B)
p_b = p_joint + (1 - prior) * p_b_given_not_a # P(B) (teorema de la probabilidad total)
posterior = p_joint / p_b # P(A|B) (probabilidad a posteriori)
print(f"Probabilidad de B, P(B): {p_b} = {float(p_b):.4f}")
print(f"Probabilidad de que la causa sea A, P(A|B): {posterior} = {float(posterior):.4f}")
Cómo escribirla en LaTeX y otros lenguajes de fórmulas (para copiar y pegar)
P(B|A) = P(A∩B) / P(A)
P(B \mid A) = \dfrac{P(A \cap B)}{P(A)}
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
<mrow>
<mi>P</mi><mo>(</mo><mi>B</mi><mo>∣</mo><mi>A</mi><mo>)</mo>
<mo>=</mo>
<mfrac>
<mrow><mi>P</mi><mo>(</mo><mi>A</mi><mo>∩</mo><mi>B</mi><mo>)</mo></mrow>
<mrow><mi>P</mi><mo>(</mo><mi>A</mi><mo>)</mo></mrow>
</mfrac>
</mrow>
</math>
P(B | A) = P(A nn B) / P(A)
pAandB/pA
pBgivenA := pAandB/pA;
p_b_given_a = p_a_and_b/p_a;
P(B|A) = P(A∩B)/P(A)
P(A∩B) = P(A) × P(B|A)
P(A \cap B) = P(A) \times P(B \mid A)
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
<mrow>
<mi>P</mi><mo>(</mo><mi>A</mi><mo>∩</mo><mi>B</mi><mo>)</mo>
<mo>=</mo>
<mi>P</mi><mo>(</mo><mi>A</mi><mo>)</mo>
<mo>×</mo>
<mi>P</mi><mo>(</mo><mi>B</mi><mo>∣</mo><mi>A</mi><mo>)</mo>
</mrow>
</math>
P(A nn B) = P(A) xx P(B | A)
pA*pBgivenA
pAandB := pA*pBgivenA;
p_a_and_b = p_a*p_b_given_a;
P(A∩B) = P(A) × P(B|A)
P(B) = P(A) × P(B|A) + P(A̅) × P(B|A̅)
P(B) = P(A)\,P(B \mid A) + P(\overline{A})\,P(B \mid \overline{A})
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
<mrow>
<mi>P</mi><mo>(</mo><mi>B</mi><mo>)</mo>
<mo>=</mo>
<mi>P</mi><mo>(</mo><mi>A</mi><mo>)</mo>
<mi>P</mi><mo>(</mo><mi>B</mi><mo>∣</mo><mi>A</mi><mo>)</mo>
<mo>+</mo>
<mi>P</mi><mo>(</mo>
<mover><mi>A</mi><mo>¯</mo></mover>
<mo>)</mo>
<mi>P</mi><mo>(</mo><mi>B</mi><mo>∣</mo>
<mover><mi>A</mi><mo>¯</mo></mover>
<mo>)</mo>
</mrow>
</math>
P(B) = P(A) xx P(B | A) + P(bar(A)) xx P(B | bar(A))
pA*pBgivenA + (1 - pA)*pBgivenNotA
pB := pA*pBgivenA + (1 - pA)*pBgivenNotA;
p_b = p_a*p_b_given_a + (1 - p_a)*p_b_given_not_a;
P(B) = P(A)P(B|A) + P(A̅)P(B|A̅)
P(A|B) = P(A∩B) / P(B)
P(A \mid B) = \dfrac{P(A \cap B)}{P(B)} = \dfrac{P(A)\,P(B \mid A)}{P(A)\,P(B \mid A) + P(\overline{A})\,P(B \mid \overline{A})}
<math xmlns="http://www.w3.org/1998/Math/MathML" display="block">
<mrow>
<mi>P</mi><mo>(</mo><mi>A</mi><mo>∣</mo><mi>B</mi><mo>)</mo>
<mo>=</mo>
<mfrac>
<mrow><mi>P</mi><mo>(</mo><mi>A</mi><mo>∩</mo><mi>B</mi><mo>)</mo></mrow>
<mrow><mi>P</mi><mo>(</mo><mi>B</mi><mo>)</mo></mrow>
</mfrac>
</mrow>
</math>
P(A | B) = P(A nn B) / P(B)
pA*pBgivenA/(pA*pBgivenA + (1 - pA)*pBgivenNotA)
pAgivenB := pAandB/pB;
p_a_given_b = p_a_and_b/p_b;
P(A|B) = P(A∩B)/P(B)
Cómo pedirle el cálculo a ChatGPT
Eres un asistente de cálculo de probabilidades (probabilidad condicionada y teorema de Bayes). Haz el siguiente cálculo ejecutando de verdad código de Python y basa tu respuesta solo en los números del resultado de la ejecución (no respondas calculando de cabeza ni a ojo). La probabilidad de la causa A (probabilidad a priori) es del 1 %. La probabilidad del resultado B cuando ocurre A, P(B|A), es del 90 %. La probabilidad de B cuando no ocurre A, P(B|no A), es del 9 %. Calcula lo siguiente: 1. La probabilidad de que ocurran A y B, P(A∩B) 2. La probabilidad de B, P(B) (con el teorema de la probabilidad total, y muestra también el desglose por caminos) 3. La probabilidad de que la causa sea A sabiendo que ha ocurrido B, P(A|B) (teorema de Bayes; dala como fracción irreducible y como decimal) En Python, usa el módulo fractions de la biblioteca estándar para calcular de forma exacta, y muestra en una tabla las fórmulas que has usado y los números del resultado de la ejecución.
Cómo usar
-
1Introduce los datosEscribe en las casillas los números con los que quieres calcular
-
2CalculaPulsa el botón «Calcular»
-
3Consulta el resultadoEl resultado aparece al instante. En la misma página tienes también la idea del cálculo y la explicación de la fórmula
Las ventajas de DataChef
Sin conocimientos técnicos: fácil e intuitivo
Sin necesidad de dar datos personales
Los archivos se borran automáticamente tras la descarga
Sin necesidad de atribución
Sin necesidad de pedir permiso