Lexicon Redes Neuronales

Probabilidad de un evento dado que otro ha ocurrido

La probabilidad condicional mide la probabilidad de que ocurra un evento $A$A sabiendo que otro evento $B$B ya ha ocurrido.

👉 Es fundamental para modelar dependencias y relaciones entre variables.

Definición corta

La probabilidad condicional es la probabilidad de $A$A dado que $B$B ha ocurrido.

📐 Definición matemática

$P(A\mid B)=\frac{P(A,B)}{P(B)}$

👉 válida si $P(B) > 0$.

🧠 Intuición

La probabilidad condicional responde:

👉 “¿Qué tan probable es $A$A bajo la condición de $B$B?”

Evento B ocurre  ↓  Nuevo espacio de probabilidad  ↓  Evaluar A dentro de ese contexto

📊 Ejemplo simple

Cartas:  Evento A → sacar un rey  Evento B → sacar carta roja  P(A|B) → probabilidad de rey dado que es roja

🔄 Relación con probabilidad conjunta

$$P(A,B) = P(A|B)P(B)$$

👉 conecta eventos.

📊 Interpretación

Probabilidad conjunta  ↓  Dividir por P(B)  ↓  Probabilidad condicional

🧠 Relación con independencia

Si:$$P(A|B)=P(A)$$

👉 entonces A y B son independientes.

📊 Ejemplo conceptual

Independencia  ↓  B no afecta A

🧠 Relación con regla de Bayes

$$P(A|B)=\frac{P(B|A)P(A)}{P(B)}$$

👉 base de inferencia bayesiana.

📊 Ejemplo conceptual

Causa → efecto  ↓  Invertir relación  ↓  Bayes

🧠 Uso en machine learning

La probabilidad condicional se usa en:

• clasificación (Naive Bayes)
• modelos probabilísticos
• redes neuronales (salida Softmax)
• inferencia

📊 Ejemplo conceptual

Entrada X  ↓  Modelo  ↓  P(Y|X)

🧠 Ejemplo en ML

• $P(Y|X)$P(Y∣X): probabilidad de clase dada la entrada
• base de predicción

📊 Ejemplo conceptual

Datos  ↓  Condición  ↓  Predicción

📊 Ejemplo en Python

# ejemplo simple
P_A_and_B = 0.2
P_B = 0.5
P_A_given_B = P_A_and_B / P_B
print(P_A_given_B)

🧠 Qué muestra este ejemplo

• relación entre probabilidades
• dependencia
• cálculo directo

⚠️ Errores comunes

Confundir P(A|B) con P(B|A)

Son diferentes.

Ignorar P(B)

Debe ser > 0.

Asumir independencia sin verificar

Puede ser incorrecto.

📊 Ejemplo conceptual en ML

Datos  ↓  Condición  ↓  Probabilidad  ↓  Decisión

🧠 Interpretación profunda

La probabilidad condicional refleja un principio clave:

👉 El contexto cambia la probabilidad

Permite:

• modelar dependencias
• hacer inferencias
• construir modelos inteligentes

Conclusión

La probabilidad condicional mide cómo cambia la probabilidad de un evento cuando se conoce información adicional.

👉 Es uno de los pilares del machine learning y la inferencia.

Related Concepts

• Probabilidad marginal
• Probabilidad conjunta
• Regla de Bayes
• Independencia
• Inferencia