Podcast sobre Tablas de Contingencia y Árboles de Decisión

Kapitoly

La decisión detrás de la app

El caso Fundación Antares

Probabilidades a simple vista

El árbol de decisión

Calculando con el árbol

¿Qué es una tabla de contingencia?

Construyendo la tabla paso a paso

Eventos con memoria y sin memoria

Probabilidad Condicional: El "sabiendo que"

La Regla de la Multiplicación

Juntando las piezas

Probando la Independencia

Árboles de Decisión

Probabilidad Total: Sumando las partes

El Teorema de Bayes: Actualizando nuestras creencias

¿Para qué sirve todo esto?

Resumen y despedida

Přepis

Elena: Imagina que vas a lanzar una nueva app. Tienes que decidir: ¿la lanzas ya, con algunos fallos, o esperas seis meses para perfeccionarla? Cada camino tiene una probabilidad de éxito y de fracaso. Bueno, esa encrucijada es exactamente lo que visualiza un árbol de decisión.

Mateo: Exacto. Y no necesitas ser un CEO para usarlos. Estás escuchando Studyfi Podcast, donde simplificamos estas grandes ideas.

Elena: Perfecto. En el tema anterior vimos el caso de la Fundación Antares con tablas de contingencia. Ahora, ¿cómo se ve en un árbol de decisión?

Mateo: ¡Mucho más gráfico! Piensa en el árbol como un mapa. Cada rama es una decisión o un evento, y en cada una escribimos su probabilidad. Es como ver el esqueleto del problema.

Elena: O sea que los cálculos que hicimos antes, ¿ahora los podemos ver directamente en el diagrama?

Mateo: Precisamente. Por ejemplo, la probabilidad de que un proyecto sea de tipo A, P(A), que era 0,0461, es el valor que ves en la primera rama principal del árbol. ¡Está ahí mismo!

Elena: ¡Claro! Es súper intuitivo. ¿Y las probabilidades condicionales?

Mateo: También. ¿Recuerdas que calculamos la probabilidad de que un proyecto no fuera rentable *sabiendo que* era de tipo A, o P(N/A)? El resultado fue 0,2908.

Elena: Sí, lo recuerdo bien.

Mateo: Pues en el árbol, solo tienes que seguir la rama "A" y luego la sub-rama "N". El valor está escrito justo ahí. No hay que hacer ninguna división, el árbol ya la hizo por ti. ¡Es una pasada!

Elena: Ojalá tuviera un árbol de decisión para elegir qué cenar esta noche. Sería mucho más fácil.

Mateo: ¡Totalmente! El punto clave es que estos árboles son geniales para experimentos con múltiples pasos, mientras que las tablas son más directas para problemas de frecuencias. Dos herramientas para distintos trabajos.

Elena: Entendido. ¿Y qué pasa con la independencia de los eventos?

Mateo: Lo vemos igual de fácil. Comparamos P(A), que es 0,0461, con la probabilidad de A dado P, P(A/P), que en el árbol vemos que es 0,08. Como no son iguales, confirmamos que son eventos dependientes.

Elena: Y hablando de experimentos que tienen varios pasos, a veces puede ser un lío seguir todos los resultados posibles. ¿Hay alguna herramienta que nos ayude a visualizarlo mejor?

Mateo: Absolutamente, Elena. La herramienta clave aquí es el árbol de decisión. Suena un poco intimidante, pero te prometo que es más sencillo de lo que parece.

Elena: Un árbol de decisión... ¿es como un mapa de todas las posibilidades?

Mateo: ¡Exacto! Piénsalo con un ejemplo clásico: lanzar una moneda tres veces. Este es un experimento de tres pasos.

Elena: De acuerdo, un lanzamiento después del otro.

Mateo: Bien. El primer nivel del árbol es el primer lanzamiento. De ahí salen dos ramas: una para 'cara' y otra para 'cruz'. Cada una tiene una probabilidad de un medio.

Elena: Y supongo que del final de cada una de esas ramas... ¿salen otras dos para el segundo lanzamiento?

Mateo: Justamente. Y luego lo mismo para el tercero. Al final, tienes un mapa completo de todos los resultados posibles.

Elena: ¡Ya lo veo! Cada 'camino' completo desde el tronco hasta la última hoja es un resultado, como 'cara-cruz-cara'.

Mateo: ¡Lo tienes! Y aquí es donde la magia ocurre, porque los eventos son independientes. El resultado de una tirada no afecta a la siguiente.

Elena: Ok, entonces al final del árbol, ¿cuántos resultados totales hay?

Mateo: Si los cuentas, verás que hay ocho caminos finales. Es el resultado de multiplicar las posibilidades en cada paso: dos por dos por dos. O simplemente, dos al cubo, que es ocho.

Elena: Bien, vamos a la práctica. Si quisiéramos saber la probabilidad de que salgan tres caras seguidas...

Mateo: Miras tu árbol y ves que solo hay un camino que es 'cara-cara-cara' de los ocho posibles. Así que la probabilidad es de un octavo.

Elena: Simple. Pero, ¿qué pasa con algo más complejo, como la probabilidad de que salga *por lo menos una* cara?

Mateo: Ah, esa es buena. Podrías sumar las probabilidades de todos los caminos que tienen al menos una cara... lo cual es un poco tedioso.

Elena: Suena a mucho trabajo. ¿Hay un atajo?

Mateo: ¡Claro que sí! Es mucho más fácil calcular lo contrario: la probabilidad de que NO salga ninguna cara. O sea, que salgan tres cruces.

Elena: Que ya sabemos que es un octavo, igual que tres caras.

Mateo: Exacto. Entonces, la probabilidad de que ocurra al menos una cara es simplemente uno menos esa probabilidad. Uno menos un octavo es siete octavos.

Elena: ¡Wow! Eso sí que es un buen truco. El árbol de decisión realmente lo hace todo mucho más visual y fácil de entender.

Mateo: Ese es el objetivo. Te permite desglosar un problema complejo en pasos pequeños y manejables. Ahora, esto fue con eventos independientes, pero las cosas se ponen aún más interesantes cuando los resultados empiezan a depender unos de otros.

Elena: Okay, todo eso de los eventos simples y compuestos tiene sentido, pero con tantos números y categorías... ¿no hay una forma más visual de organizar todo? Mi cerebro se está convirtiendo en un nudo.

Mateo: Totalmente. Y para eso existen las tablas de contingencia. Son una herramienta increíblemente útil.

Elena: ¿Tabla de contingencia? Suena súper formal.

Mateo: ¡Pero es muy simple! Piensa en ella como una cuadrícula, una tabla de doble entrada. Su propósito es organizar y visualizar todos los posibles resultados de un experimento cuando tienes dos o más variables.

Elena: ¿Cómo en el ejemplo de las botellas con diferentes tamaños y defectos?

Mateo: ¡Exacto! Retomemos ese caso. Teníamos 1,200 botellas en total. Algunas de 500 ml, otras de 1000, otras de 1500. Y a la vez, algunas tenían menos de 2 defectos y otras tenían 2 o más.

Elena: Bien, tenemos las dos variables: capacidad y defectos. ¿Cómo las metemos en la tabla?

Mateo: Fácil. Usamos las filas para una variable, como los defectos: una fila para "menos de 2" y otra para "2 o más". Y las columnas para la otra variable: "500 ml", "1000 ml" y "1500 ml".

Elena: Y luego... ¿simplemente vamos llenando los casilleros con los datos que tenemos?

Mateo: Justo así. Por ejemplo, el problema dice que hay 400 botellas de 500 ml. Ese es un total de una columna. Lo ponemos en el margen. Luego dice que 350 de esas 400 tienen menos de 2 defectos. Ese dato va en el cuerpo de la tabla, en la intersección.

Elena: ¡Ah! Y el resto se calcula por diferencia, ¿verdad? Es como un sudoku estadístico.

Mateo: ¡Me gusta esa analogía! Es exactamente eso. Completas el resto con sumas y restas hasta que todos los totales de filas y columnas cuadren. Los números en los márgenes son los eventos simples, y los del centro, los eventos conjuntos.

Elena: Wow, de repente un montón de datos sueltos se ven súper ordenados y claros.

Mateo: Ese es el poder de la tabla. Y ahora que la tenemos armada y todos los datos organizados, podemos pasar a lo divertido: calcular las probabilidades que nos pedían. Es muchísimo más fácil verlo así.

Elena: Y justo cuando creo que ya entiendo la regla de la adición para eventos con 'o', me pregunto... ¿qué pasa con los eventos que se encadenan? Como un efecto dominó.

Mateo: ¡Esa es la pregunta perfecta para continuar, Elena! Porque no todos los eventos viven en su propia isla. A veces, lo que pasa primero... cambia las reglas para lo que viene después.

Elena: Exacto. Suena a que nos vamos a meter en el tema de la dependencia, ¿no?

Mateo: ¡Directo al grano! Hoy hablamos de eventos independientes y dependientes, que es la base para entender la regla de la multiplicación.

Elena: Ok, eventos independientes y dependientes. ¿Cuál es la diferencia, en palabras sencillas?

Mateo: Piénsalo así. Los eventos independientes son como lanzar una moneda. Si te sale cara, ¿cambia la probabilidad de que salga cara en el siguiente lanzamiento?

Elena: Para nada. Sigue siendo 50/50. La moneda no se acuerda de lo que pasó antes. ¡Ojalá yo tuviera esa capacidad después de un mal día!

Mateo: ¡Exacto! La moneda no tiene memoria. Eso es independencia. La ocurrencia de un evento no afecta para nada la ocurrencia del otro. Lanzar dos dados es otro ejemplo clásico.

Elena: Entendido. ¿Y los dependientes? Supongo que esos sí tienen memoria.

Mateo: Se podría decir que sí. Imagina una baraja de cartas. Sacas una carta, un As. Y no la vuelves a meter. ¿Cuál es la probabilidad de sacar otro As?

Elena: Mmm, pues ahora hay menos ases y también menos cartas en total. Así que la probabilidad cambió. ¡Claro! El segundo evento *depende* del primero.

Mateo: ¡Ahí lo tienes! Dos eventos son dependientes cuando la ocurrencia de uno afecta la probabilidad de que ocurra el otro. Sacar cartas sin reponerlas es el ejemplo perfecto.

Elena: Ok, esa idea de que un evento afecta a otro me lleva a pensar... ¿cómo calculamos eso? ¿Cómo medimos esa influencia?

Mateo: ¡Excelente pregunta! Para eso usamos algo llamado probabilidad condicional. Suena técnico, pero la idea es muy simple. Es la probabilidad de que ocurra algo, *sabiendo que* otra cosa ya ocurrió.

Elena: El famoso "dado que..." o "sabiendo que...".

Mateo: Exacto. Se escribe como P(A/B), que se lee "la probabilidad de A, dado B". Te doy un ejemplo con un dado. Lo lanzas, pero yo no veo el resultado.

Elena: Vale.

Mateo: Y te digo: "Elena, salió un número mayor o igual a 4". Ahora, con esa información, te pregunto: ¿cuál es la probabilidad de que el número sea par?

Elena: A ver... si es mayor o igual a 4, los únicos resultados posibles son 4, 5 o 6. Mi universo de posibilidades se redujo a solo tres números.

Mateo: ¡Exacto!

Elena: Y de esos tres —4, 5 y 6— los que son pares son el 4 y el 6. Así que son 2 casos favorables de 3 posibles. ¡La probabilidad es dos tercios!

Mateo: ¡Perfecto! Acabas de calcular una probabilidad condicional de forma intuitiva. La información previa ("salió un 4 o más") cambió por completo el cálculo. Esos eventos son dependientes.

Elena: Entonces, esta idea de dependencia nos lleva a una nueva regla, ¿verdad? Si la regla de la adición era para la unión con "o", supongo que ahora viene una para la intersección con "y".

Mateo: ¡Precisamente! Es la regla de la multiplicación, y nos sirve para calcular la probabilidad de que dos cosas ocurran a la vez, o sea, P(A y B).

Elena: ¿Y cómo funciona? ¿Se relaciona con la probabilidad condicional?

Mateo: Totalmente. Para eventos dependientes, la probabilidad de que ocurran A y B es la probabilidad de que ocurra A, multiplicada por la probabilidad de que ocurra B, *sabiendo que ya ocurrió A*.

Elena: Suena lógico. Volviendo a las cartas... ¿la probabilidad de sacar dos ases seguidos sin reponer?

Mateo: Piénsalo. La probabilidad de sacar el primer As es 4 de 52. Ahora, *dado que* ya sacaste un As, la probabilidad de sacar el segundo es 3 de 51. Multiplicas esas dos probabilidades y listo.

Elena: ¡Entendido! ¿Y si los eventos son independientes, como lanzar dos monedas?

Mateo: ¡Ahí es donde se pone aún más fácil! Si los eventos son independientes, saber que ocurrió uno no te da ninguna información sobre el otro. Así que la probabilidad condicional es simplemente la probabilidad normal del evento.

Elena: O sea, P(B/A) es simplemente P(B).

Mateo: ¡Correcto! Por lo tanto, para eventos independientes, la probabilidad de que ocurran A y B es simplemente la probabilidad de A multiplicada por la probabilidad de B. Sin más complicaciones.

Elena: Como en el lanzamiento de dos monedas... la probabilidad de sacar cara y cara es un medio por un medio, ¡un cuarto! Mucho más directo.

Mateo: Sí, la independencia nos hace la vida más fácil. El truco siempre es preguntarse: ¿lo que pasó primero, afecta a lo que viene después?

Elena: Vale, para recapitular. Tenemos eventos independientes, como las monedas, donde los resultados no se afectan. Y dependientes, como sacar cartas sin reponer, donde sí se afectan.

Mateo: Perfecto. Y para calcular la probabilidad de que ambos ocurran, usamos la regla de la multiplicación.

Elena: Que tiene dos versiones. La versión simple para eventos independientes, que es P(A) por P(B). Y la versión para eventos dependientes, que involucra la probabilidad condicional: P(A) por P(B/A).

Mateo: Lo has clavado. Esa es toda la esencia del concepto. Es una de las herramientas más poderosas en probabilidad porque nos permite analizar secuencias de eventos.

Elena: Ya veo cómo se aplica en todo, desde control de calidad en una fábrica hasta predicciones del tiempo o incluso en los deportes.

Mateo: Totalmente. Entender la dependencia es clave. Por ejemplo, en un partido de básquet, ¿el hecho de que un jugador enceste un tiro libre hace más probable que enceste el siguiente?

Elena: ¡Uf, el eterno debate de la "mano caliente"! Algunos dirían que sí, que son dependientes. Otros que cada tiro es un evento independiente.

Mateo: ¡Exacto! Y ahora tienes las herramientas para analizarlo. La clave es siempre definir bien los eventos y pensar críticamente si uno influye en el otro. Es menos fórmula y más lógica.

Elena: Me queda mucho más claro. Saber si multiplicar probabilidades directamente o si hay que ajustar por una condición lo cambia todo.

Mateo: Así es. Y esta idea de analizar secuencias de eventos nos abre la puerta a una herramienta visual muy útil que veremos más adelante: los árboles de decisión. Pero eso es tema para otro momento.

Elena: …así que esa es la base de la probabilidad condicional. Pero, Mateo, ¿cómo sabemos si dos eventos no tienen nada que ver el uno con el otro? O sea, si son independientes.

Mateo: ¡Excelente pregunta, Elena! Y es algo que usamos más de lo que creemos. Pensemos en esto: ¿crees que la gente que compra un tipo de aire acondicionado está más o menos satisfecha que la que compra otro?

Elena: Mmm, no lo sé. Supongo que dependería de la calidad, no del tamaño en frigorías, ¿o sí?

Mateo: Exacto. Acabas de plantear una hipótesis de independencia. Y podemos probarla con datos.

Elena: ¿Cómo lo hacemos? ¿Con una encuesta?

Mateo: Justamente. Imagina que una tienda encuestó a 200 clientes. Les preguntaron si estaban satisfechos y qué tipo de aparato compraron: uno de 2,500 frigorías u otro. Tenemos una tabla con los resultados.

Elena: Okay, la estoy viendo. ¿Y ahora?

Mateo: Para que sean independientes, la probabilidad de estar satisfecho no debería cambiar sin importar el aire que compraron. Es decir, la probabilidad de comprar uno de 2,500 frigorías, dado que estás satisfecho, P(F/S), debería ser igual a la probabilidad general de comprar ese modelo, P(F).

Elena: A ver... P(F) es 80 de 200, o sea 0.4. Y P(F/S) es 50 satisfechos con ese modelo, sobre un total de 125 satisfechos... ¡eso también es 0.4!

Mateo: ¡Bingo! Como las probabilidades son iguales, los eventos son estadísticamente independientes. Estar satisfecho no depende del tipo de aire que compraron. ¡Al menos en esta encuesta!

Elena: ¡Qué bueno! La tabla lo hace muy claro. Pero a veces las tablas se pueden volver enormes. ¿Hay otra forma de organizar los datos?

Mateo: Sí, y es mucho más visual. Se llama árbol de decisión. Es un diagrama con ramas que nos ayuda a ver todos los posibles resultados y sus probabilidades.

Elena: Suena útil. Como un mapa para tomar decisiones.

Mateo: Exacto. En el próximo segmento, vamos a construir uno para ver cómo funciona.

Elena: Y con esas herramientas, como las tablas y los árboles de decisión, parece que ya podemos organizar casi cualquier problema de probabilidad.

Mateo: Exacto. Pero ahora vamos a subir un último escalón. Vamos a usar todo lo que aprendimos para dos teoremas que son increíblemente poderosos: el Teorema de la Probabilidad Total y, el más famoso, el Teorema de Bayes.

Elena: De acuerdo, vayamos por partes. ¿Qué es eso de la Probabilidad Total? Suena... imponente.

Mateo: Suena más complicado de lo que es. Piénsalo así: es una forma de calcular la probabilidad de un evento considerando todas las maneras diferentes en que puede ocurrir. Es como sumar todas las piezas del rompecabezas.

Elena: Ok, un ejemplo ayudaría. ¡Y mucho!

Mateo: ¡Claro! Usemos el caso de la aerolínea Good Fly. Digamos que queremos saber la probabilidad total de que un pasajero cualquiera pierda su vuelo. No nos importa a dónde iba, solo que lo perdió.

Elena: Entiendo. El evento es "perder el vuelo".

Mateo: Precisamente. Pero un pasajero puede perder su vuelo si iba a Córdoba, O si iba a Mendoza, O si iba a Bariloche. Son tres caminos distintos que llevan al mismo resultado.

Elena: Y supongo que la probabilidad de perder el vuelo no es la misma para cada destino.

Mateo: ¡Exacto! Entonces, el Teorema de la Probabilidad Total nos dice: calcula la probabilidad de "ir a Córdoba Y perder el vuelo". Luego, calcula la de "ir a Mendoza Y perder el vuelo". Y finalmente, la de "ir a Bariloche Y perder el vuelo".

Elena: Y después... ¿sumas esos tres resultados?

Mateo: ¡Eso es todo! Sumas las probabilidades de cada escenario posible, y el resultado es la probabilidad total de que alguien pierda un vuelo en esa aerolínea. Es simplemente sumar las ramas correctas de nuestro árbol de decisión.

Elena: Vale, eso tiene sentido. Ahora, el momento de la verdad... el Teorema de Bayes. Siempre me sonó a algo de otro nivel. ¿Es tan difícil como parece?

Mateo: Para nada. De hecho, es súper intuitivo. El Teorema de Bayes es como una máquina de actualizar creencias. Te permite corregir una probabilidad inicial cuando recibes información nueva.

Elena: ¿Actualizar creencias? ¿Cómo funciona eso?

Mateo: Sigamos con Good Fly. Ya calculamos la probabilidad total de que un pasajero pierda su vuelo, digamos que es del 6.7%. Esa es nuestra probabilidad inicial, o "a priori".

Elena: Ok, un 6.7%.

Mateo: Ahora, imagina que estás en el aeropuerto. Un empleado te dice: "Acaba de llegar un pasajero que perdió su vuelo". ¡Esa es tu nueva información! La pregunta de Bayes es: Sabiendo que esta persona perdió su vuelo, ¿cuál es la probabilidad de que su destino original fuera Córdoba?

Elena: ¡Ah! ¡Estamos trabajando al revés! No preguntamos la probabilidad de perder el vuelo si vas a Córdoba, sino la probabilidad de que ibas a Córdoba, dado que perdiste el vuelo.

Mateo: ¡Le diste en el clavo! Eso es exactamente lo que hace Bayes. Toma lo que sabías antes —la probabilidad de ir a Córdoba, la probabilidad de perder el vuelo en esa ruta— y lo combina con la nueva evidencia —alguien perdió un vuelo— para darte una probabilidad "a posteriori", o sea, actualizada.

Elena: Es como ser un detective de probabilidades. Tienes una pista nueva y refinas tu lista de sospechosos.

Mateo: ¡Me encanta esa analogía! Es perfecta. La nueva información te ayuda a ser mucho más preciso en tus conclusiones.

Elena: Suena muy interesante, pero ¿dónde usamos esto en la vida real? Aparte de en aerolíneas ficticias, claro.

Mateo: ¡En todas partes! Los médicos lo usan constantemente. Por ejemplo, ¿cuál es la probabilidad de que tengas una enfermedad, DADO QUE tu prueba dio positivo? El test no es 100% perfecto, así que Bayes ayuda a calcular la probabilidad real.

Elena: Wow, eso es muy importante.

Mateo: Y hay más. Los filtros de spam en tu correo usan Bayes. Analizan un correo y se preguntan: "dado que contiene las palabras 'oferta' y 'gratis', ¿cuál es la probabilidad de que sea spam?". Así deciden si moverlo a la carpeta de correo no deseado.

Elena: O sea que le debo mi bandeja de entrada limpia al Reverendo Thomas Bayes. ¡Qué curioso!

Mateo: En gran parte, sí. Se usa en finanzas, en inteligencia artificial, en marketing... en cualquier campo donde necesites tomar decisiones informadas con datos que cambian.

Elena: Qué increíble. Hemos recorrido un largo camino en este módulo. Empezamos con conceptos básicos como espacio muestral y eventos...

Mateo: Luego pasamos a las reglas del juego: la regla de la adición y la multiplicación, aprendiendo a diferenciar eventos dependientes e independientes. Organizamos todo en tablas de contingencia y árboles de decisión.

Elena: Y hoy cerramos con broche de oro, usando todo eso para entender la Probabilidad Total y el poderoso Teorema de Bayes, que nos permite actualizar lo que sabemos con nueva información.

Mateo: El mensaje principal es este: la probabilidad no es solo una rama de las matemáticas. Es una herramienta fundamental para entender y medir la incertidumbre que nos rodea, permitiéndonos tomar mejores decisiones.

Elena: Sin duda. Y con esto llegamos al final de nuestro módulo sobre Probabilidad. Mateo, como siempre, un placer aprender contigo.

Mateo: El placer ha sido mío, Elena. ¡Y gracias a todos por acompañarnos!

Elena: Esto fue Studyfi Podcast. Esperamos que ahora veas el mundo con ojos un poco más probabilísticos. ¡Hasta la próxima!