Matemáticas · 2° Bachillerato · Probabilidad e Inferencia: Prediciendo la Incertidumbre · 3er Trimestre

Teorema de la Probabilidad Total y Teorema de Bayes

Los alumnos aplican el Teorema de la Probabilidad Total y el Teorema de Bayes para resolver problemas complejos de probabilidad.

• Competencias Clave LOMLOE
• LOMLOE: Bachillerato - Sentido de la medida
• LOMLOE: Bachillerato - Sentido estocástico

Sobre este tema

El Teorema de la Probabilidad Total permite calcular la probabilidad de un suceso sumando las probabilidades condicionadas sobre particiones exhaustivas del espacio muestral. Los alumnos aprenden a descomponer problemas complejos en pasos lógicos, como P(A) = Σ P(A|B_i) P(B_i). El Teorema de Bayes extiende esto para actualizar probabilidades: P(B_i|A) = [P(A|B_i) P(B_i)] / P(A), esencial en contextos reales como diagnósticos médicos o filtros de spam.

En el currículo LOMLOE de Bachillerato, estos teoremas fortalecen el sentido estocástico y de la medida, conectando con inferencia estadística. Los alumnos resuelven problemas que integran probabilidades condicionales, preparando para modelado en ciencias de datos y toma de decisiones bajo incertidumbre. Las preguntas clave, como la diferencia entre probabilidades a priori y a posteriori, guían el razonamiento crítico.

El aprendizaje activo beneficia este tema porque conceptos abstractos como actualizaciones bayesianas se vuelven tangibles mediante simulaciones y escenarios reales. Cuando los alumnos manipulan datos en grupos o simulan pruebas médicas con dados, comprenden intuitivamente las particiones y actualizaciones, mejorando la retención y aplicación práctica.

Preguntas clave

1. ¿Por qué el Teorema de Bayes es esencial en el diagnóstico médico y en los filtros de correo no deseado?
2. ¿Cómo el Teorema de la Probabilidad Total permite calcular la probabilidad de un suceso a partir de particiones del espacio muestral?
3. ¿Qué diferencias existen entre la probabilidad a priori y la probabilidad a posteriori en el Teorema de Bayes?

Objetivos de Aprendizaje

• Calcular la probabilidad de un suceso utilizando el Teorema de la Probabilidad Total en problemas con múltiples etapas.
• Aplicar el Teorema de Bayes para actualizar probabilidades condicionadas a partir de nueva evidencia en escenarios prácticos.
• Comparar las probabilidades a priori y a posteriori para evaluar el impacto de la información adicional en una estimación de probabilidad.
• Analizar la estructura de particiones del espacio muestral y su relevancia en la aplicación de ambos teoremas.

Antes de Empezar

Probabilidad Básica y Probabilidad Condicionada

Por qué: Los alumnos deben dominar los conceptos fundamentales de probabilidad, incluyendo el cálculo de probabilidades de sucesos simples y la comprensión de la probabilidad condicionada, para poder aplicar los teoremas más avanzados.

Operaciones con Conjuntos y Sucesos

Por qué: La identificación de particiones del espacio muestral y la comprensión de la disyunción y exhaustividad son esenciales para la correcta aplicación del Teorema de la Probabilidad Total.

Vocabulario Clave

Suceso	Un evento o resultado posible dentro de un experimento aleatorio. Se representa comúnmente con letras mayúsculas.
Probabilidad Condicionada	La probabilidad de que ocurra un suceso A, dado que otro suceso B ya ha ocurrido. Se denota como P(A|B).
Partición del Espacio Muestral	Un conjunto de sucesos disjuntos y exhaustivos cuya unión cubre todo el espacio muestral. Son mutuamente excluyentes y cubren todas las posibilidades.
Probabilidad a Priori	La probabilidad inicial de un suceso antes de considerar nueva evidencia o información. Es la creencia inicial.
Probabilidad a Posteriori	La probabilidad actualizada de un suceso después de incorporar nueva evidencia. Refleja la creencia modificada.

Atención a estas ideas erróneas

Idea errónea común

La probabilidad a posteriori es igual a la a priori.

Qué enseñar en su lugar

Bayes actualiza la prior con nueva evidencia vía likelihood. Actividades de simulación con dados permiten a los alumnos ver cómo cambian las odds tras datos, corrigiendo esta confusión mediante repetición empírica y discusión en grupo.

Idea errónea común

El Teorema de la Probabilidad Total ignora condicionales.

Qué enseñar en su lugar

Requiere particiones exhaustivas y condicionales precisas. Construir árboles en parejas ayuda a visualizar descomposiciones, donde alumnos detectan errores al verificar con simulaciones, fomentando autocrítica.

Idea errónea común

Bayes solo aplica a eventos independientes.

Qué enseñar en su lugar

Funciona con dependencias vía condicionales. Escenarios médicos en grupos revelan esta falacia al calcular falsos positivos, donde debates estructurados aclaran la fórmula completa.

Ideas de aprendizaje activo

Juego de simulación: Diagnóstico Médico Bayesiano

Divide la clase en grupos; cada uno tira dados para simular prevalencia de enfermedad (1/100), sensibilidad (90%) y especificidad (95%). Calculan probabilidades a priori y actualizan con Bayes tras un test positivo. Discuten resultados en plenaria.

45 min·Grupos pequeños

Árboles: Probabilidad Total en Particiones

En parejas, construyen diagramas de árbol para un problema de urnas con bolas coloreadas. Calculan P(evento) sumando ramas condicionales. Comparan con fórmula directa y verifican con 50 simulaciones manuales.

30 min·Parejas

Juego de simulación: Filtros Antispam

Clase entera simula correos: asigna probabilidades a priori de spam (20%), palabras clave detectadas. Usa Bayes para clasificar 20 correos ficticios en tarjetas. Vota colectivamente ajustes a parámetros.

50 min·Toda la clase

Individual: Problemas Mixtos

Cada alumno resuelve tres problemas combinando ambos teoremas, como predecir defectos en fábrica. Luego, intercambian y corrigen con rúbrica compartida.

25 min·Individual

Conexiones con el Mundo Real

• En medicina, el Teorema de Bayes es fundamental para interpretar resultados de pruebas diagnósticas. Un médico utiliza la probabilidad a priori de una enfermedad (prevalencia) y la probabilidad de obtener un resultado positivo si la enfermedad está presente (sensibilidad) para calcular la probabilidad a posteriori de que un paciente tenga la enfermedad dado un resultado positivo.
• Los filtros de spam en servicios de correo electrónico como Gmail o Outlook emplean el Teorema de Bayes. Analizan la frecuencia de ciertas palabras en correos electrónicos legítimos y en correos no deseados para calcular la probabilidad de que un nuevo correo sea spam, basándose en las palabras que contiene.

Ideas de Evaluación

Verificación Rápida

Presenta a los alumnos un escenario simple con dos eventos mutuamente excluyentes (ej. lanzar un dado, elegir una bola de una urna). Pide que identifiquen una partición del espacio muestral y calculen la probabilidad de un suceso compuesto usando la fórmula de la Probabilidad Total. Revisa sus cálculos y la correcta identificación de la partición.

Boleto de Salida

Entrega a cada estudiante una tarjeta con un problema que requiera el Teorema de Bayes (ej. una prueba médica con falsos positivos/negativos). Pide que escriban la probabilidad a priori, la probabilidad de la evidencia dado el suceso, y la fórmula que usarían para calcular la probabilidad a posteriori. Evalúa la correcta identificación de los componentes del teorema.

Pregunta para Discusión

Plantea la siguiente pregunta para debate en grupos pequeños: '¿En qué situaciones la probabilidad a priori es más difícil de estimar con precisión y cómo podría esto afectar la fiabilidad de una conclusión bayesiana?'. Pide a cada grupo que comparta un ejemplo concreto y sus conclusiones con la clase.

Preguntas frecuentes

¿Cómo se aplica el Teorema de Bayes en diagnóstico médico?

En medicina, Bayes calcula la probabilidad real de enfermedad dada un test positivo, usando prevalencia (prior), sensibilidad y especificidad. Por ejemplo, con 1% prevalencia, 90% sensibilidad y 90% especificidad, un positivo solo da 8% probabilidad real. Esto evita sobrediagnósticos; actividades prácticas lo hacen relatable.

¿Cuál es la diferencia entre probabilidad a priori y a posteriori?

La a priori es la creencia inicial basada en conocimiento previo, como 1% riesgo de enfermedad. La a posteriori se actualiza con evidencia, como test positivo, vía Bayes. Simulaciones muestran esta evolución, clave para inferencia en LOMLOE.

¿Cómo enseñar Teorema de Probabilidad Total y Bayes con aprendizaje activo?

Usa simulaciones con dados o apps para particiones y actualizaciones, como tests médicos en grupos. Alumnos calculan manualmente, simulan miles de casos y discuten discrepancias. Esto hace abstracto concreto, mejora comprensión intuitiva y aplica a spam o IA, alineado con sentido estocástico LOMLOE. (62 palabras)

¿Por qué es esencial el Teorema de la Probabilidad Total?

Permite calcular probabilidades complejas descomponiendo en eventos mutuamente excluyentes. Es base para Bayes y modelado real, como riesgos en seguros. Ejercicios con urnas o árboles refuerzan su rol en predicciones bajo incertidumbre.