Introducción a la probabilidad — Espacio muestral, eventos y probabilidad condicional
La teoría de la probabilidad es la herramienta central de la IA para manejar la incertidumbre.Desde la salida de clasificadores hasta el muestreo de modelos generativos, la probabilidad está en todas partes.
Análisis de conceptos
Espacio muestral
El conjunto de todos los resultados posibles
Lanzar un dado: {1,2,3,4,5,6}
Evento
Subconjunto del espacio muestral
"Par" = {2,4,6}
Probabilidad P(A)
La posibilidad de que ocurra A, [0,1]
0=imposible, 1=certeza
Probabilidad condicional: actualizar la evaluación después de conocer información parcial
\[ P(A|B) = \frac{P(A \cap B)}{P(B)} \]Intuición: reduce el espacio muestral al conjunto donde ocurre B, y observa qué proporción de A hay en él.
Fórmula de probabilidad total: resumir por casos
\[ P(A) = \sum_i P(A|B_i) P(B_i) \]Ejemplos de la vida real
Ley de los grandes números
Lanza una moneda 10 veces, puede salir 4 caras y 6 cruces. Si la lanzas 10,000 veces, la proporción de caras estará muy cerca de 0.5.
Cuantos más intentos, más estable es la frecuencia: este es el fundamento de la teoría de la probabilidad.
Práctica con Python
Ejemplo
# Verificación de la ley de los grandes números
for n in [10, 100, 1000, 10000]:
tosses = np.random.choice(['H','T'], size=n)
freq = np.mean(tosses == 'H')
print(f"EJEMPLO lanzó {n:5d} veces, frecuencia de caras={freq:.4f}")
# Problema de Monty Hall: la probabilidad de ganar cambiando de puerta es 2/3
def monty_hall(switch=True, trials=10000):
wins = 0
for _ in range(trials):
car = np.random.randint(0, 3)
choice = np.random.randint(0, 3)
revealed = np.random.choice([d for d in range(3) if d != car and d != choice])
if switch:
choice = [d for d in range(3) if d != choice and d != revealed][0]
wins += (choice == car)
return wins/trials
print(f"\nMonty Hall: no cambiar={monty_hall(False):.3f}, cambiar={monty_hall(True):.3f} (teoría: 1/3, 2/3)")
Salida:
EJEMPLO 掷 10次, 正面频率=0.8000 EJEMPLO 掷 100次, 正面频率=0.5500 EJEMPLO 掷 1000次, 正面频率=0.4870 EJEMPLO 掷10000次, 正面频率=0.4987 蒙提霍尔: 不换=0.329, 换=0.663 (理论: 1/3, 2/3)
Escenarios de aplicación en IA
La salida de un clasificador = distribución de probabilidad
Softmax genera la probabilidad de cada clase, y la suma de las probabilidades de todas las clases es 1. El modelo no solo te dice "esto es un gato", sino que también te dice "80% de probabilidad de ser gato, 15% perro, 5% otros". Esta salida de probabilidad es crucial para la evaluación de riesgos y la calibración de confianza.
Modelos generativos = muestrear de una distribución de probabilidad
VAE muestrea de una distribución latente aprendida para generar nuevas imágenes, GAN muestrea de una distribución de ruido aleatorio para generar imágenes realistas, y los modelos de difusión comienzan desde ruido puro y eliminan el ruido gradualmente para generar imágenes de alta definición. La operación central de estos procesos de generación es "muestrear de una distribución de probabilidad".
Políticas estocásticas en el aprendizaje por refuerzo
En los métodos de gradiente de políticas, las acciones del agente no son deterministas, sino que se muestrean de la distribución de probabilidad que genera la red de políticas (por ejemplo, 70% izquierda, 30% derecha). Esta estocasticidad garantiza la exploración: si siempre eliges la acción con mayor probabilidad, es posible que nunca descubras una mejor política.
Otras extensiones