Calculadora del teorema de Bayes

Usa el teorema de Bayes cuando necesites actualizar una probabilidad basándote en nueva evidencia. Si sabes qué tan probable es la evidencia dada tu hipótesis, y tienes una creencia previa sobre esa hipótesis, el teorema de Bayes te dice qué creer después de ver la evidencia.

¿Qué es el teorema de Bayes?

El teorema de Bayes relaciona probabilidades condicionales:

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

Donde:

• $P(A|B)$ = Posterior: Probabilidad de A dado B (lo que queremos)
• $P(B|A)$ = Verosimilitud: Probabilidad de B dado A
• $P(A)$ = A priori: Probabilidad inicial de A
• $P(B)$ = Evidencia: Probabilidad total de B

Los componentes explicados

Probabilidad a priori P(A)

Tu creencia sobre A antes de ver cualquier evidencia. Esto puede venir de:

• Estudios previos
• Opinión de expertos
• Tasas base en la población

Ejemplo: Antes de cualquier prueba, el 1% de la población tiene una enfermedad. P(Enfermedad) = 0,01.

Verosimilitud P(B|A)

¿Qué tan probable es la evidencia si A es verdadero?

Ejemplo: Si tienes la enfermedad, la prueba es positiva el 95% de las veces. P(Positivo|Enfermedad) = 0,95.

Evidencia P(B)

La probabilidad total de observar B, calculada como:

$P(B) = P(B|A) \times P(A) + P(B|\neg A) \times P(\neg A)$

Ejemplo: Probabilidad total de una prueba positiva = (verdaderos positivos) + (falsos positivos).

Probabilidad posterior P(A|B)

Tu creencia actualizada sobre A después de ver la evidencia B.

Ejemplo: Dado un resultado de prueba positivo, ¿cuál es la probabilidad de realmente tener la enfermedad?

Ejemplo clásico: pruebas médicas

Escenario:

• Prevalencia de la enfermedad: 1% (a priori)
• Sensibilidad de la prueba: 95% (tasa de verdaderos positivos)
• Especificidad de la prueba: 90% (tasa de verdaderos negativos, entonces tasa de falsos positivos = 10%)

Pregunta: Das positivo. ¿Cuál es la probabilidad de que tengas la enfermedad?

Cálculo:

$P(Enfermedad|Positivo) = \frac{P(Positivo|Enfermedad) \times P(Enfermedad)}{P(Positivo)}$

Primero, calcula P(Positivo): $P(Positivo) = 0,95 \times 0,01 + 0,10 \times 0,99 = 0,0095 + 0,099 = 0,1085$

Entonces: $P(Enfermedad|Positivo) = \frac{0,95 \times 0,01}{0,1085} = \frac{0,0095}{0,1085} = 0,088$

Resultado: ¡Solo 8,8% de probabilidad de tener la enfermedad a pesar de una prueba positiva!

Este resultado contraintuitivo ocurre porque la enfermedad es rara. La mayoría de las pruebas positivas son falsos positivos del 99% sin la enfermedad.

La forma de odds

Una formulación alternativa usando odds:

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

O: Odds posterior = Razón de verosimilitud × Odds a priori

La razón de verosimilitud $\frac{P(B|A)}{P(B|\neg A)}$ te dice cuánto debería la evidencia cambiar tus creencias.

Aplicaciones

Diagnóstico médico

Actualizar la probabilidad de enfermedad después de resultados de pruebas:

• La prueba positiva aumenta la probabilidad
• La prueba negativa disminuye la probabilidad
• Se pueden encadenar múltiples pruebas

Filtrado de spam

Clasificadores Naive Bayes:

• A priori: Tasa base de correos spam
• Verosimilitud: Probabilidad de palabras dado spam/no-spam
• Posterior: ¿Es este correo spam?

Razonamiento legal

Evaluando evidencia:

• A priori: Tasa base de culpabilidad
• Verosimilitud: ¿Qué tan probable es esta evidencia si es culpable vs. inocente?
• Posterior: Probabilidad actualizada de culpabilidad

Aprendizaje automático

Inferencia bayesiana para:

• Estimación de parámetros
• Comparación de modelos
• Cuantificación de incertidumbre

Actualizaciones secuenciales

El teorema de Bayes se puede aplicar repetidamente. El posterior de hoy se convierte en el a priori de mañana:

$P(A|B_1, B_2) = \frac{P(B_2|A, B_1) \times P(A|B_1)}{P(B_2|B_1)}$

Cada pieza de evidencia actualiza tus creencias.

Ejemplo: Primera prueba positiva (8,8% de probabilidad), luego segunda prueba positiva → la probabilidad aumenta aún más.

Negligencia de la tasa base

Un error común es ignorar la probabilidad a priori. En el ejemplo médico, la gente a menudo adivina ~95% de probabilidad después de una prueba positiva, enfocándose en la precisión de la prueba mientras ignora la rareza de la enfermedad.

Insight clave: Cuando la condición es rara, incluso las pruebas precisas producen muchos falsos positivos.

Compensación entre sensibilidad y especificidad

Para condiciones raras, alta especificidad es crucial para evitar la inundación de falsos positivos.

Contexto histórico

Thomas Bayes (1701-1761) fue un ministro y matemático inglés. Su teorema fue publicado póstumamente en 1763, editado por Richard Price.

Pierre-Simon Laplace desarrolló y extendió independientemente los métodos bayesianos, aplicándolos a problemas astronómicos y demográficos.

El debate "Bayesiano vs. Frecuentista" en estadística continúa hoy, aunque la práctica moderna a menudo combina ambas perspectivas.

Errores comunes

Asumir independencia

Cuando se combinan múltiples piezas de evidencia, deben ser condicionalmente independientes dada la hipótesis. La evidencia correlacionada proporciona menos información de lo esperado.

Elegir a prioris

Controvertido en aplicaciones científicas:

• Los a prioris informativos incorporan conocimiento existente
• Los a prioris no informativos intentan ser "objetivos"
• El análisis de sensibilidad prueba diferentes a prioris

Ignorar tasas base

Siempre pregunta: "¿Qué tan común es esto en la población?" antes de interpretar los resultados de las pruebas.

Cálculos relacionados

• Probabilidad condicional — Fundamentos de P(A|B)
• Sensibilidad y especificidad — Propiedades de pruebas diagnósticas
• Calculadora de razón de odds — Medidas basadas en odds
• Estimador bayesiano de proporciones — Actualización de a priori a posterior

Resumen

El teorema de Bayes actualiza probabilidades basándose en nueva evidencia. La probabilidad posterior depende del a priori (tasa base), la verosimilitud (qué tan probable es la evidencia si la hipótesis es verdadera) y la probabilidad total de la evidencia. Cuando las condiciones son raras, incluso las pruebas precisas producen muchos falsos positivos—un insight crucial para el diagnóstico médico, el razonamiento legal y cualquier situación donde la evidencia debe sopesarse contra las tasas base.