La Calculadora del Teorema de Bayes es una herramienta estadística completa que te permite calcular la probabilidad posterior P(A|B) actualizando tus creencias a partir de nueva evidencia. Incluye un modo estándar para trabajar con cualquier incógnita de la fórmula de Bayes y un modo médico especializado en pruebas diagnósticas con sensibilidad, especificidad y prevalencia.
Ideal para estudiantes de estadística, profesionales de la salud, científicos de datos y cualquier persona que necesite aplicar el razonamiento bayesiano en diagnóstico médico, filtros de spam, pruebas A/B o inferencia estadística.
🧠 Calculadora del Teorema de Bayes
Actualiza la probabilidad de una hipótesis a la luz de nueva evidencia
Probabilidad a priori P(A)
Creencia inicial antes de ver la evidencia (0-1)
Verosimilitud P(B|A)
Probabilidad de ver la evidencia si la hipótesis es verdadera
Tasa de falsos positivos P(B|¬A)
Probabilidad de ver la evidencia si la hipótesis es falsa
💡 ¿Qué calcular? En modo estándar se calcula automáticamente P(A|B) a partir de los tres valores anteriores. Si deseas calcular otra incógnita, visita el Modo Avanzado más abajo.
Prevalencia (P(A))
Probabilidad de tener la enfermedad en la población
Sensibilidad (P(B|A))
Tasa de verdaderos positivos: detecta correctamente a los enfermos
Especificidad (P(¬B|¬A))
Tasa de verdaderos negativos: identifica correctamente a los sanos
💡 Modo médico: A partir de la prevalencia, sensibilidad y especificidad, calculamos automáticamente la probabilidad de que un paciente con resultado positivo realmente tenga la enfermedad.
🔬 Modo Avanzado: Resolver cualquier incógnita de Bayes
Si conoces tres de las cuatro probabilidades, calcula la cuarta automáticamente.
Probabilidad a priori P(A)
Verosimilitud P(B|A)
Probabilidad de la evidencia P(B)
Probabilidad posterior P(A|B)
Modo Estándar (P(A|B)) y Modo Médico (sensibilidad/especificidad).
Resuelve cualquier incógnita de la fórmula con solo tres valores conocidos.
Funciona perfectamente en ordenadores, tablets y móviles.
¿Qué es el Teorema de Bayes?
El Teorema de Bayes es una fórmula fundamental en probabilidad que describe la probabilidad de un evento basada en el conocimiento previo de las condiciones relacionadas con el evento. Nombrado en honor al reverendo Thomas Bayes (1701-1761), este teorema permite actualizar nuestras creencias a la luz de nueva evidencia, y es la base de la inferencia bayesiana.
En palabras sencillas, el Teorema de Bayes responde a la pregunta: «Dado que he observado cierta evidencia, ¿cuál es la probabilidad actualizada de que mi hipótesis sea cierta?»[reference:0]
Fórmula del Teorema de Bayes
La expresión matemática del Teorema de Bayes es:
P(A|B) = P(A) × P(B|A) / P(B)
Donde:
- P(A|B) es la probabilidad posterior: la probabilidad de la hipótesis A después de observar la evidencia B.
- P(A) es la probabilidad a priori: la creencia inicial sobre A antes de ver la evidencia.
- P(B|A) es la verosimilitud: la probabilidad de observar la evidencia B si la hipótesis A es cierta.
- P(B) es la probabilidad marginal de la evidencia, que se calcula con la ley de probabilidad total: P(B) = P(B|A) × P(A) + P(B|¬A) × P(¬A).
Aplicaciones prácticas del Teorema de Bayes
Diagnóstico médico
El uso más conocido del Teorema de Bayes es en pruebas diagnósticas. Conociendo la prevalencia de una enfermedad (probabilidad a priori), la sensibilidad de la prueba (P(positivo|enfermo)) y la especificidad (P(negativo|sano)), podemos calcular la probabilidad de que un paciente con resultado positivo realmente tenga la enfermedad[reference:1].
Filtros de spam
Los filtros de spam utilizan el Teorema de Bayes para clasificar correos electrónicos como spam o no spam basándose en palabras clave observadas en mensajes anteriores. La probabilidad se actualiza constantemente con cada nuevo correo, mejorando la precisión del filtro.
Machine Learning
Los clasificadores Naive Bayes son algoritmos de aprendizaje automático basados en el teorema de Bayes, ampliamente utilizados en clasificación de texto, detección de spam y análisis de sentimientos[reference:2].
Pruebas A/B
En marketing digital, el Teorema de Bayes ayuda a interpretar los resultados de pruebas A/B, actualizando la probabilidad de que una variante sea mejor que otra a medida que se recogen más datos.
Ejemplos prácticos del Teorema de Bayes
Ejemplo 1: Prueba médica
Una enfermedad afecta al 1% de la población (prevalencia = 0.01). Una prueba tiene 99% de sensibilidad (detecta al 99% de los enfermos) y 95% de especificidad (identifica correctamente al 95% de los sanos). Si una persona da positivo, ¿cuál es la probabilidad de que realmente tenga la enfermedad?
P(Enfermo|Positivo) = (0.01 × 0.99) / [(0.01 × 0.99) + (0.99 × 0.05)] = 0.0099 / (0.0099 + 0.0495) = 0.0099 / 0.0594 ≈ 0.1667 (16.67%)
Este resultado sorprende a muchos: aunque la prueba es muy precisa, la baja prevalencia hace que la mayoría de los positivos sean falsos positivos.
Ejemplo 2: Dos fábricas
Una fábrica produce el 60% de las piezas (Fábrica A) y otra el 40% (Fábrica B). La Fábrica A produce un 2% de defectuosos y la Fábrica B un 5%. Si se encuentra una pieza defectuosa, ¿cuál es la probabilidad de que provenga de la Fábrica A?
P(A|Defectuoso) = (0.60 × 0.02) / [(0.60 × 0.02) + (0.40 × 0.05)] = 0.012 / (0.012 + 0.020) = 0.012 / 0.032 = 0.375 (37.5%)
Preguntas frecuentes sobre el Teorema de Bayes
¿Qué es la probabilidad a priori y a posteriori?
La probabilidad a priori es la creencia inicial sobre la probabilidad de un evento antes de ver nueva evidencia. La probabilidad a posteriori es la probabilidad actualizada después de considerar la nueva información. El Teorema de Bayes proporciona el mecanismo matemático para realizar esta actualización[reference:3].
¿Qué significa que dos eventos sean independientes en el contexto de Bayes?
Dos eventos A y B son independientes si la ocurrencia de uno no afecta la probabilidad del otro, es decir, P(A|B) = P(A). En este caso, el Teorema de Bayes se simplifica y la probabilidad posterior es igual a la probabilidad a priori. Si son dependientes, el teorema nos permite cuantificar esa dependencia[reference:4].
¿Cómo se calcula P(B) en el teorema de Bayes?
P(B), la probabilidad total de la evidencia, se calcula usando la ley de probabilidad total: P(B) = P(B|A) × P(A) + P(B|¬A) × P(¬A). Esta fórmula considera tanto los casos donde la hipótesis A es verdadera como aquellos donde es falsa. La calculadora lo hace automáticamente por ti.
¿Por qué el resultado de Bayes puede ser contraintuitivo?
El Teorema de Bayes a menudo produce resultados sorprendentes porque las personas tienden a ignorar la probabilidad base (prevalencia) cuando evalúan la significancia de una evidencia. El ejemplo clásico es una prueba médica muy precisa que, aplicada a una enfermedad rara, genera muchos falsos positivos. El teorema nos obliga a considerar explícitamente la prevalencia.
¿Qué es un clasificador Naive Bayes?
Un clasificador Naive Bayes es un algoritmo de machine learning que aplica el Teorema de Bayes con la suposición «ingenua» (naive) de que las características son independientes entre sí dado el valor de la clase. A pesar de esta simplificación, funciona sorprendentemente bien en problemas de clasificación de texto, detección de spam y análisis de sentimientos.
¿Cómo influye el tamaño de la muestra en la actualización bayesiana?
A medida que se acumula más evidencia (mayor tamaño de muestra), la influencia de la probabilidad a priori disminuye y la probabilidad posterior se aproxima a la evidencia empírica. Con muestras muy grandes, el resultado converge al estimador de máxima verosimilitud, independientemente de la prior.
¿Qué relación tiene el Teorema de Bayes con la probabilidad condicional?
El Teorema de Bayes es una extensión de la probabilidad condicional. De hecho, parte de la definición de probabilidad condicional P(A∩B) = P(A|B) × P(B) = P(B|A) × P(A). Al despejar P(A|B) obtenemos la fórmula de Bayes. Por tanto, el teorema es una forma de «invertir» la dirección de la condicionalidad[reference:5].
¿Qué es el factor de Bayes?
El factor de Bayes es una medida de la fuerza de la evidencia proporcionada por los datos a favor de una hipótesis frente a otra. Se calcula como el cociente de las verosimilitudes: BF = P(Datos|H₁) / P(Datos|H₂). Es un concepto fundamental en la estadística bayesiana para la comparación de modelos.
