meskeIA

Simulador del Teorema de Bayes

Visualiza por qué un test "99% preciso" puede dar más falsos positivos que verdaderos. La paradoja bayesiana en directo, con casos médicos reales.

© 2026 meskeIA© 2026

Test rápido COVID: Antígenos en pico de incidencia (5%). Sensibilidad limitada vs PCR (~70-90%).

TP — verdaderos positivosFN — falsos negativosFP — falsos positivosTN — verdaderos negativos
VPP — Si el test sale POSITIVO, P(estar enfermo)59,9 %Pre-test: 5,00 % → Post-test: 59,9 % (cambio ×12,0)
VPN — Si el test sale NEGATIVO, P(estar sano)99,19 %P(¬D|−) = TN / (TN + FN)
Falsos positivos por 10002940,1 % de los positivos
Verdaderos positivos por 100042,559,9 % de los positivos
Falsos negativos por 10007,51 − sensibilidad = 15,0 %
Tasa global de positivos7,10 %71 de 1000

Aprende el teorema de Bayes

La fórmula que cambia tu intuición sobre tests, evidencia y diagnóstico

¿Qué dice el teorema de Bayes?

El teorema de Bayes calcula la probabilidad de una hipótesis (D) dada una evidencia observada (+), invirtiendo el condicional. Es una de las herramientas más potentes de toda la estadística aplicada:

P(D | +) = [ P(+ | D) · P(D) ] / P(+)

Donde P(+) = P(+|D)·P(D) + P(+|¬D)·P(¬D) (regla de la probabilidad total). En el contexto de tests médicos:

  • P(D): prevalencia de la enfermedad en la población (probabilidad a priori).
  • P(+|D): sensibilidad del test (verdadero positivo cuando hay enfermedad).
  • P(−|¬D): especificidad del test (verdadero negativo cuando NO hay enfermedad).
  • P(D|+) = VPP: lo que el paciente realmente quiere saber al recibir un positivo.

La paradoja bayesiana surge porque P(+|D) ≠ P(D|+). Aunque la sensibilidad sea 99 %, si la prevalencia es muy baja, los falsos positivos pueden superar a los verdaderos: el VPP puede ser mucho menor de lo que parece.

Cómo cambia el VPP con la prevalencia (test del 95% sens / 95% esp)

Prevalencia P(D)De 10000 personas: enfermasTPFPVPP = P(D|+)
0,1 % (raro)109,55001,87 %
1 %1009549516,1 %
5 %50047547550,0 %
10 %100095045067,9 %
50 %5000475025095,0 %

Mismo test, prevalencias distintas, VPP radicalmente distintos. Por eso los tests indiscriminados en poblaciones de baja prevalencia generan tantos falsos positivos.

4 escenarios donde Bayes es la herramienta clave

Diagnóstico médico

Cualquier test (PCR, mamografía, biopsia) tiene VPP que depende de la prevalencia local. Por eso los criterios de cribado masivo evitan poblaciones de muy baja prevalencia (más daño que beneficio por sobrediagnóstico).

Filtros de spam

Spam-Bayes y derivados clasifican correos calculando P(spam|palabras). Aprenden de cada email que marcas: actualizan los priors. Es de lejos el filtro más potente con datos limitados.

Decisión judicial

Pruebas forenses (ADN, huellas) tienen tasas de error que el jurado interpreta mal sin Bayes. La "falacia del fiscal": confundir P(prueba|inocente) con P(inocente|prueba). Errores graves cuando el sospechoso es uno entre miles.

Machine learning

Los clasificadores Naive Bayes, redes bayesianas y métodos bayesianos en general se basan directamente en el teorema. Es la base teórica de gran parte del aprendizaje supervisado moderno.

Preguntas frecuentes sobre el teorema de Bayes

¿Cómo es posible que un test del 99% acierte poco?

Porque cuando la prevalencia es muy baja, los falsos positivos arrasan. Si tienes 1 enfermo en 10000 sanos (prev 0,01 %) y un test 99 % preciso, te dará ~100 falsos positivos por cada verdadero positivo: VPP ≈ 1 %. El test "funciona bien", pero un positivo aislado significa muy poco.

En el simulador, fija sensibilidad = 99 % y especificidad = 99 %, baja la prevalencia y mira cómo se desploma el VPP.

¿Sensibilidad o especificidad: cuál es más importante?

Depende del contexto. Sensibilidad alta es crucial cuando NO querer perder ningún caso es prioritario (cribado oncológico, COVID en pico). Especificidad alta es crucial cuando un falso positivo causa daño (biopsia innecesaria, alarma de drogas en deportistas). El equilibrio depende del coste de cada error.

Curva ROC: la herramienta para visualizar el trade-off sensibilidad ↔ especificidad al variar el umbral.

¿Qué es la falacia del fiscal?

Confundir P(evidencia|inocente) con P(inocente|evidencia). Si una prueba ADN tiene tasa de coincidencia 1 entre 1 millón en inocentes, y hay 30 millones de inocentes potenciales, podrías esperar ~30 coincidencias inocentes. La probabilidad de que el sospechoso concreto sea inocente NO es 1 entre 1 millón. Bayes lo corrige.

Casos famosos como Sally Clark (UK) o el de Lucia de Berk (NL) tuvieron condenas con esta falacia que después fueron anuladas.

¿Por qué se hacen tests de confirmación tras un positivo?

Porque dos tests independientes con el mismo positivo elevan muchísimo el VPP combinado. Si un primer test da 50 % VPP, hacer un segundo test independiente del 95 % de especificidad eleva el VPP combinado por encima del 95 %. Es Bayes aplicado iterativamente: el primer positivo es el nuevo prior del segundo test.

Por eso un test rápido COVID positivo se confirmaba con PCR antes de tomar decisiones clínicas.

¿Estadística clásica (frecuentista) vs bayesiana?

Frecuentista: probabilidad como frecuencia a largo plazo, no admite probabilidades sobre hipótesis. Bayesiana: probabilidad como grado de creencia, sí admite P(hipótesis). Bayes permite actualizar creencias con nueva evidencia (prior → posterior). Hoy se complementan; el debate filosófico está prácticamente cerrado.

La inferencia bayesiana ha resurgido enormemente con la potencia de cálculo moderna (MCMC, computación). Stan, PyMC, brms son frameworks populares.

Cómo aplicar Bayes paso a paso

1
Identifica los 3 datos: P(D), P(+|D), P(−|¬D)

Prevalencia (cuántos enfermos hay), sensibilidad (qué % detecta), especificidad (qué % de sanos descarta). Sin estos 3, no se puede calcular VPP.

2
Construye una tabla 2×2 con 1000 personas

Filas: D / ¬D. Columnas: + / −. Calcula TP, FN, FP, TN. Es la forma más visual y menos propensa a errores que sustituir directamente en la fórmula.

3
Suma los positivos: TP + FP

Es el denominador del VPP. Representa cuántas personas darán positivo en total (verdaderos + falsos).

4
Calcula VPP = TP / (TP + FP)

Esto es P(D|+): la probabilidad de estar enfermo dado que el test ha salido positivo. Es lo que el paciente quiere saber.

5
Compara post-test con pre-test

El VPP debe ser mayor que la prevalencia (un positivo elevó la probabilidad). Si la diferencia es pequeña (factor <5), el test aporta poco. Si es grande (factor >100), aporta mucho.

4 buenas prácticas con Bayes

Trabaja siempre con frecuencias naturales

"De cada 1000 personas, 50 están enfermas" es más fácil de razonar que "P(D) = 0,05". Estudios de Gigerenzer y Hoffrage demuestran que las frecuencias mejoran la comprensión hasta un 80 %.

Comprueba sensibilidad y especificidad por separado

Un test puede tener sens 99 % y esp 50 %: muchísimos falsos positivos. O viceversa. Mira ambas SIEMPRE, no aceptes "tiene 99 % de precisión": ese término es ambiguo.

Itera con tests sucesivos

Un primer positivo vuelve el prior. Un segundo test calcula posterior usando ese prior. Aplicar Bayes iterativamente da VPPs combinados muy altos con dos tests independientes mediocres.

Verifica con la regla de probabilidad total

P(+) = P(+|D)·P(D) + P(+|¬D)·P(¬D). Si la suma de tus 4 categorías (TP+FN+FP+TN) no da el total, hay un error. Es la verificación más rápida.

5 errores frecuentes con el teorema de Bayes
  • Confundir P(+|D) con P(D|+) — Es el error más extendido y peligroso. La sensibilidad NO es el VPP. Si la prevalencia es baja, P(+|D) puede ser 99 % y P(D|+) puede ser 5 %. NUNCA los iguales sin pensar.
  • Olvidar la prevalencia — Una persona te dice que dio positivo en un test del 95 % y le respondes "tienes 95 % de probabilidad de estar enfermo". ERROR: depende totalmente de la prevalencia en su grupo. Pregunta primero por la base.
  • Falacia del fiscal — En contexto judicial: confundir P(prueba|inocente) (lo bajo, ej. 1 millón) con P(inocente|prueba) (puede ser muy distinto). Ha costado condenas injustas, debate hasta hoy.
  • Asumir independencia entre tests — Para iterar Bayes (test 1 → test 2), los tests deben ser INDEPENDIENTES. Si dos tests usan el mismo principio (dos PCRs en mismo laboratorio con mismo cebador) sus errores correlacionan: el VPP combinado NO es producto.
  • Ignorar el sesgo de selección — La "prevalencia en quien se hace el test" es muy distinta a la prevalencia poblacional. Si tu paciente tiene síntomas y va al médico, su pre-prevalencia ya es mucho mayor que el 0,1 % poblacional. Bayes sigue valiendo, pero hay que ajustar P(D).

Apps relacionadas