Hay un ejemplo resuelto que enseña la actualización bayesiana mejor que cualquier fórmula abstracta, y ya os lo habéis cruzado dos veces — una en el curso anterior, otra en el pretest de este curso. Toca desmontarlo por completo, porque en cuanto la prueba médica deje de parecer un truco, cualquier otra actualización de vuestra vida se volverá más fácil. El planteamiento es deliberadamente sencillo: una enfermedad, una prueba, un resultado positivo. La respuesta es célebremente contraintuitiva, y el remedio para la mala intuición es un dibujo, no una ecuación.
Este es el escenario que usaremos durante toda la lección. Una enfermedad afecta a 1 de cada 1,000 personas. Una prueba para detectarla es «99% precisa», lo que concretaremos en dos cosas: si tienes la enfermedad, dice correctamente positivo el 99% de las veces (una tasa de verdaderos positivos del 99%), y si no la tienes, dice positivo por error el 1% de las veces (una tasa de falsos positivos del 1%). Te haces la prueba. Sale positiva. ¿Qué probabilidad hay de que realmente tengas la enfermedad?
Antes de leer — adivina
Comprométete con una respuesta visceral antes de resolverlo. Una enfermedad afecta a 1 de cada 1,000. La prueba tiene una tasa de verdaderos positivos del 99% y una tasa de falsos positivos del 1%. Das positivo. La probabilidad de que estés realmente enfermo está más cerca de…
No uses porcentajes — usa personas
La razón por la que este rompecabezas parece imposible en porcentajes es que los porcentajes esconden la tasa base. Así que tíralos a la basura y cuenta personas de verdad. Este es el truco más poderoso de todo el razonamiento bayesiano, y tiene nombre: frecuencias naturales (natural frequencies). En vez de hacer malabares con «1%», «0,1%» y «99%», dejamos caer una multitud concreta de personas dentro del problema y simplemente contamos quién acaba dónde.
Coge 100,000 personas y guíalas por el escenario paso a paso.
- La enfermedad afecta a 1 de cada 1,000, así que de nuestras 100,000 personas, 100 tienen la enfermedad y 99,900 no. Esa división — 100 frente a 99,900 — es la tasa base, y está haciendo casi todo el trabajo.
- De las 100 que la tienen, la prueba marca correctamente al 99% → 99 verdaderos positivos (y 1 persona enferma a la que da el alta por error).
- De las 99,900 que no la tienen, la prueba marca por error al 1% → 999 falsos positivos.
Ahora fíjate solo en todos los que dieron positivo. Hay 99 + 999 = 1,098. De esos, solo 99 tienen realmente la enfermedad. Así que la probabilidad de que una persona con positivo esté de verdad enferma es:
99 ÷ 1,098 ≈ 0.090, alrededor del 9%.
Toda la «paradoja» se evapora. La prueba es genuinamente buena — pero la multitud sana es tan enorme que incluso el 1% de ella (999 personas) ahoga a la diminuta multitud enferma (99 personas). La mayoría de los positivos son falsas alarmas no porque la prueba sea mala, sino porque hay mucho más «sano» que marcar por error que «enfermo» que marcar bien.
| Grupo | Cuántos | La prueba dice positivo | De esos, ¿quién está realmente enfermo? |
|---|---|---|---|
| Tienen la enfermedad | 100 | 99 (verdaderos positivos) | 99 |
| No la tienen | 99,900 | 999 (falsos positivos) | 0 |
| Todos los que dan positivo | — | 1,098 | 99 → alrededor del 9% |
El hábito de las frecuencias naturales
Cuando un rompecabezas de probabilidad te deje bloqueado, deja de calcular porcentajes e imagina una multitud fija — 1,000 o 100,000 personas — y luego guíalas por las ramas y cuenta quién aterriza dónde. El teorema de Bayes es exactamente este recuento; la fórmula solo esconde a las personas. La investigación con médicos y jueces demuestra que el mismo problema que fallan en porcentajes lo aciertan en frecuencias naturales.
Mira moverse la respuesta: la calculadora de probabilidad posterior
Leer el recuento una vez convence a tu cabeza; manejarlo convence a tu instinto. Abajo tienes el mismo problema como una calculadora en vivo. Arranca con nuestro escenario — una tasa base del 0,1% (es decir, 1 de cada 1,000), una tasa de verdaderos positivos del 99% y una tasa de falsos positivos del 1% — y muestra la probabilidad posterior (posterior) (tu probabilidad real de enfermedad tras un positivo) tanto como porcentaje como en forma de multitud de personas.
Juega con los tres deslizadores y mira cómo da bandazos la probabilidad posterior:
Actualización bayesiana
Una enfermedad rara y una prueba «99% precisa»
Ajusta los tres números. La probabilidad posterior — tu probabilidad real de enfermedad tras un positivo — se actualiza en vivo.
- 0.1%
- 99%
- 1%
Tras un positivo, solo el 9% de quienes dan positivo realmente tienen la enfermedad.
De cada 100,000 personas
De 1,098 que dan positivo, solo 99 tienen la enfermedad de verdad — los otros 999 son falsas alarmas.
■ verdaderos positivos · ■ falsos positivos · 100 de 100,000 realmente tienen la enfermedad
Tres experimentos que merece la pena hacer antes de seguir, porque cada uno enseña una palanca distinta:
- Haz la enfermedad diez veces más común — arrastra el prior del 0,1% hasta el 1%. La probabilidad posterior salta de ~9% a aproximadamente 50%. Misma prueba, misma precisión; lo único que cambió es cuánto «enfermo» había que encontrar. La tasa base es el dial dominante.
- Recorta la tasa de falsos positivos al 0,1% (una prueba mucho más específica). La probabilidad posterior salta a aproximadamente 50% incluso con la tasa base rara original. Las falsas alarmas, no los casos no detectados, son lo que envenena una prueba de cribado para una condición rara.
- Sube y baja la tasa de verdaderos positivos entre, digamos, el 90% y el 100%. La probabilidad posterior apenas se inmuta. Cazar a más de las raras personas enfermas no ayuda mucho cuando eran raras de entrada — sencillamente no hay muchas que cazar.
Usando la lógica de la calculadora: ¿qué cambio único elevaría MÁS la probabilidad de estar realmente enfermo (la probabilidad posterior), partiendo del escenario de la enfermedad rara?
La segunda prueba: actualizar otra vez
Así que diste positivo y la lectura honesta es «alrededor del 9%, probablemente una falsa alarma — pero merece la pena comprobarlo». ¿Qué hace una persona cuidadosa? Hacerse una segunda prueba independiente. Y aquí está lo bonito: la actualización bayesiana te dice exactamente qué hacer con el resultado, porque tu probabilidad posterior de la primera prueba se convierte en tu prior para la segunda.
Ya no entras en la segunda prueba creyendo «1 de cada 1,000». Tras el primer positivo, tu creencia honesta es «alrededor del 9%». Así que mete un prior del 9% en la misma maquinaria. Si la segunda prueba independiente también sale positiva (de nuevo 99% de verdaderos positivos, 1% de falsos positivos):
- De 100,000 personas que están cada una en un prior del 9%: 9,000 tienen la enfermedad, 91,000 no.
- Verdaderos positivos:
9,000 × 0.99 = 8,910. Falsos positivos:91,000 × 0.01 = 910. - Probabilidad posterior:
8,910 ÷ (8,910 + 910) ≈ 0.907, alrededor del 91%.
Una prueba positiva te llevó del 0,1% al 9%. Una segunda te llevó del 9% al 91%. Eso es actualizar por grados — cada pieza de evidencia te mueve la cantidad justa, y los movimientos se acumulan. La única prueba que parecía inútil («¿solo el 9%?») era en realidad una actualización enorme; multiplicó tus probabilidades casi por cien. Solo que partía de una base tan diminuta que incluso un salto de cien veces aterrizó en el 9%.
«Independiente» está haciendo un trabajo de verdad
El truco de la segunda prueba solo funciona si la segunda prueba es independiente de la primera — un método distinto, no la misma prueba repetida (que solo reconfirmaría el mismo falso positivo). Si dos pruebas comparten el mismo defecto, un segundo positivo casi no te dice nada nuevo. Nos volveremos a topar con esta trampa como el doble conteo de evidencia: las pistas correlacionadas parecen dos confirmaciones pero están más cerca de ser una. Cuando las fuentes no son independientes, actualizar dos veces cuenta de más.
Tras una prueba positiva, tu probabilidad de enfermedad es de alrededor del 9%. Te haces una segunda prueba independiente y TAMBIÉN sale positiva. ¿Qué deberías creer ahora, más o menos?
En qué te miente este ejemplo resuelto
La prueba médica es la maestra perfecta, pero saca dos advertencias de ella antes de generalizar.
Primera: la tasa base tiene que ser la correcta. Nuestra cifra de 1 entre 1,000 era la tasa base de la población general. Si te hacen la prueba porque ya tienes síntomas, o porque la enfermedad es hereditaria en tu familia, tu prior ya no es 1 de cada 1,000 — podría ser 1 de cada 10, y entonces un positivo sí es genuinamente alarmante. Todo el cálculo es solo tan bueno como el prior que le metas, por lo que elegir la clase de referencia correcta (de la lección de tasas base) es la mitad de la batalla. Cribar a una multitud de bajo riesgo y hacer la prueba a un paciente de alto riesgo son problemas distintos con priors distintos y probabilidades posteriores distintas.
Segunda: «9%» no es «ignóralo». Un 9% de probabilidad de una enfermedad grave no es nada — es 90 veces tu riesgo de partida y merece absolutamente una prueba de seguimiento. La actualización bayesiana no te dice que descartes la evidencia; te dice que la dimensiones correctamente y actúes en consecuencia. El error que comete el paciente que entra en pánico no es tomarse la prueba en serio — es saltar directamente a «la tengo» y saltarse la segunda prueba que de verdad zanjaría la cuestión.
Cuándo recurrir a ella
Recurre al árbol de frecuencias naturales cada vez que una prueba, señal o filtro marque algo raro — un cribado médico, una alerta de fraude, un filtro de spam, un escáner de seguridad, una corazonada de «este candidato encaja con el perfil». El detonante es la frase «la prueba es X% precisa» (o «el modelo es X% preciso») pegada a un objetivo raro. En el instante en que la oigas, niégate a leer la precisión como la respuesta. En vez de eso: nombra la tasa base, deja caer 100,000 casos imaginarios en las ramas y cuenta los verdaderos positivos contra los falsos positivos. Cuesta treinta segundos y rutinariamente convierte un pánico en un sensato «vamos a confirmarlo».
Ponte a prueba: la prueba médica
¿Por qué la probabilidad de enfermedad tras un positivo (alrededor del 9%) es tanto más baja que el 99% de precisión de la prueba?
Comprueba tu respuesta para continuar.
Hacia dónde va esto
Ya has resuelto el rompecabezas que rompe la intuición de la mayoría de la gente — y lo hiciste contando personas, no memorizando una fórmula. Pero el recuento es una fórmula disfrazada, y nombrarla te permite actualizar sin dibujar un árbol cada vez. A continuación, en «El teorema de Bayes», sacamos la ecuación directamente del árbol de frecuencias naturales que acabas de construir, y luego conocemos a su gemela más amable — la forma de cuotas (odds) — que te permite hacer estas actualizaciones de cabeza: cuotas a priori, por un cociente de verosimilitud, igual a cuotas a posteriori.