Teorema de Bayes: fórmula, explicación y ejemplos resueltos

Teorema de Bayes: fórmula, explicación y ejemplos resueltos
Índice
  1. Fórmula del teorema de Bayes
  2. De dónde sale: demostración en dos líneas
  3. Cómo plantear un problema de Bayes
  4. Ejemplos del teorema de Bayes resueltos
    1. Ejemplo 1. Una prueba médica positiva
    2. Ejemplo 2. Repetir la prueba
    3. Ejemplo 3. ¿Qué máquina hizo la pieza defectuosa?
    4. Ejemplo 4. Dos urnas
  5. Errores habituales
  6. Para qué sirve el teorema de Bayes
  7. Un poco de historia
  8. Preguntas frecuentes
    1. ¿Qué es el teorema de Bayes en pocas palabras?
    2. ¿Qué relación tiene con la probabilidad total?
    3. ¿Cómo sé que un problema es de Bayes?
    4. ¿Por qué un positivo en una prueba fiable puede significar poca probabilidad de estar enfermo?
  9. Fuentes

Actualizado el

El teorema de Bayes sirve para «dar la vuelta» a una probabilidad condicionada: si sabes con qué probabilidad aparece un efecto cuando se da cada posible causa, te dice con qué probabilidad fue cada causa una vez que has visto el efecto. Es la herramienta que se usa para interpretar un análisis médico positivo, localizar la máquina que fabricó una pieza defectuosa o actualizar una estimación cuando llegan datos nuevos.

Fórmula del teorema de Bayes

Sean A1, A2, …, An sucesos que forman un sistema completo: son incompatibles dos a dos, su unión es todo el espacio muestral y cada uno tiene probabilidad positiva. Si B es un suceso con P(B) > 0, para cada i se cumple:

P(Ai | B) = P(B | Ai) · P(Ai) / [P(B | A1)P(A1) + … + P(B | An)P(An)]

Cada término tiene un nombre que conviene saber, porque aparece en los enunciados:

TérminoNombreQué significa
P(Ai)Probabilidad a prioriLo que sabías de la causa antes de observar nada
P(B | Ai)VerosimilitudProbabilidad del efecto si la causa es Ai
P(B)Probabilidad totalProbabilidad del efecto, sumando todas las causas
P(Ai | B)Probabilidad a posterioriLo que sabes de la causa después de ver el efecto

Con solo dos causas, A y su contrario Ā, la fórmula queda P(A | B) = P(B | A)P(A) / [P(B | A)P(A) + P(B | Ā)P(Ā)].

De dónde sale: demostración en dos líneas

Por la definición de probabilidad condicionada, P(Ai ∩ B) se puede escribir de dos maneras:

P(Ai ∩ B) = P(Ai | B)·P(B) = P(B | Ai)·P(Ai).

Despejando, P(Ai | B) = P(B | Ai)P(Ai)/P(B). Falta calcular P(B). Como los Aj parten el espacio en trozos sin solapes, B se descompone en B ∩ A1, …, B ∩ An, y sumando:

P(B) = P(B | A1)P(A1) + … + P(B | An)P(An).

Esta última igualdad es la ley o teorema de la probabilidad total, y sustituida en el denominador da la fórmula de Bayes. Toda la demostración descansa en la definición de probabilidad condicionada y en la aditividad, dos de los axiomas y propiedades básicas de la probabilidad.

Cómo plantear un problema de Bayes

  1. Identifica las causas (los Ai) y comprueba que forman un sistema completo.
  2. Apunta las probabilidades a priori y comprueba que suman 1.
  3. Apunta las verosimilitudes P(B | Ai): suelen venir como porcentajes de error, de defectos o de aciertos.
  4. Calcula P(B) con la probabilidad total. Un diagrama de árbol ayuda: cada rama es un producto y P(B) es la suma de las ramas que acaban en B.
  5. Divide la rama que te interesa entre P(B).

Ejemplos del teorema de Bayes resueltos

Ejemplo 1. Una prueba médica positiva

Una enfermedad afecta al 1 % de la población. Una prueba la detecta en el 95 % de los enfermos (sensibilidad) y da positivo por error en el 5 % de los sanos. Una persona elegida al azar da positivo. ¿Qué probabilidad hay de que esté enferma?

Causas: E (enfermo), con P(E) = 0,01, y S (sano), con P(S) = 0,99. Efecto: + (positivo).

Probabilidad total: P(+) = 0,95·0,01 + 0,05·0,99 = 0,0095 + 0,0495 = 0,059.

Bayes: P(E | +) = 0,0095/0,059 ≈ 0,161.

Solo un 16 % de los positivos están enfermos. Parece poco para una prueba que «acierta el 95 %», pero la enfermedad es rara: de cada 10 000 personas hay unos 95 enfermos que dan positivo frente a unos 495 sanos que también lo dan. Confundir P(+ | E) con P(E | +) es el error más común con este teorema.

Ejemplo 2. Repetir la prueba

La misma persona repite la prueba y vuelve a dar positivo. Suponiendo que los resultados son independientes dado el estado de salud, la probabilidad a posteriori del ejemplo anterior se convierte en la nueva probabilidad a priori: P(E) = 0,161.

P(E | +) = 0,95·0,161 / (0,95·0,161 + 0,05·0,839) ≈ 0,153/0,195 ≈ 0,785.

Con dos positivos la probabilidad pasa de un 16 % a algo más de un 78 %. Así es como Bayes «actualiza» una creencia con cada dato nuevo.

Ejemplo 3. ¿Qué máquina hizo la pieza defectuosa?

Tres máquinas fabrican el 50 %, el 30 % y el 20 % de las piezas de una fábrica. Sus porcentajes de piezas defectuosas son el 2 %, el 3 % y el 5 %. Se elige una pieza al azar y es defectuosa. ¿De qué máquina es más probable que venga?

P(D) = 0,50·0,02 + 0,30·0,03 + 0,20·0,05 = 0,010 + 0,009 + 0,010 = 0,029.

  • P(A | D) = 0,010/0,029 ≈ 0,345
  • P(B | D) = 0,009/0,029 ≈ 0,310
  • P(C | D) = 0,010/0,029 ≈ 0,345

Las tres suman 1, como debe ocurrir. La máquina C, que fabrica poco, empata con la A porque su tasa de defectos es alta: Bayes pondera a la vez cuánto produce cada causa y con qué frecuencia genera el efecto.

Ejemplo 4. Dos urnas

La urna 1 tiene 3 bolas rojas y 2 blancas; la urna 2, 1 roja y 4 blancas. Se lanza una moneda para elegir urna y se saca una bola, que es roja. ¿Qué probabilidad hay de que venga de la urna 1?

P(R) = 0,5·3/5 + 0,5·1/5 = 0,3 + 0,1 = 0,4. P(U1 | R) = 0,3/0,4 = 0,75.

En la página de ejercicios resueltos del teorema de Bayes hay más problemas de este tipo, con árboles y tablas de contingencia.

Errores habituales

  • Confundir P(A | B) con P(B | A). No son iguales salvo que P(A) = P(B).
  • Olvidar alguna rama al calcular la probabilidad total, o usar causas que se solapan.
  • Ignorar la probabilidad a priori. Si la causa es muy rara, incluso una prueba buena da muchos falsos positivos.
  • Tratar como independientes dos pruebas que no lo son (por ejemplo, dos análisis que fallan por el mismo motivo).

Para qué sirve el teorema de Bayes

Además de los diagnósticos, se aplica a los filtros de correo basura (probabilidad de que un mensaje sea spam dadas las palabras que contiene), a la fiabilidad de sistemas, a la genética o a la estadística bayesiana, donde los parámetros de un modelo se tratan como variables aleatorias que se actualizan con los datos. Cuando las cuentas no se pueden hacer a mano, las probabilidades a posteriori se aproximan por simulación con el método de Montecarlo.

Un poco de historia

El resultado lleva el nombre de Thomas Bayes, cuyo ensayo An Essay Towards Solving a Problem in the Doctrine of Chances se publicó en 1763, después de su muerte, gracias a Richard Price, que lo editó y lo presentó a la Royal Society. Pierre-Simon Laplace llegó a la misma idea de forma independiente en 1774 y la desarrolló mucho más; su forma general es la que se enseña hoy.

Preguntas frecuentes

¿Qué es el teorema de Bayes en pocas palabras?

Una fórmula que calcula la probabilidad de una causa sabiendo que se ha producido un efecto, a partir de la probabilidad previa de cada causa y de la probabilidad del efecto con cada una.

¿Qué relación tiene con la probabilidad total?

El denominador de la fórmula de Bayes es la probabilidad total del efecto: la suma de P(B | Aᵢ)·P(Aᵢ) para todas las causas.

¿Cómo sé que un problema es de Bayes?

Cuando te dan probabilidades del tipo «si ocurre la causa, ocurre el efecto con tal probabilidad» y te preguntan al revés: sabiendo que ha ocurrido el efecto, cuál es la probabilidad de una causa.

¿Por qué un positivo en una prueba fiable puede significar poca probabilidad de estar enfermo?

Porque si la enfermedad es rara, los falsos positivos de la gran mayoría sana superan en número a los verdaderos positivos. En el ejemplo con un 1 % de prevalencia, solo el 16 % de los positivos están enfermos.

Fuentes

Teoremas

RELACIONADOS

Subir