Teorema De Bayes on kenji.blog

¿'Positivo en la prueba' no siempre significa 'enfermedad'?: La falacia de la tasa base

Thu, 10 Sep 2026 21:00:00 +0900

Cualquiera entraría en pánico si recibe un resultado “positivo (anormal)” en un chequeo médico o en las pruebas de detección de cáncer. Sin embargo, con conocimientos de estadística y probabilidad, es posible que pueda respirar hondo y mantener la calma. Esto se debe a que “dar positivo en una prueba de alta precisión” no significa necesariamente que “la probabilidad de estar realmente enfermo sea alta”.

Este es un sesgo cognitivo típico en el que la intuición humana se equivoca enormemente en los cálculos de probabilidad, conocido como “falacia de la tasa base (Base Rate Fallacy)” o “negligencia de la probabilidad previa”.

El aterrador problema del chequeo médico

Imagina la siguiente situación:

En una ciudad, existe una enfermedad desconocida que infecta a 1 de cada 10.000 personas (0,01%). Para detectar esta enfermedad, se ha desarrollado un excelente kit de prueba con una “precisión del 99%”. (*Una precisión del 99% significa que si una persona enferma se somete a la prueba, hay un 99% de probabilidad de que sea diagnosticada correctamente como “positiva”, y si una persona sana se somete a ella, hay un 99% de probabilidad de que sea diagnosticada correctamente como “negativa”.)

Casualmente, te sometes a esta prueba y el resultado es “positivo”. Ahora bien, ¿cuál es la probabilidad real de que estés infectado con esta enfermedad?

Muchas personas responderán intuitivamente: “Dado que la precisión de la prueba es del 99%, la probabilidad de que yo esté enfermo también debe ser del 99%”. Sin embargo, la respuesta matemática correcta es “aproximadamente 0,98% (menos del 1%)”.

¿Por qué, a pesar de tener una precisión del 99%, la probabilidad real termina siendo menor al 1%?

El Teorema de Bayes y la visualización del total

La clave para resolver este problema no es solo la precisión de la prueba, sino considerar “qué tan rara es originalmente esa enfermedad (tasa base / probabilidad previa)”. Visualicemos este fenómeno contraintuitivo utilizando una gran población de 1 millón de personas.

Población total: 1.000.000 de personas
Personas realmente enfermas (1 de cada 10.000): 100 personas
Personas sanas: 999.900 personas

A este millón de personas se les aplica la prueba con una “precisión del 99%”.

1. Cuando las personas realmente enfermas (100 personas) se hacen la prueba

Dado que la precisión es del 99%, quienes son diagnosticados correctamente como “positivos” son: 100 personas × 99% = 99 personas (Verdaderos positivos)

2. Cuando las personas sanas (999.900 personas) se hacen la prueba

Dado que la precisión es del 99%, hay personas que son diagnosticadas incorrectamente como “positivas” con una probabilidad del 1% (falsos positivos): 999.900 personas × 1% = 9.999 personas (Falsos positivos)

graph TD A["Población total (1,000,000 personas)"] --> B["Personas enfermas (100 personas)"] A --> C["Personas sanas (999,900 personas)"] B -->|99% acierto| B1["Verdaderos positivos (99 personas)"] B -->|1% error| B2["Falsos negativos (1 persona)"] C -->|99% acierto| C1["Verdaderos negativos (989,901 personas)"] C -->|1% error| C2["Falsos positivos (9,999 personas)"] B1 -.-> D{"Total de diagnosticados como 'positivos': 10,098 personas"} C2 -.-> D style A fill:#ECEFF1,stroke:#333 style B fill:#FFCDD2,stroke:#333 style C fill:#C8E6C9,stroke:#333 style B1 fill:#F44336,stroke:#333,color:#fff style C2 fill:#FF9800,stroke:#333,color:#fff style D fill:#FFF9C4,stroke:#333,stroke-width:2px

Tu verdadera probabilidad de estar enfermo

Ahora, el médico te ha informado que “eres positivo”. Esto significa que has entrado en el grupo en la parte inferior derecha del diagrama: “Total de diagnosticados como ‘positivos’ (10,098 personas)”.

Dentro de este grupo, ¿cuál es la proporción de “personas que realmente están enfermas (verdaderos positivos)”?

$$ \text{Probabilidad de estar realmente enfermo} = \frac{\text{Verdaderos positivos}}{\text{Total de diagnosticados como positivos}} = \frac{99}{99 + 9,999} = \frac{99}{10,098} \approx 0.0098 $$

El resultado del cálculo es aproximadamente 0,98%. A pesar de que te hayan dicho “positivo”, la probabilidad de que estés sano (falso positivo) es abrumadoramente mayor (alrededor del 99%).

¿Por qué se equivoca la intuición?

Este fenómeno se explica matemáticamente por el “Teorema de Bayes”, que calcula probabilidades condicionales, pero el cerebro humano es muy malo en este cálculo.

La razón por la que cometemos errores es que nos distraemos con la información individual e intensa que se nos proporciona de inmediato ("¡El resultado de tu prueba es positivo! ¡La precisión es del 99%!"), e ignoramos los enormes y aburridos datos estadísticos de fondo (“Para empezar, solo 1 de cada 10.000 personas tiene esta enfermedad (tasa base)”).

Debido a que la “rareza de la enfermedad (0,01%)” es mucho más extrema que la “imprecisión de la prueba (1%)”, un pequeño error en la prueba abruma rápidamente el número real de personas enfermas.

La “falacia de la tasa base” oculta en la sociedad

Esta ilusión causa pánico y juicios erróneos no solo en la atención médica, sino en diversas situaciones.

Sistemas de reconocimiento facial y terroristas: Incluso si una cámara de reconocimiento facial con una precisión del 99,9% encuentra a un “terrorista” en un aeropuerto, la probabilidad base de que haya terroristas es extremadamente baja, por lo que la mayoría de los atrapados serán personas inocentes comunes y corrientes con caras similares (falsos positivos).
Accidentes de tráfico y conductores mayores: Incluso si sientes que es peligroso después de ver en las noticias que “el 〇〇% de los coches que causaron accidentes eran conducidos por personas mayores”, no puedes saber si un grupo de edad en particular es realmente propenso a causar accidentes a menos que consideres “la proporción de conductores mayores entre todos los conductores que circulan por las carreteras para empezar (tasa base)”.

La “falacia de la tasa base” nos enseña la importancia del pensamiento estadístico: exactamente cuando vemos números impactantes o casos individuales, debemos volver a preguntarnos "¿qué tan probable es que esto suceda dentro del panorama general en primer lugar? (tasa base)".

El problema de la bella durmiente: ¿la probabilidad de la moneda es 1/2 o 1/3? Un problema complejo que divide la teoría de la probabilidad

Thu, 10 Sep 2026 09:00:00 +0900

1. Las reglas de un experimento extraño

Tú (la bella durmiente) has sido elegida como sujeto de un cierto experimento científico. El experimento se lleva a cabo de domingo a miércoles. La noche del domingo, te dan una pastilla para dormir y te quedas dormida.

Después de que te duermas, el experimentador lanza una moneda justa (una moneda con una probabilidad exactamente de 1/2 de salir cara o cruz). Luego, dependiendo del resultado, te despertará con el siguiente horario:

【Si el resultado del lanzamiento de la moneda es “cara”】

Te despertarán solo una vez el lunes y te harán una pregunta. Después de eso, te volverán a dormir y no te despertarás hasta que termine el experimento (el miércoles).

【Si el resultado del lanzamiento de la moneda es “cruz”】

Te despertarán el lunes y te harán una pregunta. Después de eso, te darán una medicina especial (una medicina que borra la memoria) y te volverás a dormir.
Te despertarán nuevamente el martes y te harán la misma pregunta. Después de eso, te volverán a dormir y el experimento terminará (el miércoles).

※ Debido al efecto de la medicina que borra la memoria, cuando despiertas no puedes recordar en absoluto “qué día de la semana es hoy” ni “si te han despertado en el pasado”.

graph TD Sunday["Domingo: La bella durmiente duerme"] --> Toss{"Lanzamiento de moneda"} Toss -->|Cara (1/2)| Mon_Heads["Lunes: Despertar + Pregunta
(Luego el experimento termina)"] Toss -->|Cruz (1/2)| Mon_Tails["Lunes: Despertar + Pregunta
(Luego se borra la memoria)"] Mon_Tails --> Tue_Tails["Martes: Despertar + Pregunta
(Luego el experimento termina)"] style Toss fill:#ff9999,stroke:#333 style Mon_Heads fill:#aaffaa,stroke:#333 style Mon_Tails fill:#aaffaa,stroke:#333 style Tue_Tails fill:#aaffaa,stroke:#333

Ahora bien, es lunes (o martes) y te has despertado. No hay reloj ni calendario en la habitación, así que no sabes qué día es hoy.

Entonces, el experimentador llega y te hace esta pregunta: “En tu estado actual de vigilia, ¿cuál crees que es la probabilidad de que la moneda que se lanzó haya salido ‘cara’?”

Eres una belleza con grandes conocimientos matemáticos. Ahora bien, ¿qué respondes?

2. Dos facciones en choque: ¿1/2 o 1/3?

Este problema fue ideado en la década de 1990 y publicado en una revista académica por el filósofo Adam Elga en el año 2000. La probabilidad de la moneda puede parecer obvia, pero de hecho, en torno a este problema, matemáticos, estadísticos y filósofos de todo el mundo se han dividido exactamente por la mitad en dos bandos: “La facción de 1/2 (Halfers)” y “La facción de 1/3 (Thirders)”, y continúan debatiendo ferozmente hasta el día de hoy.

Escuchemos la “lógica perfecta” de cada bando.

Argumento de “La facción de 1/2 (Halfers)”

“Como la moneda es una moneda justa sin trucos, la probabilidad de que salga cara es naturalmente 1/2. Sin importar cuántas veces el experimentador me despierte o me borre la memoria después de que me haya dormido, eso no afecta en absoluto el resultado físico de la moneda. La probabilidad en el momento en que se lanzó la moneda era de 1/2, y no he obtenido ninguna información nueva (pistas para adivinar si fue cara o cruz) por haberme despertado. Por lo tanto, la probabilidad sigue siendo 1/2.”

Esta es una opinión muy razonable que enfatiza los fenómenos físicos objetivos y la no actualización de la información.

Argumento de “La facción de 1/3 (Thirders)”

“El hecho mismo de que estés ‘despierta’ es la información que cambia la probabilidad. Supongamos que repetimos este experimento 100 veces (100 semanas). La moneda debería salir ‘cara’ 50 veces y ‘cruz’ 50 veces.

En las 50 semanas en que sale cara, te despiertas solo una vez el lunes $\rightarrow$ El número de veces que te despiertas con ‘cara’ es de 50 veces

En las 50 semanas en que sale cruz, te despiertas dos veces, el lunes y el martes $\rightarrow$ El número de veces que te despiertas con ‘cruz’ es de 100 veces

En otras palabras, de un total de 150 situaciones en las que te despiertas, hay 50 veces para el ‘patrón de despertar con cara’ y 100 veces para el ‘patrón de despertar con cruz’. ¡Por lo tanto, la probabilidad de que el despertar que estás experimentando ahora sea ‘cara’ es 50 / 150 = 1/3!”

Esta es una opinión sólida basada en el “frecuentismo” o el “principio antrópico”, que incorpora la situación misma de “existir (observar) en este momento” en el cálculo como un elemento del espacio de probabilidad.

3. Intentando calcular con el Teorema de Bayes

También hay intentos de desentrañar este problema utilizando el “Teorema de Bayes”, una herramienta para actualizar matemáticamente las probabilidades. Organicemos la lógica de “La facción de 1/3” desde la perspectiva de la probabilidad condicional.

Al despertar, el estado será uno de los siguientes tres:

$E_1$: La moneda es “cara” y hoy es “lunes”
$E_2$: La moneda es “cruz” y hoy es “lunes”
$E_3$: La moneda es “cruz” y hoy es “martes”

La probabilidad de obtener “cara” es $1/2$, y la probabilidad de obtener “cruz” es $1/2$. Sin embargo, en el caso de cruz, como “lunes” y “martes” son completamente simétricos (no se pueden distinguir porque no hay memoria), se considera que la probabilidad de que ocurra $E_2$ y $E_3$ es igual.

Dado que la suma total de las probabilidades debe ser $1$, si asignamos cada despertar como un “evento (punto de observación)” independiente con igual probabilidad: $P(E_1) = 1/3$ $P(E_2) = 1/3$ $P(E_3) = 1/3$ Por lo tanto, la conclusión es que la “probabilidad de que fuera cara ($P(E_1)$)” es $1/3$.

Por otro lado, “La facción de 1/2” contraargumenta que, para empezar, “los lunes y martes cuando la moneda es cruz ($E_2$ y $E_3$) son eventos dependientes que simplemente se derivan del resultado de una misma moneda, y es incorrecto contarlos como probabilidades independientes”.

4. ¿Por qué no se resuelve este problema?

La razón por la cual “El problema de la bella durmiente” atormenta tanto a los académicos no se debe a un simple error de cálculo o ilusión. Es porque este problema toca la cuestión fundamental más profunda de la teoría de la probabilidad, a saber, la pregunta filosófica: "¿Qué es exactamente la probabilidad?"

Para la facción de 1/2, la probabilidad es “la propiedad física de la moneda” o “un hecho objetivo”.
Para la facción de 1/3, la probabilidad es “el grado de creencia del observador (la bella)” o “la frecuencia con la que se observa”.

Un tema profundo que también se conecta con el “problema de la medición” en la mecánica cuántica y el “principio antrópico” en cosmología (la idea de calcular inversamente las probabilidades del universo a partir del hecho de que existimos) está condensado en este simple experimento de lanzamiento de una moneda.

5. Resumen

Si fueras el sujeto de este experimento, ¿responderías “1/2” o “1/3” al despertar?

Cualquiera que respondas, matemáticos de clase mundial estarán a tus espaldas para defenderte. Cómo definiciones matemáticas aparentemente simples colapsan tan pronto como se vinculan con conceptos problemáticos como la “subjetividad” y la “existencia” humanas. Las paradojas continúan sacudiendo nuestro sentido común hoy en día.

El problema de Monty Hall: Una trampa para la intuición y su solución completa mediante inferencia bayesiana

Thu, 10 Sep 2026 00:00:00 +0900

1. El escenario es un concurso de televisión: ¿Qué harías tú?

En 1990, en la columna “Ask Marilyn” (Pregúntale a Marilyn) de la revista de noticias estadounidense Parade, un lector envió la siguiente pregunta:

Eres un concursante en un programa de televisión. Frente a ti hay 3 puertas (A, B, C). Detrás de una de las puertas hay un coche nuevo (premio), y detrás de las otras dos hay cabras (perdedoras).

Primero, tú eliges la Puerta A.

Entonces, Monty Hall, el presentador que sabe detrás de qué puerta está el coche, abre la Puerta B, que revela una cabra.

Monty te dice: “Ahora puedes cambiar a la Puerta C. ¿Qué haces?”

Y bien, ¿deberías cambiar de puerta?

Intuitivamente, podrías pensar: “Quedan dos puertas, A y C. Dado que el coche está en una de ellas de forma completamente aleatoria, la probabilidad de ganar en ambas es de $\frac{1}{2}$ (50%). Así que da lo mismo si cambio o no”.

Sin embargo, la columnista Marilyn vos Savant (reconocida en el Libro Guinness de los Récords por tener el coeficiente intelectual más alto) respondió: “Deberías cambiar. Si cambias, tu probabilidad de ganar se duplica”.

Esta respuesta causó sensación en todo el país y provocó una avalancha de unas 10.000 cartas de protesta (entre ellas unas 1.000 de académicos con doctorado en matemáticas). Fueron bombardeados con duras críticas como “No entiendes lo básico de la probabilidad” y “Lógica de mujeres”. Pero, en conclusión, la respuesta de Marilyn era matemáticamente, de manera absoluta, correcta.

2. La brecha entre la intuición y las matemáticas: Visualizando las ramas de probabilidad con Mermaid

¿Por qué nuestra intuición nos engaña haciéndonos creer que es “$\frac{1}{2}$”? Primero, visualicemos todos los patrones del juego.

graph TD Start["Inicio del juego"] --> CarA["El coche está en la Puerta A (probabilidad 1/3)"] Start --> CarB["El coche está en la Puerta B (probabilidad 1/3)"] Start --> CarC["El coche está en la Puerta C (probabilidad 1/3)"] CarA --> PickA1["Eliges la Puerta A"] CarB --> PickA2["Eliges la Puerta A"] CarC --> PickA3["Eliges la Puerta A"] PickA1 --> HostB_or_C["El presentador abre B o C"] PickA2 --> HostC["El presentador abre C obligatoriamente"] PickA3 --> HostB["El presentador abre B obligatoriamente"] HostB_or_C --> Stay1["No cambias: ¡Premio!"] HostB_or_C --> Switch1["Cambias: Pierdes..."] HostC --> Stay2["No cambias: Pierdes..."] HostC --> Switch2["Cambias: ¡Premio!"] HostB --> Stay3["No cambias: Pierdes..."] HostB --> Switch3["Cambias: ¡Premio!"] style Switch2 fill:#bbf,stroke:#333,stroke-width:2px style Switch3 fill:#bbf,stroke:#333,stroke-width:2px style Stay1 fill:#f99,stroke:#333,stroke-width:2px

Si asumimos que has elegido la “Puerta A”, ocurrirán los siguientes tres escenarios con igual probabilidad ($\frac{1}{3}$).

Escenario 1 (El coche está en A): El presentador abre B o C, donde hay una cabra. Si cambias de puerta, pierdes.
Escenario 2 (El coche está en B): El presentador solo puede abrir C, donde hay una cabra. Si cambias de puerta, ganas.
Escenario 3 (El coche está en C): El presentador solo puede abrir B, donde hay una cabra. Si cambias de puerta, ganas.

En otras palabras, en 2 de las 3 veces (Escenarios 2 y 3), “si cambias de puerta, ganas seguro”. Por lo tanto, la probabilidad de ganar si cambias de puerta es de $\frac{2}{3}$, que es el doble de la probabilidad de $\frac{1}{3}$ de ganar si no cambias.

3. Demostración rigurosa mediante el Teorema de Bayes

Para resolver estrictamente este problema de forma matemática, utilizamos el “Teorema de Bayes”, que calcula la probabilidad condicional.

$$ P(H|E) = \frac{P(E|H) P(H)}{P(E)} $$

Aquí, definimos los eventos de la siguiente manera:

$C_A, C_B, C_C$ : Los eventos donde el coche está en la Puerta A, B y C respectivamente. Las probabilidades a priori son $P(C_A) = P(C_B) = P(C_C) = \frac{1}{3}$.
Supongamos que eliges inicialmente la Puerta A.
$M_B$ : El evento en el que el presentador abre la Puerta B donde hay una cabra.

Lo que queremos averiguar es “la probabilidad de que el coche esté en la Puerta C, dado que el presentador ha abierto la Puerta B”, es decir, la probabilidad a posteriori $P(C_C|M_B)$.

Primero, consideramos la probabilidad de que el presentador abra la puerta B dependiendo de dónde esté el coche, $P(M_B|C_X)$.

Si el coche está en la Puerta A ($C_A$) El presentador puede abrir B o C al azar.
$$ P(M_B|C_A) = \frac{1}{2} $$
Si el coche está en la Puerta B ($C_B$) El presentador no puede abrir la puerta con el coche, por lo que la probabilidad de abrir B es cero.
$$ P(M_B|C_B) = 0 $$
Si el coche está en la Puerta C ($C_C$) El presentador no puede abrir A (la que elegiste) ni C (donde está el coche), así que inevitablemente tiene que abrir B.
$$ P(M_B|C_C) = 1 $$

A continuación, calculamos la probabilidad total de que el presentador abra la puerta B, $P(M_B)$, usando el “Teorema de la probabilidad total”.

$$ P(M_B) = P(M_B|C_A)P(C_A) + P(M_B|C_B)P(C_B) + P(M_B|C_C)P(C_C) $$ $$ P(M_B) = \left(\frac{1}{2} \times \frac{1}{3}\right) + \left(0 \times \frac{1}{3}\right) + \left(1 \times \frac{1}{3}\right) = \frac{1}{6} + 0 + \frac{1}{3} = \frac{1}{2} $$

Finalmente, aplicamos el teorema de Bayes para calcular las probabilidades a posteriori para la Puerta A y la Puerta C.

Probabilidad de que el coche esté en la Puerta A (si no cambias):

$$ P(C_A|M_B) = \frac{P(M_B|C_A) P(C_A)}{P(M_B)} = \frac{\frac{1}{2} \times \frac{1}{3}}{\frac{1}{2}} = \frac{1}{3} $$

Probabilidad de que el coche esté en la Puerta C (si cambias):

$$ P(C_C|M_B) = \frac{P(M_B|C_C) P(C_C)}{P(M_B)} = \frac{1 \times \frac{1}{3}}{\frac{1}{2}} = \frac{2}{3} $$

La demostración matemática también muestra claramente que “cambiar de puerta duplica tus posibilidades de ganar (2/3)”.

4. Sesgo cognitivo: El valor de la información del “condicionamiento”

¿Por qué incluso muchos matemáticos geniales se equivocan intuitivamente en este problema? Se debe al “sesgo de equiprobabilidad” y al “fallo en la actualización de la información” integrados en el cerebro humano.

4.1. Sesgo de equiprobabilidad (Equiprobability Bias)

Los humanos tienden inconscientemente a asignar que “la probabilidad de las opciones restantes es siempre igual” cuando se les presentan opciones desconocidas. En el momento en que vemos que quedan dos puertas, nuestro cerebro las etiqueta automáticamente como “$50\%$ : $50\%$”.

4.2. La información de la “intención” del presentador

La principal razón por la que nuestra intuición falla es ignorar el hecho de que las acciones del presentador no son aleatorias. Si la regla fuera que el presentador “abre una puerta al azar sin saber dónde está el coche y da la casualidad de que es una cabra” (conocido como el problema de Monty Fall), la probabilidad para la Puerta A y la Puerta C sería de $\frac{1}{2}$ para ambas.

Sin embargo, en el problema real de Monty Hall, el presentador actúa bajo las siguientes estrictas restricciones:

No puede abrir la puerta que eligió el concursante.
No puede abrir la puerta donde está el coche.

Debido a estas restricciones, el acto del presentador de “abrir la puerta B” en sí mismo nos da una información enorme sobre la Puerta C. Es un mensaje tácito de: “No pude abrir la puerta C (porque allí está el coche)”.

5. Corrigiendo la intuición con un ejemplo extremo

Si aún no estás convencido, intentemos aumentar el número de puertas a 1 millón.

Tú eliges la Puerta 1 entre 1 millón de puertas. (La probabilidad de acertar es $\frac{1}{1,000,000}$)
El presentador, que lo sabe todo, abre 999.998 puertas con cabras de las 999.999 restantes.
Las únicas puertas cerradas son la “Puerta 1” que tú elegiste y la “Puerta 777.777” que el presentador dejó a propósito.

Ahora, ¿cambias? En este caso, a menos que creas que lograste el milagro de “uno en un millón” en tu primera elección, no deberías mantenerla. Probablemente puedas entender intuitivamente que la probabilidad de que el coche esté en “la única puerta que el presentador no pudo abrir bajo ningún concepto” es de $\frac{999,999}{1,000,000}$.

El problema de Monty Hall (con 3 puertas) es simplemente este mismo fenómeno reducido a la escala de “1 millón de puertas”.

pie title "Efecto de cambiar de puerta (Simulación de 100 veces)" "Ganas cambiando (aprox. 66.7%)" : 67 "Ganas sin cambiar (aprox. 33.3%)" : 33

6. Conclusión: Lecciones para los negocios y la vida de la teoría de la probabilidad

El problema de Monty Hall va más allá de ser un simple concurso y nos enseña valiosas lecciones.

La intuición a menudo se equivoca: El cerebro humano no ha evolucionado para procesar intuitivamente probabilidades condicionales complejas. Es peligroso basarse solo en la intuición para tomar decisiones importantes.
Actualizar probabilidades con nueva información (Actualización bayesiana): Cuando la situación cambia y se dispone de nueva información (como qué puerta abrió el presentador), la clave del éxito está en la capacidad de actualizar tus probabilidades y estrategias de forma flexible, sin aferrarte a tus ideas preconcebidas.

La pequeña decisión de “cambiar de puerta” puede duplicar tus posibilidades de conseguir el “coche nuevo” en tu vida.