Calculadora del Teorema de Bayes

Calculadora del Teorema de Bayes

La Calculadora del Teorema de Bayes calcula la probabilidad a posteriori P(A|B) utilizando el teorema de Bayes. Ingrese la probabilidad a priori, la verosimilitud y la tasa de falsos positivos para ver soluciones paso a paso, diagramas de árbol de probabilidad, desgloses de frecuencia natural y resúmenes detallados de probabilidad. Ya sea que esté analizando la precisión de una prueba médica, evaluando filtros de spam o estudiando la probabilidad condicional, esta herramienta hace que el razonamiento bayesiano sea intuitivo y visual.

Cómo usar la Calculadora del Teorema de Bayes

1. Ingrese la probabilidad a priori P(A) — esta es su creencia inicial sobre qué tan probable es la hipótesis antes de ver cualquier evidencia. Por ejemplo, si el 1% de la población tiene una enfermedad, P(A) = 0.01.
2. Ingrese la verosimilitud P(B|A) — esta es la probabilidad de observar la evidencia cuando la hipótesis es verdadera. Para una prueba médica, esta es la sensibilidad o tasa de verdaderos positivos. Una prueba con un 99% de sensibilidad significa P(B|A) = 0.99.
3. Ingrese la tasa de falsos positivos P(B|¬A) — esta es la probabilidad de observar la evidencia cuando la hipótesis es falsa. Una prueba con una tasa de falsos positivos del 5% significa P(B|¬A) = 0.05.
4. Haga clic en Calcular para ver la probabilidad a posteriori P(A|B) con todos los pasos del proceso.
5. Explore las visualizaciones — el diagrama de árbol de probabilidad muestra cómo se divide la población, la sección de frecuencia natural utiliza números enteros para una comprensión intuitiva y la barra de comparación muestra cómo la evidencia desplazó su creencia.

¿Qué es el Teorema de Bayes?

El teorema de Bayes es una regla fundamental de la probabilidad que describe cómo actualizar las creencias a la luz de nueva evidencia. Nombrado en honor al reverendo Thomas Bayes (1701–1761), el teorema establece:

P(A|B) = P(B|A) × P(A) / P(B)

Donde:

• P(A|B) — Probabilidad a posteriori: la probabilidad actualizada de A después de observar B
• P(B|A) — Verosimilitud: qué tan probable es la evidencia si A es verdadero
• P(A) — Probabilidad a priori: la probabilidad inicial de A
• P(B) — Verosimilitud marginal: la probabilidad total de observar B

La Falacia de la Tasa Base

Uno de los resultados más contraintuitivos en probabilidad es la falacia de la tasa base, que el teorema de Bayes ayuda a exponer. Considere una enfermedad que afecta al 1% de las personas (P(A) = 0.01), con una prueba que tiene un 99% de precisión (P(B|A) = 0.99) y una tasa de falsos positivos del 5% (P(B|¬A) = 0.05). Intuitivamente, la mayoría de las personas asumen que una prueba positiva significa que casi con certeza tienen la enfermedad. Sin embargo, el teorema de Bayes revela que la probabilidad a posteriori es solo de aproximadamente un 16.7%. Esto se debe a que los falsos positivos de la gran población sana superan a los positivos verdaderos del pequeño grupo afectado.

Comprendiendo la Razón de Verosimilitud

La razón de verosimilitud (LR) es P(B|A) dividido por P(B|¬A). Mide el poder diagnóstico de la evidencia:

• LR > 10: Evidencia sólida que apoya la hipótesis
• LR 3–10: Evidencia moderada
• LR 1–3: Evidencia débil
• LR = 1: La evidencia es irrelevante (no cambia su creencia)
• LR < 1: La evidencia argumenta en contra de la hipótesis

Aplicaciones del Teorema de Bayes en el Mundo Real

• Diagnóstico Médico: Calcular la probabilidad de una enfermedad dado un resultado positivo en una prueba, considerando la sensibilidad, especificidad y prevalencia de la enfermedad.
• Filtrado de Spam: Los clasificadores de correo electrónico utilizan la probabilidad bayesiana para determinar si un mensaje es spam basándose en las palabras que contiene.
• Razonamiento Legal: Evaluar cómo la evidencia de ADN u otros resultados forenses afectan la probabilidad de culpabilidad.
• Aprendizaje Automático (Machine Learning): Los clasificadores Naive Bayes, las redes bayesianas y los modelos probabilísticos se basan en el teorema de Bayes.
• Pronóstico del Tiempo: Actualizar la probabilidad de lluvia basada en la presión barométrica, la humedad y otras señales.
• Control de Calidad: Determinar la probabilidad de que un producto sea defectuoso tras fallar una prueba de inspección.

Frecuencias Naturales: Haciendo que Bayes sea Intuitivo

La investigación de Gerd Gigerenzer y otros ha demostrado que los humanos entienden el razonamiento bayesiano mucho mejor cuando se presenta con frecuencias naturales en lugar de probabilidades abstractas. En lugar de decir "P(A) = 1%", podemos decir "10 de cada 1,000 personas tienen la condición". Nuestra calculadora ofrece ambas representaciones, ayudándole a desarrollar una intuición genuina para la probabilidad condicional.

Preguntas Frecuentes (FAQ)

¿Qué es el teorema de Bayes?

El teorema de Bayes es una fórmula matemática que describe cómo actualizar la probabilidad de una hipótesis basada en nueva evidencia. Establece que P(A|B) = P(B|A) × P(A) / P(B), donde P(A|B) es la probabilidad a posteriori, P(B|A) es la verosimilitud, P(A) es la probabilidad a priori y P(B) es la probabilidad total de la evidencia.

¿Cuál es la diferencia entre probabilidad a priori y a posteriori?

La probabilidad a priori P(A) es su creencia inicial sobre la probabilidad de un evento antes de considerar nueva evidencia. La probabilidad a posteriori P(A|B) es la probabilidad actualizada después de tener en cuenta la evidencia. El teorema de Bayes proporciona el marco matemático para calcular esta actualización.

¿Por qué una prueba médica positiva no siempre significa que se tiene la enfermedad?

Cuando una enfermedad es rara (baja probabilidad a priori), incluso una prueba muy precisa produce muchos falsos positivos en relación con los positivos verdaderos. Por ejemplo, con una tasa de enfermedad del 1% y una prueba precisa al 95% con una tasa de falsos positivos del 5%, un resultado positivo solo significa aproximadamente un 16% de probabilidad de tener realmente la enfermedad. Esto se conoce como la falacia de la tasa base.

¿Qué es la razón de verosimilitud en el teorema de Bayes?

La razón de verosimilitud es P(B|A) dividido por P(B|¬A). Mide cuánto desplaza la evidencia su creencia. Una razón mayor que 1 significa que la evidencia apoya la hipótesis, mientras que una razón menor que 1 significa que argumenta en su contra. Ratios más altos indican evidencia más sólida.

¿Puedo ingresar porcentajes en la calculadora del teorema de Bayes?

Sí, puede ingresar valores como decimales (como 0.05) o como porcentajes (como 5 o 5%). La calculadora detecta y convierte automáticamente las entradas de porcentaje. Los valores mayores que 1 sin un signo de porcentaje se tratan como porcentajes.