Explicación paso a paso, al mínimo detalle
¿Cómo actualizamos nuestras creencias cuando recibimos nueva información?
Eso es exactamente lo que Bayes nos enseñó en 1763.
Y es más fácil de lo que crees.
Usa las flechas ← → o los botones para avanzar
Imagina que eres médico. Un paciente da positivo en una prueba de una enfermedad rara.
¿Significa realmente que está enfermo? No necesariamente.
"¡Positivo = enfermo!"
Decisiones apresuradas, falsos alarmas.
"Positivo + enfermedad rara = probablemente falso positivo"
Decisiones inteligentes.
🔬 Medicina — Interpretar pruebas diagnósticas
📧 Email — Filtrar spam
🤖 IA — Aprendizaje automático
⚖️ Justicia — Evaluar evidencia
📈 Negocios — Decisiones bajo incertidumbre
🌤️ Clima — Predecir el tiempo
Bayes se hizo una pregunta simple:
"Si ahora sé algo nuevo... ¿cómo cambio lo que antes creía?"
Tu amigo siempre llega tarde. Hoy no ha llegado a la hora acordada.
¡Acabas de aplicar Bayes sin saberlo! Actualizaste tu creencia con nueva evidencia.
Solo necesitas entender 4 conceptos. Todo el teorema se construye con ellos.
Lo que crees o quieres comprobar.
Ej: "El paciente está enfermo"
Ej: "El mercado adoptará el producto"
Lo que observas o midas.
Ej: "El test dio positivo"
Ej: "El piloto de mercado fue favorable"
La barra se lee "dado que".
P(E|H) = "Probabilidad de E dado que H es cierta"
El símbolo ¬ niega lo que sigue.
¬H = "la hipótesis es falsa"
Ej: "El paciente NO está enfermo"
Lo que crees antes de ver nuevos datos.
Ejemplo: "El 40% de los mercados similares adoptaron el producto."
¿Qué tan probable es la evidencia si la hipótesis es cierta?
Ejemplo: "Si SÍ hay adopción, el 80% de los pilotos salen positivos."
¿Qué tan común es ver esta evidencia en general?
Ejemplo: "¿Qué % de pilotos dan positivo, sin importar si hay adopción o no?"
Lo que crees después de ver la evidencia. ¡Esta es la respuesta!
Ejemplo: "Tras el piloto positivo, la probabilidad sube a 64%."
Ahora sí, la fórmula. Pero primero, vamos a entender cada pedazo.
Piensa en Bayes como una balanza:
Prior (lo que creías) + Evidencia nueva = Posterior (lo que ahora crees)
La evidencia pesa según qué tan rara o común sea (el denominador).
Antes de calcular, necesitas entender el error que cometen todos. Si dominas esto, dominas Bayes.
En probabilidad, la dirección de la condición cambia completamente el resultado. Usamos las mismas letras para que veas la diferencia:
🔄 La diferencia está en qué va antes y qué va después de la barra "|" :
P(E|H) = Probabilidad de la Evidencia dado que la Hipótesis es cierta → "¿Qué tan probable es el test POSITIVO si estoy enfermo?"
P(H|E) = Probabilidad de la Hipótesis dada la Evidencia → "¿Qué tan probable es que esté enfermo si el test dio positivo?"
Para entender por qué P(E|H) ≠ P(H|E), veamos un ejemplo cotidiano. Aquí llamamos H = "está lloviendo" y E = "lleva paraguas":
"Si H es cierta (está lloviendo), ¿qué probabilidad hay de E (llevar paraguas)?"
→ MUY ALTA (~95%). La mayoría de la gente lleva paraguas cuando llueve.
"Si vemos E (lleva paraguas), ¿qué probabilidad hay de H (que esté lloviendo)?"
→ MUCHO MÁS BAJA. También llevan paraguas por precaución, por el pronóstico, etc.
La dirección importa.
P(E|H) ≠ P(H|E)
Bayes te permite "girar" la probabilidad:
Si conoces P(E|H), Bayes calcula P(H|E).
Siempre usamos las mismas letras: E = Evidencia, H = Hipótesis. La barra "|" se lee "dado que".
Bayes es la herramienta que te permite girar la flecha de la probabilidad. Cuando te dicen "la prueba tiene 95% de precisión" (eso es P(E|H)), Bayes te dice cuánto creerle después de ver el resultado (eso es P(H|E)).
La mejor forma de ver Bayes es con un árbol. Cada rama representa una posibilidad.
P(Adopción | Piloto +) = 0.32 / (0.32 + 0.18) = 0.32 / 0.50 = 0.64
Una empresa quiere lanzar un producto en Indonesia. Veamos cómo Bayes guía la decisión.
Hipótesis (H): El mercado adoptará el producto
Prior: P(adopción) = 0.40
Evidencia (E): Piloto positivo en Jakarta
P(piloto+ | adopción) = 0.80
P(piloto+ | no adopción) = 0.30
(falsos positivos posibles)
📈 Interpretación: El piloto positivo subió la probabilidad del 40% al 64%. Con un 40%, la inversión era dudosa. Con 64%, el panorama cambia significativamente. Bayes cuantifica exactamente cuánto debe cambiar tu opinión.
Cuando tienes múltiples hipótesis, una tabla evita errores. Cada columna es un paso del razonamiento.
Cada columna nace de la multiplicación de las dos anteriores, y el posterior nace de dividir entre la suma total.
| Hipótesis |
Prior P(Hᵢ)
← Creencia inicial |
Verosim. P(E|Hᵢ)
← ¿Qué tan probable es E si Hᵢ es cierta? |
Conjunta P(E∩Hᵢ)
← Prior × Verosimilitud |
Posterior P(Hᵢ|E)
← Conjunta / P(E) |
|---|---|---|---|---|
| Adopción | 0.40 | 0.80 | 0.32 | 0.64 |
| No adopción | 0.60 | 0.30 | 0.18 | 0.36 |
| Total | 1.00 | — | P(E) = 0.50 | 1.00 |
Imagina que eres un detective reconstruyendo un caso. Cada celda es una pista:
Los priores no salen de la tabla — salen de conocimiento previo:
💡 El prior es tu punto de partida. Es lo que creerías si NO tuvieras ninguna evidencia nueva.
Las verosimilitudes tampoco salen de la tabla — salen de datos del piloto/estudio:
💡 La verosimilitud mide qué tan "compatible" es la evidencia con cada hipótesis. Alta verosimilitud = la evidencia encaja bien con esa hipótesis.
Aquí es donde nacen los números nuevos. Se multiplican las dos columnas anteriores:
¿Qué significan estos números? Son el "peso de la evidencia" para cada escenario:
💡 La conjunta es el "peso de la evidencia" para cada hipótesis. Es como poner cada escenario en una balanza: el que pesa más es el más probable.
Se suman todas las conjuntas para obtener P(E) — la probabilidad marginal:
¿Qué significa? El 50% de TODOS los pilotos dan positivo, sin importar si hay adopción o no. Es el denominador que normaliza todo para que las probabilidades sumen 1.
💡 P(E) es el "terreno común" — la probabilidad de ver la evidencia en cualquier escenario. Sin esto, no podrías comparar las hipótesis.
Se divide cada conjunta entre P(E). Esto convierte los "pesos" en probabilidades que suman 1:
El posterior es tu respuesta final: después de ver el piloto positivo, la probabilidad de adopción subió del 40% al 64%.
💡 El posterior es la proporción del "peso total" que le corresponde a cada hipótesis. La hipótesis con mayor posterior es la más probable DESPUÉS de ver la evidencia.
La evidencia "pesa" según la conjunta. El posterior redistribuye el 100% proporcionalmente a los pesos.
Mueve los sliders y observa cómo cambia el resultado en tiempo real.
P(E) = P(E|H)×P(H) + P(E|¬H)×P(¬H)
= 0.32 + 0.18 = 0.50
P(H|E) = P(E|H)×P(H) / P(E)
= 0.32 / 0.50 = 0.64
Lo más poderoso de Bayes: el posterior de hoy es el prior de mañana. Cada nueva pieza de evidencia refina tu creencia.
| Ronda | Prior | Evidencia | Verosim. | Posterior |
|---|---|---|---|---|
| 0 (inicio) | — | Estudios previos | — | 0.40 |
| 1 | 0.40 | Piloto positivo | 0.80 / 0.30 | 0.64 |
| 2 | 0.64 | Estudio favorable | 0.85 / 0.25 | 0.82 |
| 3 | 0.82 | Competidor entra | 0.50 / 0.70 | 0.71 |
Bayes no es un cálculo de una sola vez. Es un proceso continuo. Cada dato nuevo ajusta tu modelo del mundo. Los mejores tomadores de decisiones actualizan constantemente sus creencias con nueva evidencia — y Bayes les dice exactamente cuánto ajustar.
Este ejemplo muestra por qué Bayes es contraintuitivo y por qué es esencial.
Una enfermedad afecta al 1% de la población.
La prueba tiene un 95% de sensibilidad (detecta enfermos).
La prueba tiene un 5% de falsos positivos.
Si das positivo... ¿qué probabilidad tienes de estar enfermo?
P(enfermo) = 0.01
P(+|enfermo) = 0.95
P(+|sano) = 0.05
P(+) = (0.95×0.01) + (0.05×0.99)
= 0.0095 + 0.0495
= 0.059
P(enfermo|+) = 0.0095 / 0.059
≈ 16.1%
Imagina 1,000 personas:
La enfermedad es tan rara que los falsos positivos dominan el resultado. Sin Bayes, podrías pensar que estás enfermo cuando probablemente no lo estás.
Lo que creías antes
Lo que observaste
Lo que ahora crees
Posterior = (Verosimilitud × Prior) / Evidencia
"El Teorema de Bayes formaliza lo que los buenos gerentes hacen por intuición: actualizar su evaluación cuando llega nueva información, pero de forma cuantificable y auditable."