Teorema de Bayes

1 · El teorema

$$P(A \mid B) = \frac{P(B \mid A) \cdot P(A)}{P(B)}$$

y, desarrollando el denominador con la probabilidad total:

$$P(A_i \mid B) = \frac{P(B \mid A_i)\,P(A_i)}{\sum_j P(B \mid A_j)\,P(A_j)}$$

2 · De dónde sale

De escribir la conjunta de las dos maneras posibles, con la regla del producto:

$$P(A \cap B) = P(A)\,P(B \mid A) = P(B)\,P(A \mid B)$$

Despejando $P(A \mid B)$ de la última igualdad se obtiene el teorema. No hay nada más: Bayes es un despeje.

3 · El vocabulario

Término	Qué es
$P(A)$	Probabilidad a priori: lo que se sabía antes del dato
$P(B \mid A)$	Verosimilitud: qué tan esperable era el dato si $A$ es cierto
$P(B)$	Evidencia: probabilidad total del dato
$P(A \mid B)$	Probabilidad a posteriori: lo que se sabe después

Leído así, el teorema describe cómo se actualiza una creencia con información nueva, y por eso da nombre a toda una escuela de la estadística.

4 · Un ejemplo con la EPH

Se sabe que entre quienes no terminaron el secundario, el 58,91 % tiene empleo no registrado. La pregunta inversa —de los no registrados, ¿qué proporción no terminó el secundario?— se responde con Bayes:

$$P(\text{sec. inc.} \mid \text{no reg.}) = \frac{0{,}5891 \times 0{,}2535}{0{,}3764} = 0{,}3968$$

59 % en un sentido, 40 % en el otro. La diferencia la produce el peso relativo de los grupos: quienes no terminaron el secundario son apenas la cuarta parte de los asalariados, así que aun teniendo mucha más informalidad no llegan a ser la mayoría de los no registrados.

5 · El caso que desarma la intuición

Una prueba diagnóstica con sensibilidad 99 % y especificidad 95 % se aplica a una enfermedad que afecta al 1 por mil. Da positivo. ¿Cuál es la probabilidad de estar enfermo?

$$P(E \mid +) = \frac{0{,}99 \times 0{,}001}{0{,}99 \times 0{,}001 + 0{,}05 \times 0{,}999} = \frac{0{,}00099}{0{,}05094} = 0{,}0194$$

Menos del 2 %. Con una prueba casi perfecta.

La forma más clara de verlo es con frecuencias naturales, sobre 100.000 personas:

	Enfermos	Sanos	Total
Prueba positiva	99	4.995	5.094
Prueba negativa	1	94.905	94.906
Total	100	99.900	100.000

De los 5.094 positivos, solo 99 están enfermos: 1,94 %. Los falsos positivos son cincuenta veces más que los verdaderos, simplemente porque hay mil veces más sanos que enfermos.

Si la misma prueba se aplicara a un grupo con 10 % de prevalencia —personas con síntomas, por ejemplo—, el valor predictivo positivo subiría a 68,8 %. La prueba no cambió: cambió a quién se le aplica. Es el argumento estadístico contra el tamizaje indiscriminado, y a favor de testear a quien tiene indicios previos.

6 · Errores frecuentes

• Ignorar la probabilidad previa. Es el error de la tasa base: razonar solo con la sensibilidad y concluir “la prueba acierta el 99 %, entonces estoy 99 % enfermo”.
• Confundir $P(+ \mid E)$ con $P(E \mid +)$. Es el mismo error escrito en símbolos.
• La falacia del fiscal. “La probabilidad de esta coincidencia si es inocente es 1 en un millón” no es “la probabilidad de que sea inocente es 1 en un millón”.
• Interpretar mal el valor p. $P(\text{datos} \mid H_0)$ no es $P(H_0 \mid \text{datos})$: es exactamente la misma inversión indebida.
• Olvidar desarrollar el denominador. $P(B)$ casi nunca es dato: hay que calcularlo por probabilidad total.
• Usar una previa inventada sin declararla.

7 · En el software

# R — Bayes es una cuenta, no una función
sens <- 0.99; esp <- 0.95; prev <- 0.001
vpp  <- sens * prev / (sens * prev + (1 - esp) * (1 - prev))
vpp                     # 0.01943

# Cómo cambia con la prevalencia
p <- seq(0.001, 0.5, length.out = 100)
plot(p, sens * p / (sens * p + (1 - esp) * (1 - p)), type = "l")

# Python
sens, esp, prev = 0.99, 0.95, 0.001
vpp = sens * prev / (sens * prev + (1 - esp) * (1 - prev))

@misc{estadistica_ar_teorema_de_bayes,
  author       = {Montivero, Jorge Luis},
  title        = {{Teorema de Bayes}},
  year         = {2026},
  howpublished = {\url{https://estadistica.ar/conceptos/teorema-de-bayes}},
  note         = {estadistica.ar. Consultado el \today},
  urldate      = {2026-09-18}
}