El Teorema de Bayes es una de las fórmulas más elegantes y prácticas de toda la matemática. Nos permite actualizar nuestras creencias sobre la probabilidad de un evento cuando obtenemos nueva información. Es la base de la estadística bayesiana, los filtros de spam, los diagnósticos médicos y la inteligencia artificial.
La fórmula
El Teorema de Bayes se expresa como:
P(A|B) = P(B|A) · P(A) / P(B)
Donde P(A|B) es la probabilidad de A dado que ha ocurrido B (la probabilidad posterior), P(B|A) es la probabilidad de observar B si A es cierta (la verosimilitud), P(A) es la probabilidad inicial de A (la probabilidad a priori) y P(B) es la probabilidad total de B.
Un ejemplo médico
Supongamos que una enfermedad afecta al 1% de la población. Un test tiene una sensibilidad del 99% (detecta correctamente el 99% de los enfermos) y una especificidad del 95% (identifica correctamente al 95% de los sanos).
Si das positivo, ¿cuál es la probabilidad de que realmente estés enfermo? Muchos dirían «99%», pero Bayes nos da la respuesta correcta:
P(enfermo|positivo) = (0,99 × 0,01) / (0,99 × 0,01 + 0,05 × 0,99) = 0,0099 / 0,0594 ≈ 16,7%
Solo un 16,7% de probabilidad. Esto es contraintuitivo pero matemáticamente riguroso: cuando la enfermedad es rara, los falsos positivos dominan.
Historia: de Bayes a Laplace
Thomas Bayes (1702-1761), un ministro presbiteriano y matemático aficionado, formuló las bases del teorema, que fue publicado póstumamente en 1763. Pierre-Simon Laplace lo generalizó y formalizó posteriormente, convirtiéndolo en una herramienta matemática rigurosa.
Durante mucho tiempo, la estadística bayesiana fue marginal frente al enfoque frecuentista dominante. Pero desde finales del siglo XX, con el aumento de la potencia computacional, ha experimentado un renacimiento espectacular.
Aplicaciones modernas
Filtros de spam: Los filtros bayesianos calculan la probabilidad de que un correo sea spam dado que contiene ciertas palabras. Se actualizan continuamente con cada correo clasificado.
Inteligencia artificial: Los clasificadores bayesianos ingenuos (Naive Bayes) son algoritmos de machine learning sencillos pero sorprendentemente efectivos para clasificación de textos.
Búsqueda y rescate: Cuando se pierde un barco o un avión, los equipos de búsqueda usan métodos bayesianos para actualizar las zonas de búsqueda a medida que obtienen nueva información.
Tribunales: El teorema de Bayes se aplica para evaluar la fuerza de evidencias forenses, como pruebas de ADN.
El pensamiento bayesiano
Más allá de la fórmula, el teorema de Bayes nos enseña una forma de pensar: debemos actualizar nuestras creencias proporcionalmente a la fuerza de la nueva evidencia. No debemos aferrarnos a ideas previas ni dejarnos llevar por un solo dato. Es un antídoto contra los sesgos cognitivos.