Imagine una prueba para una afección rara que afecta a 1 de cada 100 personas. La prueba es fiable al 99 % — identifica correctamente al 99 % de las personas que realmente tienen la enfermedad, y descarta correctamente al 99 % de las que no la tienen. Usted se hace la prueba. Es positiva. ¿Qué nivel de preocupación está justificado?
La reacción intuitiva de la mayoría de la gente es «99 % de preocupación». La respuesta correcta, calculada correctamente, es de aproximadamente un 50 %. Esta brecha es exactamente lo que el teorema de Bayes existe para llenar — y una vez que ve por qué, nunca volverá a leer un resultado positivo de la misma forma.
Ampliación A-Level
Dos preguntas que se parecen pero no lo son
«¿Qué tan fiable es esta prueba?» en realidad esconde dos preguntas distintas bajo una sola palabra. Está la sensibilidad — entre las personas que tienen la enfermedad, ¿a cuántas identifica correctamente la prueba? Y está la especificidad — entre las que no la tienen, ¿a cuántas descarta correctamente la prueba? Una prueba puede obtener 99 % en ambas y aun así dejarle con un resultado genuinamente incierto, porque ninguno de estos dos números responde lo que realmente quiere saber: dado un resultado positivo, ¿cuál es la probabilidad de que realmente tenga la enfermedad?
Calculándolo con 10.000 personas
La forma más clara de verlo no es el álgebra — es el conteo. Imagine probar a 10.000 personas, de las cuales el 1 % (100 personas) realmente tiene la enfermedad.
- Entre las 100 que la tienen, la prueba identifica correctamente a 99 (99 % de sensibilidad) y pasa por alto a 1.
- Entre las 9.900 que no la tienen, la prueba clasifica erróneamente al 1 % de ellas — 99 personas — como positivas de todos modos (99 % de especificidad, es decir, una tasa de falsos positivos del 1 %).
Sume todos los positivos de la prueba: 99 verdaderos positivos más 99 falsos positivos, un total de 198 personas. De esas 198, solo 99 realmente tienen la enfermedad — exactamente la mitad.
10.000 personas probadas: el 0,99 % que son realmente positivas y el 0,99 % que son falsos positivos son casi iguales, porque una afección rara (1 %) significa que un grupo sano muy grande aún produce un número igual de falsas alarmas.
Try it yourself — drag the slider to change how rare the condition is, and watch how a “99% accurate” test's real reliability changes with it.
1.0% of people have the condition — 100 out of 10,000 tested.
99
true positives
99
false positives
50%
chance a positive is real
A test that's 99% accurate on paper is only 50% reliable in practice at this prevalence — because 99 healthy people are being flagged positive for every 99 genuinely sick ones caught.
La fórmula detrás del conteo
El teorema de Bayes es la versión formal de esta misma lógica de conteo — le permite actualizar una probabilidad inicial en cuanto llega nueva evidencia:
P(enfermedad | positivo) = [P(positivo | enfermedad) × P(enfermedad)] ÷ P(positivo)
El numerador son los 99 verdaderos positivos (99 % de sensibilidad × 1 % de prevalencia). El denominador, P(positivo), representa a todos los que obtienen un resultado positivo por cualquier razón — verdaderos y falsos positivos combinados, de donde vienen los 198. Cuanto más rara sea la afección, más lleno de falsos positivos está el denominador, y más difícil es que un resultado positivo realmente signifique algo.
Pregunta tipo examen
Otra afección afecta al 2 % de una población. Una prueba de detección tiene una sensibilidad del 95 % y una especificidad del 95 %. Usando una tabla de 10 000 personas, halla P(afección | positivo), dando tu respuesta con 3 cifras significativas. [5 puntos]
Mostrar respuesta modelo y desglose de puntos
- El 2 % de 10 000 = 200 personas tienen la afección; 9800 no la tienen (1 punto)
- Verdaderos positivos: 95 % de 200 = 190. Falsos negativos: 200 − 190 = 10 (1 punto)
- Falsos positivos: 5 % de 9800 = 490 (una especificidad del 95 % implica una tasa de falsos positivos del 5 %). Verdaderos negativos: 9800 − 490 = 9310 (1 punto)
- Total de positivos = 190 + 490 = 680 (1 punto)
- P(afección | positivo) = 190 ÷ 680 = 0,279 = 27,9 % (1 punto)
Lo que valora el examinador: construye la tabla 2×2 (afección/sin afección × positivo/negativo) antes de dividir nada — la división final solo tiene sentido una vez que los cuatro números están en su lugar.
Error frecuente: usar el 95 % (la sensibilidad) como respuesta, que es la probabilidad condicional inversa — P(positivo | afección), no P(afección | positivo) — exactamente la confusión que este tema existe para aclarar.
Por qué esto importa de verdad, no solo como tema de examen
Esto no es una pregunta trampa diseñada para engañar a los estudiantes — es exactamente el razonamiento que los médicos usan a diario, llamado formalmente «valor predictivo positivo». Si las probabilidades y la estadística son algo que usted o su hijo deberían entender con el razonamiento real detrás de la fórmula en vez de de memoria, eso es exactamente lo que ofrece nuestra clase particular de matemáticas GCSE, y puede ver el camino de aprendizaje completo aquí.
Preguntas frecuentes
¿No significa una fiabilidad del 99 % que tengo un 99 % de probabilidad de tener la enfermedad si la prueba es positiva?
No — y este es el malentendido más común sobre cualquier prueba médica. Fiable al 99 % describe el comportamiento de la prueba según su estado real, no es una respuesta directa a la pregunta inversa: dado un resultado positivo, ¿cuál es la probabilidad de que realmente tenga la enfermedad? Estos dos números pueden ser muy diferentes cuando la propia afección es rara.
Entonces, ¿es inútil la prueba?
En absoluto — hace un trabajo real. Antes de la prueba, la probabilidad de tener la enfermedad era del 1 %. Después de un resultado positivo, subió al 50 %. Esa es una actualización real e importante; simplemente no es una certeza. En la práctica, los médicos responden a esta brecha ordenando una segunda prueba distinta.
¿Dónde más se aplica realmente esta lógica?
En cualquier lugar donde algo prueba algo raro: la seguridad aeroportuaria, los filtros de spam, los sistemas de detección de fraude, incluso un detector de humo en una casa donde un incendio real es raro. En cada caso, una baja tasa base significa que los falsos positivos pueden superar a los verdaderos positivos incluso si el detector en sí es extremadamente fiable.
Valoraciones y reseñas de lectores
Valore este artículo en varios aspectos — su opinión ayuda a otros lectores, y nos ayuda a mejorar.
¿Le ha resultado útil este artículo?
Cuéntenos qué le parece — una corrección, una pregunta sin responder, o un tema que le gustaría ver tratado a continuación.
¿Prefiere hablarlo? Reserve una videollamada gratuita cuando le convenga: 15 minutos para una pregunta rápida, 30 para todo lo demás. Los horarios aparecen en su zona horaria.
Sobre el autor
Sudershan Soni
Fundador y tutor principal en Mostak Services — tutor de matemáticas, ciencias, informática y STEM titulado con máster, con más de 20 años de experiencia profesional, enseñando a alumnos desde el 11+ y el GCSE hasta el A-Level y más allá, en línea en todo el mundo.
Leer el perfil completo