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
En la vida real, nunca tenemos información perfecta. Siempre estamos tomando decisiones con datos incompletos.
Un paciente da positivo en una prueba. ¿Qué tan seguro estamos de que tiene la enfermedad?
Detectamos movimiento en la frontera. ¿Es un invasor o una falsa alarma?
Un mercado parece prometedor. ¿Invertimos o nos retiramos?
Tenemos evidencia. ¿Qué tan probable es que el acusado sea culpable?
Bayes es la herramienta para actualizar creencias con nueva información.
Bayes nos dice: cuando obtienes nueva información, revisa tus creencias.
Antes (creencia previa):
Creo que hay 10% de probabilidad de lluvia hoy.
Observación (nueva información):
Veo el cielo muy oscuro y nubes de tormenta.
Después (creencia actualizada):
Ahora creo que hay 70% de probabilidad de lluvia.
Esto es Bayes en acción: cambiar de opinión cuando las pruebas lo justifican.
Bayes usa cuatro términos clave:
Ejemplo médico:
H = "Paciente tiene enfermedad"
E = "Prueba da positivo"
Aquí está la ecuación (no te asustes, es más simple de lo que parece):
P(H|E)
Posterior
Prob. hipótesis dado evidencia
P(E|H)
Likelihood
Prob. evidencia si hipótesis verdadera
P(H)
Prior
Prob. previa de hipótesis
P(E)
Evidencia
Prob. total de evidencia
Muchas personas confunden P(E|H) con P(H|E). Son conceptos opuestos:
"Probabilidad de la evidencia SI la hipótesis es verdadera"
Ejemplo: "Si llueve (H), hay 80% de probabilidad de que las calles estén mojadas (E)"
⚠️ Mira hacia ADELANTE: H → E
"Probabilidad de la hipótesis SI observas la evidencia"
Ejemplo: "Las calles están mojadas (E), ¿cuál es la probabilidad de que haya llovido (H)?"
✓ Mira hacia ATRÁS: E ← H
Escenario 1 - Hipótesis común: Si llueve frecuentemente, calles mojadas → alta probabilidad de lluvia.
Escenario 2 - Hipótesis rara: Si casi nunca llueve, calles mojadas → baja probabilidad de lluvia (probablemente alguien regó).
Conclusión: P(H|E) depende no solo del likelihood, sino del prior P(H). Bayes conecta ambas probabilidades.
P(H|E) = P(E|H) × P(H) / P(E)
La fórmula te obliga a pensar en los dos sentidos
Un árbol que representa todas las formas en que algo puede suceder:
Verdadero Positivo:
0.99%
Falso Positivo:
4.95%
Conclusión: Si observas "+Test", es más probable un falso positivo (4.95%) que un verdadero positivo (0.99%).
VitalGreen quiere expandirse a Indonesia. ¿Cuál es la probabilidad de éxito?
Prior: 20% de expansiones internacionales son exitosas
Observación: Indonesia muestra: PIB +5.5%, clase media creciente, demanda de alimentos saludables
Fórmula:
17% / 41% = 41%
P(Éxito|+I):
41%
Con indicadores positivos, la probabilidad de éxito sube de 20% a 41%.
Organiza los números en una tabla para no perder de vista nada:
| Hipótesis | Prior | Likelihood | Conjunta | Posterior |
|---|---|---|---|---|
| Éxito | 0.20 | 0.85 | 0.17 | 41% |
| Fracaso | 0.80 | 0.30 | 0.24 | 59% |
| P(E) = | 0.41 | |||
Pasos: (1) Multiplica Prior × Likelihood. (2) Suma para obtener P(E). (3) Divide cada conjunta por P(E).
Tu posterior de hoy se convierte en el prior de mañana:
Día 1: Indicadores positivos de Indonesia → 41% de éxito
Día 2: Nuevo prior = 41% de éxito. Llegan datos de demanda local (muy positivos) → 67% de éxito
Día 3: Nuevo prior = 67% de éxito. Entrevistas con distribuidores (mixtas) → 58% de éxito
Bayes es un proceso vivo: con cada dato nuevo, refinamos nuestras creencias.
Un test para enfermedad rara: 99% preciso, pero ¿qué significa un resultado positivo?
P(+|E) = 0.99
P(E) = 0.001
P(¬E) = 0.999
P(+|¬E) = 0.01
P(E|+) = (0.99 × 0.001) / [(0.99 × 0.001) + (0.01 × 0.999)]
= 0.00099 / 0.01098
9%
¡Un test 99% preciso significa solo 9% de probabilidad de verdadera enfermedad! (porque es muy rara)
Ajusta los sliders y observa cómo cambia el árbol en tiempo real:
Fórmula:
17% / 41% = 41%
P(H|E):
41%
🎯 La pregunta clave:
"Dado lo que acabo de observar, ¿cuál es la probabilidad de que mi hipótesis sea cierta?"
Bayes cambió cómo entendemos la probabilidad y la incertidumbre. 🌍